Los deepfakes han pasado de ser una curiosidad de internet de nicho a un problema de fraude de casi 900 millones de dólares en unos pocos años. BitMind Forensics, un sistema de detección construido sobre la red descentralizada de inteligencia artificial de Bittensor, ahora está obteniendo puntuaciones de referencia que superan a las alternativas comerciales y de código abierto.
Según un artículo de arXiv de julio de 2026, BMF logró un área bajo la curva (AUC) de 0.915 en el conjunto de datos de imágenes Deepfake-Eval-2024. El mejor modelo comercial en esa misma evaluación alcanzó 0.90. En la detección de video, BMF obtuvo 0.822, superando el mejor resultado comercial de 0.79.
AUC es esencialmente una calificación que indica qué tan bien un clasificador distingue entre contenido real y falso, donde 1.0 es perfecto y 0.5 es como lanzar una moneda.
Cómo una subred de cripto se convirtió en cazadora de deepfakes
BitMind desarrolló su herramienta de forense en la Subred 34 de Bittensor, conocida con el nombre algo dramático GAS, abreviatura de Generative Adversarial Subnet. El concepto es sencillo una vez que se elimina el jerga: los mineros en la red compiten entre sí en un bucle adversarial, generando y detectando constantemente medios sintéticos.
Ese ritmo es importante porque los detectores tradicionales de deepfakes se entrenan con un conjunto de datos fijo y se implementan como modelos estáticos. Funcionan muy bien con las falsificaciones que ya han visto antes, pero tienden a fallar cuando se enfrentan a salidas de generadores más recientes. La arquitectura de BitMind evita este problema al tratar la detección como una competencia viva y en evolución, en lugar de un examen único. Esta actualización ocurre aproximadamente cada cuatro horas.
El sistema se lanzó el 15 de enero de 2025, con una aplicación móvil diseñada para proporcionar a los usuarios detección en tiempo real de deepfakes con tiempos de respuesta inferiores a un segundo. BitMind afirma que la herramienta logra un 95% de precisión en contenido del mundo real, fuera de laboratorio, una cifra citada por el cofundador y CEO Ken Jon Miyachi.
Las herramientas anteriores de detección de deepfakes promediaban alrededor del 69% de precisión en escenarios del mundo real.
Los números en contexto
Más allá de los indicadores principales, el rendimiento de BMF en pruebas a gran escala es notable. El sistema alcanzó una AUC de 0,936 en imágenes originales de Sumsub, un proveedor conocido de verificación de identidad. Más impresionante aún, logró una AUC agrupada de 0,872 en una batería de pruebas que supera los 1,4 millones de manipulaciones de imágenes.
BitMind también ha comenzado integraciones comerciales. CysecOnline en Sudáfrica es una de las empresas que han adoptado la tecnología, lo que indica un primer impulso más allá del ecosistema Bittensor y hacia canales tradicionales de ciberseguridad.
Las pérdidas por fraude relacionado con deepfakes sumaron casi 900 millones de dólares en 2025, una cifra que probablemente es conservadora dado que muchos incidentes no se reportan o se clasifican incorrectamente.