Cómo Sentinel usa TruthScan para frenar el fraude en marketplaces impulsado por IA
EN RESUMEN
Los estafadores en Allegro, uno de los mayores marketplaces online de Europa, usan IA para editar fotos reales de productos —añadiendo manchas, rayones o daños falsos— para solicitar reembolsos fraudulentos. Sentinel detecta esas ediciones. El fundador Piotr Szmielew probó sistemas de OpenAI y Hive. Ambos fallaron. OpenAI marcó imágenes reales como falsas. Hive nunca respondió a contactos repetidos.
Sentinel añadió TruthScan como último paso en su pipeline de detección. TruthScan devolvió un resultado definitivo en casi todas las imágenes probadas. Szmielew dice que TruthScan representa el 90% de la capacidad de detección de su plataforma. Sin él, Sentinel no puede identificar de forma fiable fotos modificadas por IA.
PRINCIPALES LOGROS
de las capacidades de detección de modificaciones por IA están impulsadas directamente por TruthScan.
Casi 0%Tasa de falsos positivos en pruebas reales (frente a la alta tasa de fallos de OpenAI)
14 díasdesde la solicitud de función hasta el despliegue, demostrando una agilidad excepcional del socio.
El problema: una decisión errónea acaba con el producto
El pipeline de Sentinel detecta imágenes totalmente generadas por IA. Ese es el problema fácil. El difícil es detectar pequeñas ediciones por IA en fotos reales (p. ej. una mancha añadida digitalmente en una chaqueta real, o un rayón compuesto en una pantalla real). Ese es el tipo de fraude que impulsa reembolsos falsos en Allegro, y es donde falló todo detector que Sentinel probó.
En la detección de fraude, cada resultado es binario: real o falso. Si Sentinel marca a un comprador legítimo como estafador, el marketplace pierde la confianza de ese comprador. Hazlo dos veces y el marketplace prescinde de Sentinel. Según Szmielew:
"Los falsos positivos están arruinando toda la idea... sobre todo si tienes un pipeline de detectores. Si obtienes un falso positivo, no sabes realmente qué hacer."
Sentinel necesitaba un detector lo bastante preciso para captar modificaciones por IA a nivel de píxel sin identificar erróneamente fotos reales.
Qué probó Sentinel — y por qué falló cada uno
Piotr sometió a prueba tres soluciones principales. Los datos mostraron que los detectores de IA estándar no podían sostener un producto comercial viable.
- OpenAI Vision marcó imágenes legítimas como falsas. En una prueba por lotes de tres imágenes, identificó erróneamente la primera — una foto real y sin alterar. Sentinel detuvo la evaluación. Un detector que falla en imágenes auténticas no puede venderse a un marketplace donde los compradores esperan fallos precisos.
- Sightengine detectó imágenes totalmente generadas por IA a un coste razonable. Pero no pudo detectar modificaciones por IA en fotos reales — el tipo concreto de fraude para el que se creó Sentinel. Una herramienta que se equivoca en el problema central no es una opción más barata. Es la herramienta equivocada.
- Hive Moderation nunca llegó a las pruebas. Hive no publicó precios. El equipo de Sentinel envió tres o cuatro correos y no recibió respuesta. Sentinel siguió adelante.
Tras estos resultados, Sentinel empezó a probar TruthScan con un conjunto mayor de muestras reales de fraude. Szmielew dijo que la capacidad de respuesta del equipo marcó la diferencia:
"Es muy fácil de integrar... el riesgo es muy bajo... si buscas detectar modificación de imágenes por IA, creo que es la herramienta adecuada ahora mismo."
Cómo usa Sentinel TruthScan
Sentinel ejecuta varios detectores en secuencia. La mayoría detectan falsos obvios — como imágenes totalmente generadas con patrones conocidos de manipulación. Cuando una imagen pasa esos filtros y el resultado sigue siendo incierto, TruthScan tiene la última palabra.
Szmielew explicó el papel con claridad:
"Por eso TruthScan está como modelo final en el pipeline... Si los resultados anteriores son inconclusos, TruthScan es el juez final."
"Otras herramientas son buenas como primera línea... pero cuando se trata de la artillería pesada, TruthScan está al final para resolverlo todo."
Sentinel construyó su pipeline así tras probar TruthScan con un conjunto de datos mayor de casos reales de fraude y más partes interesadas. TruthScan fue la única herramienta que identificó de forma fiable modificaciones por IA en fotos reales — la capa de fraude que otros detectores no cubrían.
Resultados
Un resultado no concluyente en todas las pruebas. En todo el conjunto de pruebas de Sentinel, TruthScan devolvió un resultado incierto una vez. Todas las demás imágenes recibieron un fallo definitivo (real o falso).
El 90% de la capacidad de detección de Sentinel depende de TruthScan Szmielew dijo que quitar TruthScan reduciría en un 90% la capacidad de su plataforma para detectar fraude por modificación por IA. Las demás herramientas del pipeline de Sentinel cubren los casos básicos. TruthScan cubre el resto.
Sin retrasos de aprovisionamiento. Sentinel integró TruthScan sin esperar aprobaciones comerciales ni acceso API — procesos que retrasaron las evaluaciones con Hive. Eso permitió a Sentinel seguir escalando mientras crecía la demanda.
En palabras del propio Szmielew:
"Es muy fácil de integrar... el riesgo es muy bajo... si buscas detectar modificación de imágenes por IA, creo que es la herramienta adecuada ahora mismo."
Qué viene después
Sentinel vende ahora un producto de detección de fraude que devuelve un resultado definitivo en casi todas las imágenes probadas. TruthScan aporta el 90% de esa capacidad. OpenAI y Hive no pudieron.
Sentinel fue aceptado en el programa Google Cloud for Startups. La integración con TruthScan fue un factor en esa aceptación. Y ahora Sentinel está expandiéndose más allá de sus clientes iniciales de marketplace.
Análisis de rendimiento competitivo
Los siguientes datos resumen la evaluación interna de Sentinel del panorama competitivo.
| Función/Métrica | OpenAI | Sightengine | Hive | TruthScan |
|---|---|---|---|---|
| Tasa de falsos positivos | Alta (~33% en pruebas iniciales) | Baja (pero alcance limitado) | Desconocida (sin acceso) | <1% (casi cero) |
| Detección de modificación | Poco fiable | Ineficaz | Desconocida | Alta precisión |
| Tiempo de acceso | Inmediato | Inmediato | Semanas/Nunca | Inmediato |
| Papel en el pipeline | Rechazado | Filtro de primera pasada | Rechazado | Juez final |
Construye con un socio, no solo un proveedor.
Desde entregas en 2 semanas hasta precios transparentes, descubre por qué el fundador de Sentinel llama a TruthScan el "juez final" de su pipeline.
Solicitar demostración