¿Puede la inteligencia artificial imitar una firma?
La inteligencia artificial está aprendiendo a reproducir patrones de escritura y sus variaciones naturales. ¿Qué implicaciones tiene este avance para la documentoscopía forense?
Autor: Dr. Tomás Eduardo Texis Valencia
Una firma manuscrita es el resultado de movimientos aprendidos que ejecutamos de manera habitual. Aunque cada persona desarrolla características gráficas propias, ninguna de sus firmas es completamente idéntica a otra. La inclinación, las proporciones, la dirección y la extensión de los trazos pueden variar ligeramente entre una ejecución y otra.
Estas diferencias forman parte de lo que conocemos como variación natural de la escritura, un fenómeno fundamental para el análisis de firmas cuestionadas.

Durante décadas, la reproducción de una firma ha dependido principalmente de la capacidad de una persona para observar e imitar sus características. Sin embargo, los avances recientes en inteligencia artificial (IA) han incorporado una nueva posibilidad: desarrollar modelos capaces de aprender patrones gráficos a partir de firmas auténticas y generar nuevas versiones con características semejantes.
¿Cómo puede aprender una IA a imitar una firma?
Algunos modelos matemáticos utilizados en inteligencia artificial permiten analizar conjuntos de datos para identificar relaciones y características que pueden resultar difíciles de describir mediante reglas convencionales.
En el caso de las firmas, estos modelos pueden analizar aspectos como la curvatura, la inclinación, las proporciones y la distribución espacial de los trazos. A partir de estos elementos, aprenden relaciones estadísticas que permiten generar nuevas imágenes de firmas con características similares a las utilizadas durante su entrenamiento.
El resultado puede ser una firma sintética que conserve características del patrón gráfico utilizado como referencia. [1, 2]
La IA también puede aprender la variación natural
Una de las características más interesantes de estas tecnologías es su capacidad para generar distintas versiones de un mismo patrón de escritura.
En 2021, Tolosana y colaboradores desarrollaron DeepWriteSYN, un modelo matemático capaz de sintetizar escritura a partir de segmentos cortos de movimientos. Los investigadores demostraron experimentalmente que podían generar variaciones de firmas manuscritas conservando características asociadas con un mismo individuo. [1]
Posteriormente, en 2024, Hong y colaboradores utilizaron un modelo matemático para generar firmas sintéticas a partir de imágenes de firmas auténticas.
El modelo logró conservar características como la curvatura, la forma de determinados elementos y la continuidad visual de los trazos. Además, produjo nuevas versiones que incorporaban características observadas en distintas firmas originales. [2]
Este resultado tiene una implicación importante: un modelo puede aprender que las firmas de una misma persona presentan diferencias entre sí y utilizar esa información para producir nuevas variaciones.
Por ejemplo, imaginemos que proporcionamos a un modelo varias firmas auténticas de una persona. Algunas presentan trazos ligeramente más largos, otras tienen pequeñas diferencias de inclinación o modificaciones en la forma de sus elementos.
Después del entrenamiento, el modelo podría generar una nueva imagen que conserve el patrón general e incorpore variaciones semejantes a las observadas en las muestras originales.
La calidad de estos resultados depende del modelo, de las muestras disponibles y de las características utilizadas durante su entrenamiento.
¿Qué tan convincentes pueden resultar estas firmas?
La capacidad de producir imágenes semejantes a firmas auténticas plantea interrogantes relacionados con los sistemas automatizados de verificación.
En 2023, Bird y colaboradores evaluaron distintos métodos para engañar a un sistema automatizado de reconocimiento de firmas. Entre ellos, utilizaron un modelo matemático para generar firmas artificiales y dispositivos robóticos capaces de reproducirlas físicamente sobre papel.
De las 25 firmas generadas mediante inteligencia artificial que se evaluaron, el sistema identificó correctamente 15 como falsas (60 %), mientras que las 10 restantes (40 %) fueron aceptadas erróneamente como auténticas. Estos resultados, aunque limitados a las condiciones experimentales del estudio, muestran las vulnerabilidades que pueden presentar algunos sistemas de verificación frente a firmas generadas artificialmente. [3]

En 2025, Marcinowski-Prażmowski encontró que las firmas generadas con IA podían identificarse principalmente por defectos en su calidad visual. Esta limitación podría superarse conforme avance la tecnología, lo que haría cada vez más difícil distinguirlas de las firmas auténticas mediante su apariencia. [4]
¿Qué implica este avance para la documentoscopía forense?
La capacidad de la IA para reproducir firmas cada vez más convincentes plantea tres retos importantes para el futuro de la documentoscopía:
Identificar cómo se produjo una firma. Desarrollar procedimientos que permitan distinguir entre firmas manuscritas auténticas, imágenes generadas artificialmente y reproducciones realizadas mediante dispositivos automatizados.
Evaluar características más allá de la apariencia visual. Fortalecer el análisis de los trazos, el soporte y los instrumentos de escritura, incorporando información sobre la velocidad, presión y secuencia de los movimientos cuando esté disponible.
Mejorar los métodos de comparación pericial. Desarrollar y validar herramientas capaces de reconocer imitaciones cada vez más sofisticadas, considerando la variación natural de las firmas auténticas y los márgenes de error de cada procedimiento.
Estos desafíos muestran la importancia de continuar desarrollando métodos científicos que permitan evaluar la autenticidad de una firma, incluso cuando su apariencia sea prácticamente indistinguible de la original.
El futuro de la autenticidad de las firmas
La inteligencia artificial ha demostrado que puede aprender características de la escritura y producir firmas sintéticas con semejanzas importantes respecto de las originales. Algunas investigaciones incluso han conseguido reproducir aspectos de la variación natural de un mismo firmante.
Estos avances representan tanto una oportunidad para desarrollar mejores sistemas de verificación como un desafío para los procedimientos de autenticación y el análisis forense de documentos.
La investigación científica deberá continuar evaluando qué características pueden reproducirse, cuáles permiten diferenciar una firma auténtica de una sintética y bajo qué condiciones estos métodos pueden utilizarse de manera confiable.
La pregunta sobre quién realizó una firma adquiere una nueva dimensión cuando también debemos considerar cómo pudo haberse producido.
Referencias bibliográficas
1. Tolosana R, et al. DeepWriteSYN: On-Line Handwriting Synthesis via Deep Short-Term Representations. Proceedings of the AAAI Conference on Artificial Intelligence. 2021;35(1):600–608. https://doi.org/10.1609/aaai.v35i1.16139
2. Hong D-J, Chang W-D, Cha E-Y. Handwritten Signature Generation Using Denoising Diffusion Probabilistic Models with Auxiliary Classification Processes. Applied Sciences. 2024;14(22):10233. https://doi.org/10.3390/app142210233
3. Bird JJ, Naser A, Lotfi A. Writer-independent signature verification; Evaluation of robotic and generative adversarial attacks. Information Sciences. 2023;633:170–181. https://doi.org/10.1016/j.ins.2023.03.029
4. Marcinowski-Prażmowski M. Generative-adversarial network for falsification of handwritten signatures. Journal of Forensic Sciences. 2025;70(2):770–778. https://doi.org/10.1111/1556-4029.15680


Comentarios