
Recibos falsos generados por IA: la nueva frontera del fraude en gastos
En marzo de 2025, un periodista de TechCrunch demostró en pocos minutos que podía generar un recibo de restaurante perfectamente realista con ChatGPT [1]. Manchas de café, pliegues del papel, tipografía auténtica — el resultado era inquietantemente convincente. Desde entonces, la tecnología solo ha mejorado.
Para las direcciones financieras, esta evolución representa un desafío mayor. Los controles tradicionales — verificación visual, detección básica de duplicados, aprobación del responsable — simplemente no fueron diseñados para enfrentar falsificaciones de esta calidad.
La magnitud del problema
Los sitios especializados en crear recibos falsos existen desde hace años. Lo que cambia hoy es la calidad y la accesibilidad. Cualquier empleado con acceso a una herramienta de IA generativa puede producir en segundos un recibo que resistiría cualquier inspección visual humana.

Las técnicas más comunes observadas por nuestros equipos:
- Creación desde cero: un recibo enteramente ficticio, generado a partir de un prompt describiendo un restaurante, un importe y una fecha
- Alteración de recibos reales: modificación del importe, fecha o número de comensales en un recibo auténtico
- Recibos híbridos: combinación de elementos de varios recibos reales para crear un documento compuesto
- Duplicación con variaciones: el mismo recibo ligeramente modificado, enviado por diferentes empleados o en fechas distintas
Por qué los controles clásicos fallan
Un controlador experimentado puede detectar una fotocopia de mala calidad. Pero frente a un recibo generado por IA con los códigos visuales correctos, el ojo humano alcanza sus límites.
El enfoque multicapa: la única defensa viable
Frente a esta amenaza, una estrategia de detección única no basta. En TEVASOFT hemos desarrollado un enfoque multicapa:
Análisis forense de imagen
Nuestros modelos examinan los metadatos de las imágenes, la consistencia de píxeles, los artefactos de compresión y las firmas digitales características de las herramientas de generación.
Validación matemática
Más allá de la imagen, verificamos la coherencia aritmética: ¿los subtotales coinciden con el total? ¿El IVA está calculado a la tasa correcta? Los generadores de imágenes cometen frecuentemente errores de cálculo.
Cruce con datos de comercios
EVA confronta cada recibo con su base de conocimiento sobre comercios: ¿existe la dirección? ¿Los horarios de apertura coinciden con la fecha del gasto?
Análisis comportamental
El fraude casi nunca es aislado. Un empleado que envía un recibo falso típicamente tiene un perfil de gastos con otras señales débiles.
Detección de anomalías estadísticas
Analizando todas las notas de gastos de una organización, EVA identifica desviaciones significativas respecto a los patrones normales.
La carrera entre creación y detección
Sería deshonesto afirmar que la detección es infalible. Por eso diseñamos EVA con capacidad de auditoría retroactiva. Cuando nuestros modelos de detección mejoran, podemos relanzar el análisis sobre recibos antiguos ya reembolsados.
Lo que los directores financieros deben hacer ahora
- Abandonar el control por muestreo: en un mundo de recibos generados por IA, verificar el 10% de las notas de gastos significa dejar el 90% del riesgo sin vigilancia
- Invertir en detección multicapa: ninguna técnica única es suficiente
- Implementar auditorías retroactivas regulares: los modelos de detección evolucionan — sus controles pasados deben poder beneficiarse de estas mejoras
Fuentes
[1] TechCrunch, ChatGPT's new image generator is really good at faking receipts, marzo 2025
[2] ACFE, Report to the Nations on Occupational Fraud and Abuse, 2024
[3] Gartner, Predicts 2026: AI Will Drive New Forms of Financial Fraud, 2025
