La verificación de identidad no es el producto. La tecnología sí lo es.
Si ya has evaluado anteriormente a proveedores de servicios de verificación de identidad, probablemente hayas oído repetidamente las mismas afirmaciones: alta precisión, tiempos de respuesta rápidos y cobertura global. Llega un momento en que todo empieza a sonar igual.
Esto se debe a que, en muchos sentidos, la verificación de identidad se está convirtiendo en un servicio estandarizado. Hoy en día, es posible crear un proceso básico de verificación utilizando API en la nube, herramientas ya disponibles en el mercado o incluso grandes modelos de lenguaje. A simple vista, muchas soluciones parecen muy similares.
Pero, más allá de las apariencias, las diferencias son significativas.
La pregunta que todo comprador acaba planteándose
Durante varios años, trabajé directamente con clientes que evaluaban a varios proveedores de servicios de verificación de identidad al mismo tiempo. Era habitual que las organizaciones se reunieran con tres, cuatro o incluso cinco proveedores antes de tomar una decisión.
Y, al final, siempre surgía la misma pregunta: «¿Por qué deberíamos elegirte a ti?».
Es una pregunta lógica, sobre todo en un mercado repleto de grandes proveedores, proveedores de plataformas y empresas que integran múltiples tecnologías de terceros en una única oferta.
En Microblink, la respuesta siempre ha sido clara: porque la tecnología subyacente es importante.
Por qué es importante la propiedad de la tecnología
En Microblink, desarrollamos y mantenemos internamente nuestra tecnología principal de captura, extracción y verificación de documentos. Nuestros equipos crean los algoritmos, gestionan los modelos de aprendizaje automático y optimizan continuamente el rendimiento en distintos dispositivos, entornos y condiciones de uso reales.
Puede que parezca una distinción técnica, pero, desde el punto de vista operativo, supone una diferencia importante.
Cuando las empresas dependen en gran medida de modelos de agregadores o revendedores, la resolución de problemas suele requerir la coordinación entre múltiples proveedores. Es posible que un caso extremo relacionado con un documento, un problema específico de un dispositivo o una inconsistencia regional tenga que pasar por varias instancias antes de que se puedan introducir mejoras. Esto, naturalmente, ralentiza el proceso de iteración y limita la flexibilidad.
Disponer de la pila tecnológica básica ofrece un control mucho mayor sobre la forma en que los sistemas evolucionan y responden a las condiciones del mundo real. Permite a los equipos reaccionar con mayor rapidez ante los nuevos patrones de fraude, adaptarse a los entornos de implementación cambiantes y dar prioridad a los comentarios de los clientes directamente en la hoja de ruta del producto.
Y en lo que respecta a la verificación de identidad, los casos extremos no son excepciones poco frecuentes. Son la realidad de los entornos de producción.
Verificación de productos básicos frente a diferenciación real
Cada vez se oye más que la verificación de identidad en sí misma se ha convertido en un producto básico. Hasta cierto punto, estoy de acuerdo.
Los flujos de trabajo básicos de verificación, como la digitalización de un documento, la extracción de texto y la realización de comprobaciones de validación estándar, son cada vez más accesibles. Sin embargo, la tecnología subyacente que sustenta esos flujos de trabajo no es un producto básico.
Ahí es donde sigue existiendo una diferenciación significativa.
Por ejemplo, en Microblink ofrecemos compatibilidad con modelos de implementación en el propio dispositivo, en el servidor y híbridos, en función de las necesidades del cliente. Esa flexibilidad cobra una importancia fundamental en las implementaciones reales, donde la conectividad, la calidad del hardware, los requisitos de privacidad y los marcos normativos varían considerablemente.
Esas decisiones arquitectónicas suelen pasar desapercibidas durante una demostración del producto, pero cobran una importancia fundamental cuando se trabaja a gran escala.
El fraude ha evolucionado más rápido que la mayoría de los sistemas
Otro ámbito en el que el dominio de la tecnología cobra una importancia fundamental es la prevención del fraude.
El panorama del fraude ha cambiado radicalmente en los últimos años. Los atacantes ya no se basan principalmente en ataques de presentación sencillos, como fotos impresas o máscaras estáticas. Hoy en día, las herramientas de IA generativa pueden crear identidades sintéticas, documentos manipulados, secuencias de selfies inyectadas y deepfakes muy convincentes en cuestión de segundos.
Esto plantea un reto técnico fundamentalmente diferente.
Para mantenerse al día en este entorno, se necesitan sistemas capaces de evolucionar continuamente al mismo ritmo que las metodologías de ataque. Se requiere la capacidad de probar internamente nuevos escenarios de fraude, reentrenar los modelos con rapidez, evaluar casos extremos e integrar la inteligencia sobre el fraude directamente en los flujos de trabajo de desarrollo de productos.
Cuando las organizaciones dependen por completo de herramientas externas, su capacidad de adaptación se ve limitada por la hoja de ruta y las prioridades de terceros. Cuando la tecnología básica se desarrolla internamente, los ciclos de iteración se aceleran considerablemente.
Los límites de los modelos de lenguaje grandes (LLM) en la verificación de identidad
También se está debatiendo cada vez más si los grandes modelos de lenguaje pueden sustituir por completo a los sistemas tradicionales de verificación de identidad.
En situaciones controladas, los modelos de lenguaje grande (LLM) pueden funcionar sorprendentemente bien. Sin embargo, los entornos de verificación de identidad del mundo real ponen de manifiesto sus limitaciones muy rápidamente.
En mis propias pruebas, he observado tiempos de respuesta irregulares, resultados fantasmas —en los que el modelo genera información que no existe— y dificultades para gestionar de forma coherente los casos extremos o las entradas de menor calidad.
Y lo que es más importante, resulta difícil poner en práctica los modelos de lenguaje grande (LLM) de forma que cumplan los requisitos de verificación de identidad del mundo real. Su procesamiento es muy exigente, no son fáciles de implementar en los propios dispositivos y sus resultados no siempre son determinísticos ni auditables.
En la verificación de identidad, la coherencia es de vital importancia. Si un mismo documento se procesa varias veces, las organizaciones necesitan obtener el mismo resultado en cada ocasión. A los grandes sistemas generativos aún les resulta difícil garantizar ese nivel de repetibilidad de forma fiable.
La situación actual de Microblink
Por eso creo que la propiedad de la tecnología subyacente seguirá siendo importante, incluso aunque los procesos de verificación de identidad se generalicen cada vez más.
En Microblink, seguimos centrados en desarrollar continuamente nuestra tecnología documental básica, en facilitar la flexibilidad de implementación en el mundo real en distintos dispositivos y entornos, y en adaptarnos rápidamente a las nuevas técnicas de fraude, especialmente aquellas relacionadas con la IA generativa.
No pretendemos dar a entender que ningún sistema sea perfecto. Toda tecnología de identidad tiene sus limitaciones. Pero comprender esas limitaciones, someterlas a pruebas continuas en condiciones reales y crear sistemas diseñados para evolucionar con el tiempo es, en última instancia, lo que genera confianza.
