Bill Swearingen, especialista en ciberseguridad de Kansas City, desarrolló «noRecognition», un sistema basado en aprendizaje por refuerzo que genera diseños capaces de engañar a los algoritmos de reconocimiento facial y de patentes. Tras 31 millones de pruebas, logró superar a 11 sistemas de detección de código abierto, incluidos los que usan Flock, Axon y Clearview AI, y lo demostró en vivo durante la conferencia Def Con 2026 en Las Vegas.
La carrera entre la vigilancia automatizada y quienes buscan escapar de ella sumó un nuevo capítulo. El investigador en ciberseguridad Bill Swearingen, cofundador del grupo SecKC en Kansas City, presentó un proyecto llamado noRecognition: un modelo de inteligencia artificial capaz de generar patrones visuales que, aplicados a ropa, objetos o vehículos, impiden que las cámaras de vigilancia detecten a las personas o autos que los llevan puestos.
La clave del sistema no es impedir la grabación —las cámaras siguen filmando con normalidad—, sino confundir a los algoritmos que analizan esas imágenes para identificar rostros, cuerpos o patentes. En otras palabras, el sujeto sigue estando en el video, pero el software de reconocimiento no lo «ve» como tal, y por lo tanto no dispara ninguna alerta de detección.
Cómo funciona: «enseñarle a pintar» a un modelo
Swearingen comenzó el proyecto hace aproximadamente un año, con pruebas incrementales contra distintos algoritmos de detección de código abierto. Con el tiempo, escaló el proceso a un modelo de aprendizaje por refuerzo: un sistema que entrena solo, generando un patrón, probándolo contra los algoritmos, y ajustándose cada vez que es detectado, hasta encontrar combinaciones que los engañan a todos simultáneamente.
El propio investigador describió el proceso como «enseñarle a pintar» a su modelo. Hoy, el sistema genera patrones nuevos cada minuto, cada uno matemáticamente más efectivo que el anterior. Según sus pruebas, la tasa de no detección alcanzó el 61,7% en simulaciones contra los 11 algoritmos evaluados, entre ellos el software que utilizan los lectores de patentes de Flock Safety, las cámaras corporales de Axon y el sistema de reconocimiento facial de Clearview AI.
El viernes pasado, en Def Con —una de las conferencias de ciberseguridad más importantes del mundo—, el proyecto tuvo su primera prueba real fuera del laboratorio: con ayuda del canal automotor Donut Media, cubrieron un Toyota Yaris 2009 con uno de los patrones más recientes y lo expusieron frente a una cámara Flock en funcionamiento. Según Swearingen, la prueba fue exitosa, aunque las ruedas del vehículo resultaron un punto débil que todavía no logran camuflar del todo.
Antecedentes: una batalla que no empieza ahora
Swearingen reconoce que su trabajo se apoya en intentos anteriores. Desde hace varios años existen proyectos de arte y moda —camperas, remeras, patrones textiles— pensados para «confundir» sistemas de reconocimiento facial, así como anteojos que prometían el mismo efecto con resultados dispares y poca eficacia comprobada. Lo novedoso del proyecto de Swearingen es haber automatizado ese proceso con IA generativa y aprendizaje por refuerzo, en lugar de diseñar patrones «a mano» por prueba y error humano, lo que le permitió escalar a decenas de millones de iteraciones y lograr tasas de efectividad mucho más altas y medibles.
El contexto en el que surge el proyecto también importa: en Estados Unidos, la expansión de cámaras con reconocimiento automático de patentes y rostros viene acompañada de errores documentados. Organizaciones como el Institute for Justice han relevado casos de automovilistas inocentes detenidos, interceptados a mano armada o encarcelados por fallas de los lectores de patentes con IA. También se registraron episodios en los que sistemas como los de Flock generaron alertas erróneas que derivaron en intervenciones policiales sobre personas que no habían cometido ningún delito.
Swearingen relató que la idea del proyecto surgió cuando, el año pasado, quiso participar de una protesta pero sintió incomodidad al saber que la enorme cantidad de cámaras de su ciudad podía identificar y registrar a quienes ejercían su derecho a la manifestación pública. Se definió a sí mismo como «un hombre blanco de mediana edad» que no sufrió discriminación por su aspecto, pero remarcó que si él sentía esa inquietud, era esperable que otras personas —potencialmente más expuestas a sesgos o persecución— sintieran lo mismo o algo peor.
Usos posibles
- Protección de la privacidad individual: personas que no quieren ser rastreadas en espacios públicos por sistemas de reconocimiento automatizado.
- Protesta y activismo: manifestantes que buscan ejercer derechos de expresión y reunión sin quedar registrados en bases de reconocimiento facial.
- Periodistas, denunciantes y personas en riesgo: fuentes, testigos o víctimas que necesitan moverse sin ser identificadas por sistemas de videovigilancia estatales o privados.
- Investigación en ciberseguridad: como prueba de estrés (red teaming) para detectar puntos ciegos y vulnerabilidades en los sistemas de reconocimiento que ya se usan en cámaras corporales policiales, lectores de patentes y plataformas de identificación facial.
- Uso comercial: el proyecto ya tiene una campaña de financiamiento colectivo en Kickstarter para vender remeras, buzos y, a futuro, «pieles» o vinilos con el patrón para vehículos.
Pros y contras
A favor:
- Devuelve a las personas cierta capacidad de decidir cuándo y cómo son observadas en espacios públicos, algo que hoy depende casi enteramente de gobiernos y empresas.
- Funciona como un mecanismo de control externo sobre sistemas de vigilancia que, según denuncias documentadas, cometen errores con consecuencias graves (detenciones, allanamientos, arrestos de personas inocentes).
- Aporta evidencia técnica concreta sobre las debilidades de los algoritmos de detección más usados, lo que puede presionar a los fabricantes a mejorar su precisión.
En contra:
- La misma tecnología que oculta a un manifestante pacífico puede ocultar a alguien que busca evadir la ley, complicando investigaciones legítimas de seguridad pública.
- Al no ser accesible ni comprensible para todos por igual, puede profundizar una brecha entre quienes tienen los recursos o el conocimiento técnico para «desaparecer» de la vigilancia y quienes no.
- El propio Swearingen admite que mantiene sus patrones más efectivos fuera de internet para que los fabricantes de cámaras no los neutralicen, lo que instala una carrera armamentista permanente entre quienes vigilan y quienes evaden, sin garantía de estabilidad a largo plazo.
La cuestión legal y ética
El desarrollo abre interrogantes que todavía no tienen respuesta uniforme, ni en Estados Unidos ni en América Latina. Usar un patrón para no ser detectado en la vía pública no es, en la mayoría de las jurisdicciones, un delito en sí mismo, ya que no existe una obligación legal de «ser reconocible» por un algoritmo. Sin embargo, el uso de estos patrones en el marco de un hecho delictivo (por ejemplo, para evadir la identificación de un vehículo robado) sí podría configurar agravantes o nuevos tipos de infracciones, algo que los sistemas judiciales recién empiezan a discutir.
En el plano ético, el proyecto pone en tensión dos derechos que suelen chocar: la privacidad individual frente al interés público en la seguridad. Swearingen lo resume como una forma de permitir que la gente «decida no ser rastreada», pero especialistas en política de vigilancia señalan que la solución de fondo no debería depender de que cada ciudadano se vista con un patrón antidetección, sino de una regulación más estricta sobre qué datos pueden recolectar estas cámaras, cuánto tiempo se conservan y qué controles existen sobre los falsos positivos.
Para América Latina, donde la adopción de cámaras de reconocimiento facial y patentes por parte de gobiernos y empresas privadas crece de forma acelerada —muchas veces con marcos normativos laxos, poca transparencia sobre los proveedores tecnológicos y escaso derecho de los ciudadanos a saber si están siendo identificados—, el caso de noRecognition funciona como una señal de alerta. La región todavía tiene pendiente un debate más profundo sobre protección de datos biométricos, límites al uso de IA en seguridad pública y mecanismos de rendición de cuentas cuando estos sistemas fallan, algo que ya generó controversia en Argentina en torno al Sistema de Reconocimiento Facial de Prófugos utilizado en la Ciudad de Buenos Aires, y que reaparece ahora bajo una forma distinta: la de la evasión tecnológica de esa misma vigilancia.
Fuente: TechCrunch (Zack Whittaker), 9 de agosto de 2026.
About The Author
