La tecnología biométrica, como identificador único para la verificación de identidad, se ha abierto camino en muchos aspectos de nuestra vida diaria. Ha conseguido que acciones como desbloquear el teléfono, acceder a una cuenta bancaria o completar un proceso de alta de cliente sean más seguras y sencillas. Es una herramienta de verificación de la identidad en la que tanto clientes como instituciones han llegado a confiar, y los usuarios la suelen considerar más cómoda que otros métodos. A medida que aumenta el número de transacciones en línea, la tecnología biométrica se ha convertido en el nexo de confianza entre empresas y personas.
Para las instituciones, ofrecer comodidad y confianza implica garantizar que estos sistemas funcionen igual de bien para todo el mundo. Los sistemas biométricos deben ofrecer el mismo rendimiento a todos sus clientes, independientemente de su grupo demográfico. Esto es esencial para evitar que determinados perfiles de clientes queden excluidos, lo que puede provocar desconfianza e incluso incumplimiento normativo.
Por esta razón, una de las métricas más importantes en la verificación biométrica, la Tasa de Error de Clasificación de Presentación de Buena Fe (BPCER, por sus siglas en inglés, Bona Fide Presentation Classification Error Rate), es un elemento clave para garantizar la equidad de los algoritmos de verificación biométrica.
El BPCER es una métrica que mide la frecuencia con la que un sistema biométrico rechaza incorrectamente a un usuario legítimo durante el proceso de verificación. En general, un BPCER más bajo indica un sistema más inclusivo y fácil de usar, capaz de reconocer a usuarios legítimos bajo cualquier condición. En cambio, un BPCER alto puede indicar un posible sesgo y debería ser la clave para evaluar las tasas de rechazo entre diferentes grupos demográficos.
En la práctica, el BPCER es un punto de partida para evaluar tanto el rendimiento del sistema como la equidad demográfica. Un sistema verdaderamente justo debe mostrar tanto un BPCER absoluto bajo como una paridad estadística en cómo trata a todos los grupos demográficos. Unas tasas de error bajas y un rendimiento equitativo en todas las demografías son el estándar ideal en la inclusividad biométrica.
Vista su importancia, vamos a profundizar en por qué es importante el sesgo biométrico, cuáles son sus causas comunes, cómo se puede abordar y cuáles son las mejores prácticas para reducir el sesgo y minimizar el BPCER.
¿Cómo combate la biometría los sesgos humanos?
A menudo, los sistemas biométricos deben analizarse con cuidado porque replican los sesgos humanos, pero un sistema bien diseñado puede, de hecho, reducir el sesgo en comparación con la toma de decisiones lelvada a cabo por personas. El sesgo en los algoritmos no suele derivarse de la tecnología biométrica en sí, sino de datos de entrenamiento desequilibrados o poco representativos que reflejan las desigualdades sociales.
Mediante la curación intencionada de conjuntos de datos lo suficientemente amplios y diversos, la aplicación de rigurosas pruebas de rendimiento demográfico y el ajuste continuo de las métricas de equidad a lo largo del desarrollo, los sistemas de autenticación biométrica pueden diseñarse para funcionar de manera más coherente y objetiva en todas las poblaciones. Aunque ningún sistema está nunca completamente libre de sesgos, las prácticas responsables en la gestión de datos y la monitorización continua hacen posible que la biometría mitigue el sesgo en lugar de reforzarlo.
¿Por qué el sesgo biométrico es tan relevante en la verificación de identidad?
El auge de herramientas como la IA generativa ha permitido a los estafadores adoptar enfoques cada vez más sofisticados para cometer fraude digital. Los bancos y las instituciones financieras saben que deben mejorar su seguridad frente a estas y otras amenazas emergentes, pero la equidad y la inclusividad deben evolucionar en paralelo. Esto requiere entrenar los sistemas con todos los perfiles para que ningún usuario legítimo se vea perjudicado. El sesgo biométrico puede ocurrir cuando un sistema ha sido entrenado para funcionar bien al autenticar a un grupo demográfico, pero si no se le han presentado conjuntos de datos diversos, puede tener problemas cuando se enfrenta a ciertos segmentos de población.
Algunas investigaciones recientes ponen en relieve este desafío. En un estudio a gran escala de 2024 sobre la verificación de identidad remota (RIdV), los investigadores probaron cinco sistemas comerciales con casi 4000 participantes diversos. Tres de los cinco sistemas analizados tuvieron problemas para autenticar correctamente a usuarios con tonos de piel más oscuros, lo que resultó en tasas de rechazo más altas.
Para las empresas, es importante entender que la confianza del cliente es frágil. Casi el 80% de las instituciones financieras dependen ahora de la verificación de identidad basada en documentos para los nuevos clientes, lo que hace que verificar las identidades de manera equitativa en todas las poblaciones sea fundamental para garantizar que todo el mundo tenga acceso a productos financieros. El sesgo socava la confianza no solo en el proceso, sino en la propia institución: tanto entre el grupo demográfico afectado, como entre otros clientes que se enteran de los problemas demográficos y consideran que el proceso o la institución tienen un sesgo sistémico. Además, los resultados sesgados en los sistemas de identidad digital pueden generar riesgos de incumplimiento normativo. Por otra parte, cuando los clientes que no pueden usar la autenticación biométrica requieren soporte o revisión manual, lo que crea costes operativos adicionales.
¿Cuáles son las causas más comunes del sesgo biométrico?
Los sistemas no se entrenan para ser intencionalmente sesgados. Más bien, una de las causas más comunes de sesgo es la falta de entrenamiento en un área específica debido a un conjunto de datos desequilibrado. Cuando los datos utilizados para entrenar un sistema biométrico solo se componen de ciertos grupos de edad, géneros o personas de regiones concretas, el modelo resultante funcionará mejor para esos grupos que para aquellos que están subrepresentados en los datos de entrenamiento.
Los sistemas de detección de ataques de presentación facial (liveness) se enfrentan a retos similares cuando la apariencia varía debido a la expresión cultural. Los estudios sobre modelos de detección de liveness han mostrado tasas de falso rechazo más altas para usuarios que llevan pañuelos en la cabeza, capuchas o hijabs, lo que sugiere que algunos algoritmos no han sido entrenados lo suficiente para estas expresiones. Se ha demostrado que la incorporación de esta diversidad durante las fases de entrenamiento y validación reduce el BPCER.
Además, los factores ambientales y técnicos pueden exacerbar algunos de estos sesgos. La iluminación deficiente, la calidad inconsistente de la cámara o la resolución de imagen degradada son causas comunes de elevadas tasas de BPCER y pueden desfavorecer aún más a algunos grupos. Esto es especialmente cierto si un sistema no ha sido entrenado adecuadamente para tener en cuenta estas condiciones y cómo impactan en las características de los tonos de piel más oscuros.
Cómo Aborda la Tecnología Biométrica el Sesgo
Muchos proveedores de soluciones han realizado importantes inversiones para abordar estos desafíos. Como señalamos desde Mitek, la inclusividad debe integrarse en cada etapa del diseño y de las pruebas y los sistemas biométricos deben validarse con diferentes tonos de piel, grupos de edad y tipos de documentos para garantizar un rendimiento justo para todos los usuarios. Las organizaciones deben elegir un proveedor de verificación de identidad que haga un seguimiento y reporte del rendimiento biométrico por grupo demográfico, y que demuestre el uso de un algoritmo de reconocimiento facial global de alto rendimiento en el cotejo facial.
Una de las formas más efectivas de impulsar mejoras es mediante el uso de conjuntos de datos amplios y más diversos. Los proveedores que entrenan deliberadamente sus algoritmos con datasets que incluyen una amplia gama de edades, etnias, géneros y atributos culturales construirán sistemas biométricos más capaces de servir de manera justa a todas las demografías dentro de una población.
El aprendizaje automático (machine learning) también permite la mejora continua de las soluciones biométricas. Los sistemas actuales no tienen un algoritmo estático; se actualizan y reentrenan continuamente con nuevos datos, por lo que pueden adaptarse con el tiempo a los cambios demográficos y culturales. Los algoritmos también pueden tener en cuenta los cambios graduales en la apariencia de una persona, reduciendo la probabilidad de rechazo relacionada con los cambios por la edad, o la ganancia o pérdida de peso, por ejemplo.
La monitorización y mitigación de sesgos, con pruebas independientes frente a grupos diversos, también ayuda a descubrir disparidades para abordarlas. El uso de opciones multimodales también puede ayudar al crear mecanismos de respaldo.
En general, la tendencia es alentadora, y el rendimiento biométrico continúa mejorando. Un análisis de 2025 de la tecnología de reconocimiento facial mostró que los algoritmos líderes lograron una precisión del 98-99% en todos los grupos demográficos. Aún así, la precisión media no elimina la necesidad de mejora y monitorización continuas, con transparencia que garantice que los resultados sean justos y equitativos tanto a nivel estadístico como experiencial.
Ejemplos prácticos de reducción del sesgo
Las instituciones están implementando las prácticas mencionadas y otras para reducir el sesgo. Además del entrenamiento y la implementación de soluciones multimodales, se están poniendo en marcha innovadoras prácticas para mejorar la precisión.
- Las organizaciones que actualizan sus datos de registro biométrico con más frecuencia son capaces de reducir la diferencia entre el registro del usuario y cualquier cambio en su apariencia a lo largo del tiempo, lo que resulta en reducciones significativas en las tasas de falso rechazo para sus usuarios de mayor edad.
-
La transparencia y la rendición de cuentas están mejorando. Algunas fuentes, como el Informe de Monitorización de la Inclusión del Reino Unido de 2025, muestran que el 41% de los servicios de identidad digital recopilan o publican tasas de precisión desglosadas por grupo demográfico, un aumento con respecto al 30% del año anterior.
Mejores prácticas del sector para reducir el sesgo biométrico
Un compromiso para abordar todas las mejoras técnicas que se han comentado anteriormente —incluidos datos de entrenamiento ampliados, mejora continua con aprendizaje automático, algoritmos capaces de progresar la edad y un compromiso con la monitorización de sesgos y la mitigación de discrepancias— debe ser una práctica fundamental del sector para reducir el sesgo y disminuir el BPCER.
- Los proveedores del sector deben comprometerse a colaborar con los reguladores y los grupos de defensa. Esta colaboración garantiza que todas las perspectivas estén representadas en el desarrollo y la implementación de los sistemas biométricos.
- La transparencia con el público también debe considerarse una buena práctica. Los usuarios quieren saber cómo se utilizan sus datos, las medidas de seguridad que se han implementado y con qué equidad trata una institución a sus clientes.
- La comunicación abierta ayuda a generar confianza en el uso de la biometría en su conjunto, así como confianza en los proveedores de biometría y en las instituciones que utilizan la biometría para proteger las cuentas de sus clientes.
- Los proveedores deben comprometerse con un diseño de IA responsable que se extienda más allá del algoritmo. Los equipos de aprendizaje automático deben utilizar técnicas que les permitan reequilibrar las categorías subrepresentadas, incluyendo el muestreo dinámico, las funciones de pérdida ponderadas y la generación de datos sintéticos
Estos métodos pueden ayudar a que los sistemas sigan siendo equitativos y precisos.
¿Hacia dónde va la biometría inclusiva?
La innovación sigue impulsando mejoras en la inclusividad biométrica. Los sistemas multimodales capaces de usar combinaciones de biometría facial, de voz y de comportamiento están ganando impulso; al depender menos de un solo punto de datos, estos sistemas tienen menos probabilidades de generar falsos rechazos. Las capacidades de la inteligencia artificial y el aprendizaje automático también continúan avanzando, yendo más allá de las tareas de reconocimiento para poder detectar activamente e incluso corregir el sesgo, lo que protege en tiempo real contra los resultados sesgados.
A largo plazo, el establecimiento de sistemas equitativos y fáciles de usar que reflejen la diversidad del mundo real solo puede asegurarse si se diseña con la inclusividad en el núcleo de cada sistema, un compromiso que la industria debe asumir para garantizar que los sistemas biométricos sigan siendo precisos, accesibles y justos.
Descubre cómo Mitek contribuye al futuro de la biometría inclusiva
Mitek se enorgullece de liderar el desarrollo de soluciones biométricas inclusivas que reducen el sesgo, mejoran la precisión y crean experiencias de identidad digital más justas y equitativas para todos.
