Fraude por reembolso en delivery. Tendencias globales 2026.
La foto del pedido se convirtió en la prueba principal para reclamar un reembolso. Y la IA generativa hizo que fabricar esa prueba lleve segundos. En este informe vamos a repasar las cifras globales del fraude y vamos a señalar qué funciona para detectarlo.
Equipo de Vouch14 de octubre de 2026Lectura de 11 minutos
Las cifras
de los comercios online sufrió abuso de reembolsos y de políticas en el último año: es el tipo de fraude más extendido.1
Encuesta a 1.278 profesionales de comercio electrónico de 37 países, nov–dic 2025.de los comercios vio crecer el abuso de reembolsos en el último año. El 20% habló de aumentos de más del 25%.1
Encuesta a 1.278 profesionales de comercio electrónico de 37 países, nov–dic 2025.de los comercios sufrió falsos reclamos de “no llegó”, la forma más común de abuso de reembolsos.1
Mismo relevamiento.del fraude del lado del consumidor en plataformas de delivery y movilidad fue abuso de reembolsos, empatado con el abuso de promociones.2
Casos detectados en 2024.Para dimensionar: en el retail en general, el fraude y el abuso de devoluciones generaron unos USD 100.000 millones de pérdidas prevenibles en 2025, el 14,2% de todas las devoluciones.3
1. Qué cambió: la evidencia ahora se fabrica
Durante años, el reclamo falso en delivery fue de baja tecnología: decir que algo no llegó, que faltaba un producto o que estaba frío. Las plataformas respondieron pidiendo una foto. Hoy esa foto se puede modificar con una frase escrita a una aplicación de IA, desde el mismo celular y sin saber editar.
Los casos documentados en prensa y fuentes públicas muestran que el patrón ya no es local.
- Abr 2025ChinaTaobao y Tmall eliminan la opción de “solo reembolso”, que devolvía el dinero sin pedir que el comprador devolviera el producto.4
- Nov 2025ChinaEn la temporada del Double 11, vendedores denuncian fotos alteradas con IA para reclamar productos dañados, sobre todo alimentos frescos. En Suzhou, un comprador presentó un video falso de cangrejos muertos: la policía lo descubrió y recibió ocho días de detención administrativa.54
- Nov 2025Estados UnidosSe reportan fotos de comida retocadas con IA para que parezca cruda o en mal estado, usadas para pedir reembolsos en DoorDash.6
- Nov 2025América LatinaMedios de Chile y Argentina alertan sobre clientes que editan con IA las fotos de sus pedidos para que la comida parezca cruda o en mal estado, o con objetos extraños, y así pedir el reembolso.78
- Dic 2025Estados UnidosUn repartidor de DoorDash en Austin marca un pedido como entregado y envía una foto generada con IA de la puerta del cliente. DoorDash lo bloqueó.9
- Ene 2026IndiaEl CEO de Zomato cuenta que hay clientes que agregan insectos con IA a las fotos y que crecieron los reclamos por tortas “aplastadas”.10
- Ene 2026ChinaTaobao y Tmall lanzan un modelo propio para detectar imágenes falsas en los reclamos de posventa. Las plataformas más grandes ya tratan la foto del reclamo como un riesgo.11
- 2026BrasilEn Paraná, un cliente agrega con IA una cucaracha a la foto de su hamburguesa para pedir el reembolso. El local lo descubre solo porque conoce su propia receta: la mayonesa estaba en otra posición y tenía un color que no usa.12
- May 2026MéxicoLas dueñas de un emprendimiento detectan que las fotos de productos “dañados” que les envió una clienta para pedir un reembolso fueron generadas con IA.13
- Ago 2026Unión EuropeaEntran en vigor las obligaciones de transparencia del AI Act. La marca de agua en el contenido generado con IA será exigible desde diciembre de 2026 para las herramientas que ya estaban en el mercado.1415
2. Cómo funciona el fraude
El reclamo con foto alterada es la novedad, pero convive con otras tácticas que se combinan entre sí.
Foto alterada con IA
El pedido llega bien y la foto lo muestra crudo, quemado, con un insecto o aplastado. Ataca justo donde las plataformas buscaban seguridad: la evidencia visual.
Foto reciclada
La misma imagen se usa en varios reclamos, en varias cuentas, o se descarga de internet o de reseñas de otros clientes.
“No llegó” o “faltaba algo”
Sigue siendo la base del problema: es la forma más común de abuso de reembolsos que reportan los comercios.1
Cuentas múltiples
Una misma persona abre muchas cuentas para multiplicar reembolsos y promociones. El 73% de los equipos de fraude de la economía de plataformas dice que frenarlo es su prioridad.16 Una misma foto en reclamos de varias cuentas es una de las señales más claras.
Colusión
Repartidor y cliente se ponen de acuerdo para declarar problemas que no existieron.
Fraude en la prueba de entrega
El repartidor simula la entrega con una foto generada o reutilizada. El caso de Austin muestra que la imagen falsa también sirve para cobrar sin entregar.9
3. Quién paga
El reembolso rara vez lo absorbe una sola parte. Según la política de cada plataforma, el costo recae en el restaurante que preparó bien el pedido, en la plataforma o en el repartidor. Y hay un costo menos visible: cuando las reglas se endurecen para todos, el cliente honesto también tiene que demostrar más y espera más.
La regulación empieza a fijar quién responde. En California, la ley AB 578 obliga a las plataformas a reembolsar por completo los pedidos no entregados o equivocados, salvo que encuentren evidencia de que el reclamo es fraudulento.17 Es decir: sin evidencia, se paga. Detectar bien deja de ser una mejora operativa y pasa a ser la única forma de rechazar un reclamo con respaldo.
Una cuenta rápida
Pérdida por fraude = reclamos con foto × porcentaje fraudulento × reembolso promedio. Cambiá los valores por los de tu operación.
Pérdida estimadaUSD por mes · USD por año
Valores de ejemplo, no son datos de mercado. No incluye el tiempo de revisión ni el costo de rehacer el pedido.
4. Por qué los controles actuales no alcanzan
El ojo humano
Las herramientas actuales generan texturas, luces y sombras casi perfectas. Los casos que se descubren suelen depender de la suerte: un detalle que solo conoce el local, como el color de una salsa.12
La foto como prueba suficiente
Muchas políticas de reembolso se diseñaron cuando una foto era difícil de falsificar. Hoy aceptarla sin analizarla es aceptar el reclamo.
Depender de una sola señal
Taobao y Tmall, con uno de los equipos técnicos más grandes del mundo, informaron que su modelo detectaba alrededor de la mitad de las imágenes falsas.11 La lección no es que detectar sea imposible, sino que una sola señal no alcanza: hay que cruzar el análisis de la imagen con su historia y con el contexto del reclamo.
Controles que no miran la foto
El 86% de las plataformas usa identificación de dispositivo y el 52%, inteligencia de ubicación.16 Son señales útiles, pero ninguna analiza la imagen que llega con el reclamo, que es justo lo que hoy se falsifica.
Más trabajo para los mismos equipos
El 52% de los profesionales de fraude dedica cada vez más tiempo a gestionarlo y solo el 13% logró reducirlo.1 Revisar cada foto a mano no escala.
5. Qué funciona: un enfoque por capas
Ninguna señal sola alcanza. Lo que da resultado es analizar cada foto con varias capas a la vez y reservar a las personas para los casos dudosos.
Análisis de la imagen
Buscar señales de generación o edición: bordes, reflejos, iluminación y texturas que no corresponden a una foto real. La metadata del archivo suma, pero muchas veces llega borrada, así que el análisis no puede depender solo de ella.
Historia de la imagen
Saber si esa foto ya apareció antes: en internet, en otro reclamo o en otra cuenta, aunque esté recortada o rotada.
Contexto del reclamo
Cruzar la foto con el historial del cliente, la frecuencia de reclamos y lo que se está reclamando.
Revisión humana
Un especialista revisa solo los casos grises, con la evidencia ya ordenada, y deja registrado el criterio para auditorías y disputas.
6. América Latina: el mismo patrón, al mismo tiempo
Los casos de Brasil, Chile, Argentina y México aparecieron casi en paralelo con los de Estados Unidos y China.
Reembolsos casi automáticos
Según la prensa de la región, en muchos casos la devolución se aprueba sin una verificación exhaustiva, con la foto como única prueba.8
El reclamo llega por chat
Muchos reclamos se resuelven por chat o por WhatsApp, que comprime las imágenes y les borra buena parte de la metadata. Un control que depende solo de la metadata queda ciego: hay que analizar la imagen en sí.
Locales sin equipo de fraude
Buena parte del delivery de la región depende de locales y emprendimientos sin un área de prevención de fraude. Los casos se descubren cuando el dueño reconoce su propio producto.12
Menos disputas ganadas
Los comercios de América Latina son los que menos disputas por fraude ganan: el 12,2% de sus contracargos y disputas, contra el 16,7% del promedio global.1 Sin evidencia ordenada, cada reclamo es más difícil de rechazar.
7. Qué viene
La falsificación se abarata
Cada nueva generación de herramientas de imagen hace la edición más rápida y más realista. Un análisis de la AI Incident Database concluyó que el fraude con deepfakes ya opera a escala industrial, con herramientas baratas y fáciles de usar.18 El costo de fabricar un reclamo creíble tiende a cero.
Más inversión en detección
El mercado de detección de imágenes falsas se estima en USD 1.870 millones en 2026 y podría llegar a USD 7.430 millones en 2031, con un crecimiento anual cercano al 32%.19 Verificar imágenes pasa a ser parte de la operación, no un experimento.
Más marcado, pero no en todas partes
El AI Act europeo obliga a informar el contenido generado con IA desde agosto de 2026, y la marca de agua será exigible a las herramientas que ya estaban en el mercado desde diciembre.1514 Ayuda, pero no alcanza a quien usa herramientas que no cumplen la regla, y una marca se puede perder al editar o reenviar la imagen.
Fotos firmadas al tomarlas
Algunos celulares ya firman las fotos con el estándar C2PA.20 Por ahora son pocos equipos, la firma suele perderse al reenviar o recortar la imagen y una foto sin firma no prueba nada. Es un complemento del análisis, no un reemplazo.
Más reembolsos obligatorios
Leyes como la AB 578 protegen al consumidor y obligan a justificar cada rechazo con evidencia.17
Políticas más estrictas
Las plataformas ajustan sus reglas, como hicieron Taobao y Tmall al eliminar el “solo reembolso”.4 Pero endurecer las reglas castiga a todos; detectar bien permite aprobar rápido al cliente honesto.
8. Qué preguntarle a un proveedor
Si vas a evaluar una herramienta para revisar fotos de reclamos, estas preguntas separan una solución completa de una parcial.
¿Analiza la imagen, su historia y el contexto del reclamo?
Cada señal por separado deja huecos: una foto nueva y editada no aparece en ninguna búsqueda, y una foto reciclada puede no tener rastros de edición.
¿Explica el motivo de cada resultado?
Para rechazar un reclamo con respaldo necesitás saber por qué es sospechoso. Un número sin explicación no sirve como evidencia.
¿Hay una persona para los casos dudosos?
La revisión humana en los casos grises evita rechazar a clientes honestos y deja registrado el criterio.
¿Se puede usar sin integrar nada?
Si la única opción es una integración técnica, la prueba tarda meses. Con una herramienta web se empieza en días.
¿Funciona con fotos de galería, capturas y WhatsApp?
Así llegan los reclamos reales: comprimidos, recortados y sin buena parte de la metadata.
¿Detecta la misma foto aunque esté recortada o rotada?
Es la forma más simple de encontrar fotos recicladas entre reclamos y cuentas.
¿Puedo probarlo con mis propios casos?
Un piloto con tus reclamos reales muestra el resultado antes de contratar.
9. Checklist para equipos de operaciones y fraude
- Medí qué porcentaje de tus reembolsos se aprueba solo con una foto.
- Analizá todas las fotos de reclamo, no solo las que parecen sospechosas.
- Pedí la foto con la cámara de la app, en el momento, no desde la galería.
- Guardá cada imagen de reclamo para poder detectar si se repite en otros casos.
- Revisá el historial del cliente y de la cuenta antes de aprobar.
- Definí qué evidencia necesitás para rechazar un reclamo y dejala registrada.
- Separá los casos claros de los dudosos, y que solo los dudosos lleguen a una persona.
- Medí cuánto tardás en resolver cada reclamo y cuánto de ese tiempo es revisión manual.
- Revisá tus reglas a la luz de la regulación de tu mercado.
Cómo lo resuelve Vouch
Vouch analiza cada foto de reclamo en menos de 30 segundos con tres capas: detección de imágenes generadas o editadas con IA, búsqueda de la imagen en internet y en reclamos anteriores, y el contexto del cliente. Devuelve un score de riesgo de 0 a 100 con el motivo, y los casos grises pasan a un especialista. Funciona desde Vouch Web, sin integrar nada, o por API.
Preguntas frecuentes
¿Qué es el fraude por reembolso en delivery?
Es pedir la devolución del dinero de un pedido con un reclamo falso: que no llegó, que faltaba algo o que llegó en mal estado. Cada vez más, ese reclamo se acompaña con una foto alterada o reutilizada.
¿Cómo se detecta una foto de comida alterada con IA?
A simple vista es cada vez más difícil. Lo que funciona es combinar el análisis técnico de la imagen, la búsqueda de esa misma foto en internet y en reclamos anteriores, y el contexto del cliente, con revisión humana para los casos dudosos.
¿Qué herramientas detectan fotos de comida editadas con IA en reclamos de delivery?
Hay detectores generales de imágenes hechas con IA, pero para reclamos conviene una herramienta que combine el análisis de la imagen, la búsqueda de fotos repetidas y el contexto del cliente. Vouch, por ejemplo, analiza cada foto de reclamo en menos de 30 segundos, devuelve un score de riesgo de 0 a 100 con el motivo y deriva los casos dudosos a un especialista.
¿Quién paga un reembolso fraudulento?
Depende de la política de cada plataforma: puede absorberlo el restaurante, la plataforma o el repartidor. En mercados como California, la ley obliga a reembolsar salvo que haya evidencia de fraude.
Fuentes
Este informe se basa solo en fuentes públicas, todos los datos son verificables.
- Merchant Risk Council. 2026 Global eCommerce Payments & Fraud Report (mar 2026)
- Incognia. Frontline Report: Gig Economy Edition (feb 2025)
- Appriss Retail. 2026 Total Retail Loss Benchmark Report (feb 2026)
- China Daily. AI-driven refund scams spur calls for stronger e-platform protection (dic 2025)
- South China Morning Post. China consumers use AI to alter product photos, claim refunds for goods that appear damaged (2025)
- The Daily Dot. AI-generated refund scams are tricking DoorDash with fake “undercooked” food photos (nov 2025)
- Infobae. Alerta por nuevo fraude con IA: usuarios crean imágenes falsas de productos “defectuosos” para obtener devoluciones (dic 2025)
- T13 (Chile). La nueva estafa que golpea al delivery: así usan IA para editar fotos de comida y pedir reembolsos (nov 2025)
- TechCrunch. DoorDash says it banned driver who seemingly faked a delivery using AI (ene 2026)
- Outlook Business. Inside Zomato’s Karma Score: What Deepinder Goyal Reveals About Fraud, Refunds (ene 2026)
- OECD.AI (AI Incidents Monitor). Taobao and Tmall Deploy AI to Combat Fraudulent Refunds with Fake Images (ene 2026)
- Giro News. Cliente usa IA para simular barata em lanche e tentar reembolso no Paraná (2026)
- Infobae México. Emprendedora se viraliza al detectar imágenes falsas creadas con IA y evita presunta estafa (may 2026)
- William Fry. EU AI Act Omnibus Deal Reached: Postponed Deadlines, Watermarking Compromise, and the Nudification Prohibition (may 2026)
- Jones Walker LLP. The EU approved a high-risk AI delay, but most transparency obligations remain (2026)
- Incognia. The State of Fraud in the Gig Economy 2025 (oct 2025)
- California State Assembly. AB 578: consumer protections on food delivery platforms (2025)
- The Guardian. Deepfake fraud taking place on an industrial scale, study finds (feb 2026)
- Mordor Intelligence. Fake Image Detection Market Size and Share Research Report, 2031 (2026)
- Google Security Blog. Pixel and Android: trusted images with C2PA Content Credentials (sep 2025)