El desaprendizaje automático o machine unlearning se ha convertido en una disciplina crucial para las organizaciones que manejan datos sensibles. La capacidad de eliminar selectivamente la influencia de ciertos ejemplos de entrenamiento de un modelo ya entrenado no solo responde a exigencias regulatorias como el GDPR, sino que también mitiga riesgos asociados a la presencia de información dañina. Sin embargo, verificar que un modelo realmente ha olvidado un dato específico es un desafío técnico considerable. Surge entonces el concepto de falsificación de datos o forging: un atacante puede generar puntos de datos artificiales que imitan el gradiente del dato objetivo, dando la falsa impresión de que se ha realizado el desaprendizaje cuando en realidad la información permanece latente. Este fenómeno tiene implicaciones profundas en la confiabilidad de los sistemas de inteligencia artificial. Para abordarlo, se ha desarrollado un marco que estudia la medida del conjunto de puntos capaces de forjar la verificación, es decir, aquellos cuyos gradientes caen dentro de un margen de tolerancia respecto al gradiente objetivo. Los resultados analíticos revelan que, bajo condiciones razonables, la probabilidad de encontrar un punto forjador de manera aleatoria es extremadamente baja, y el volumen de ese conjunto se reduce a escalas muy pequeñas en espacios de alta dimensionalidad. Esto ofrece una base teórica para confiar en que los mecanismos de verificación basados en gradientes pueden detectar intentos de engaño, siempre que se diseñen adecuadamente. En la práctica, las empresas que implementan soluciones de ia para empresas deben considerar estos riesgos al auditar sus modelos. Por ejemplo, en Q2BSTUDIO, como parte de nuestros servicios de inteligencia artificial, integramos técnicas de verificación robustas que permiten a nuestros clientes demostrar cumplimiento normativo sin sacrificar rendimiento. Además, ofrecemos ciberseguridad y aplicaciones a medida para gestionar pipelines de entrenamiento y desaprendizaje, con soporte en infraestructuras cloud como servicios cloud aws y azure, garantizando escalabilidad y seguridad. La monitorización continua mediante servicios inteligencia de negocio como power bi ayuda a visualizar métricas de comportamiento de los modelos, incluyendo posibles anomalías que podrían indicar intentos de falsificación. La ciberseguridad también juega un papel fundamental, ya que un adversario podría intentar explotar vulnerabilidades en el proceso de verificación. Por eso, en Q2BSTUDIO también realizamos evaluaciones de seguridad y pentesting para proteger estos sistemas críticos. Todo ello se enmarca en un ecosistema donde los agentes IA y herramientas de automatización permiten mantener un control granular sobre los datos y su ciclo de vida. En definitiva, la medida del engaño en el desaprendizaje automático nos recuerda que la transparencia y la verificación técnica son pilares indispensables para una adopción responsable de la inteligencia artificial. Las soluciones tecnológicas que desarrollamos, desde software a medida hasta plataformas cloud, están diseñadas para enfrentar estos desafíos de manera efectiva, proporcionando a las organizaciones la confianza necesaria para innovar sin comprometer la privacidad ni la integridad de sus datos.