Qué significa tu resultado
El número es la edad que aparenta tu rostro en esta foto: lo que calcula un modelo entrenado con decenas de miles de rostros etiquetados a partir del cuadrado de 112 por 112 píxeles alrededor de tu rostro. Los investigadores lo llaman edad aparente, para separarla de tu edad real y de cualquier idea de edad biológica. Responde la pregunta que escribiste, “¿qué edad aparento?” o “¿qué edad parezco?”, para una foto. Si buscaste cómo calcular edad por foto, esto es exactamente lo que hace.
Viene con un error, y el error es grande. En nuestra propia prueba la estimación se equivocó por 7.9 años en promedio, así que la tarjeta del resultado muestra un margen de ±8 años alrededor del número. Cerca de la mitad de las lecturas de la prueba cayeron dentro de ese margen y cerca de la mitad fuera. Un resultado de 34 significa “esta foto aparenta entre 26 y 42 años, lo más probable a la mitad”, no “aparentas 34”. Así que, a la pregunta “¿cuántos años aparento?”, la respuesta honesta es un rango.
- años: el margen que se muestra en cada estimación
- ±8
- años de error promedio en nuestra prueba
- 7.9
- el cuadrado de tu rostro que analiza el modelo
- 112 px
Antes de darle mucha importancia al número, conviene saber tres cosas:
- Tiende al centro. Como casi todos los modelos de edad, este acerca las respuestas al centro del rango del que aprendió. En nuestra prueba leyó a las personas mayores de 60 unos 8 años más jóvenes en promedio, y a algunas personas de veintitantos las leyó como mayores.
- Depende más de la foto que de ti. El mismo rostro con una luz lateral dura y con una luz suave de frente puede dar varios años de diferencia. Por eso están los consejos para la foto más abajo.
- No es un juicio. Aparentar más o menos edad de la que tienes en una foto dice poco de ti. Incluso las personas que juzgan rostros en persona difieren por años.
Cómo se hace la estimación de edad
Una vez cargados los modelos, todo esto ocurre en tu navegador:
- Se abre tu foto y se pone derecha según su etiqueta de orientación.
- Se encuentra tu rostro. Un modelo de IA (MediaPipe Face Landmarker, de Google) ubica 478 puntos en tu rostro, el mismo modelo que usan nuestras otras herramientas. Si no encuentra ningún rostro, encuentra más de uno, el rostro es demasiado pequeño o la cabeza está girada o inclinada más de 15°, te pide otra foto en lugar de adivinar.
- Se recorta el rostro. Tomamos el recuadro alrededor de tu mandíbula y tus cejas, le agregamos un margen de una décima parte de su tamaño por cada lado y lo escalamos a un cuadrado de 112 por 112 píxeles. Es el recorte para el que se construyó el modelo de edad, y lo ves junto a tu resultado como “lo que vio el modelo”.
- El modelo de edad analiza el recorte. Es una pequeña red neuronal convolucional con unos 420,000 pesos aprendidos, 430 KB en total. Convierte el cuadrado de píxeles en un solo número: una edad en años.
- También analiza la imagen en espejo. El recorte se invierte de izquierda a derecha y se analiza una segunda vez, y se promedian las dos respuestas. Así, una cámara frontal que invierte tu selfi da la misma respuesta que una que no lo hace.
El modelo de edad funciona con JavaScript simple que escribimos para él, sin ningún entorno de ejecución adicional. Lo comparamos con la misma red construida con TensorFlow.js, la biblioteca sobre la que funciona face-api.js: los resultados coinciden con una diferencia menor a una milésima de año. Nuestras otras herramientas miden la geometría de tu rostro; la metodología explica esas medidas.
El modelo y de qué aprendió
El modelo de edad viene de face-api.js, una biblioteca de análisis facial de código abierto de Vincent Mühler, publicada con la licencia MIT. Su red de edad y género está hecha para navegadores: una versión compacta del diseño Xception, lo bastante pequeña para cargarse rápido en un celular. Solo usamos su salida de edad. La red también tiene una salida de género, que esta página nunca ejecuta.
Según su autor, la red aprendió de ocho colecciones públicas de rostros: UTKFace, FG-NET, ChaLearn, los conjuntos de retratos de Wikipedia y de IMDb, CACD, MegaAge y MegaAge-Asian, cada una dividida en un 80% para entrenar y un 20% para probar. Las más ruidosas se depuraron antes de forma automática. Estas colecciones etiquetan la edad de maneras distintas:
- Calculada a partir de fechas. Los retratos de IMDb y Wikipedia (el conjunto IMDB-WIKI, cerca de medio millón de fotos) toman la fecha de nacimiento de cada persona y el año en que se tomó la foto. Sus autores dicen con claridad que no pueden garantizar las etiquetas: las imágenes de películas pueden venir de rodajes largos, y las fechas pueden estar mal.
- Etiquetada a mano. Los más de 20,000 rostros de UTKFace, de 0 a 116 años, llevan etiquetas de edad, género y origen étnico que estimó un algoritmo y revisó una persona.
- Edad aparente. Las fotos de ChaLearn están etiquetadas con el promedio de lo que calcularon muchas personas, no con la edad real. Eso se acerca más a la pregunta que responde esta página.
El autor reporta estos errores promedio, en años, sobre el 20% reservado de cada colección:
| Colección de prueba | Error promedio (años) |
|---|---|
| UTKFace | 5.25 |
| FG-NET | 4.23 |
| ChaLearn (edad aparente) | 6.24 |
| Retratos de Wikipedia | 6.54 |
| Retratos de IMDb, depurados | 3.63 |
| CACD, depurado | 3.20 |
| MegaAge | 6.23 |
| MegaAge-Asian | 4.21 |
Eso da 4.5 años en promedio. Pero las fotos reservadas de las mismas colecciones se parecen mucho a las de entrenamiento: el mismo tipo de cámaras, el mismo tipo de personas, muchas veces las mismas personas. Las fotos de fuera de esas colecciones son más difíciles, y por eso hicimos nuestra propia prueba.
Qué tan preciso es: nuestra prueba
El 15 de octubre de 2026 probamos la herramienta tal como la usas tú, en un navegador, con 22 fotos de adultos cuya edad el día de la foto está documentada: la fecha de nacimiento es pública y el registro de la propia foto da la fecha en que se tomó. La mitad son retratos oficiales de dominio público; la otra mitad, fotos con licencia abierta tomadas en eventos públicos. El conjunto tiene 11 mujeres y 11 hombres de 23 a 84 años, de varios orígenes y tonos de piel. Nadie tiene menos de 20 años. La lista completa, con la licencia de cada foto, está en nuestras notas de la prueba.
La herramienta pidió otra foto en 6 casos, porque la cabeza estaba girada o inclinada más de 15°. En las 16 que aceptó:
- el error promedio fue de 7.9 años, y la mediana del error, de 8.4 años
- 7 de las 16 estimaciones quedaron a menos de 8 años de la edad real
- en todo el conjunto, las estimaciones no se inclinaron hacia más ni hacia menos edad (en promedio quedaron medio año por debajo), pero sí se inclinaron mucho según la edad, como muestra la tabla
Con la revisión del ángulo de la cabeza desactivada, las 22 fotos dan un error promedio de 8.2 años. Por edad:
| Edad real | Fotos | Error promedio (años) | Dirección |
|---|---|---|---|
| 20 a 39 | 8 | 5.5 | acertada en promedio |
| 40 a 59 | 8 | 8.2 | acertada en promedio |
| 60 o más | 6 | 11.8 | 8 años menos en promedio |
En las 22 fotos, los retratos de estudio salieron mejor que las fotos de eventos: un error promedio de 7.2 años frente a 9.2. Las sonrisas, los lentes y la luz de los eventos fueron comunes entre los errores más grandes. El modelo leyó a un hombre de 73 años que reía como de 53, a una mujer de 54 fotografiada en un evento como de 35, a una persona de 84 sonriente y con lentes como de 70, y a una mujer de 35 que sonreía como de 23. Un retrato de estudio, el de una mujer de 52, falló hacia el otro lado: lo leyó como de 65.
Para ponerlo en contexto: los mejores sistemas comerciales de la evaluación del NIST de 2024 llegaron a un error promedio de unos 3.1 años en fotos de visa, que se toman en condiciones estrictas y uniformes. Un modelo de 430 KB que funciona en tu celular no está en esa categoría. Y 16 fotos es una prueba pequeña: con tan pocas, el error promedio real para fotos como estas podría estar, de forma razonable, entre unos 5 y 11 años.
Dónde fallan las estimaciones de edad, y con quién
Todo estimador de edad, humano o máquina, tiene puntos ciegos. La investigación publicada coincide en algunos, y nuestra prueba mostró los mismos patrones donde era lo bastante grande para mostrar algo.
- La edad misma. Los errores crecen con la edad. Los rostros mayores varían más, y las colecciones de rostros tienen menos, así que los modelos acercan los rostros mayores al centro y los leen más jóvenes. Las personas hacemos lo mismo: en el estudio de Voelkle y sus colegas, la edad de los rostros mayores era más difícil de juzgar que la de los más jóvenes.
- Sexo. En la evaluación del NIST de 2024, los errores casi siempre fueron mayores con rostros de mujeres que con rostros de hombres, como en la evaluación del NIST de 2014, y no se conocen las razones. Puc, Štruc y Grm encontraron la misma dirección en dos modelos de edad de acceso abierto: la precisión fue siempre mayor con hombres.
- Origen étnico y tono de piel. Las grandes colecciones públicas de rostros están dominadas por rostros de piel más clara. Cuando Kärkkäinen y Joo construyeron FairFace, una colección equilibrada entre siete grupos, un modelo entrenado con ella fue más preciso con fotos nuevas y más consistente entre grupos que los modelos entrenados con las colecciones de siempre. Para la edad en particular la evidencia es mixta: Puc y sus colegas no encontraron un efecto constante del origen en sus conjuntos de prueba, lo que sugiere que las condiciones de la foto importan tanto como la etiqueta. El NIST también menciona la región de nacimiento entre los factores que cambian la precisión.
- Expresión y maquillaje. Las personas subestiman más a menudo la edad de los rostros sonrientes (Voelkle y sus colegas). Clapés y sus colegas etiquetaron 8,000 rostros con su edad real, la edad que calculaba la gente y su género, origen étnico, maquillaje y expresión, y encontraron que algunos de esos atributos desviaban las estimaciones de forma constante; corregirlos hizo más precisas las estimaciones de un modelo. Las sonrisas fueron comunes entre nuestros errores más grandes.
- Lentes y calidad de imagen. El NIST menciona la calidad de imagen entre los factores principales y mostró que la estimación de una persona cambiaba en cada algoritmo que probó al ponerse o quitarse los lentes.
Nuestra prueba tiene 22 fotos, muy pocas para medir con confianza cualquiera de estas diferencias en nuestro modelo, así que no damos una cifra para ellas. Si el resultado te parece muy lejano, las razones de arriba son las más probables, y los consejos para la foto reducen las que puedes controlar.
Lo que esta herramienta no es
- No es una verificación de edad. Un error promedio de varios años es demasiado grande para saber si alguien es mayor de edad, y la herramienta no se hizo ni se probó para eso. No la uses con otras personas.
- No es para fotos de niños. Nuestra prueba solo incluyó adultos, así que su error con rostros más jóvenes es desconocido.
- No es una prueba de salud ni de la piel. Dice qué edad aparenta un rostro en una foto, nada más.
Cómo tomar una foto para un resultado justo
El modelo solo ve un pequeño cuadrado de píxeles, así que todo lo que cambia esos píxeles cambia la respuesta. Para el resultado más justo:
- Luz suave y uniforme de frente. Ponte frente a una ventana con luz de día. La luz desde arriba o de un lado marca cada línea y cada sombra, y eso se lee como más edad.
- La cámara a la altura de los ojos, con el brazo extendido o más lejos. Un celular muy cerca agranda la nariz y estrecha el rostro. Una cámara por debajo de la barbilla muestra la parte de abajo de la mandíbula.
- Mira directo a la cámara. La herramienta te pide otra foto si tu cabeza está girada o inclinada más de 15°.
- Un rostro relajado y neutro. Sonreír y reír estuvieron detrás de nuestros errores más grandes.
- Sin lentes y con el cabello fuera del rostro. Los armazones y el fleco tapan la zona alrededor de los ojos y la frente.
- Sin filtros ni modo belleza. La mayoría de las cámaras frontales de los celulares suavizan la piel de forma predeterminada, y un rostro suavizado se lee más joven. Desactívalo o usa la cámara trasera.
- Una foto original y nítida. Las capturas de pantalla y las fotos que pasaron por apps de mensajería están comprimidas, y eso borra la textura fina.
Luego toma dos o tres fotos y compáralas. Si coinciden con unos pocos años de diferencia, esa es la lectura de tu rostro; si saltan de un lado a otro, la causa son las fotos.
Por qué algunas personas aparentan más o menos edad
Lo que hace que un rostro aparente más edad está bien estudiado. En un estudio con gemelas danesas y mujeres británicas de 45 a 81 años, Gunn y sus colegas encontraron que las arrugas, las canas, los labios más delgados y el daño solar visible se asociaban, cada uno, con aparentar más edad de la que se tiene. Los genes y el entorno contribuían más o menos por igual, y buena parte de la variación quedó sin explicar.
Aparentar más edad de la que tienes también puede significar algo. En un estudio con 1,826 gemelos daneses de 70 años o más, Christensen y sus colegas encontraron que la edad que aparentaban en fotografías predecía la supervivencia, incluso después de tener en cuenta su edad real: dentro de cada par, el gemelo que aparentaba más edad tenía más probabilidades de morir primero. Ese hallazgo trata de promedios en adultos mayores, juzgados por grupos de enfermeras y evaluadores no especialistas. No convierte una estimación a partir de una sola foto en una prueba de salud.
Parte de lo que cambia con la edad es geometría: la línea de la mandíbula se suaviza y los párpados pueden volverse encapotados. Nuestras guías sobre los ojos encapotados y sobre la mandíbula marcada y el ángulo gonial explican esos cambios, y la guía qué es mewing revisa lo que dice la evidencia sobre cambiar la mandíbula.
Guías y herramientas relacionadas
Fuentes
- face-api.js: age and gender recognition model (README and weights)
- NIST Reports First Results From Age Estimation Software Evaluation
- Face Analysis Technology Evaluation: Age Estimation and Verification (NIST IR 8525)
- Analysis of Race and Gender Bias in Deep Age Estimation Models
- From Apparent to Real Age: Gender, Age, Ethnic, Makeup, and Expression Bias Analysis in Real Age Estimation
- FairFace: Face Attribute Dataset for Balanced Race, Gender, and Age
- Let me guess how old you are: effects of age, gender, and facial expression on perceptions of age
- Why some women look young for their age
- Perceived age as clinically useful biomarker of ageing: cohort study
- IMDB-WIKI: 500k+ face images with age and gender labels
- UTKFace: large scale face dataset