Pocos temas han sido tan seductores para la cultura popular como la idea de que una mentira deja siempre una grieta visible en el rostro. Dentro de esa narrativa, las microexpresiones ocupan un lugar casi mítico, gestos faciales extremadamente breves, de apenas unas décimas o centésimas de segundo, que supuestamente delatarían una emoción auténtica que la persona intenta ocultar. La hipótesis clásica sostiene que, cuando alguien miente o reprime lo que siente, el control voluntario no logra sofocar por completo la respuesta emocional y se produce una “fuga” facial involuntaria. En teoría, ese destello sería una ventana privilegiada al estado interno real del sujeto. El problema es que una idea intuitivamente atractiva no equivale, por sí sola, a una idea científicamente demostrada. La literatura acumulada en detección del engaño sugiere que esa promesa ha sido, como mínimo, exagerada.

La primera dificultad es conceptual. Incluso si aceptamos que algunas microexpresiones existen y que en ciertos casos pueden reflejar emoción contenida, eso no implica automáticamente que revelen mentira. Mentir y sentir no son la misma cosa. Una persona puede mentir sin experimentar una emoción intensa visible; puede estar entrenada, emocionalmente fría, habituada a engañar o, sencillamente, estar diciendo una falsedad trivial sin apenas activación afectiva. A la inversa, alguien puede decir la verdad y mostrar señales intensas de miedo, tensión, vergüenza o incomodidad. Esto ocurre especialmente en interrogatorios, entrevistas de evaluación, controles de seguridad o situaciones en las que la persona teme no ser creída. En esos contextos aparece con fuerza el llamado error de Otelo, que es confundir la ansiedad de quien teme ser juzgado injustamente con la ansiedad de quien teme ser descubierto mintiendo. Esa distinción es crucial, porque convierte muchos indicios faciales en señales ambiguas: pueden hablar de activación emocional, pero no de veracidad.

La investigación empírica sobre detección humana del engaño refuerza esta cautela. El metaanálisis clásico de Bond y DePaulo, basado en centenares de estudios, encontró que la precisión media para distinguir verdad y mentira ronda el 54 %, apenas por encima del azar. Ese dato es importante no solo por lo bajo que resulta, sino porque desmonta la intuición extendida de que “se nota” cuando alguien miente. Además, las revisiones posteriores muestran que cuando los observadores dependen sobre todo de pistas visuales y no del contenido verbal, su rendimiento no mejora, de hecho, puede empeorar por el peso de los estereotipos sobre cómo “debería” comportarse un mentiroso. Vrij, Hartwig y Granhag resumen este panorama con claridad. Las claves no verbales conocidas del engaño son, en general, débiles e inestables, y las personas que intentan detectar mentiras fijándose en la conducta visible son, como mucho, detectores mediocres.

Aquí aparece una segunda cuestión metodológica decisiva: durante años se ha hablado mucho de microexpresiones, pero se han realizado relativamente pocos estudios capaces de demostrar de manera robusta que constituyan un indicador fiable y generalizable de engaño. Un artículo especialmente revelador de Matsumoto y colaboradores subraya precisamente eso, que pese a décadas de influencia en libros, formación profesional y medios de comunicación, los estudios que han probado directamente si las microexpresiones distinguen mentiras de verdades han sido escasos, y sus resultados, en conjunto, equívocos. Los propios autores afirman que la evidencia previa era, como mucho, ambigua, y que la rareza de estas expresiones limita mucho su utilidad práctica como pista diagnóstica. Dicho de otro modo, incluso si existen, aparecen poco, duran poco y no ofrecen una relación simple ni estable con la mentira.

A eso se suma un problema de frecuencia y de base estadística. Para que una señal sea útil en contextos reales, policiales, clínicos, jurídicos o de seguridad, no basta con que pueda aparecer alguna vez asociada al engaño, tiene que hacerlo con suficiente consistencia, y además diferenciarse claramente de lo que ocurre en personas veraces. Las microexpresiones no cumplen bien esa condición. Son fenómenos raros, difíciles de captar incluso con vídeo analizado cuadro a cuadro, y su mera presencia no resuelve el problema fundamental de la inferencia: una microexpresión puede indicar emoción, pero no especifica por sí sola la causa de esa emoción. Un rostro puede filtrar miedo, asco, tensión o sorpresa por múltiples razones, muchas de ellas independientes de estar mintiendo. Pretender que el observador salte desde “he visto una fugaz señal emocional” a “esta persona está engañando” es un salto inferencial mucho mayor de lo que suele reconocerse fuera de la literatura científica.

El entusiasmo aplicado por los programas de entrenamiento tampoco ha sido respaldado de forma convincente. Jordan y colaboradores evaluaron directamente el Micro-Expressions Training Tool (METT), uno de los programas más conocidos inspirados en este enfoque. Su resultado fue claro, el grupo entrenado no superó ni al grupo control ni al grupo sin entrenamiento, y la precisión global quedó ligeramente por debajo del azar. Además, los análisis bayesianos aportaron apoyo positivo a la ausencia de efecto, algo especialmente relevante porque no se trató solo de “no encontrar diferencias significativas”, sino de obtener evidencia a favor de que el entrenamiento no mejoraba la detección del engaño en esa muestra. En otras palabras, aprender a reconocer microexpresiones no convirtió a los participantes en mejores detectores de mentiras.

Este punto es importante porque ayuda a separar dos preguntas que a menudo se mezclan indebidamente. La primera es si una persona puede mejorar algo su capacidad para reconocer expresiones emocionales muy breves. La segunda, mucho más ambiciosa, es si ese aprendizaje le permite inferir veracidad o engaño. No son la misma cuestión. Uno puede entrenar la percepción de gestos faciales sin que eso se traduzca en mejor juicio sobre si alguien miente, porque la relación entre emoción y engaño no es uno a uno. El propio estudio de Jordan et al. insiste en ello, no hay razón a priori para asumir que reconocer mejor ciertas emociones breves equivalga a reconocer mejor la falsedad de una declaración.

La literatura más amplia sobre comunicación no verbal y mentira apunta en la misma dirección. La revisión de Vrij y colegas subraya que los observadores suelen sobrestimar enormemente el valor diagnóstico de lo visual. Cuando se les enseña a fijarse en la conducta no verbal, pueden desarrollar un sesgo de mentira, es decir, una tendencia a interpretar más mensajes como engañosos de lo que realmente son. Esto sucede porque, en ausencia de información verbal sólida, la mente rellena huecos con estereotipos tipo “si evita la mirada, miente”, “si parece rígido, miente”, y “si duda, miente”. Pero muchos de esos supuestos marcadores no resisten bien el contraste empírico. La consecuencia práctica es seria: la confianza excesiva en señales faciales o gestuales puede aumentar los falsos positivos y llevar a considerar sospechosas a personas veraces pero nerviosas, introvertidas, culturalmente distintas o simplemente incómodas.

Ahora bien, conviene introducir una matización para no caer en el extremo opuesto. Decir que las microexpresiones no son un detector fiable de mentiras no equivale a afirmar que toda investigación sobre comportamiento observable carece de valor. Algunos trabajos han encontrado que conjuntos de múltiples pistas codificadas objetivamente, no una sola señal aislada, y desde luego no una única microexpresión interpretada “a ojo”, pueden permitir clasificaciones mejores que el juicio humano espontáneo. Hartwig y Bond, por ejemplo, mostraron que, cuando se codifican de manera sistemática constelaciones de múltiples conductas, la detectabilidad objetiva de la mentira puede acercarse al 70 %. Pero ese hallazgo no legitima la lectura intuitiva del rostro como si fuera un polígrafo natural. Primero, porque ese rendimiento procede de modelos construidos con múltiples variables y codificación rigurosa, no de observadores improvisados. Segundo, porque incluso en ese escenario “ideal” la precisión dista mucho de ser perfecta. Y tercero, porque esos resultados no convierten a las microexpresiones en la pieza central del proceso; son, como mucho, una parte pequeña dentro de patrones más complejos.

Algo parecido ocurre con los sistemas automáticos y de aprendizaje automático. Algunos estudios recientes reportan que modelos computacionales pueden superar a jueces humanos al clasificar vídeos como veraces o engañosos, sobre todo cuando combinan rasgos faciales, audio, transcripción verbal o condiciones que incrementan la carga cognitiva del entrevistado. Pero esos trabajos no resuelven la tesis fuerte defendida en la cultura popular. De hecho, varios de ellos reconocen explícitamente que los humanos, incluso entrenados, siguen quedándose cerca del azar cuando intentan basarse en microexpresiones faciales, y que los mejores resultados automatizados suelen depender de combinar modalidades, de usar conjuntos de datos concretos o de condiciones experimentales muy controladas. Algunos artículos también advierten de problemas metodológicos serios, como particiones de entrenamiento y prueba que pueden inflar artificialmente el rendimiento del algoritmo. Por tanto, tampoco aquí es razonable concluir que “la cara delata la mentira” de forma universal.

La conclusión científica más prudente es, por tanto, doble. Por un lado, la hipótesis de la “fuga emocional” tiene una plausibilidad teórica limitada y quizá pueda explicar algunos episodios concretos de expresión involuntaria. Por otro, convertir esa intuición en una herramienta fiable de detección del engaño ha demostrado ser mucho más difícil de lo que prometen los discursos comerciales y mediáticos. Las microexpresiones pueden, en ocasiones, aportar información sobre activación emocional, conflicto o esfuerzo de regulación. Pero ese tipo de información no es equivalente a veracidad. En ciencia del engaño, la diferencia entre señal de emoción y prueba de mentira no es un matiz menor, es exactamente el núcleo del problema.