El rápido desarrollo de las redes generativas adversarias ha avanzado significativamente en la generación de imágenes sintéticas, presentando oportunidades valiosas y dilemas éticos en su posible mal uso en diversas industrias. La necesidad de distinguir lo real de lo generado por inteligencia artificial se está volviendo cada vez más crítica para preservar la integridad de los datos en línea. Mientras que los métodos tradicionales para detectar imágenes falsas resultantes de manipulación de imágenes dependen de características hechas a mano, la sofisticación de las imágenes manipuladas producidas por las redes generativas adversarias requiere enfoques de detección más avanzados. El enfoque ligero propuesto aquí se basa en redes neuronales convolucionales que incluyen solo ocho capas convolucionales y dos capas ocultas que diferencian de manera efectiva las imágenes generadas por IA de las reales. El enfoque propuesto fue evaluado utilizando dos conjuntos de datos de referencia y datos personalizados generados a partir de imágenes de Sentinel-2. Demostró un rendimiento superior en comparación con cuatro métodos de vanguardia en el conjunto de datos CIFAKE, logrando la mayor precisión del 97.32%, a la par con el método de vanguardia de mejor rendimiento. La IA explicativa se utiliza para mejorar nuestra comprensión de los procesos complejos involucrados en el reconocimiento de imágenes sintéticas. Hemos demostrado que, a diferencia de las imágenes auténticas, donde las activaciones a menudo se centran alrededor del objeto principal, en las imágenes sintéticas, las activaciones se agrupan alrededor de los bordes de los objetos, en el fondo o en áreas con texturas complejas.