Los datos suaves, como las imágenes sísmicas, juegan un papel crítico en la modelización del subsuelo al proporcionar restricciones indirectas alejadas de las ubicaciones de datos duros. Sin embargo, validar si las realizaciones del modelo del subsuelo respetan este tipo de datos sigue siendo un desafío debido a la falta de herramientas cuantitativas robustas. Este estudio presenta un flujo de trabajo basado en aprendizaje automático para la verificación de datos suaves que utiliza un autoencoder (AE) para codificar cortes sísmicos 2D en un espacio latente. Las realizaciones del modelo del subsuelo se transforman en el mismo dominio y se proyectan en este espacio latente, lo que permite comparaciones tanto visuales como cuantitativas utilizando análisis de componentes principales y distancias euclidianas. Demostramos el flujo de trabajo en modelos basados en reglas y sus datos sísmicos sintéticos asociados (datos suaves), mostrando que los modelos con parámetros de cadena de Markov similares a los datos suaves de referencia obtienen puntuaciones más altas en métricas de proximidad. Este enfoque proporciona un marco escalable, cuantitativo e interpretable para evaluar la consistencia entre los datos suaves y los modelos del subsuelo, apoyando una mejor toma de decisiones en la caracterización de reservorios y otras aplicaciones de geociencias.