“Este texto tiene un 87 % de probabilidad de haber sido escrito por inteligencia artificial.”
Una cifra así parece muy precisa.
Pero no significa que tengamos una prueba del 87 % de que una persona utilizó ChatGPT, Claude u otra herramienta para escribirlo.
Los detectores de texto generado por inteligencia artificial intentan clasificar patrones lingüísticos y estimar si un fragmento se parece al contenido producido por determinados modelos.
Eso puede proporcionar una señal útil.
Pero una señal probabilística no es lo mismo que una prueba de autoría.
En 2026, incluso proveedores que desarrollan detectores comerciales reconocen expresamente que pueden existir falsos positivos y falsos negativos. Turnitin, por ejemplo, advierte que su sistema puede identificar incorrectamente escritura humana, generada o modificada mediante IA y que sus resultados no deberían utilizarse por sí solos para determinar que hubo una infracción académica.
Por eso, saber detectar textos escritos con IA exige entender primero qué puede medir realmente un detector, qué señales humanas pueden complementar la investigación y qué conclusiones no deberíamos obtener a partir de un simple porcentaje.
¿Se puede saber con certeza si un texto fue escrito por una IA?
En muchos casos, no.
Si disponemos del historial completo de creación, registros verificables de una herramienta o evidencia directa del proceso utilizado, puede ser posible demostrar que una IA participó.
Pero si únicamente tenemos el texto terminado, determinar su autoría puede ser mucho más difícil.
Esto ocurre porque un mismo párrafo puede haber sido:
- escrito completamente por una persona;
- generado por una IA;
- generado por IA y editado profundamente por una persona;
- escrito por una persona y corregido con IA;
- traducido automáticamente;
- reescrito varias veces;
- creado mediante una combinación de todas esas posibilidades.
La autoría moderna no siempre es binaria.
Preguntar “¿humano o IA?” puede simplificar demasiado un proceso que en realidad incluye distintos grados de asistencia.
¿Qué hace realmente un detector de texto de IA?
Un detector analiza características estadísticas o lingüísticas del texto y utiliza un modelo para estimar si determinados fragmentos se parecen a ejemplos de escritura generada por inteligencia artificial.
No entra en el historial secreto del documento para descubrir quién pulsó cada tecla.
Tampoco consulta automáticamente a ChatGPT para comprobar si “recuerda” haber escrito ese texto.
En el caso de Turnitin, su documentación actual explica que el texto se divide en segmentos superpuestos, cada segmento recibe una predicción y después esas puntuaciones se combinan para calcular el resultado general del documento.
Eso significa que el resultado es una clasificación calculada por otro modelo, no una prueba forense directa de autoría.
Qué significa realmente un porcentaje de detección
Supongamos que un sistema muestra:
“65 % detectado como IA.”
Es fácil interpretarlo erróneamente como:
“Existe un 65 % de probabilidad de que esta persona utilizara IA.”
Pero no necesariamente significa eso.
En el caso del informe actual de Turnitin, el porcentaje representa la proporción del texto que su modelo clasifica como probablemente generado por IA o, en determinados idiomas y configuraciones, generado y posteriormente modificado mediante herramientas de parafraseo.
Es una diferencia fundamental.
Un porcentaje de texto clasificado no equivale automáticamente a una probabilidad de culpabilidad, intención o autoría.
Los falsos positivos existen
Un falso positivo ocurre cuando un detector identifica como generado por IA un texto que en realidad fue escrito por una persona.
Esto puede tener consecuencias importantes.
En educación, por ejemplo, podría generar sospechas sobre un estudiante que realizó legítimamente su trabajo.
Turnitin reconoce este riesgo en su propia documentación y advierte explícitamente que su sistema puede equivocarse.
Por esa razón, actualmente no muestra porcentajes exactos ni fragmentos destacados cuando su detección se encuentra entre 1 % y 19 %. En ese rango muestra un asterisco porque considera que existe mayor riesgo de interpretar incorrectamente los resultados.
Esto debería servir como recordatorio más amplio:
ningún porcentaje debería convertirse automáticamente en una acusación.
También existen falsos negativos
El problema funciona en ambas direcciones.
Un texto generado mediante inteligencia artificial puede no ser detectado.
Puede ocurrir porque:
- el modelo utilizado es diferente de aquellos con los que se evaluó el detector;
- el texto fue profundamente editado;
- se utilizaron varias herramientas;
- el contenido es demasiado corto;
- el formato no es apropiado para el detector;
- el lenguaje o estilo se encuentra fuera de su distribución habitual.
Por tanto:
“El detector dice 0 %” tampoco demuestra que no se utilizó IA.
Los detectores tienen condiciones de funcionamiento
Otro error habitual consiste en suponer que un detector funciona igual con cualquier texto.
La documentación actual de Turnitin establece requisitos específicos para su informe de escritura con IA.
Entre ellos se encuentran:
- una cantidad mínima de prosa;
- un límite máximo de palabras;
- determinados tipos de archivo;
- idiomas compatibles;
- contenido principalmente en formato de prosa extensa.
Turnitin advierte además que su sistema no detecta de forma fiable formatos como poesía, guiones, código, tablas, listas o bibliografías anotadas.
Esto demuestra que no existe un único comportamiento válido para cualquier clase de texto.
¿Funcionan los detectores en español?
Algunas herramientas sí ofrecen detección en español.
Turnitin, por ejemplo, actualizó específicamente su modelo de detección para español el 5 de mayo de 2026 con el objetivo declarado de mejorar su rendimiento manteniendo bajo control los falsos positivos.
Sin embargo, las capacidades no son necesariamente idénticas entre idiomas.
La documentación actual de Turnitin indica que su detección de texto generado y posteriormente modificado mediante herramientas de parafraseo o de evasión está disponible en inglés, pero no ofrece actualmente esa misma capacidad en los detectores de español y japonés.
Eso significa que no debemos trasladar automáticamente las capacidades anunciadas para inglés al español.
¿Qué señales suelen asociarse con un texto generado por IA?
Existen patrones que pueden despertar sospechas, pero ninguno constituye por sí solo una prueba.
Estructura excesivamente uniforme
Algunos textos generados presentan párrafos de longitud parecida y una estructura muy regular.
Pero una persona organizada también puede escribir así.
Transiciones repetitivas
Frases como “por otro lado”, “en conclusión” o “es importante señalar” pueden aparecer con frecuencia en contenido generado.
También forman parte normal del lenguaje humano.
Tono genérico
Una IA puede producir explicaciones correctas pero poco específicas, con afirmaciones amplias y pocos detalles personales o contextuales.
Aun así, muchísimos textos humanos académicos, corporativos o informativos poseen exactamente ese estilo.
Repetición de ideas
El contenido puede reformular varias veces la misma conclusión.
Esto tampoco es exclusivo de la IA.
Poca experiencia concreta
Un texto que habla sobre una experiencia personal sin incluir detalles específicos puede despertar preguntas.
Pero ausencia de detalles no demuestra generación automática.
La “voz de ChatGPT” no es una prueba
Con frecuencia alguien lee una frase y afirma:
“Esto suena a ChatGPT.”
Puede existir una intuición válida detrás de esa impresión.
Los modelos tienen tendencias estilísticas reconocibles dependiendo de las instrucciones y configuración utilizadas.
Pero esos patrones pueden cambiar.
Una persona puede imitar un estilo similar y una IA puede recibir instrucciones para escribir de una forma completamente distinta.
Por eso una impresión estilística debería considerarse un motivo para investigar, no una demostración.
Palabras como “además” o “fundamental” no demuestran uso de IA
En redes sociales aparecen constantemente listas de palabras supuestamente “prohibidas” porque ChatGPT las utiliza con frecuencia.
Este razonamiento tiene un problema evidente.
Las palabras existían antes de los modelos generativos.
Muchas pertenecen al lenguaje académico, periodístico o profesional habitual.
Acusar a alguien de utilizar IA porque empleó determinadas expresiones puede generar falsos positivos absurdos.
La frecuencia estilística puede ser una pista estadística dentro de un sistema más amplio.
No es evidencia individual de autoría.
¿La perfección gramatical demuestra que hubo IA?
No.
Una persona puede escribir con excelente gramática.
También puede utilizar un corrector tradicional.
Además, las herramientas generativas pueden producir errores.
La calidad ortográfica por sí sola no permite determinar cómo fue creado un texto.
¿Los errores demuestran que el texto es humano?
Tampoco.
Una IA puede producir errores deliberadamente si recibe instrucciones para hacerlo.
El texto también puede modificarse posteriormente.
Por tanto, añadir errores, cambiar palabras o introducir variaciones no transforma un detector en una prueba fiable de autoría humana.
Por qué editar un texto complica todavía más la detección
Considera este flujo:
- una persona genera un borrador con IA;
- reescribe la mitad;
- añade experiencias personales;
- elimina varios párrafos;
- cambia el orden;
- corrige fuentes;
- modifica el tono.
¿El resultado es “texto de IA” o “texto humano”?
La pregunta deja de tener una respuesta sencilla.
Por eso, en contextos académicos o laborales puede ser más útil evaluar qué usos de IA estaban permitidos y si fueron declarados correctamente que intentar asignar toda la autoría a una única categoría.
Detectar uso de IA no es lo mismo que detectar plagio
Son problemas diferentes.
Un detector de similitud busca coincidencias entre un texto y otras fuentes conocidas.
Un detector de IA intenta estimar si determinados patrones se parecen a contenido generado por modelos.
Turnitin separa expresamente su puntuación de detección de IA del índice de similitud.
Un documento puede:
- tener poca similitud y contener texto generado;
- tener alta similitud y ser completamente humano;
- tener ambos;
- no tener ninguno.
¿Puedo preguntarle a ChatGPT si escribió un texto?
No es un método fiable de atribución.
Un modelo no debería utilizarse como registro universal de todos los textos que alguna vez generó.
Preguntar:
“¿Escribiste esto?”
puede producir una evaluación estilística o una inferencia, no una prueba forense del origen.
La misma precaución que aplicamos a las alucinaciones y respuestas incorrectas de una IA debe aplicarse aquí: una respuesta segura del modelo no demuestra que la afirmación sea verdadera.
¿Puede un detector identificar qué modelo escribió el texto?
Esta afirmación requiere todavía más cautela.
Decir que un texto “parece generado” ya es una clasificación probabilística.
Atribuirlo específicamente a ChatGPT, Claude, Gemini u otro modelo puede ser todavía más difícil porque:
- los modelos cambian;
- pueden imitar estilos;
- las instrucciones modifican el resultado;
- una persona puede editar el contenido;
- varios modelos pueden producir estructuras similares.
Sin evidencia adicional, atribuir un texto a un producto específico debería tratarse con mucha prudencia.
Un método mejor: investigar el proceso de escritura
Cuando la autoría realmente importa, el texto final es solamente una parte de la evidencia.
Puede resultar mucho más útil revisar el proceso.
Historial de versiones
Un documento que muestra cómo fue evolucionando durante horas o días proporciona información diferente de un archivo que apareció completo en una sola edición.
Eso tampoco es una prueba absoluta, pero añade contexto.
Borradores
Esquemas, notas, fuentes y versiones anteriores pueden mostrar el desarrollo del trabajo.
Fuentes utilizadas
Preguntar cómo se localizaron y utilizaron determinadas referencias permite evaluar el proceso intelectual.
Explicación oral
Una persona que produjo un trabajo debería normalmente poder explicar sus argumentos, decisiones y fuentes.
Comparación con trabajo anterior
Cambios extremos de estilo pueden justificar preguntas, aunque tampoco deberían convertirse automáticamente en evidencia de fraude.
Un porcentaje debe iniciar preguntas, no terminarlas
La propia guía actual de Turnitin utiliza precisamente este enfoque.
Su informe está diseñado para ayudar a identificar contenido que podría haber sido preparado con herramientas generativas, pero el proveedor afirma que debe combinarse con revisión adicional, juicio humano y las políticas de cada institución.
En otras palabras:
el detector puede señalar dónde mirar; no debería decidir por sí solo qué ocurrió.
Qué hacer si eres profesor y un detector marca un trabajo
Antes de acusar a un estudiante:
- revisa qué partes fueron señaladas;
- comprueba las limitaciones del detector;
- consulta la política institucional;
- revisa borradores e historial del documento si corresponde;
- pregunta al estudiante por su proceso;
- pídele que explique argumentos y fuentes;
- busca evidencia adicional antes de llegar a una conclusión.
La detección automática debería formar parte de una evaluación, no sustituirla.
Qué hacer si eres estudiante y recibes un falso positivo
Conservar evidencia del proceso de trabajo puede resultar especialmente útil.
Por ejemplo:
- borradores;
- historial de versiones;
- notas;
- fuentes consultadas;
- esquemas;
- comentarios previos del profesor;
- archivos intermedios.
Turnitin publicó en 2026 una guía específica para estudiantes que se enfrentan a posibles falsos positivos, reconociendo explícitamente que este escenario puede ocurrir.
Qué hacer en un entorno laboral
En una empresa, detectar IA tampoco debería convertirse automáticamente en una investigación disciplinaria.
Primero debería existir una política clara sobre:
- qué herramientas están permitidas;
- qué información puede introducirse en ellas;
- qué usos deben declararse;
- qué tareas requieren autoría humana;
- qué revisión necesita el contenido generado.
Sin una política clara, discutir si un párrafo “parece IA” puede convertirse en un problema secundario frente a la verdadera cuestión: si se cumplió el proceso requerido.
Texto generado por IA no significa automáticamente texto malo
La calidad y la procedencia son preguntas diferentes.
Un texto generado puede estar bien investigado y correctamente revisado.
Un texto completamente humano puede contener errores, plagio o información falsa.
Por eso conviene evaluar también:
- exactitud;
- originalidad;
- fuentes;
- argumentación;
- cumplimiento de instrucciones;
- transparencia sobre el proceso.
Texto humano tampoco significa automáticamente texto verdadero
Este punto es igualmente importante.
El objetivo de la verificación no debería convertirse simplemente en separar máquinas de humanos.
Una persona puede inventar una estadística.
Una IA puede citar correctamente una fuente.
Si el contenido se utilizará para tomar decisiones o publicar información, deberíamos comprobar sus afirmaciones independientemente de quién lo haya redactado.
Para ese proceso puedes utilizar nuestra guía sobre cómo investigar con ChatGPT utilizando fuentes y verificación.
¿Se pueden “engañar” los detectores?
Cualquier sistema de clasificación tiene límites y su rendimiento puede cambiar cuando el texto se transforma.
Pero centrar el problema en aprender trucos para evadir un detector pierde de vista la cuestión principal.
En educación o trabajo, la pregunta relevante debería ser si el uso de una herramienta estaba permitido y si se respetaron las reglas de transparencia, autoría y citación correspondientes.
Además, los propios detectores evolucionan. Una técnica que afecta a una versión no necesariamente funcionará frente a otra.
Los detectores también cambian con el tiempo
Este detalle es importante para interpretar resultados antiguos.
Turnitin actualizó su detector varias veces durante 2025 y 2026, incluyendo una actualización específica de español en mayo de 2026.
Su documentación aclara además que los informes anteriores no se recalculan automáticamente con cada versión nueva: para obtener una puntuación basada en el modelo actualizado puede ser necesario volver a enviar el documento.
Por tanto, dos análisis realizados en momentos distintos podrían no representar exactamente el mismo sistema.
Una lista de comprobación para evaluar un supuesto texto de IA
Antes de sacar una conclusión, pregunta:
- ¿qué detector se utilizó?
- ¿qué versión o fecha tenía?
- ¿el idioma está realmente soportado?
- ¿el texto cumple los requisitos mínimos?
- ¿qué significa exactamente el porcentaje mostrado?
- ¿puede existir un falso positivo?
- ¿hay historial de versiones?
- ¿existen borradores?
- ¿la persona puede explicar su proceso?
- ¿hay otra evidencia independiente?
Qué conclusión sí podemos obtener de un detector
Una formulación prudente sería:
“Este sistema clasificó determinadas partes del documento como probablemente generadas por IA según su modelo actual.”
Eso describe lo que realmente ocurrió.
Es muy diferente de afirmar:
“Este detector demuestra que la persona hizo trampa.”
La segunda frase introduce una conclusión sobre conducta e intención que el clasificador por sí solo no puede establecer.
¿Llegará algún día una detección perfecta?
No deberíamos asumirlo.
A medida que los modelos producen texto más parecido a la escritura humana y los humanos utilizan cada vez más herramientas de asistencia, la frontera puede volverse todavía más difusa.
Por eso es probable que la transparencia del proceso, las políticas de uso y los sistemas de procedencia adquieran tanta importancia como la clasificación del texto terminado.
En otras formas de contenido ya vemos este cambio.
En nuestra guía sobre cómo saber si una imagen fue creada con inteligencia artificial explicamos por qué la industria está avanzando desde intentar adivinar el origen visual hacia sistemas de procedencia verificable como Content Credentials.
De los textos de IA a los deepfakes
La dificultad aumenta todavía más cuando la inteligencia artificial puede imitar rostros, voces y movimientos.
Una imagen o un texto dudoso pueden generar desinformación, pero un video o audio manipulado puede aparentar que una persona real dijo o hizo algo que nunca ocurrió.
En nuestra siguiente guía explicaremos qué son los deepfakes, cómo detectarlos y qué riesgos tienen.
Conclusión
Los detectores de texto generado por inteligencia artificial pueden ser útiles.
Pero deben utilizarse para lo que realmente son: sistemas de clasificación que proporcionan señales probabilísticas.
No son máquinas de verdad ni pruebas automáticas de autoría.
Un falso positivo puede identificar contenido humano como generado por IA.
Un falso negativo puede dejar pasar contenido generado.
La edición, el idioma, el tipo de texto y la evolución de los modelos complican todavía más la tarea.
Por eso, cuando determinar la autoría realmente importa, conviene combinar:
resultado del detector + historial de versiones + borradores + fuentes + explicación del proceso + políticas aplicables + juicio humano.
Y recordar una regla fundamental:
un porcentaje de “IA detectada” puede justificar una pregunta, pero no debería convertirse por sí solo en una acusación.
Preguntas frecuentes sobre detectores de texto de IA
¿Existe un detector que sepa con certeza si un texto fue escrito por ChatGPT?
No existe un detector universal que pueda determinar infaliblemente la autoría de cualquier texto simplemente analizando el resultado final.
¿Qué significa un porcentaje de IA?
Depende de la herramienta. En sistemas como Turnitin representa la proporción de texto que su modelo clasifica como probablemente generado o modificado mediante IA dentro de las categorías compatibles. No representa automáticamente la probabilidad de que una persona haya hecho trampa.
¿Los detectores de IA producen falsos positivos?
Sí. Los propios proveedores reconocen que es posible clasificar incorrectamente escritura humana como generada.
¿Un resultado de 0 % demuestra que no se utilizó IA?
No. También pueden existir falsos negativos y el contenido puede haber sido editado o encontrarse fuera de las capacidades del detector.
¿Turnitin detecta IA en español?
Sí. Turnitin ofrece actualmente detección para español y actualizó específicamente su modelo en mayo de 2026. Algunas capacidades, como determinadas detecciones de parafraseo de IA, no son idénticas entre inglés y español.
¿Puedo saber si ChatGPT escribió un texto preguntándole a ChatGPT?
No deberías tratar esa respuesta como prueba de autoría. El modelo puede analizar estilo, pero eso no equivale a disponer de un registro verificable sobre el origen del documento.
¿Qué hago si un detector dice que mi texto humano fue escrito por IA?
Conserva borradores, historial de versiones, notas y fuentes que permitan demostrar tu proceso de trabajo y solicita que el resultado se revise junto con evidencia adicional.
¿Cómo debería utilizarse un detector en educación?
Como una señal que puede motivar una revisión adicional, no como única evidencia para determinar una infracción académica.
0 comentarios:
Publicar un comentario