¿Los detectores de textos creados con IA realmente funcionan?
Desde la aparición de ChatGPT y otras herramientas de inteligencia artificial generativa, también se han multiplicado las páginas que prometen identificar si un texto fue escrito por una persona o producido mediante IA.
El procedimiento parece sencillo: se copia un ensayo, artículo, tarea o publicación; se introduce en un detector; y pocos segundos después aparece un porcentaje acompañado de expresiones como “probablemente generado por IA”, “contenido humano” o “texto mixto”.
Sin embargo, detrás de ese resultado existe una realidad mucho más compleja.
La respuesta breve es la siguiente: los detectores pueden encontrar señales compatibles con determinados modelos de inteligencia artificial, pero no son capaces de demostrar con certeza la autoría de un texto.
Algunos funcionan razonablemente bien cuando analizan documentos largos, completamente generados por modelos conocidos y pertenecientes al mismo tipo de contenido utilizado durante su entrenamiento. Su rendimiento puede disminuir cuando aparece un modelo nuevo, cambia el idioma, el texto es corto, intervienen varias personas, se utiliza una herramienta de corrección o se combinan fragmentos humanos y automáticos.
Por eso, un resultado elevado puede justificar una revisión, pero no debería convertirse automáticamente en una acusación.
¿Qué es un detector de textos creados con IA?
Un detector es un sistema que analiza características estadísticas, lingüísticas y estructurales de un escrito para estimar si se parece más a los textos humanos o a los producidos por determinados modelos generativos.
No busca una etiqueta escondida que diga “este texto fue creado por ChatGPT”. En la mayoría de los casos, tampoco tiene acceso a la conversación original, al historial del documento ni a la cuenta utilizada para escribirlo.
El detector observa únicamente el resultado final e intenta clasificarlo.
Entre las características que puede analizar se encuentran:
* La previsibilidad de las palabras.
* La longitud y variedad de las oraciones.
* La frecuencia de determinadas expresiones.
* La repetición de estructuras.
* La diversidad del vocabulario.
* La regularidad entre párrafos.
* Los patrones gramaticales.
* La distribución de signos de puntuación.
* La relación entre palabras y contextos.
* La semejanza con ejemplos utilizados durante el entrenamiento.
Esto significa que el sistema trabaja mediante probabilidades, no mediante una prueba directa de autoría.
¿Cómo intentan reconocer un texto generado?
Perplejidad
La perplejidad mide, de forma simplificada, qué tan previsible resulta una secuencia de palabras para un modelo lingüístico.
Los modelos de IA suelen elegir palabras que tienen una probabilidad alta dentro del contexto. Por eso, algunos detectores consideran que un texto muy previsible podría haber sido generado automáticamente.
El problema es que una persona también puede escribir de manera clara, sencilla, ordenada y previsible. Esto ocurre con frecuencia en textos escolares, manuales, informes técnicos, resúmenes, documentos administrativos y escritos elaborados por personas que utilizan una segunda lengua.
Por tanto, una perplejidad baja no demuestra que exista intervención de IA.
Variación de las oraciones
Algunos detectores analizan la alternancia entre oraciones breves, medianas y largas. La escritura humana suele presentar cambios naturales de ritmo, mientras que ciertos modelos generan párrafos más uniformes.
Esta característica se conoce frecuentemente como variación o *burstiness*.
No obstante, una persona que revisa cuidadosamente su trabajo puede producir una estructura muy regular. Del mismo modo, un modelo moderno puede generar deliberadamente oraciones de longitudes diferentes.
Clasificadores entrenados
Otros sistemas utilizan modelos entrenados con grandes colecciones de textos clasificados previamente como humanos o artificiales.
El detector aprende diferencias entre ambos grupos y después intenta aplicarlas a documentos nuevos. Su eficacia depende de la calidad y diversidad de los datos utilizados durante ese entrenamiento.
Si fue entrenado principalmente con ensayos en inglés producidos por modelos antiguos, podría tener dificultades al analizar:
* Textos en español.
* Artículos científicos.
* Contenido jurídico.
* Escritura creativa.
* Respuestas escolares breves.
* Traducciones.
* Documentos producidos por modelos recientes.
* Textos corregidos parcialmente con IA.
* Contenido escrito por varias personas.
Marcas estadísticas o procedencia
Algunos investigadores trabajan con técnicas de marca de agua. Estas introducen patrones estadísticos durante la generación para que posteriormente pueda comprobarse el origen del texto.
Este enfoque solamente funciona si el modelo generador incorporó la señal, si el detector conoce el procedimiento utilizado y si el contenido no fue modificado de una forma que destruya el patrón.
No existe una marca universal presente en todos los textos de ChatGPT, Gemini, Claude, Copilot y demás herramientas.
¿Qué significa realmente el porcentaje mostrado?
Uno de los errores más frecuentes consiste en interpretar un resultado como si fuera una certeza matemática sobre la autoría.
Si un detector muestra “80 % de IA”, esto no significa necesariamente que exista un 80 % de probabilidad de que la persona haya utilizado inteligencia artificial.
Dependiendo del producto, el número puede representar:
* La proporción del documento clasificada como probablemente automática.
* La confianza interna del modelo.
* El porcentaje de oraciones señaladas.
* Una puntuación transformada para facilitar su presentación.
* Una combinación de varios indicadores.
Cada empresa define y calcula sus resultados de manera diferente. Por eso, dos detectores pueden entregar porcentajes completamente distintos para el mismo documento.
También es posible que un sistema señale únicamente los párrafos con patrones más previsibles, mientras otro clasifica el archivo completo.
Antes de interpretar un porcentaje debe revisarse la documentación específica del servicio.
Falso positivo y falso negativo
Para comprender la fiabilidad de estas herramientas es necesario distinguir dos errores.
Falso positivo
Ocurre cuando un texto escrito por una persona es clasificado como generado por IA.
Este error puede perjudicar a un estudiante, investigador, periodista, creador de contenido o trabajador que realmente elaboró el documento.
Falso negativo
Ocurre cuando un contenido producido por inteligencia artificial es clasificado como humano.
Un detector puede dejar de reconocer un texto porque pertenece a un modelo desconocido, fue modificado durante una revisión legítima o contiene una combinación compleja de aportaciones humanas y automáticas.
Un detector muy estricto puede descubrir más contenido artificial, pero también aumentar los falsos positivos. Un sistema más conservador puede proteger mejor los escritos humanos, aunque permita que más contenido generado pase sin ser señalado.
No existe un umbral perfecto que elimine ambos errores.
¿Qué dicen las investigaciones?
Los resultados científicos no permiten afirmar que todos los detectores sean inútiles. Tampoco respaldan la idea de que sus porcentajes constituyan una prueba concluyente.
Una evaluación de 2023 examinó doce detectores públicos y dos comerciales. Los investigadores concluyeron que, en las condiciones estudiadas, las herramientas disponibles no eran suficientemente precisas ni fiables. También comprobaron que su rendimiento empeoraba cuando los textos generados habían sido modificados. La investigación está disponible en el International Journal for Educational Integrity.
En 2024 se publicó RAID, un banco de pruebas que reunió más de seis millones de generaciones procedentes de once modelos, ocho dominios, cuatro estrategias de generación y once tipos de modificaciones. Al evaluar doce detectores, los investigadores encontraron dificultades para reconocer textos procedentes de modelos y dominios no vistos durante el entrenamiento. También observaron reducciones importantes de rendimiento ante variaciones relativamente pequeñas. Puede consultarse elestudio de RAID publicado por la Association for Computational Linguistics.
Esto no significa que la tecnología permanezca inmóvil.
En una competencia científica de 2025 basada en dominios y modelos conocidos durante el entrenamiento, varios sistemas alcanzaron más del 99 % de identificación de contenido generado, manteniendo una tasa de falsos positivos del 5 %. El resultado demuestra que los detectores pueden funcionar muy bien en entornos delimitados. Sin embargo, esas condiciones no representan necesariamente todos los documentos encontrados en una universidad, empresa o sitio web. Los detalles aparecen en el GenAI Content Detection Challenge.
Una investigación publicada en 2026 evaluó cuatro herramientas mediante 160 documentos: textos humanos, documentos completamente generados, escritos mixtos y versiones modificadas. Encontró diferencias considerables entre los productos. Algunos redujeron notablemente los falsos positivos, pero continuaron presentando dificultades con contenido generado por modelos recientes o con textos de autoría mixta. El estudio concluye que el rendimiento es desigual, depende del contexto y puede quedar desactualizado rápidamente. Puede leerse en Who wrote this? Evaluating the reliability of AI detection tools in higher education.
Por tanto, la evidencia actual muestra avances reales, pero no una solución universal.
El problema de los falsos positivos
Los falsos positivos son especialmente importantes porque una clasificación equivocada puede transformarse en una acusación de deshonestidad.
Una investigación publicada en *Patterns* evaluó siete detectores con ensayos humanos en inglés. Los textos de estudiantes cuya lengua materna no era el inglés obtuvieron una tasa media de falsos positivos del 61,22 %. De 91 ensayos, 89 fueron señalados por al menos uno de los detectores y 18 fueron clasificados como artificiales por los siete sistemas.
Los investigadores relacionaron parte del problema con la previsibilidad lingüística: una persona que utiliza estructuras más directas o un vocabulario menos variado puede parecer estadísticamente similar a determinados resultados automáticos. El estudio sobre el sesgo contra escritores no nativos advierte sobre las consecuencias de utilizar estos resultados en contextos educativos.
Los sistemas actuales pueden haber mejorado desde aquella evaluación, pero el estudio demuestra un principio importante: una característica estadística no equivale a una prueba de conducta.
También pueden ser señalados incorrectamente:
* Textos muy formales.
* Informes redactados con plantillas.
* Respuestas breves.
* Documentos técnicos.
* Definiciones.
* Resúmenes muy estructurados.
* Traducciones.
* Escritos corregidos con asistentes gramaticales.
* Contenido producido por personas con estilos concisos.
* Textos que utilizan vocabulario frecuente.
* Documentos con estructuras académicas repetitivas.
Un 5 % de falsos positivos puede ser importante
Una tasa aparentemente pequeña puede producir muchas acusaciones equivocadas cuando la mayoría de los documentos analizados son humanos.
Imagine que se revisan 1.000 trabajos. Supongamos que 50 utilizaron IA de una manera no permitida y que 950 fueron escritos legítimamente.
Si un detector identifica el 90 % de los trabajos generados, encontraría 45 casos verdaderos. Pero, si tiene una tasa de falsos positivos del 5 %, señalaría incorrectamente aproximadamente 48 de los 950 trabajos humanos.
El resultado sería cerca de 93 documentos marcados:
* 45 serían casos correctamente identificados.
* 48 serían falsos positivos.
Aunque el sistema tuviera buen rendimiento técnico, más de la mitad de las personas señaladas en este ejemplo serían inocentes.
Este efecto, conocido como problema de la tasa base, explica por qué un porcentaje aislado no debería utilizarse como veredicto.
¿Qué ocurre con los detectores comerciales actuales?
Las empresas continúan actualizando sus modelos para reconocer herramientas y versiones recientes.
Turnitin informó en mayo de 2026 que actualizó su detector para documentos en español con el propósito de reconocer contenido producido por modelos más nuevos. La empresa afirma mantener una tasa de falsos positivos inferior al 1 % en documentos donde más del 20 % del texto se clasifica como generado. Puede consultarse en las actualizaciones oficiales de Turnitin.
Sin embargo, la propia plataforma reconoce que los falsos positivos son posibles. Para reducir interpretaciones incorrectas, no muestra un porcentaje exacto cuando la detección se encuentra entre 1 % y 19 %. Además, su documentación advierte que el informe no debe utilizarse como única base para tomar medidas contra un estudiante. Así lo explica la guía del modelo de detección de Turnitin.
Las cifras publicadas por una empresa describen la evaluación de su propio producto bajo condiciones determinadas. No deben confundirse automáticamente con el rendimiento que tendrá ante cualquier asignatura, idioma, modelo y estilo de escritura.
¿ChatGPT puede reconocer si escribió un documento?
No.
Preguntarle a ChatGPT “¿usted escribió este texto?” no constituye una prueba. El sistema no posee una memoria universal de todas las respuestas generadas para todos los usuarios ni puede reconstruir el origen de un párrafo solamente observándolo.
ChatGPT podría responder afirmativamente, negativamente o expresar una estimación basada en el estilo. Esa respuesta no demuestra autoría.
OpenAI explica que ChatGPT no tiene conocimiento verificable sobre si un contenido fue generado por IA y puede inventar una contestación cuando recibe ese tipo de preguntas. La compañía retiró su propio clasificador público en 2023 debido a su baja precisión y actualmente recomienda no utilizar detectores como fundamento exclusivo para decisiones con consecuencias importantes. Puede revisarse la orientación de OpenAI para educadores.
¿Puede reconocerse una IA por determinadas palabras?
No existe una palabra, signo de puntuación o estructura que demuestre el uso de inteligencia artificial.
Expresiones como “en conclusión”, “cabe destacar”, “en un mundo cada vez más digital” o “no solo…, sino también…” aparecen con frecuencia en contenidos automáticos, pero también forman parte de la escritura humana.
Lo mismo ocurre con:
* Los guiones largos.
* Las listas numeradas.
* Los subtítulos.
* Los párrafos equilibrados.
* Las introducciones generales.
* Las conclusiones ordenadas.
* El uso correcto de conectores.
* La ausencia de faltas ortográficas.
* Un tono excesivamente formal.
Estas características pueden despertar una duda cuando aparecen junto con otros elementos, pero no son una firma digital.
Acusar a una persona porque escribió de manera organizada o utilizó una frase común sería tan poco fiable como declarar que todos los textos con errores pertenecen necesariamente a humanos.
Textos completamente generados y textos mixtos
Los primeros detectores se diseñaron principalmente para comparar dos categorías:
1. Texto humano.
2. Texto generado por IA.
La realidad actual posee muchas más posibilidades.
Un documento puede haber sido:
* Escrito completamente por una persona.
* Generado completamente por IA.
* Escrito por una persona y corregido ortográficamente.
* Elaborado por una persona con sugerencias de estructura.
* Traducido automáticamente.
* Resumido con IA y reescrito manualmente.
* Producido por varias personas.
* Generado en algunas secciones y escrito manualmente en otras.
* Revisado varias veces con distintas herramientas.
* Dictado por voz y corregido automáticamente.
Determinar dónde termina la asistencia y dónde comienza la generación sustancial es mucho más difícil que clasificar un documento puro.
Además, no todos esos usos representan una infracción. Su aceptación depende de las reglas del curso, la empresa, la revista o la plataforma.
Diferencia entre detector de IA y detector de plagio
Un detector de plagio busca coincidencias entre el documento analizado y materiales disponibles en bases de datos, publicaciones, páginas web o trabajos anteriores.
Puede mostrar qué fragmentos se parecen y, en muchos casos, proporcionar la fuente correspondiente.
Un detector de IA busca patrones estadísticos. Generalmente no presenta una conversación original que demuestre de dónde salió el contenido.
Por eso:
* Una coincidencia textual no demuestra automáticamente plagio.
* Un porcentaje de IA no demuestra automáticamente generación.
* Un texto puede ser original y haber sido producido con IA.
* Un texto humano puede contener plagio.
* Un texto generado puede incluir información correctamente citada.
* Un trabajo puede infringir una regla de uso de IA sin copiar una fuente.
Son problemas relacionados con la integridad y la autoría, pero no son equivalentes.
¿Cómo debería utilizarse un detector en educación?
Un detector puede funcionar como señal inicial dentro de un procedimiento más amplio, nunca como juez automático.
Un proceso responsable debería incluir:
1. Revisar la política de la actividad.
2. Examinar el informe completo y no únicamente el porcentaje.
3. Verificar las limitaciones del idioma y la longitud.
4. Comparar el resultado con diferentes tipos de evidencia.
5. Solicitar borradores, esquemas y fuentes.
6. Revisar el historial de versiones cuando esté disponible.
7. Permitir que el estudiante explique su procedimiento.
8. Formular preguntas relacionadas con las ideas del trabajo.
9. Comprobar si puede defender sus argumentos.
10. Escuchar su respuesta antes de tomar una decisión.
11. Aplicar el mismo procedimiento a todos los casos.
12. Permitir una revisión o apelación.
Una conversación académica puede revelar mucho más que un porcentaje. Quien elaboró realmente un trabajo suele poder explicar:
* Por qué eligió el tema.
* Cómo buscó las fuentes.
* Qué dificultades encontró.
* Por qué organizó los apartados de determinada manera.
* Qué significa cada concepto.
* Qué modificaciones realizó.
* Qué conclusiones obtuvo.
* Qué partes cambiaría después de revisarlo.
Estas preguntas deben utilizarse para comprender el proceso, no para intimidar ni buscar una confesión.
¿Qué puede hacer un estudiante señalado incorrectamente?
Si un trabajo humano fue marcado como generado, conviene responder mediante evidencia verificable.
Puede presentar:
* Esquemas preliminares.
* Notas manuscritas.
* Borradores.
* Historial de versiones.
* Fuentes consultadas.
* Fichas bibliográficas.
* Correcciones anteriores.
* Comentarios del profesor.
* Archivos con fechas coherentes.
* Cálculos o análisis intermedios.
* Prompts y conversaciones, si se utilizó IA de manera permitida.
* Una explicación oral del contenido.
También puede solicitar:
* El informe completo.
* El nombre y versión del detector.
* Los fragmentos señalados.
* El significado exacto del porcentaje.
* La política institucional aplicable.
* Una oportunidad formal para responder.
* Una segunda revisión realizada por una persona.
No es recomendable modificar deliberadamente un trabajo legítimo para que parezca “más humano”. Agregar errores, empeorar el estilo o utilizar servicios que prometen “humanizar” textos puede dañar el documento y dificultar la demostración de su proceso real.
La defensa más sólida es conservar evidencia de cómo se desarrolló el trabajo.
¿Qué deberían conservar los autores?
En entornos donde la autoría sea importante, conviene guardar:
* La fecha de creación del archivo.
* Los primeros esquemas.
* Las versiones intermedias.
* Las notas de investigación.
* Las fuentes originales.
* Los comentarios de revisión.
* El historial de cambios.
* Las conversaciones de IA autorizadas.
* Una declaración del uso realizado.
* Las decisiones adoptadas por el autor.
Este registro no solamente protege frente a falsos positivos. También ayuda a demostrar responsabilidad, pensamiento crítico y transparencia.
¿Afecta un porcentaje de IA al posicionamiento en Google?
Un resultado obtenido en un detector externo no determina automáticamente la posición de una página en Google.
Google explica que el uso apropiado de inteligencia artificial no está prohibido. Lo que puede infringir sus políticas es generar grandes cantidades de páginas sin valor con el objetivo principal de manipular el posicionamiento.
La orientación de Google sobre contenido generativo recomienda ofrecer información útil, original, fiable y creada pensando en las personas.
Para un creador de contenido resulta más importante comprobar:
* La exactitud de los datos.
* La calidad de las fuentes.
* La utilidad para el lector.
* La experiencia aportada.
* La originalidad del análisis.
* La claridad de la redacción.
* La ausencia de contenido engañoso.
* La revisión humana.
* La actualización de la información.
Intentar alcanzar un supuesto “0 % de IA” no garantiza calidad ni posicionamiento.
Entonces, ¿realmente funcionan?
Sí, pero solamente dentro de límites concretos.
Pueden funcionar como clasificadores estadísticos capaces de detectar ciertos textos, especialmente cuando:
* El documento es suficientemente largo.
* Fue generado completamente por IA.
* El modelo generador es conocido.
* El idioma está bien respaldado.
* El contenido se parece a los datos de entrenamiento.
* No existe una combinación compleja de autorías.
* El sistema se encuentra actualizado.
No funcionan como una prueba infalible cuando:
* El texto es breve.
* Se analiza un idioma poco respaldado.
* El contenido es técnico o muy estructurado.
* Intervienen traducciones o correctores.
* El documento combina escritura humana y automática.
* Se utiliza un modelo nuevo.
* El estilo del autor es muy conciso.
* Existen diferencias lingüísticas.
* El resultado se interpreta fuera de su contexto.
* Se intenta identificar una herramienta específica.
La formulación más responsable no es “el detector descubrió que la persona utilizó IA”, sino:
“El sistema encontró patrones compatibles con los ejemplos de texto generado que conoce; el resultado necesita contexto y verificación adicional”.
Lista de comprobación para interpretar un informe
Antes de aceptar un resultado, pregúntese:
* ¿Qué significa exactamente el porcentaje?
* ¿El sistema analiza todo el documento o fragmentos?
* ¿Qué idiomas admite?
* ¿Existe una longitud mínima?
* ¿Cuándo se actualizó?
* ¿Qué modelos reconoce?
* ¿Cuál es su tasa de falsos positivos?
* ¿La cifra procede de una evaluación independiente?
* ¿El contenido pertenece al mismo dominio utilizado en las pruebas?
* ¿El documento combina participación humana y automática?
* ¿Se utilizaron herramientas de traducción o corrección?
* ¿Existe historial de versiones?
* ¿Puede el autor explicar y defender el trabajo?
* ¿Se le permitió responder?
* ¿Hay otras evidencias?
* ¿El detector se está utilizando como indicio o como veredicto?
Si solamente se dispone de un porcentaje, todavía no existe evidencia suficiente para una conclusión definitiva.
Conclusión
Los detectores de textos creados con inteligencia artificial realmente pueden reconocer patrones y ofrecer señales útiles en situaciones determinadas. La investigación también demuestra que su rendimiento cambia según el producto, el modelo generador, el idioma, la longitud, el tipo de documento y las modificaciones realizadas.
Algunos sistemas recientes muestran avances importantes en evaluaciones controladas. Aun así, ningún porcentaje puede reconstruir por sí solo el proceso de escritura ni demostrar quién tomó las decisiones intelectuales.
Los falsos positivos pueden perjudicar a personas que escriben legítimamente, especialmente cuando utilizan estructuras previsibles, una segunda lengua o estilos técnicos. Los falsos negativos permiten que determinados contenidos automáticos pasen como humanos.
Por eso, un detector debe tratarse como una herramienta de orientación. Su informe puede iniciar una revisión, pero no debería terminarla.
La evaluación más justa combina políticas claras, revisión humana, diálogo, fuentes, borradores, historial de versiones y capacidad para explicar el trabajo.
La pregunta no debe limitarse a “¿qué porcentaje indicó la herramienta?”. También debe preguntarse: “¿qué evidencia existe sobre el proceso mediante el cual se creó este contenido?”.
Mientras los sistemas generativos y sus detectores continúen evolucionando, la prudencia seguirá siendo indispensable. Una máquina puede encontrar patrones, pero la responsabilidad de interpretar esos patrones con justicia continúa perteneciendo a las personas.
