¿Qué tan precisos son los detectores de IA? Lo que dice la investigación para estudiantes y docentes

¿Qué tan precisos son los detectores de IA?

La respuesta breve es que los detectores de texto generado por IA pueden acertar buena parte de las veces en condiciones de prueba, pero cometen errores que importan cuando están en juego la calificación o el expediente de un estudiante. La precisión depende en gran medida de la herramienta, la longitud del texto, el idioma, si el texto de IA fue editado y el umbral que utiliza la herramienta.

La advertencia temprana más clara vino de OpenAI, la empresa que desarrolla ChatGPT. Su clasificador de enero de 2023 identificó correctamente como «probablemente escrito por IA» el 26% de los textos escritos por IA y etiquetó erróneamente como escritos por IA textos humanos el 9% de las veces en su conjunto de prueba en inglés ^[1]. OpenAI dejó de ofrecerlo a partir del 20 de julio de 2023 «debido a su baja tasa de precisión» ^[1]. En su página de ayuda actual para docentes, OpenAI responde a la pregunta «¿Funcionan los detectores de IA?» con un «En resumen, según nuestra experiencia, no» ^[2].

La investigación independiente ha llegado a conclusiones similares para muchas herramientas. Un estudio de 2023 sobre 12 herramientas de acceso público y dos sistemas comerciales, Turnitin y PlagiarismCheck, concluyó que las herramientas «no eran ni precisas ni fiables» y que tendían a clasificar los textos como escritos por personas en lugar de detectar los textos de IA ^[4]. Los trabajos posteriores ofrecen un panorama más variado: un documento de trabajo de septiembre de 2025 comprobó que los detectores comerciales superaban a uno de código abierto y que un producto, Pangram, tenía tasas de error cercanas a cero en sus pruebas ^[10]. Los resultados de un estudio, con un conjunto de datos concreto, no se trasladan automáticamente a cualquier aula.

¿Cómo funcionan los detectores de IA?

La mayoría de los detectores son clasificadores: programas entrenados para clasificar un texto como «humano» o «IA» y asignarle una puntuación. Turnitin explica la idea en términos de probabilidad de las palabras. Los grandes modelos de lenguaje (LLM), los sistemas que hay detrás de chatbots como ChatGPT, tienden a elegir la siguiente palabra de «forma coherente y altamente probable», mientras que la escritura humana tiende a ser «irregular e idiosincrásica» ^[5]. Sus clasificadores están entrenados para detectar esas diferencias ^[5].

Una medida relacionada es la perplejidad, que describe a grandes rasgos cuán sorprendente resulta un texto para un modelo de lenguaje. Un texto de baja perplejidad es predecible. Liang y sus colegas demostraron que esta señal puede inducir a error: los ensayos de personas cuya lengua materna no es el inglés tenían una perplejidad significativamente menor, lo que ayuda a explicar por qué los detectores los señalaban ^[3]. Turnitin, por su parte, afirma que su propio modelo no está programado explícitamente para evaluar la perplejidad, sino que aprende patrones estadísticos de sus datos de entrenamiento ^[5].

¿Qué significa la puntuación de un detector?

Turnitin asigna a cada oración una puntuación entre 0 y 1, etiqueta como IA las oraciones que superan un umbral e informa como puntuación del documento la proporción de oraciones evaluadas que superan ese umbral ^[5]. Omite listas, encabezados, referencias, tablas, fórmulas y código, por lo que el porcentaje no corresponde necesariamente a una proporción del trabajo completo ^[5]. Una puntuación es una estimación basada en probabilidades, no un registro de cómo se escribió el texto.

¿Es distinta la marca de agua?

Sí. Una marca de agua es un patrón estadístico oculto que se añade mientras se genera el texto. SynthID-Text, de Google DeepMind, modifica únicamente el paso de muestreo y puede detectarse sin ejecutar el modelo original; un experimento en condiciones reales abarcó casi 20 millones de respuestas de Gemini ^[12]. Sus autores afirman que las marcas de agua no son una solución completa: solo funcionan si la empresa que genera el texto las aplica, es difícil cubrir los modelos de código abierto, y pueden debilitarse mediante paráfrasis o atacarse mediante robo, suplantación y borrado ^[12].

¿Qué dice la investigación sobre los falsos positivos y el sesgo?

Un falso positivo es un texto escrito por una persona que se etiqueta erróneamente como IA. En la educación es el error más grave, porque puede dar lugar a una acusación contra un estudiante honesto. Un falso negativo es un texto de IA que pasa por humano.

Personas que escriben en inglés como lengua no materna

En un estudio de Liang y sus colegas, se probaron siete detectores de uso generalizado con 91 ensayos TOEFL escritos por personas, procedentes de un foro educativo chino, y 88 ensayos de alumnos estadounidenses de octavo grado ^[3]. Los detectores fueron casi perfectos con los ensayos estadounidenses, pero clasificaron erróneamente más de la mitad de los ensayos TOEFL, con una tasa media de falsos positivos del 61.22% ^[3]. Los siete detectores señalaron 18 de los 91 ensayos TOEFL (19.78%), y 89 de los 91 (97.80%) fueron señalados por al menos un detector ^[3]. Cuando se usó ChatGPT para enriquecer el vocabulario de esos ensayos, la tasa media de falsos positivos bajó al 11.77% ^[3]. Pedir a ChatGPT que simplificara los ensayos estadounidenses «como si los hubiera escrito un hablante no nativo» la elevó del 5.19% al 56.65% ^[3].

Turnitin, que no formó parte de ese estudio, discute que el resultado sea aplicable a su producto. Señala que todos los ensayos TOEFL tenían menos de 150 palabras y que no puntúa documentos tan breves ^[6]. En su propia prueba de 2023, con documentos de al menos 300 palabras, la diferencia en la tasa de falsos positivos entre quienes escriben en inglés como segunda lengua y como primera lengua fue pequeña y no estadísticamente significativa ^[6]. Esa evaluación la realizó el propio proveedor.

¿Por qué se acumulan las tasas de error pequeñas?

La Universidad Vanderbilt hizo las cuentas cuando desactivó el detector de IA de Turnitin en agosto de 2023. Turnitin había declarado una tasa de falsos positivos del 1% en su lanzamiento; Vanderbilt había enviado unos 75,000 trabajos en 2022, por lo que alrededor de 750 podrían haber sido señalados por error ^[7]. El mismo razonamiento se aplica a cualquier detector: una tasa que parece pequeña puede afectar a muchas personas cuando se revisan millones de documentos.

¿Se puede engañar a los detectores de IA con ediciones o herramientas humanizadoras?

A menudo sí, aunque las herramientas más recientes afirman resistirlo. En la prueba de 14 herramientas de 2023, la precisión media (puntuación binaria) fue del 94% para los textos escritos por personas, pero solo del 30% para los textos de IA editados manualmente y del 15% para los textos de IA pasados por una herramienta automática de paráfrasis ^[4]. La ofuscación del contenido, es decir, los cambios deliberados para ocultar el origen artificial, empeoró significativamente el rendimiento de las herramientas ^[4].

La prueba comparativa RAID, con más de 6 millones de textos generados por 11 modelos en 8 ámbitos, 11 ataques adversarios y 4 estrategias de decodificación, comprobó que los 12 detectores evaluados se dejaban «engañar fácilmente» por ataques, cambios en la configuración de muestreo, penalizaciones por repetición y modelos no vistos ^[8]. Sus autores señalan que muchos detectores afirman tener una precisión del 99% o más, pero rara vez se prueban con datos compartidos y exigentes ^[8]. Sadasivan y sus colegas demostraron que parafrasear repetidamente un texto de IA con otro modelo puede reducir de forma significativa las tasas de detección, y en muchos casos con una pérdida de calidad apenas leve ^[9]. También muestran que, a medida que el texto de IA se parece más al humano, disminuye el rendimiento incluso del mejor detector posible ^[9].

Los proveedores han reaccionado. Turnitin afirma que puede identificar textos de IA modificados con herramientas de paráfrasis o de «elusión» (bypassers), también llamadas humanizadoras, pero solo en trabajos en inglés ^[5]. El documento de trabajo del NBER de 2025 informa que las bajas tasas de error de Pangram se mantuvieron frente a herramientas humanizadoras y pasajes muy breves en sus pruebas ^[10]. Son resultados alentadores, pero describen el rendimiento en un momento concreto frente a las herramientas disponibles entonces. Los autores también subrayan que quienes toman decisiones ponderan de forma distinta los dos tipos de error y proponen fijar una tolerancia explícita, o «tope normativo», para ellos ^[10].

¿Detectan los docentes la escritura de IA mejor que el software?

Algunos sí. En un estudio de 2025, varios anotadores leyeron 300 artículos de no ficción en inglés y etiquetaron cada uno como escrito por una persona o por IA ^[11]. Las personas que usaban con frecuencia LLM para escribir lo hicieron muy bien: el voto mayoritario de cinco de esos anotadores «expertos» clasificó erróneamente solo 1 de los 300 artículos, superando a la mayoría de los detectores comerciales y de código abierto evaluados por los autores, incluso cuando se usaron paráfrasis y humanización ^[11]. Los expertos se fijaban en el «vocabulario de IA», pero también en la formalidad, la originalidad y la claridad ^[11].

Ese resultado tiene límites. Se basó en un grupo de cinco lectores experimentados y en un voto mayoritario, no en un solo docente que califica con prisa, y abarcó artículos de no ficción en inglés, no trabajos de estudiantes ^[11]. Indica que el juicio humano informado junto con pruebas supera a una cifra aislada, no que la intuición por sí sola deba decidir un caso.

¿Cómo deben usar los docentes los resultados de los detectores de IA de forma justa?

Los propios fabricantes de las herramientas advierten contra tratar una puntuación como prueba. Turnitin afirma que «no determina la existencia de una falta» y que el porcentaje de IA «no debe utilizarse como única base para actuar ni como criterio definitivo de calificación» ^[5]. OpenAI afirma que ChatGPT no puede saber si un texto ha sido generado por IA y que sus respuestas a preguntas como «¿escribiste tú esto?» son aleatorias ^[2].

1. Trate una alerta como un motivo para examinar más de cerca, no como un veredicto. Turnitin describe su puntuación como un dato para fundamentar una decisión conforme a la normativa de la propia institución ^[5].
2. Compruebe las condiciones. Turnitin no procesa documentos con menos de 300 palabras en oraciones evaluadas y no muestra en su informe puntuaciones inferiores al 20% ^[5]. Los trabajos breves o con muchas listas ofrecen señales débiles.
3. Recuerde el margen de error. Turnitin afirma que, cuando informa un 50% de texto probablemente generado por IA, el documento podría contener hasta un 65% de escritura de IA ^[5]; la herramienta está ajustada para dejar pasar parte del texto de IA antes que generar alertas falsas, por lo que la cifra es una estimación, no una medición.
4. Reúna otras pruebas. Los borradores, las notas, el historial de versiones y una conversación con el estudiante sobre el trabajo aportan más información que una sola puntuación. OpenAI afirma que a algunos docentes les ha resultado útil animar a los estudiantes a compartir conversaciones concretas de ChatGPT ^[2].
5. Tenga en cuenta el bagaje lingüístico. OpenAI informó de indicios de que los detectores podían afectar de forma desproporcionada a quienes aprenden inglés y a los estudiantes cuya escritura es formulista o concisa ^[2], y Liang y sus colegas encontraron tasas de falsos positivos mucho más altas en los ensayos de hablantes no nativos ^[3].
6. Establezca reglas claras de antemano. Los estudiantes necesitan saber qué usos de la IA están permitidos, como la ayuda gramatical, y cuáles no; los autores del NBER señalan que los usos fomentados pueden ser difíciles de distinguir de los demás ^[10].

El costo de saltarse estos pasos es real. ABC News informó en octubre de 2025 que la Australian Catholic University registró casi 6,000 presuntos casos de falta académica en 2024, alrededor del 90% de ellos relacionados con la IA, según documentos internos; la universidad calificó esas cifras de «sustancialmente exageradas» ^[13]. La ACU dejó de usar la herramienta de IA de Turnitin en marzo de 2025, y su vicerrectora adjunta afirmó que los casos en los que esa herramienta era la única prueba se desestimaban de inmediato ^[13].

¿Qué puede hacer un estudiante si un detector señala su trabajo por error?

Esta es información general, no asesoramiento jurídico; cada centro tiene su propio procedimiento. Una alerta de un detector no es, según los propios fabricantes de las herramientas, una prueba de trampa ^[2][5].

• Pregunte qué pruebas existen. Averigüe qué herramienta se usó, qué puntuación dio y si hay algo más que respalde la sospecha. El indicador de Turnitin solo es visible para docentes y administradores, por lo que es posible que los estudiantes tengan que solicitarlo ^[5].
• Muestre su proceso. Los borradores, los esquemas, las notas manuscritas, el historial de navegación de las fuentes y el historial de versiones del documento muestran cómo se desarrolló el trabajo.
• Ofrézcase a explicar el trabajo. Ser capaz de exponer su argumentación y sus fuentes es una prueba sólida de autoría.
• Utilice la vía formal de apelación y conserve copias de todos los mensajes.
• No le pida a un chatbot que juzgue. OpenAI afirma que las respuestas de ChatGPT sobre si escribió un texto no tienen ningún fundamento real ^[2].

Para los estudiantes de Irán y de otros países que escriben en inglés como segunda lengua, la investigación sobre el sesgo es directamente pertinente ^[3]. La detección de IA de Turnitin admite textos extensos en inglés, español, japonés, árabe moderno, neerlandés, alemán y turco; el persa no figura en esa lista, y los trabajos en idiomas no admitidos no se procesan ^[5].

¿Será más fiable la detección de IA?

A 3 de noviembre de 2026, el panorama es una carrera entre generadores y detectores. Turnitin actualizó la arquitectura de su modelo de detección para inglés en octubre de 2026 e incluye modelos como GPT-5.4 y Claude Opus 4.6 entre los que puede detectar ^[5]. Algunas investigaciones de 2025 muestran buenos resultados para las mejores herramientas comerciales ^[10], mientras que los estudios comparativos muestran que las condiciones no probadas siguen engañando a muchos detectores ^[8]. Los trabajos teóricos indican que la detección se vuelve más difícil a medida que la escritura de IA se asemeja más a la humana ^[9].

Las marcas de agua pueden ayudar con los textos de los proveedores que las adopten, pero sus autores las describen como un complemento de otros métodos y no como una respuesta completa ^[12]. Las orientaciones tanto de OpenAI como de Turnitin dirigen a los centros educativos hacia políticas claras de uso de la IA, registros de cómo trabajaron los estudiantes y decisiones tomadas por los docentes, no por una puntuación ^[2][5].