Detectores de IA: por qué fallan y qué hacer si te acusan

«Lo ha dicho el detector» no prueba nada. Y no lo decimos nosotros: lo dice, con esas palabras y por escrito, la documentación de la propia empresa que vende el detector más usado en las universidades.

Merece la pena saberlo antes de necesitarlo, porque la escena se repite: un trabajo, un informe, un correo de reclamación, alguien lo pega en una herramienta que devuelve «87 % generado por IA» y esa cifra se trata como una prueba. No lo es, y entender por qué cambia por completo la conversación.

Un detector no busca huellas: mide lo previsible

Aquí está el malentendido de fondo. La gente imagina que el texto de una IA lleva algún tipo de marca oculta que el detector encuentra. Salvo una excepción que veremos al final, no hay ninguna marca.

Lo que hace un detector es otra cosa: coge tu texto y, palabra por palabra, le pregunta a un modelo de lenguaje qué palabra habría puesto él ahí. Si casi siempre acierta —si tu texto es exactamente lo que el modelo habría escrito— el detector concluye que lo escribió una máquina. Si tu texto le sorprende, lo da por humano.

De ahí los dos errores del método: castiga escribir claro y perdona cualquier reescritura a mano.

Las dos consecuencias se deducen del dibujo. La primera es que escribir de forma clara, ordenada y sin florituras —justo lo que piden en un trabajo académico, un informe o un examen— produce exactamente el patrón que el detector interpreta como máquina. La segunda es que basta cambiar unas cuantas palabras de un texto generado para que la nota baje. El método penaliza el estilo, no el origen.

Las cifras las ponen ellos

No hace falta recurrir a estudios críticos: los números más duros están en las páginas oficiales de los fabricantes.

Quién	Qué reconoce	Cuándo
OpenAI	Su detector acertaba en el 26 % de los textos escritos por IA y marcaba como IA un 9 % de los textos humanos. Lo retiró «por su baja tasa de acierto»	Retirado el 20 de julio de 2023
Turnitin	Falsos positivos por debajo del 1 % en documentos con un 20 % o más de IA, pero en torno al 4 % frase a frase	Cifras publicadas en junio de 2023, modelo actualizado en octubre de 2026
7 detectores a la vez (estudio de Stanford)	Un 61,22 % de falsos positivos de media sobre 91 redacciones escritas por estudiantes no nativos de inglés. 89 de esas 91 fueron marcadas por al menos un detector	Preprint de 2023, detectores consultados en marzo de ese año

Ese 4 % de Turnitin es el número que conviene retener, porque es el que se aplica cuando alguien te señala una frase concreta. Significa que, de cada veinticinco frases subrayadas en rojo, una está subrayada por error. En un trabajo con cuarenta frases marcadas, lo esperable es que haya un puñado de acusaciones falsas dentro.

Y el estudio de Stanford apunta al sesgo más incómodo: los mismos detectores tuvieron una precisión «casi perfecta» con redacciones de estudiantes estadounidenses de octavo curso. Lo que distinguía a los textos castigados no era el uso de IA, era escribir en un idioma que no es el propio, con vocabulario más limitado y frases más convencionales. Quien escribe en inglés sin ser inglés —o en español académico sin dominarlo— parte en desventaja.

A quién señalan por error

De todo lo anterior sale un perfil bastante claro de texto humano con papeletas para ser acusado:

El escrito en una lengua que no es la tuya, o pasado por un traductor automático.
El corto. OpenAI advertía de que su clasificador era «muy poco fiable» por debajo de 1.000 caracteres, y la documentación de Turnitin reconoce que en documentos de unos pocos cientos de palabras la predicción es «todo o nada».
El sencillo y ordenado a propósito: resúmenes, actas, instrucciones, documentación técnica, cualquier cosa escrita para que se entienda a la primera.
El que ha pasado por un corrector, un asistente de gramática o la función de reescritura del procesador de textos. Esa ayuda, que nadie considera trampa, empuja el texto hacia lo previsible.

Si te acusan: cinco pasos

Pide el dato completo, no la conclusión. Qué herramienta, qué porcentaje, qué frases exactas y qué dice el informe. Un «me ha dado positivo» sin captura ni frases señaladas no es algo a lo que puedas responder.
Cita la documentación de la propia herramienta. Turnitin escribe en su centro de ayuda que «el porcentaje del indicador de escritura con IA no debe usarse como única base para una acción» y que «Turnitin no determina si hay mala conducta; aporta datos para que el docente decida». Es la frase más útil de todo este artículo: la empresa que vende el detector ya ha dicho por escrito que su cifra no basta.
Enseña el proceso, no el resultado. El historial de versiones de Google Docs o de Word, los borradores, las notas a mano fotografiadas, las búsquedas que hiciste. Un texto que creció durante dos semanas en treinta revisiones es difícil de rebatir; un documento que apareció entero en un solo guardado, no.
Ofrece explicarlo de viva voz. Pide una conversación sobre el contenido: por qué elegiste ese argumento, qué dice la fuente de la página 12. Quien ha escrito algo puede defenderlo; quien lo pegó, rara vez.
Pregunta por el procedimiento. Si la institución tiene un protocolo de integridad académica, pide que se siga. Una acusación informal basada en una cifra suele desactivarse ahí.

La prevención, por si sirve para la próxima: escribe siempre dentro de una herramienta que guarde historial de versiones y no borres los borradores. No es paranoia; es el único documento que de verdad te defiende, y solo existe si lo tienes de antes.

La excepción: las marcas de agua

Hay una vía técnicamente sólida, y va por otro camino. En lugar de adivinar a posteriori, consiste en que el propio modelo deje una señal imperceptible al generar el texto, eligiendo entre palabras igual de válidas según un patrón oculto. Google llama SynthID a su sistema, lo aplica a lo que genera Gemini y ha publicado la técnica.

El límite es evidente: solo funciona con el texto que sale de un modelo que la aplica, y el verificador no está en manos de cualquiera. No responde a la pregunta de si un trabajo se escribió con ChatGPT. Es el mismo patrón que en las imágenes, donde los metadatos de origen han avanzado más que la detección a ojo: lo contamos en la guía sobre cómo detectar si una imagen o un vídeo está hecho con IA.

Si eres quien corrige

El detector no te va a dar la certeza que buscas, y el 4 % frase a frase es tu problema, no el del alumno: con treinta trabajos, las acusaciones falsas dejan de ser una hipótesis. Lo que sí funciona, y además no se puede falsificar, es pedir el proceso con el entregable: borradores, historial de versiones, un párrafo explicando qué cambió entre la primera versión y la última. Y una conversación de cinco minutos sobre el contenido distingue mejor que cualquier porcentaje.

Conviene recordar, por último, que el texto que devuelve una IA no es fiable por sí mismo: inventa citas y datos con total aplomo, y ahí hay un terreno de comprobación más productivo que la caza del plagio. Lo explicamos en por qué la IA se inventa cosas, y en cómo usar la IA para estudiar sin hacer trampas está la otra mitad: qué usos no dan problemas.

Fuentes

Datos y citas comprobados en las páginas oficiales de OpenAI, Turnitin y Google DeepMind y en el preprint del estudio de Stanford, en octubre de 2026. Las cifras de Turnitin son las que la empresa publicó en 2023; su modelo se actualizó en octubre de 2026 y la compañía no ha publicado cifras nuevas de falsos positivos para esa versión.