Introduce la Constitución de EE. UU. de 1787 en un detector de IA y te dirá, con alta probabilidad: escrita por una IA. Un texto que existe 236 años antes que ChatGPT.

No es un caso aislado escogido a propósito, sino un experimento limpio: el propio fundador de GPTZero, Edward Tian, explicó la causa — la Constitución es un texto que se ha introducido una y otra vez en los mismos modelos de lenguaje. El detector reconoce en ella exactamente lo que reconoce en una IA real. Solo que aquí, por error.

Y ahí está el problema. Un detector de IA no mide si un texto proviene de una IA. Mide otra cosa — y la confunde con origen de IA.

Lo que un detector realmente mide

Un escáner de plagio pone la fuente original al lado de tu texto. Puedes comprobarlo: aquí está el párrafo copiado, ahí el original. Eso es verificable y refutable.

Un detector de IA no puede hacer eso. No tiene ninguna fuente a la que señalar. Mide cuán predecible es un texto — en términos técnicos, su perplejidad. Los modelos de lenguaje producen secuencias de palabras probables, fluidas, esperables. Así que lo contrario se trata como sospechoso: escribe con fluidez y de forma predecible, y para el detector pareces una máquina.

Ese es todo el truco. Y también es todo el fallo.

Porque, ¿quién escribe con fluidez y de forma predecible? No solo la IA. También personas que aprendieron el idioma como segunda lengua y recurren a fórmulas seguras y estándar. Personas que escriben de forma sencilla y clara. Algunos escritores neurodivergentes. El detector no puede distinguir a estas personas de una IA, porque nunca buscó IA — solo fluidez.

La prueba de que es cuestión de idioma, no de IA

Un estudio de la Universidad de Stanford (Liang et al., publicado en Patterns de Cell Press, 10 de julio de 2023) probó siete detectores comerciales en textos reales, garantizadamente humanos.

En ensayos de estudiantes estadounidenses de 8.º grado, la tasa de error fue cercana a cero. En ensayos TOEFL — escritos por personas para quienes el inglés es una lengua extranjera — los mismos detectores clasificaron erróneamente como IA una media del 61,22 %. Casi el 98 % de los ensayos fueron marcados por al menos una herramienta, uno de cada cinco por las siete unánimemente.

Luego viene la parte que lo explica todo. Los investigadores hicieron que GPT-4 puliera lingüísticamente los ensayos TOEFL — vocabulario más rico, nada más. La clasificación errónea como IA cayó del 61,22 % al 11,77 %.

Mismo contenido, mismas personas, mismos detectores. Solo un lenguaje más rico. Si un vocabulario mejor convierte un “texto de IA” en un “texto humano”, entonces el detector no mide IA. Mide nivel de idioma. Y penaliza el más bajo.

Qué ocurre al probar muchas herramientas en paralelo

El estudio independiente más amplio hasta la fecha proviene de Weber-Wulff, Anohina-Naumeca, Foltýnek y colegas (International Journal for Educational Integrity 19:26, revisado por pares, 25 de diciembre de 2023). Probaron 14 detectores en 54 documentos de origen conocido — 756 pruebas individuales.

El resultado: ninguna herramienta alcanzó el 80 % de precisión, solo cinco superaron el 70. Las tasas de falsos positivos oscilaron entre el 0 % (Turnitin en esta prueba) y el 50 % (GPTZero en esta prueba). Alrededor del 20 % de los textos genuinamente de IA se atribuyeron a humanos — tras una edición ligera, incluso la mitad.

Los autores escriben que los sistemas “no deberían usarse en entornos académicos”. Y nombran el quid del asunto: a diferencia de un escáner de plagio, no hay documento fuente. Un estudiante acusado solo con esta base no tendría “posibilidad de defensa” — en el original: no possibility for a defence.

No se puede refutar lo que nunca se demostró.

El testigo más honesto: OpenAI misma

Si alguien debería poder detectar texto de IA, es el creador de ChatGPT. OpenAI lo intentó — con su propio “AI Text Classifier”, lanzado en enero de 2023.

Tras apenas seis meses, OpenAI lo retiró. La razón está en su propia nota de actualización: due to its low rate of accuracy — por su baja tasa de precisión. La herramienta solo detectaba el 26 % de los textos de IA y clasificaba erróneamente el 9 % de los textos humanos como IA. Para textos cortos de menos de 1.000 caracteres era, en sus propias palabras, “muy poco fiable”.

El fabricante que construyó el modelo no pudo detectar de forma fiable su propia salida — y fue lo bastante honesto como para retirar el producto.

Lo que los propios proveedores escriben en la letra pequeña

Lo más revelador no está en el marketing, sino en las preguntas frecuentes.

Turnitin, líder del mercado en el ámbito educativo, cita una tasa de falsos positivos a nivel de documento de “menos del 1 %”. Si sigues leyendo, esa cifra solo aplica a documentos con más del 20 % de contenido de IA; frase por frase, la tasa ronda el 4 %; por debajo del 20 % la herramienta ni siquiera muestra una cifra, solo un asterisco. Y el propio Turnitin escribe que el resultado “no debería usarse como única base para una acción”.

GPTZero escribe en sus propias preguntas frecuentes que sus resultados “no deberían usarse para castigar a estudiantes” — these results should not be used to punish students. Y: el conjunto de entrenamiento consiste mayoritariamente en prosa inglesa de autores adultos. Justo eso explica el sesgo.

Ese es el hilo conductor: los propios proveedores advierten precisamente contra el uso — castigo por sospecha — para el que el profesorado emplea las herramientas.

Para ser justos, hay un contraargumento y merece mencionarse: Turnitin publicó su propio estudio (26 de octubre de 2023), según el cual a partir de 300 palabras no existe una desventaja estadísticamente significativa para quienes aprenden inglés. Eso contradice a Stanford solo en parte — para textos largos. Para los cortos, el propio Turnitin admite tasas de error más altas. Y es un testigo en causa propia. Tareas cortas, resúmenes, respuestas de dos párrafos son el pan de cada día universitario — justo donde las cifras son peores.

Por qué un porcentaje pequeño sigue siendo peligroso

“Menos del 1 %” suena tranquilizador. Multiplícalo.

La Universidad de Vanderbilt presentó unos 75.000 trabajos en 2022. Aritméticamente — no medido — el propio “menos del 1 %” de Turnitin daría alrededor de 750 casos en los que se marcaría erróneamente a una persona. Si esos casos ocurrieron realmente, el cálculo no lo dice. Pero Vanderbilt sacó la conclusión y desactivó el detector el 16 de agosto de 2023, alegando que no consideraba el software de detección de IA una herramienta eficaz que debiera usarse.

A gran escala, una tasa de error baja no es un número pequeño. Es una cifra de tres dígitos de sospechas al año — cada una con una persona detrás que no hizo nada.

¿Y la situación jurídica alemana?

Lo más importante primero, y apenas aparece en ningún resumen: en Alemania, la carga de la prueba recae en la universidad. El engaño debe ser demostrado por la autoridad examinadora — y tanto el engaño como la sanción deben estar regulados de antemano en el reglamento de exámenes. Una puntuación de un detector no invierte esa carga de la prueba.

La sentencia más reciente proviene del Tribunal Administrativo de Kassel (25 de febrero de 2026, ref. 7 K 2134/24.KS y 7 K 2515/25.KS). El tribunal confirmó sanciones por uso de IA — pero expresamente sin basarse en un detector, apoyándose en cambio en indicios verificables humanamente: una discrepancia llamativa entre el rendimiento escrito y el oral, fórmulas estándar repetidas en exceso. Las sentencias aún no son firmes (a fecha de 24 de julio de 2026); si una instancia superior las confirmará está por ver.

Una guía práctica del Digitale Lehre Hub Niedersachsen (Baresel, Horn & Schorer, con fecha del 24 de febrero de 2025) recomienda a las universidades no usar detectores de IA. Sus argumentos: datos de examen de carácter personal (art. 6 RGPD), la prohibición de decisiones puramente automatizadas (art. 22 RGPD), una posible clasificación como IA de alto riesgo según la Ley de IA de la UE. En los procedimientos urgentes citados ante el Tribunal Administrativo de Múnich, los resultados de los detectores contaron solo como un indicio, nunca como prueba.

Algunas universidades alemanas sacan la conclusión más clara y deliberadamente no ofrecen ningún detector de IA — como política oficial, no como opinión individual.

Qué puedes hacer si un detector te marca injustamente

Esto es contextualización periodística, no asesoramiento legal para tu caso concreto — para eso hace falta alguien que conozca el expediente. Pero la dirección hacia la que apuntan los hechos documentados y las guías citadas puede nombrarse:

La puntuación por sí sola no es prueba. Indica una probabilidad, no una fuente verificable. Pregunta por la base: ¿qué herramienta, qué versión, qué cifra, medida contra qué? Un “valor de IA alto” sin esos datos no es evidencia, es una afirmación.

Muestra tu proceso de creación. Esta es la contraprueba más fuerte, precisamente la que un detector no puede aportar: el historial de versiones de tu documento (Google Docs, Word, cualquier nube lo guarda), borradores, notas, pestañas de investigación, fuentes. Un proceso de escritura real deja huellas. Una probabilidad no lo hace.

Nombra el sesgo si te afecta. Si el alemán — o el inglés — no es tu lengua materna, el estudio de Stanford es tu fuente: las mismas herramientas que dejan pasar casi sin errores a los hablantes nativos marcan masivamente a quienes no lo son. Eso no es un indicio en tu contra, es un fallo de diseño conocido y medido de las herramientas.

Conoce dónde recae la carga de la prueba. En Alemania, la universidad debe demostrar el engaño, no tú tu inocencia. Si llega a ese punto, esto pertenece en manos del servicio de asesoría legal de tu universidad, una abogada especializada o el delegado de protección de datos.

El contrapunto honesto

Para que esto no se convierta en un unilateralismo cómodo: hay dos cosas a favor de los detectores — y ambas hay que decirlas.

Primero, los humanos son aún peores detectando texto de IA. Un estudio sobre escritura académica (Cheng et al., 2025) encontró que los revisores humanos acertaban un 19 % — nivel de azar. Los detectores les ganaron con claridad. Solo que el mismo estudio midió a la vez una tasa de falsos positivos del 72,2 % en texto puramente humano. “Mejor que los humanos detectando” e “inútil como prueba” no se contradicen entre sí.

Segundo: la detección en la fuente funciona. Google DeepMind demostró en Nature (23 de octubre de 2024) una marca de agua de texto (SynthID-Text) que marca de forma fiable las salidas de IA sin reducir de forma medible la calidad del texto, probada en unos 20 millones de respuestas de Gemini. La diferencia es decisiva: la señal se incorpora en la generación, no se adivina después. Precisamente por eso la regulación también apuesta por esto: a partir del 2 de agosto de 2026, el artículo 50 de la Ley de IA de la UE (según las preguntas frecuentes de la Comisión Europea) exige que los proveedores de IA generativa marquen sus salidas de forma legible por máquina — con un periodo transitorio para los sistemas existentes hasta el 2 de diciembre de 2026. (Esta es la situación jurídica según la fuente primaria, no asesoramiento legal; comprueba el estado en tu fecha de lectura.)

Así que el camino a seguir es marcar en la fuente, no adivinar sobre el resultado. Que la política elija este camino es una confesión discreta: el detector a posteriori no resuelve el problema.

La frase para llevarte

Un detector de IA es un motivo de conversación, no una sentencia judicial. Puede provocar una pregunta — “cuéntame cómo surgió este texto”. Nunca puede tener la última palabra. No porque sea una actitud simpática, sino porque técnicamente no puede hacer otra cosa: mide fluidez, indica una probabilidad y no aporta ninguna fuente. Quien basa en eso una nota o una acusación confunde una sospecha con una prueba.

Y la Constitución de 1787 no lo fue.

Fuentes

Todas verificadas el 24 de julio de 2026. Las cifras corresponden a la fecha de medición indicada; los valores de los detectores y el estatus legal pueden haber cambiado desde entonces.

Si algo aquí te parece desactualizado o incorrecto: escríbeme.