Detectores de IA: fallan en el 61% de textos no nativos

Qué mide realmente un detector de IA

Un detector de estilo no busca máquinas: mide cuán predecible es un texto. Vocabulario acotado y frases de estructura simple disparan la alarma, y eso es exactamente lo que produce alguien que escribe en un idioma que no es el suyo. El trabajo de Liang y otros, publicado en arXiv en abril de 2023 y después en la revista Patterns, comparó 91 ensayos del examen TOEFL con 88 redacciones de alumnos estadounidenses de octavo curso. Los siete detectores coincidieron en marcar como IA 18 de los 91 ensayos de no nativos (19,78%), y 89 de 91 (97,80%) fueron señalados por al menos uno.

El experimento inverso es el que debería preocupar a cualquier equipo que evalúe personas. Cuando los investigadores pidieron a ChatGPT que enriqueciera el vocabulario de los ensayos TOEFL, la tasa media de falsos positivos cayó al 11,77%. Y cuando simplificaron las redacciones de los nativos para que sonaran a no nativos, la tasa subió del 5,19% al 56,65%. La conclusión de los autores es incómoda: los detectores penalizan a quien tiene una expresión lingüística más limitada.

El sesgo que casi nadie mide: escribir en un segundo idioma

El dato central del estudio de Stanford es difícil de digerir: 61,22% fue el porcentaje medio de redacciones humanas que siete detectores populares etiquetaron como generadas por IA. No eran textos cualquiera, eran ensayos del examen de inglés TOEFL escritos por estudiantes no nativos. Con redacciones de alumnos nativos estadounidenses, los mismos detectores acertaban casi siempre.

Hay un agravante operativo. El estudio de Weber-Wulff y otros, publicado en 2023 en el International Journal for Educational Integrity, detectó que traducir con herramientas como Google Translate o DeepL dispara los falsos positivos. Es decir: el estudiante que traduce su propio texto para entregarlo en el idioma de la institución queda más expuesto que el que lo escribe directamente.

Para una startup con equipo distribuido entre LATAM, España y Estados Unidos, esto no es un problema académico. Es el mismo sesgo que aparece cuando evalúas a un redactor que escribe en su segunda lengua, o cuando un cliente corporativo corre un detector sobre el copy que le entregaste.

¿Funcionan mejor las herramientas comerciales?

No lo suficiente. El mismo estudio de Weber-Wulff probó 14 herramientas, entre ellas Turnitin y PlagiarismCheck, muy usadas en universidades. Ninguna superó el 80% de precisión y solo cinco pasaron del 70%. Los errores van en las dos direcciones: alrededor del 20% de los textos generados por IA se atribuirían a personas, la cifra sube a cerca del 50% cuando el texto se edita a mano, y todavía más si se pasa por un parafraseador. La probabilidad de falsos positivos osciló entre el 0% de Turnitin y el 50% de GPT Zero en sus pruebas.

El caso más elocuente es el de la propia OpenAI. Presentó su AI Text Classifier el 31 de enero de 2023 y lo dejó de ofrecer el 20 de julio de 2023. La nota que añadió entonces a la página del clasificador decía, según recogió Search Engine Land, que ya no estaba disponible «debido a su baja tasa de precisión». Ya en el lanzamiento la empresa había advertido de que era «imposible detectar de forma fiable todo el texto escrito por IA».

El problema no se ha resuelto con el tiempo. Search Engine Journal probó detectores con artículos propios escritos en 2014, 2019 y 2021, todos anteriores a ChatGPT, y los resultados se contradecían entre sí: una herramienta marcó «trazas de GPT» en un texto de 2019, cuando el producto no existía. El mismo medio recoge un estudio de 2026 publicado en ScienceDirect según el cual pequeñas ediciones humanas bastan para que contenido realmente generado por IA evada la detección.

La respuesta institucional empieza a moverse en esa dirección. La Kelley School of Business de la Universidad de Indiana prohíbe directamente las herramientas de detección en su manual de IA para profesores, las califica de poco fiables y pide no subir trabajos de estudiantes a esos servicios. Y LinkedIn añadió un botón para reportar publicaciones que parecen «AI slop». Su editor jefe, Dan Roth, lo resumió así, según Search Engine Journal: «nadie puede saber exactamente cuánto, incluido LinkedIn, y quien afirma que lo sabe está vendiendo una herramienta de detección».

Marcas de agua: la vía técnica y sus límites

La alternativa con más base técnica no es adivinar por estilo, sino que el propio generador deje una huella estadística. El ejemplo más documentado es SynthID Text, de Google DeepMind: según su documentación para desarrolladores, ajusta de forma pseudoaleatoria las probabilidades de cada token mientras el modelo genera, sin afectar de forma significativa a la calidad. Google lo publicó como código abierto y hay una implementación lista para producción en la librería Transformers de Hugging Face desde la versión 4.46.0. El artículo publicado en Nature el 23 de octubre de 2024 describe un experimento con cerca de 20 millones de respuestas de Gemini que no mostró pérdida de calidad apreciable.

Los límites, en cambio, son estructurales. La marca resiste recortes, cambios de algunas palabras o paráfrasis suaves, pero la confianza del detector cae mucho si el texto se reescribe a fondo o se traduce. Funciona peor en respuestas factuales y la detección es probabilística, con tres resultados posibles: marcado, no marcado o incierto. Además, el detector va ligado a una configuración de marca de agua concreta: no existe un escáner universal.

OpenAI ya movió ficha con textGrain, su marca de agua de texto para ChatGPT y Codex, que según The Verge se despliega primero solo en la Unión Europea, con opción de activación para clientes de API en todo el mundo y acceso al detector reservado a investigadores aprobados. La propia compañía advierte que textGrain «no garantiza una detección fiable». Anthropic anunció su propia marca de agua en agosto, según el mismo medio.

El Reglamento de IA de la UE ya obliga a marcar el contenido

En Europa el debate dejó de ser teórico. El artículo 50 del Reglamento de Inteligencia Artificial obliga desde el 2 de agosto de 2026 a marcar en formato legible por máquina el texto, la imagen, el audio y el vídeo sintéticos. Los sistemas que ya estaban en el mercado tienen hasta el 2 de diciembre de 2026, según el Ómnibus digital sobre IA. Las multas por incumplimiento llegan, según TechTimes, a 15 millones de euros o el 3% de la facturación global anual, lo que sea mayor, y aplican también a empresas fuera de la UE que sirvan a usuarios europeos.

El detalle que más afecta a equipos de producto: según el Código de Práctica publicado por la EU AI Office y recogido por TechTimes, ninguna técnica de marcado cumple por sí sola los cuatro criterios exigidos (eficacia, interoperabilidad, robustez y fiabilidad). La recomendación es combinar al menos dos capas: metadatos firmados con el estándar C2PA y una marca imperceptible tipo SynthID.

Qué significa esto para tu startup

Si usas detectores de IA en cualquier decisión que afecte a una persona —contratar, evaluar a un proveedor, calificar a un becario, rechazar un texto— estás decidiendo con una herramienta que confunde escribir con sencillez con escribir con una máquina. Y si vendes producto de IA a usuarios europeos, ya tienes obligaciones de transparencia activas.

Tres acciones concretas para esta semana:

• Prohíbe el score de un detector como evidencia. Ni en selección de personal ni en control de calidad editorial. Sustitúyelo por evaluación de proceso: borradores con fecha, historial de versiones, fuentes consultadas, una conversación sobre cómo se llegó a las conclusiones. Eso distingue trabajo real mucho mejor que un porcentaje.
• Documenta tu pipeline de contenido generado. Si publicas con IA, define una política interna de etiquetado y guarda registros reproducibles: qué modelo, qué versión, qué revisión humana hubo. Ante un cliente o un regulador, un registro reproducible pesa más que una declaración de que «se verificó».
• Si tu producto genera texto para la UE, mapea el artículo 50. Identifica qué funciones caen en divulgación de chatbot, marcado legible por máquina, etiquetado de deepfakes o notificación de reconocimiento de emociones. Después prueba si tus marcas sobreviven tu propio pipeline: CDN, recompresión, capturas de pantalla y republicación suelen destruir la procedencia sin avisar.

Qué hacer si un detector señala a alguien de tu equipo

Si eres la persona señalada, pide por escrito qué herramienta se usó y con qué criterio, y aporta pruebas de tu proceso: borradores con fecha, notas, fuentes. Si escribes en un idioma que no es el tuyo, el estudio de Stanford es un argumento serio a tu favor, y también lo es el hallazgo sobre traducción automática.

Si gestionas un equipo o evalúas personas, la recomendación de Weber-Wulff y su equipo es tajante: el resultado de un detector no basta como prueba, es como mucho un indicio que exige conversar. En contextos formativos, evaluar el proceso además del producto dice mucho más que un porcentaje, y ayuda pactar de antemano qué usos de IA son aceptables. Herramientas pensadas para aprender, como el modo de aprendizaje que Claude abrió a todos sus usuarios en 2025, atacan el problema desde el otro lado: enseñan a usar la IA en lugar de perseguirla.

Conclusión

Unos detectores que, de media, señalan como máquinas al 61% de los estudiantes no nativos no son herramientas imperfectas: son herramientas injustas. Y el problema es estructural, no de versión: un detector de estilo solo puede medir rasgos que también tienen muchas personas. Mientras no exista una marca de agua universal —y no existe—, la carga de la prueba no puede recaer en un algoritmo. Para un founder, la lectura práctica es doble: saca los detectores de tus procesos de decisión sobre personas, y si tu producto genera contenido para Europa, trata el marcado legible por máquina como una tarea de ingeniería con fecha límite, no como un detalle legal.

Fuentes

• ¿Se puede saber si un texto está escrito con IA? Por qué los detectores fallan y a quién perjudican (fuente original)
• The AI Detection False Economy: Fueling FOW (Fear of Writing)
• EU AI Act Chatbot Disclosure and Deepfake Labeling: July 22 Signatory Deadline
• OpenAI is adding text watermarking in ChatGPT and Codex