Los detectores de IA no prueban quién escribió un texto

Los detectores de IA no pueden demostrar quién escribió un texto. Dan una probabilidad basada en lo predecible que resulta la redacción, se equivocan con frecuencia y se equivocan más con quien no escribe en su lengua materna.

Esto no es una opinión prudente ni una advertencia de manual. Es lo que dicen los estudios publicados, los propios fabricantes de los detectores y, de forma bastante elocuente, la empresa que retiró el suyo. Si has llegado aquí buscando una herramienta que te diga si un texto lo escribió una IA, la respuesta honesta es que esa herramienta no existe. Lo que sí existe son indicadores, y conviene saber exactamente qué miden antes de darles cualquier peso.

Qué mide realmente un detector

Un detector de IA no compara tu texto con una base de datos de textos generados, como hace un detector de plagio. No hay nada con qué compararlo. Lo que hace es estimar cuán predecible es cada palabra dada la anterior. Los modelos de lenguaje tienden a elegir la continuación más probable, así que producen prosa estadísticamente regular: vocabulario común, frases de longitud parecida, estructura uniforme.

De ahí sale el problema entero. Un detector no distingue entre "esto lo escribió una máquina" y "esto está escrito de forma sencilla y regular". Son la misma señal. Y hay muchísimas personas que escriben así por motivos que nada tienen que ver con la IA: quien redacta en un idioma que no domina del todo, quien sigue una plantilla, quien escribe en registro técnico o administrativo, o simplemente quien escribe con claridad.

La evidencia sobre falsos positivos

El estudio más citado sobre esto es de Liang y sus colegas, de la Universidad de Stanford. Pasaron 91 redacciones del examen TOEFL, escritas por estudiantes cuya lengua materna no era el inglés, por siete detectores comerciales. La tasa media de falsos positivos fue del 61,22%. El 97,80% de esas redacciones (89 de 91) fue marcada como generada por IA por al menos uno de los detectores. En torno a un 20% de los casos, todos los detectores coincidieron en la acusación falsa.

Las mismas herramientas clasificaron con precisión casi perfecta 88 redacciones de estudiantes estadounidenses de secundaria. No es que los detectores fallen al azar: fallan de forma sistemática contra un grupo concreto de personas.

Los autores hicieron después el experimento que lo confirma. Pidieron a un modelo que enriqueciera el vocabulario de las redacciones del TOEFL para que sonaran más nativas, y la tasa de errores cayó del 61,22% al 11,77%. Luego hicieron lo contrario: simplificaron el vocabulario de las redacciones de estudiantes estadounidenses, y la tasa de falsos positivos subió del 5,19% al 56,65%. Lo que dispara la alarma no es la autoría. Es la sencillez léxica.

Para un lector hispanohablante esto tiene una lectura directa: si escribes en inglés y no es tu primera lengua, tienes muchas más probabilidades de que un detector te señale, sin haber usado ninguna IA.

OpenAI retiró su propio detector

En enero de 2023 OpenAI publicó un clasificador para identificar texto generado por IA. En sus propias evaluaciones, identificaba correctamente el 26% de los textos escritos por IA y marcaba erróneamente como IA el 9% de los textos escritos por personas. El 20 de julio de 2023 lo retiró, y el motivo que dio fue su baja tasa de acierto.

Entre las limitaciones que la propia OpenAI enumeró hay dos que importan especialmente aquí. Una: el clasificador podía etiquetar un texto humano como generado por IA de forma incorrecta pero con mucha confianza. Otra: funcionaba notablemente peor fuera del inglés. Si el detector de la empresa que fabrica el modelo no llegaba, conviene mirar con escepticismo a quien promete un 99% de acierto.

Qué dicen los propios fabricantes

Merece la pena leer la letra pequeña de quienes venden estas herramientas, porque suele ser más honesta que su publicidad.

Turnitin sostiene una tasa de falsos positivos inferior al 1% en documentos con más de un 20% de escritura marcada como IA. Pero su documentación afirma con todas las letras que el porcentaje del indicador no debe usarse como única base para actuar ni como criterio definitivo de calificación. Añade condiciones: hacen falta al menos 300 palabras de prosa en formato largo, y el análisis cubre inglés, español y japonés en textos largos. Un detalle que se malinterpreta a diario: ese porcentaje se refiere solo a las frases en prosa que el sistema considera analizables, no al documento entero, y por eso no coincide con la cantidad de texto resaltado.

GPTZero es igual de explícito en sus preguntas frecuentes: sus resultados no deben usarse para castigar a estudiantes. Reconoce que siempre existen casos límite en ambas direcciones y que la fiabilidad baja según se pasa del documento completo al párrafo y del párrafo a la frase suelta.

Vanderbilt University desactivó el detector de Turnitin en 2023 y explicó el cálculo que hizo. En 2022 la universidad envió 75.000 trabajos a la plataforma. Con una tasa de error del 1%, unos 750 trabajos de estudiantes habrían podido ser señalados incorrectamente. Un 1% suena a poco hasta que lo multiplicas por el volumen real y lo conviertes en personas concretas acusadas de hacer trampas.

Qué hacer si te acusan a ti

Lo primero es entender que la carga de la prueba no debería estar en ti, pero en la práctica te va a tocar defenderte. Lo que funciona es el rastro del proceso, no discutir el porcentaje.

1. Recupera el historial de versiones. Google Docs y Word guardan el historial de cambios de un documento y muestran cómo creció con el tiempo. Es la prueba más sólida que existe.
2. Conserva tus notas, borradores, esquemas y las fuentes que consultaste, con sus fechas.
3. Ofrécete a explicar el contenido en persona. Quien ha escrito un texto puede razonar sobre sus decisiones y defender sus argumentos.
4. Aporta la documentación del propio fabricante. Que Turnitin diga que su indicador no debe ser la única base para actuar es un argumento fuerte en una reunión disciplinaria.
5. Si el texto está en un idioma que no es el tuyo, menciona el sesgo documentado. No es una excusa: es un hallazgo publicado y replicado.

Para qué sirven entonces

Sirven como señal débil, nunca como veredicto. Si eres docente o editor, un porcentaje alto puede ser motivo para tener una conversación, pedir una explicación del proceso o revisar el historial del documento. No es motivo para una sanción, y ninguna herramienta seria dice lo contrario.

Si escribes por tu cuenta y te preocupa que te señalen sin motivo, hay algo más útil que pasar tu texto por cinco detectores: trabajar siempre en un editor que guarde historial de versiones. Ese registro demuestra autoría de una manera que ningún detector puede refutar.

Y si lo que buscabas era saber si ese correo, ese trabajo o ese artículo lo escribió una máquina, la conclusión es incómoda pero clara: no hay forma fiable de saberlo desde el texto. Cualquiera que te venda certeza sobre esto te está vendiendo algo que su propia documentación no respalda.