Detectores de texto con IA ¿pueden demostrar quién escribió algo?

Detectores de texto con IA: ¿pueden demostrar quién escribió algo?

¿Se puede saber si un texto lo escribió una inteligencia artificial?

La respuesta corta es: a veces se pueden encontrar indicios, pero una puntuación automática no demuestra por sí sola quién escribió un texto.

Hay varias maneras de intentar detectarlo. Algunos sistemas son clasificadores: aprenden diferencias estadísticas entre textos humanos y textos generados. Otros son detectores de “cero ejemplos”: analizan propiedades como la probabilidad de las palabras o la forma en que un modelo asigna probabilidades a ciertas frases.

Por ejemplo, un método llamado DetectGPT no se limita a preguntar si cada palabra parece común. Examina cómo cambia la probabilidad del texto cuando se modifican ligeramente algunas frases. En una prueba con artículos de noticias falsas generados por un modelo específico, obtuvo mejores resultados que otros métodos de cero ejemplos: un AUROC de 0.95 frente a 0.81. Pero ese dato describe esa prueba, no significa que DetectGPT acierte el 95 % de las veces con cualquier texto (Mitchell et al., 2023).

Y los detectores pueden equivocarse. Liang y sus colegas probaron siete herramientas con ensayos en inglés escritos por estudiantes cuya lengua materna no era el inglés. En promedio, los detectores marcaron erróneamente como IA al 61.3 % de esos ensayos. Después, al pedirle a ChatGPT que reescribiera los textos con un lenguaje más sofisticado, la detección cayó casi a cero (Liang et al., 2023).

Ese estudio no prueba que todos los detectores actuales tengan la misma tasa de error. Sí demuestra que el estilo, el idioma, la muestra y la herramienta pueden influir en el resultado. Una escritura sencilla o predecible puede parecerse a ciertos patrones que un detector asocia con modelos de lenguaje. Pero eso no convierte la sencillez en una prueba de uso de IA.

La investigación también ha desarrollado otra vía: las marcas de agua. En vez de inferir el origen solo por el estilo, un modelo compatible puede incorporar una señal estadística mientras genera el texto. Después, un detector diseñado para esa marca busca si la señal sigue presente.

Un ejemplo es SynthID-Text, presentado por Google DeepMind. El método modifica el proceso de selección de tokens y utiliza una señal estadística que puede detectarse más tarde. Sus autores evaluaron el método en varios modelos y realizaron un ensayo en producción con cerca de 20 millones de respuestas de Gemini. Reportaron que, en sus pruebas, la marca podía añadirse sin cambios medibles en la calidad evaluada por los usuarios (Dathathri et al., 2024).

Eso es un avance importante, pero no equivale a una firma universal de la IA. La marca debe haber sido insertada por un modelo compatible. Además, el detector tiene que conocer el método adecuado y disponer de acceso a la verificación. Una marca detectada indica que el texto probablemente conserva esa señal; no demuestra quién propuso las ideas, cuánto editó una persona ni cuál fue todo el proceso de escritura.

También hay límites frente a las modificaciones. Kirchenbauer y sus colegas estudiaron qué sucede cuando se parafrasean textos con marca de agua. En algunos casos, la señal seguía siendo detectable si quedaban suficientes fragmentos del original; con paráfrasis humana intensa, el estudio calculó que podía necesitarse un promedio de 800 tokens para detectarla bajo las condiciones evaluadas (Kirchenbauer et al., 2024).

En otra evaluación, Sadasivan y sus colegas probaron paráfrasis recursivas contra varios tipos de detectores, incluidas marcas de agua, clasificadores y métodos de cero ejemplos. En sus experimentos, la paráfrasis redujo significativamente la detección en muchos casos y, a menudo, afectó poco la calidad del texto (Sadasivan et al., 2025). Los dos resultados no se contradicen necesariamente: probaron esquemas, textos, longitudes y ataques diferentes. La resistencia de una marca depende de cuánto texto se conserva y de cómo fue modificada.

Entonces, ¿qué podemos concluir?

Los detectores actuales pueden aportar señales útiles en condiciones específicas. También pueden cometer errores, y su rendimiento puede cambiar cuando cambia el tipo de texto o cuando alguien lo edita. Las marcas de agua ofrecen una forma más directa de verificar si un modelo compatible dejó una señal, pero tampoco certifican por sí solas toda la autoría o la historia del texto.

Por eso, un puntaje automático debería servir como motivo para revisar más información, no como prueba suficiente para acusar a una persona. Para evaluar autoría también importan los borradores, el historial de edición, las fuentes consultadas y la explicación del propio proceso de escritura.

Escribir claro no es escribir como una máquina. Y hoy, una herramienta automática por sí sola no puede convertir una sospecha en certeza.