Detectores de IA en trabajos, por qué fallan y qué hacer

Estudiante revisando en un portátil un trabajo en una biblioteca, con una lupa sobre sus borradores y apuntes manuscritos

TL;DR: Los detectores de IA calculan cuánto se parece un texto a la escritura de una máquina, pero no prueban quién lo escribió y se equivocan en los dos sentidos.

  • La Universitat de València anunció en septiembre que vetará su uso en la evaluación.
  • En un estudio de 2026, Turnitin puntuó por debajo del 20 % los 40 trabajos generados con IA.
  • Los textos mezclados o reescritos para parecer humanos son los que peor clasifican casi todas las herramientas.
  • Ante una acusación, borradores e historial de versiones pesan más que un porcentaje.

Un detector de IA es un programa que analiza un texto y estima hasta qué punto se parece a lo que escriben modelos de lenguaje como ChatGPT, Gemini o Claude. Universidades e institutos los usan para revisar trabajos, y muchos estudiantes pasan los suyos por ellos antes de entregarlos. El problema es que su resultado tiene aspecto de prueba y no lo es.

En septiembre de 2026, la Universitat de València anunció que prohibirá a su profesorado usarlos para evaluar, porque dan falsos positivos y falsos negativos. Esta guía explica cómo deciden, qué dicen los estudios más recientes y cómo actuar ante una alerta, tanto si estudias como si das clase.

Qué es un detector de IA y cómo decide

Un detector de IA no busca un texto original con el que comparar, porque no existe: el modelo redacta cada párrafo en el momento. En eso se diferencia de un antiplagio, que coteja tu trabajo con páginas web, artículos y entregas anteriores en busca de coincidencias literales.

Lo que hace el detector es medir rasgos estadísticos del propio texto. Los primeros se apoyaban sobre todo en la perplejidad, que indica lo previsible que resulta cada palabra para un modelo de lenguaje. También miraban cuánto varía esa perplejidad de una frase a otra, lo que GPTZero llama burstiness. Una redacción muy regular y previsible se parece más a la de una máquina.

Las herramientas actuales añaden clasificadores de aprendizaje profundo entrenados con ejemplos humanos y artificiales. GPTZero explica que desde el otoño de 2023 la perplejidad es solo uno de los siete indicadores de su sistema. Aun así, lo que devuelven sigue siendo una estimación.

Ese matiz cambia la forma de leer el informe. Un 62 % no quiere decir que una IA escribiera el 62 % del trabajo ni que haya un 62 % de probabilidad de trampa. Cada herramienta expresa su puntuación a su manera. Turnitin ni siquiera muestra una cifra por debajo del 20 %: pone un asterisco porque en esa franja reconoce más falsos positivos.

Por qué ahora: las universidades empiezan a apagarlos

La noticia más reciente llega de Valencia. El 27 de septiembre, Joan Vila, delegado del rector para la Inteligencia Artificial de la Universitat de València, habló con la Cadena SER. Según explicó, la universidad desaconsejará formalmente y prohibirá los detectores en la evaluación académica. «Se ha demostrado que no son nada robustos y tienen tanto falsos positivos como falsos negativos», resumió.

La alternativa que plantea la UV empieza por una declaración responsable del uso de IA en los trabajos. Después llega lo que llama «evaluación resistente a la IA», con exámenes orales o pruebas escritas a mano. Cada docente decidirá además qué usos admite en su asignatura.

No es un caso aislado. La Universidad de Vanderbilt, en Estados Unidos, desactivó el detector de Turnitin en agosto de 2023 tras una cuenta sencilla. Turnitin declaraba entonces un 1 % de falsos positivos, y la universidad le había enviado 75.000 trabajos en 2022: unos 750 podrían haberse marcado por error. La australiana Curtin University lo apagó en todos sus campus el 1 de enero de 2026, aunque mantiene la comprobación antiplagio.

Qué dicen los estudios

La investigación apunta en una dirección clara: los detectores aciertan en condiciones controladas y empeoran cuando el texto se parece al uso real. Estos son los trabajos más citados:

Estudio Qué se probó Resultado
OpenAI, clasificador propio (2023) Textos en inglés escritos por personas y por IA Reconocía el 26 % de los textos de IA y marcaba como IA el 9 % de los humanos; lo retiró en julio de 2023
Liang y otros, Stanford (2023) 7 detectores con 91 redacciones del examen TOEFL escritas por personas Falso positivo medio del 61,22 %; casi sin errores con redacciones de escolares estadounidenses
Turnitin, datos propios (2023) Su detector con documentos anteriores a ChatGPT Menos del 1 % de falsos positivos por documento si detecta más de un 20 % de IA; cerca del 4 % por frase
Van Vlasselaer y otros, VUB (2026) 4 detectores con 160 trabajos en inglés de origen conocido Ningún falso positivo con textos humanos; Turnitin, GPTZero y Copyleaks no reconocieron los trabajos hechos del todo con IA
Al Ali y otros (2026) Detectores aplicados a textos en checo Sin sesgo sistemático contra hablantes no nativos en tres familias de detectores

El trabajo más completo de este año lo publicaron en junio tres investigadores de la Vrije Universiteit Brussel en el International Journal for Educational Integrity. Prepararon 160 trabajos académicos en inglés, de humanidades y ciencias sociales y con al menos 4.000 palabras cada uno, repartidos en cuatro grupos de 40. Unos estaban escritos por personas y otros generados por completo con IA. Los dos grupos restantes eran mezclas y textos «humanizados» con un prompt que imitaba lo que haría un estudiante.

Los cuatro detectores probados, Turnitin, GPTZero, Copyleaks y Pangram, acertaron con todos los textos humanos. Con los generados por completo, creados con el modo Deep Research de ChatGPT, los resultados empeoraron mucho. Turnitin dio a los 40 una puntuación inferior al 20 %, y GPTZero y Copyleaks también los dejaron pasar. Solo Pangram estuvo a la altura, con un 97,5 % de acierto si se cuentan los casos parcialmente correctos y un 65 % con el criterio estricto.

Después aplicaron Pangram a 1.163 trabajos de fin de máster reales del curso 2024-2025, y la herramienta señaló el 45,5 %. La mayoría de esas alertas indicaban niveles bajos o moderados de texto asociado a IA, y los autores recuerdan que no conocían el origen real de esos documentos. Su conclusión es que los detectores sirven como primera alerta, pero no como prueba única.

Por qué fallan los detectores de IA

Los detectores fallan porque el uso real de la IA rara vez consiste en copiar y pegar una respuesta entera. Estas son las situaciones que más los confunden:

  • Textos mezclados. Un estudiante escribe una parte, pide a la IA que mejore dos párrafos y lo revisa todo. En el estudio belga, GPTZero no clasificó bien ninguno de los 40 trabajos de ese tipo.
  • Reescrituras. Pedir al propio modelo que varíe el vocabulario y la longitud de las frases engaña a varias herramientas. Copyleaks solo acertó con el 22,5 % de los textos humanizados.
  • Modelos nuevos. Un detector entrenado con la escritura de modelos anteriores puede no reconocer la de los más recientes, como pasó con Deep Research.
  • Estilos previsibles. En el estudio de Stanford, las redacciones de no nativos resultaban más previsibles para los modelos y eso disparaba las alertas. Cuando los autores pidieron a ChatGPT que las reescribiera con un vocabulario más rico, el falso positivo medio cayó al 11,77 %.
  • Textos cortos. Turnitin no analiza documentos de menos de 300 palabras, y con pocas frases cualquier estimación es frágil.
  • El idioma. La mayor parte de la evidencia publicada procede de textos en inglés, y apenas hay estudios independientes con trabajos escritos en español.

El sesgo contra quien escribe en un idioma que no es el suyo tampoco es una ley fija. Un trabajo aceptado en el taller de estudiantes de EACL 2026 repitió el experimento en checo y no encontró ese sesgo en los detectores actuales. La lección es que cada herramienta y cada idioma se comportan de forma distinta, y que conviene desconfiar de cualquier cifra universal.

Qué hacer si un detector señala tu trabajo

Si un detector señala tu trabajo, lo primero es no reescribirlo a toda prisa para bajar el porcentaje. Lo que te defiende es demostrar cómo lo hiciste:

  • Pide el informe completo. Pregunta qué herramienta se usó, qué puntuación dio y qué fragmentos marcó.
  • Reúne las pruebas del proceso. El historial de versiones de Google Docs o de Word en OneDrive muestra cómo creció el texto. Suma borradores, esquemas, notas de lectura y las fuentes que consultaste.
  • Ofrécete a explicarlo de palabra. Una conversación sobre por qué elegiste un enfoque o una fuente demuestra autoría mejor que cualquier informe.
  • Revisa las normas de la asignatura. Comprueba qué usos de la IA estaban permitidos y si debías declararlos.
  • Usa la revisión de la nota. El Estatuto del Estudiante Universitario reconoce el derecho a revisar la calificación ante el profesor y a reclamar después, según las normas de cada universidad.

Para el futuro, trabaja en documentos con historial y guarda tus borradores. Si usas la IA para estudiar, la guía para estudiar con IA sin copiar explica dónde está la línea entre apoyo y sustitución. Y si te preocupa que tu prosa suene plana aunque la escribas tú, estos consejos para redactar sin sonar a robot ayudan a recuperar la voz propia.

Cómo evaluar sin depender del detector

Para el profesorado, la salida más sólida es diseñar tareas en las que el proceso cuente tanto como el resultado. El Observatorio GATE de la Universidad Politécnica de Madrid lo resume así: el detector puede servir como indicador, pero no debería actuar como juez.

  • Decir antes qué se permite. Si la IA vale para corregir el estilo pero no para redactar, o si su uso debe declararse, el alumnado tiene que saberlo al empezar.
  • Pedir entregas intermedias. Un esquema, un primer borrador y la versión final cuentan una historia difícil de inventar.
  • Añadir una defensa breve. Cinco minutos de preguntas sobre el propio trabajo revelan si hay comprensión.
  • Ligar la tarea a la clase. Datos recogidos por el grupo, debates del aula o experiencias propias son difíciles de delegar en un modelo.
  • Cuidar los datos. Las directrices de la UV para su personal desaconsejan subir TFG, TFM o exámenes a herramientas sin garantías, una cautela que vale también para los detectores en línea.

¿Y las marcas de agua?

Las marcas de agua son la otra vía para identificar texto generado, pero hoy no resuelven el problema de las aulas. En octubre de 2024, Google DeepMind publicó en Nature SynthID Text y liberó su código. El sistema deja una huella estadística en la elección de palabras mientras el modelo escribe.

Su límite es evidente: solo detecta textos de los modelos que la incorporan, y su documentación reconoce que pierde fiabilidad cuando el texto se reescribe a fondo o se traduce. Para ver cómo encajan las marcas de agua y las credenciales de contenido en otros formatos, tienes esta guía sobre identificar contenido generado con IA. Y la misma prudencia vale fuera del aula, como contamos al explicar cómo detectar webs fantasma creadas para engañar a los buscadores.

Errores comunes

  • Leer la puntuación como un reparto del texto. Un 40 % no significa que la IA escribiera cuatro de cada diez frases.
  • Tomar una sola herramienta como veredicto. Distintos detectores dan resultados opuestos para el mismo documento.
  • Confundir el informe de similitud con el de IA. El primero señala coincidencias con fuentes existentes; el segundo, rasgos de estilo.
  • Pasar tu trabajo por un «humanizador». Suele empeorar la redacción, mete errores y puede considerarse fraude por sí mismo.
  • Borrar los borradores al terminar. Son la mejor prueba de autoría que tienes si alguien duda.
  • Subir trabajos ajenos a detectores online. Contienen datos personales y obra de otra persona.

Preguntas frecuentes

¿Puede un detector de IA demostrar que he usado ChatGPT?

No. Su puntuación refleja un parecido estadístico con la escritura de los modelos, no una prueba de autoría. Los estudios recientes y las universidades que los han analizado piden contrastarla con otras evidencias, como los borradores o una conversación con el estudiante, antes de tomar cualquier decisión que afecte a una nota.

¿Qué hago si Turnitin marca mi trabajo como escrito con IA?

Pide ver el informe y los fragmentos señalados, y prepara el historial de versiones del documento junto con tus notas y fuentes. Propón explicar el trabajo en persona. Si aun así te bajan la nota, solicita la revisión ante el profesor y, si no estás de acuerdo, presenta una reclamación por la vía de tu universidad.

¿Hay algún detector de IA fiable?

Ninguno lo es en todas las condiciones. Pangram destacó en el estudio belga de 2026, pero se probó con un tipo de trabajo y un modelo concretos, y la clasificación de las herramientas cambia de un estudio a otro. Por eso ningún detector debería decidir por sí solo.

¿Escribir en un idioma que no es el mío aumenta el riesgo de falso positivo?

Con los detectores de 2023 sí: en inglés marcaban como artificiales muchas redacciones de no nativos. Un estudio de 2026 en checo no halló ese sesgo en las herramientas actuales. Si escribes en una segunda lengua, guarda tus borradores con más motivo, porque el resultado varía según la herramienta.

¿Las marcas de agua acabarán con el problema?

Ayudarán, pero no por completo. Solo funcionan si el modelo que generó el texto las incluye, y no todos los proveedores lo hacen. Además, una reescritura profunda o una traducción las debilita, así que en el aula seguirán haciendo falta métodos de evaluación basados en el proceso.

Referencias externas:

Chloe

Modelos: glm-5.2, Deepseek V4 y Qwen 3.5 + x/flux2-klein:9b

Estupidéz Artificial es un proyecto experimental de generación de un blog empleando OpenAI
(Revisión humana posterior).