¿Qué es un Detector de IA?

Un detector de IA es una herramienta que analiza texto, imágenes o audio y estima la probabilidad de que haya sido generado por inteligencia artificial en lugar de por un ser humano. Funciona puntuando patrones como la previsibilidad de las palabras y la variación de las oraciones, y luego devuelve un porcentaje o un veredicto de humano frente a IA. Es una estimación de probabilidad, no una comprobación de certeza.

Ese último punto importa más de lo que la mayoría cree. Los profesores usan detectores de IA para filtrar los ensayos de sus estudiantes. Los equipos de Recursos Humanos los aplican a las cartas de presentación. Las editoriales analizan los manuscritos antes de que lleguen al escritorio de un editor. En todos los casos, la herramienta arroja un número que parece contundente, 12 % IA, 87 % IA, y la persona que lo lee trata ese número como un hecho. No lo es. Es una estimación estadística basada en patrones que puede fallar en ambas direcciones: marcar escritura humana real como generada por máquina, y no detectar texto de IA que ha sido ligeramente editado.

Cómo Funcionan los Detectores de IA

La mayoría de los detectores de IA basados en texto se apoyan en dos señales principales, a veces combinadas con un modelo clasificador entrenado.

La perplejidad mide qué tan predecible resulta un fragmento de texto para un modelo de lenguaje. El texto generado por IA tiende a elegir la palabra siguiente estadísticamente "más segura" la mayor parte del tiempo, por lo que se lee con baja perplejidad, fluido y previsible. La escritura humana es más desordenada. Las personas usan elecciones de palabras poco habituales, frases torpes y una estructura idiosincrásica, lo que eleva la perplejidad. Un detector que observa una perplejidad consistentemente baja en todo un documento lo marca como probablemente escrito por IA.

La ráfaga (burstiness) analiza la variación en la longitud y la estructura de las oraciones a lo largo de un documento. Los escritores humanos alternan de forma natural entre oraciones cortas y contundentes y otras largas y sinuosas. El resultado de IA, especialmente el de modelos anteriores, tiende a un ritmo de oraciones más uniforme. Una ráfaga baja (cuando todo tiene la misma longitud y forma) se interpreta como otra señal de IA.

Más allá de estas dos señales, la mayoría de las herramientas comerciales (Turnitin, GPTZero, Originality.ai, Copyleaks) añaden un modelo clasificador entrenado: una red neuronal ajustada con grandes conjuntos de texto humano conocido y texto de IA conocido, que aprende a distinguir ambos a partir de cientos de características sutiles que un lector humano nunca notaría de forma consciente. Los detectores de imagen y video funcionan de otra manera: buscan artefactos de compresión, iluminación o reflejos inconsistentes, y rastros de metadatos que dejan las herramientas de generación, aunque muchas de esas señales desaparecen en cuanto una imagen se vuelve a guardar o se edita ligeramente.

Ninguno de estos métodos lee la intención, verifica la autoría ni revisa un historial de revisiones. Estiman la probabilidad a partir de huellas estadísticas, y ahí radica la raíz del problema de fiabilidad.

Por Qué los Detectores de IA No Son Fiables

El problema de fondo es que la perplejidad y la ráfaga no son exclusivas de la IA. Son indicadores indirectos (proxies), y estos fallan en los extremos. Dos grupos son los más afectados por los falsos positivos, y un solo hábito de edición anula la detección casi por completo.

Datos Clave: Precisión de los Detectores de IA

• Un estudio de Stanford realizado sobre 91 ensayos del TOEFL de personas cuya lengua materna no es el inglés encontró que 7 detectores comerciales los marcaron como escritos por IA el 61.3 % de las veces en promedio, frente a alrededor del 5.1 % en el caso de ensayos de hablantes nativos de inglés (arXiv, Liang et al., 2023)
• Una prueba revisada por pares de 14 detectores de texto de IA, incluido Turnitin, encontró que ninguno alcanzó el 80 % de precisión y solo 5 superaron el 70 %, con un sesgo sistemático a calificar el texto de IA como "escrito por humanos" (Weber-Wulff et al., International Journal for Educational Integrity, 2023)
• Una simple paráfrasis automatizada redujo la precisión de un detector del 70.3 % al 4.6 % y también evadió a GPTZero y al propio clasificador de OpenAI (Krishna et al., NeurIPS 2023)

Los falsos positivos afectan de forma desproporcionada a quienes escriben en inglés sin ser su lengua materna. Como estos escritores suelen usar un vocabulario más simple y una estructura de oraciones más repetitiva (las mismas características que producen baja perplejidad y baja ráfaga), los detectores confunden un inglés cuidadoso y sencillo con un resultado de máquina. No se trata de un caso aislado y marginal. Es un sesgo estructural y documentado, integrado en la forma en que funciona la puntuación.

Los falsos positivos también afectan, en términos más generales, a la escritura formulaica. Los avisos legales, la documentación técnica, los currículums y cualquier texto escrito siguiendo una plantilla se leen de forma natural como más predecibles y uniformes, exactamente el patrón que los detectores están entrenados para marcar.

Evadir la detección es trivial y cada vez más fácil. Pasar texto generado por IA por una herramienta de paráfrasis, o pedirle a un segundo modelo de IA que "lo reescriba de forma más casual", rompe de manera fiable la detección basada en perplejidad y ráfaga. Un grupo de investigadores construyó un modelo de paráfrasis específicamente para probar esto y descubrió que hacía colapsar la precisión de detección en varias herramientas a la vez, marcas de agua incluidas. Cualquiera con la motivación de ocultar el uso de IA puede lograrlo en menos de un minuto con herramientas gratuitas.

En conjunto, un detector de IA puede ser al mismo tiempo demasiado agresivo (marcar a escritores humanos honestos) y demasiado fácil de engañar (no detectar texto de IA que ha pasado por una edición ligera). No son dos problemas separados; son dos síntomas de la misma debilidad subyacente: las herramientas miden el estilo, no la autoría.

La Realidad Detrás de la Precisión

Las páginas de marketing de los proveedores y las pruebas independientes cuentan dos historias distintas, y la brecha es tan amplia que debería cambiar la forma en que usted utiliza estas herramientas.

OpenAI desarrolló y lanzó su propio clasificador de texto de IA en enero de 2023, y luego lo retiró seis meses después, en julio de 2023, citando una "baja tasa de precisión". En su lanzamiento, la herramienta identificó correctamente texto escrito por IA solo el 26 % de las veces, lo que significa que no detectó aproximadamente tres de cada cuatro muestras generadas por IA con las que fue probada (OpenAI). Si la propia empresa que entrenó los modelos subyacentes no pudo construir un detector fiable para su propio resultado, eso es una señal contundente sobre el límite de esta tecnología.

Las pruebas en el mundo real lo confirman. Cuando el periodista de Washington Post Geoffrey Fowler pasó una mezcla de ensayos estudiantiles escritos por humanos y asistidos por IA por el detector de Turnitin, la herramienta clasificó mal más de la mitad de las muestras, incluido un ensayo completamente escrito por un humano que se marcó como parcialmente generado por IA (Washington Post, 2023). El propio Turnitin reporta una tasa de falsos positivos a nivel de documento inferior al 1 %, pero por separado ha reconocido una tasa de error a nivel de oración más cercana al 4 % (una cifra reportada por el propio proveedor que vale la pena leer junto con la prueba independiente) (Turnitin).

La conclusión no es que todo detector sea inútil. Es que una sola puntuación, de cualquier herramienta, no constituye evidencia suficientemente sólida para actuar por sí sola, sobre todo cuando la consecuencia es una acusación de trampa, plagio o deshonestidad.

Detectores de IA Populares, en Resumen

Cuatro herramientas dominan esta categoría. Cada una promociona una alta precisión; cada una tiene una brecha documentada entre su marketing y los resultados independientes.

Todos los proveedores de este sector afirman tener una precisión superior al 90 %. Toda prueba revisada por pares y todo análisis periodístico de estas herramientas ha encontrado un rendimiento real muy por debajo de eso, en particular con texto parafraseado, inglés no nativo y documentos mixtos entre humano e IA. Esa brecha es lo más importante que debe saber antes de confiar en el resultado de un detector.

Uso en Empresas y Educación, y el Riesgo

Las empresas y las escuelas recurren a los detectores de IA por razones comprensibles: proteger la integridad académica, verificar que la muestra de escritura de un candidato sea realmente suya, o comprobar que un contenido externalizado no fue producido en masa por IA sin ninguna revisión. El riesgo no está en querer esa garantía. Está en tratar el porcentaje de un detector como una prueba.

Un estudiante acusado de hacer trampa por un ensayo marcado, un candidato a un puesto rechazado porque su carta de presentación "obtuvo una puntuación" de escrita por IA, un redactor independiente penalizado por un artículo marcado: cada una de estas es una decisión real con consecuencias reales, tomada sobre la base de una herramienta que, según investigaciones independientes, se equivoca en tasas significativas, y se equivoca con más frecuencia específicamente con hablantes de inglés no nativos. Ese es un problema de equidad y gobernanza, no solo técnico, y se superpone con los mismos problemas de sesgo que aparecen en los sistemas de IA de forma más amplia.

Existe un riesgo relacionado, más silencioso, en el otro extremo: confiar en los detectores para garantizar que un contenido publicado o comprado esté genuinamente libre de IA. Dado lo fácil que resulta que la paráfrasis derrote la detección, una puntuación aprobatoria no significa que un documento esté escrito por un humano. Solo significa que no fue detectado. Las empresas preocupadas por el contenido de bajo esfuerzo y producido en masa (lo que cada vez más se conoce como AI slop) necesitan un proceso de calidad más amplio, no una sola herramienta de escaneo, para detectarlo.

Recomendaciones de Buenas Prácticas

Si su organización utiliza detectores de IA, algunas prácticas reducen el riesgo de actuar sobre una decisión equivocada.

1. Nunca trate la puntuación de un detector como un veredicto por sí solo. Utilícela como un dato más junto con evidencia del proceso, como el historial de borradores, las marcas de tiempo del control de versiones o una conversación con quien escribió el texto.
2. Incluya un paso de revisión con human-in-the-loop antes de cualquier acción punitiva, ya sea una calificación reprobatoria, el rechazo de un candidato o una disputa por el pago de un contenido. Una persona debe revisar el pasaje específico marcado, no solo la puntuación resumida.
3. Espere tasas de falsos positivos más altas para quienes escriben en inglés sin ser su lengua materna y tenga esto en cuenta al evaluar cuánta confianza depositar en una marca antes de escalarla.
4. Comunique su política de antemano en lugar de escanear en silencio después de los hechos. Reglas claras sobre la asistencia de IA aceptable, similares a los principios de transparencia de las guías de prompt engineering, reducen las disputas porque las expectativas quedan establecidas antes de que alguien entregue su trabajo.
5. No confíe en una puntuación aprobatoria para certificar que un contenido está escrito por un humano. Combine la detección con una revisión editorial, especialmente para todo lo que se publique bajo su marca, ya que los detectores son triviales de evadir con una ligera paráfrasis.
6. Verifique periódicamente las afirmaciones de su proveedor frente a pruebas independientes. La precisión de los detectores cambia a medida que evolucionan los modelos de lenguaje subyacentes; una herramienta que funcionó bien contra el resultado de GPT-3.5 puede comportarse de forma diferente frente a modelos más nuevos, y viceversa.

El patrón en todos los estudios citados aquí es consistente: los detectores de IA son útiles como señal de detección preliminar y no son fiables como juicio final. Trate el resultado como trataría una alerta de un filtro de spam: vale la pena revisarla, pero nunca es prueba por sí sola.

Aprenda Más

Explore conceptos relacionados de IA para profundizar en su comprensión:

• ¿Qué es el AI Slop?: el problema del contenido de baja calidad y producido en masa que los detectores a menudo terminan, por error, intentando resolver
• Alucinación de IA: otro caso en el que un resultado de IA con apariencia confiada no coincide con la realidad
• Sesgo en la IA: el patrón más amplio detrás de los falsos positivos de los detectores con hablantes de inglés no nativos
• AI Governance: marcos de políticas para usar herramientas de IA, incluidos los detectores, de forma justa
• Natural Language Processing: el campo subyacente que hace posible tanto la escritura como la detección de IA
• Large Language Models (LLMs): los modelos que los detectores están diseñados para identificar
• Mejores Herramientas de Escritura con IA en 2026: las herramientas del otro lado del problema de la detección

Recursos Externos

• Los detectores de GPT están sesgados contra quienes escriben en inglés sin ser su lengua materna - el estudio de Stanford sobre el sesgo de falsos positivos
• Evaluación de herramientas de detección de texto generado por IA - el estudio revisado por pares sobre la precisión de 14 detectores
• OpenAI: nuevo clasificador de IA para identificar texto escrito por IA - el propio anuncio de OpenAI y la posterior retirada de su clasificador

Parte de la Colección de Términos de IA. Actualizado en julio de 2026.