Resumen: Los detectores de texto generado por IA como GPTZero, Originality.ai o Copyleaks estiman una probabilidad, no dan una verdad absoluta. Funcionan analizando patrones estadísticos del texto, pero producen falsos positivos y falsos negativos con frecuencia suficiente como para no usarlos jamás como prueba única. Acá te explicamos cómo funcionan, por qué fallan y cómo usarlos de forma responsable en educación y trabajo.

Con la escritura asistida por IA integrada en casi todas las plataformas, la pregunta de cómo saber si un texto fue generado por una máquina se volvió urgente para docentes, editores y equipos de contenido. La demanda de detectores explotó. El problema es que la promesa de estas herramientas suele ser más grande que su precisión real.

Cómo funcionan los detectores de IA

La mayoría analiza dos señales estadísticas del texto: la perplejidad (qué tan predecible es cada palabra siguiente) y la ráfaga o burstiness (cuánto varía la longitud y complejidad de las oraciones). Los textos generados por modelos tienden a ser más uniformes y predecibles que los humanos, y los detectores buscan esa firma. A partir de ahí devuelven una probabilidad: "85% probable IA", por ejemplo.

La clave está en esa palabra: probabilidad. No es un veredicto, es una estimación basada en patrones que se pueden imitar, romper o confundir.

Las herramientas más conocidas

Todas comparten el mismo límite estructural: entrenan contra modelos que evolucionan más rápido de lo que ellas se actualizan. Cada vez que sale un modelo nuevo —como el reciente salto en herramientas de generación—, los detectores quedan un paso atrás.

Por qué fallan: falsos positivos y negativos

Hay dos errores graves. El falso positivo marca como IA un texto escrito por una persona; suele castigar a quien escribe de forma clara y estructurada, y afecta de manera desproporcionada a quienes redactan en un idioma que no es el nativo. El falso negativo deja pasar como humano un texto generado por IA, sobre todo si fue editado o parafraseado.

El caso más citado es el de OpenAI, que dio de baja su propio clasificador de texto por su baja tasa de acierto. Si la empresa que crea los modelos no logró detectarlos de forma confiable, conviene desconfiar de cualquier herramienta que prometa certeza absoluta. Estudios académicos recientes, como un análisis de Stanford HAI, también documentaron sesgos sistemáticos de estos detectores contra textos de hablantes no nativos.

El nuevo capítulo: las marcas de agua

La industria está explorando un camino distinto: en lugar de adivinar a posteriori, marcar el texto en el origen. Los grandes laboratorios avanzan con sistemas de watermarking que insertan una firma estadística invisible en lo que generan sus modelos. Es un enfoque más robusto que los detectores tradicionales, aunque tampoco infalible. Lo desarrollamos en profundidad en nuestro artículo sobre las marcas de agua en texto de IA.

Cómo usarlos de forma responsable

• Nunca como prueba única. Un porcentaje no alcanza para acusar a nadie. Usalo como señal, no como sentencia.

• Combiná con contexto. Conversá con la persona, pedí borradores, mirá el historial de versiones.

• Priorizá el diseño de tareas. Consignas que pidan reflexión personal, proceso y defensa oral son más robustas que cualquier detector.

• Sé transparente. Si vas a usar estas herramientas, comunicá cómo y con qué límites.

Cursos recomendados de Coderhouse

Entender cómo generan texto los modelos es la mejor forma de interpretar —y relativizar— a los detectores. En Coderhouse podés formarte por niveles:

• Punto de partida: el Curso de Introducción a la Inteligencia Artificial para entender cómo funcionan estos sistemas.

• Creación con IA: el Curso de Creación de Contenido con IA para producir con criterio y responsabilidad.

• Nivel avanzado: el Curso de AI Engineering para quienes quieren construir y evaluar modelos.

Si querés arrancar desde la base, también te recomendamos leer cómo aprender inteligencia artificial desde cero. La mejor defensa no es un detector, es entender la tecnología.

Preguntas frecuentes

¿Los detectores de IA son confiables?

Solo de forma parcial. Devuelven probabilidades, no certezas, y cometen falsos positivos y negativos. No deben usarse como prueba única para tomar decisiones que afecten a una persona.

¿Puede un detector equivocarse con un texto humano?

Sí, y pasa seguido. Los textos claros y bien estructurados, y los escritos por personas en un idioma no nativo, tienen más riesgo de ser marcados por error como generados por IA.

¿Sirve parafrasear para "esquivar" un detector?

Editar o parafrasear suele reducir la señal que detectan estas herramientas, lo que demuestra justamente su fragilidad. Por eso no conviene apoyarse en ellos para garantizar autoría.

¿Las marcas de agua reemplazan a los detectores?

Son un enfoque más sólido porque marcan el texto en el origen, pero no son infalibles y solo cubren el contenido de los modelos que las implementan. Conviven con los detectores, no los eliminan por completo.