Turnitin y OpenAI pierden la partida: por qué los detectores de IA ya no distinguen a las personas de los modelos

Los modelos de lenguaje han llegado a un punto en el que cada vez cuesta más saber, a partir de un solo texto, si lo escribió una persona o una máquina. Por eso los detectores de IA se están convirtiendo en un filtro débil: dejan pasar contenido sintético y, al mismo tiempo, se equivocan cada vez más con autores reales.

Por qué los modelos se parecen

Hasta hace poco parecía posible reconocer un texto generado por máquina por su pulcritud estéril, sus giros repetitivos y una estructura demasiado correcta. Pero los LLM actuales han dejado muy atrás el primitivo «adivina la siguiente palabra». Sobre la predicción lingüística básica se han añadido mecanismos que ayudan a mantener el sentido, copiar la entonación y adaptar la respuesta a una audiencia concreta. El modelo no solo aprende a expresarse con coherencia: también aprende a sonar como alguien que redacta un trabajo de clase, discute en un chat o explica un tema a un compañero.

A ello contribuyen varias capas a la vez. La transferencia de estilo ayuda a reproducir una forma de escribir individual, el fine-tuning pule el lenguaje con ejemplos reales, la inferencia aprovecha el contexto de la conversación y el RLHF ajusta las respuestas a las expectativas humanas de lógica, cortesía y naturalidad. Como resultado, desaparece la antigua distancia entre el texto «de máquina» y el «humano». El modelo puede ser seco y académico, coloquial e irregular o incluso deliberadamente tosco, si ese estilo pasa mejor por habla real.

Dónde fallan los detectores

En este contexto, los propios detectores pierden su punto de apoyo. Un estudio de 2025 citado por el autor del artículo mostró un resultado casi de empate: tanto las personas como los algoritmos identificaron los textos generados por IA con una precisión de alrededor del 57%. Eso ya no es una herramienta de control, sino casi lanzar una moneda.

Otro problema es que el texto puede pasarse además por un parafraseador, lo que borra todavía más las huellas estadísticas de la generación. Cuanto mejor saben los modelos reescribirse a sí mismos, peor funcionan los sistemas que buscan las firmas antiguas.

«¿GPT o no GPT?»: con demasiada frecuencia, la verificación se reduce

hoy exactamente a eso.

• En los estudios, la precisión de la detección resulta cada vez más cercana a adivinar al azar.
• El parafraseo repetido elimina los patrones, la previsibilidad y otros marcadores visibles de la generación.
• Los falsos positivos perjudican más a los autores reales que a quienes usan la IA de forma masiva.
• OpenAI cerró su AI Classifier tras obtener malos resultados: la herramienta detectaba alrededor del 26% de los textos generados.

El efecto más doloroso son los errores contra las personas. En 2023, en Estados Unidos, un sonado caso con Turnitin perjudicó a una estudiante de secundaria cuyo ensayo el sistema atribuyó casi por completo a la IA. Más tarde, una verificación independiente demostró que el propio detector dista mucho de ser infalible y solo reconoce una parte de los textos generados por máquina.

Esta asimetría es peligrosa: un generador puede pasar desapercibido, mientras que un autor honesto puede sufrir un golpe a su reputación. Cuando está en juego un título, una publicación científica o una evaluación académica, el coste de un solo error resulta demasiado alto.

Qué cambiar ahora

La conclusión principal para la educación y la ciencia es sencilla: hay que verificar no solo el texto final, sino todo el proceso que lo produjo. Cuanto más premia un sistema el volumen, la estructura formal y el relleno burocrático, más fácil resulta engañarlo con un LLM.

Por tanto, es más útil desplazar el foco hacia la defensa oral, los borradores, el historial de cambios, la calidad de las fuentes, la reproducibilidad de las conclusiones y la capacidad del autor para explicar su argumentación sin chuleta. Allí donde hay que demostrar comprensión del tema, y no limitarse a entregar mucho texto uniforme, el modelo tiene menos margen para una sustitución inadvertida.

Fuera del ámbito académico, el problema es igual de práctico. Los detectores débiles no frenan la desinformación y resultan casi inútiles contra la ingeniería social, donde importan la velocidad, la escala y un tono convincente.

Por eso, en redacciones, empresas y la correspondencia cotidiana no hace falta un «escáner mágico de IA», sino una verificación sólida: contrastar los hechos con varias fuentes, confirmar la identidad por un segundo canal y prestar atención a los mensajes demasiado rápidos y demasiado pulidos. Un texto impecable puede ser una señal, pero no una prueba, y precisamente eso vuelve a situar la revisión humana en el centro.

Qué significa esto

Ya no se puede considerar un detector de IA como un juez que dicta un veredicto definitivo sobre un texto. Como mucho, es un indicador auxiliar. La confianza se desplaza ahora de la superficie del texto hacia su origen, su proceso de creación y la capacidad del autor para demostrar que realmente entiende lo que ha escrito.