Un estudiante entrega su tesis. Meses de trabajo, cada línea escrita por él. La plataforma de la universidad le devuelve un porcentaje: 74 % de probabilidad de contenido generado por inteligencia artificial.
No usó ninguna herramienta. Y ahora tiene que demostrar algo que, por su naturaleza, casi no se puede demostrar: que lo pensó él.
Esta situación se repite cada semestre, y conviene entenderla antes de que ocurra, porque la defensa se prepara antes, no después.
Qué mide realmente un detector
Empecemos por deshacer el malentendido de fondo: un detector de IA no reconoce texto de máquina. No tiene forma de saber quién escribió algo. Lo que hace es estimar cuán previsible es un texto, y deducir de ahí una probabilidad.
Trabaja con dos medidas.
La previsibilidad
El detector recorre el texto palabra por palabra y se pregunta: dado lo anterior, ¿qué probable era esta palabra? Un modelo de lenguaje, por diseño, elige en cada paso una de las continuaciones más probables. Su texto resulta, por tanto, muy previsible.
Una persona escribiendo hace cosas raras: se desvía, elige una palabra menos obvia, mete un inciso, repite algo por énfasis. Eso sube la imprevisibilidad.
La variación
La segunda medida es cuánto cambia el ritmo. Una persona alterna frases de cuatro palabras con frases de cuarenta. Un modelo tiende a producir oraciones de longitud parecida, una tras otra.
Es lo que muestra el gráfico de arriba: cada barra es una oración, y la altura, su longitud. En la prosa narrativa las barras suben y bajan; en el texto generado forman casi una línea recta.
El detector no le dice si un texto lo escribió una máquina. Le dice cuánto se parece a como escriben las máquinas. No es lo mismo.
Y una tercera cosa que no mide: el sentido
Conviene subrayarlo porque muchos usuarios lo suponen. El detector no comprueba si los datos son ciertos, si las citas existen, si el argumento se sostiene ni si el autor entiende lo que escribió. Nada de eso entra en el cálculo.
Un capítulo brillante y un capítulo vacío pueden recibir el mismo porcentaje si tienen el mismo ritmo. El número describe la superficie del texto, no su contenido.
Las herramientas que va a encontrar
No todas funcionan igual ni prometen lo mismo, y saber qué le aplicaron ayuda a responder.
- El detector integrado en la plataforma antifraude de su universidad. Es el más habitual en trabajos de grado y el que produce el porcentaje que llega al director. Suele mostrar además qué frases se marcaron.
- Detectores gratuitos en línea. Son los más ruidosos: cambian de resultado entre sesiones, y basta pegar dos veces el mismo texto para verlo. Un profesor que apoye una acusación solo en uno de estos está sobre terreno muy frágil.
- Servicios comerciales de pago. Más estables, pero comparten el problema de fondo: siguen midiendo previsibilidad, no autoría.
Ninguna de las tres categorías puede señalar qué modelo escribió un texto, ni distinguir entre un párrafo generado y un párrafo humano que fue reescrito por un editor cuidadoso. Es una limitación de método, no de versión: no se arregla con una actualización.
Por qué la prosa académica cae en la trampa
Y aquí está el problema, porque todo lo que hace buena a una tesis la acerca al patrón que el detector busca.
La escritura académica formal exige registro impersonal, terminología constante, oraciones completas, estructura paralela y ausencia de coloquialismos. Se penaliza la variación expresiva; se premia la uniformidad. Es, por definición, prosa previsible.
A eso se suman rasgos propios del género: la repetición deliberada de términos técnicos —que no deben sustituirse por sinónimos—, las fórmulas fijas de cita, y párrafos construidos con la misma arquitectura una y otra vez.
La paradoja del corrector: un texto sin corregir tiene frases desiguales, incisos torpes y ritmo irregular. Corregirlo consiste, en buena medida, en emparejar todo eso. Cuanto mejor queda un capítulo, más uniforme es. Y cuanto más uniforme, más alto el porcentaje que devuelve el detector.
Dicho sin rodeos: corregir bien una tesis aumenta la probabilidad de un falso positivo. Es un efecto perverso y está poco explicado.
Un caso medido
Este mes analizamos el capítulo de una tesis de maestría con la sospecha contraria: el encargo era comprobar si había sido generado con IA.
Medimos la variación de longitud de frase sobre 5.686 palabras. El resultado fue 0,44. La prosa humana suele moverse entre 0,50 y 0,80; por debajo de 0,45 empieza el terreno donde los detectores se ponen nerviosos.
Pero al buscar los rasgos léxicos del español generado por IA, no aparecían. Las muletillas típicas —«cabe destacar», «es importante señalar», «en este sentido», «adicionalmente»— estaban ausentes por completo en casi seis mil palabras. Un texto generado en bloque las habría llevado a puñados.
Y había algo más concluyente: los errores. Números pegados a las palabras, dobles espacios, un mismo concepto explicado en tres apartados distintos, numeración que saltaba. Son errores de persona escribiendo en sesiones distintas. Una máquina que genera un capítulo entero produce numeración coherente y no olvida lo que ya escribió.
Conclusión: escrito a mano, corregido a conciencia, y con un índice de variación que cualquier detector habría marcado.
Las señales que sí sirven
De ese análisis quedaron cinco indicios que valen más que cualquier porcentaje, y que un lector atento puede comprobar sin herramientas:
- El error acumulado. Espacios dobles, numeración que salta, un término escrito de dos maneras. Son huellas de sesiones distintas separadas por semanas.
- La memoria imperfecta. Una persona olvida que ya explicó algo y lo explica otra vez en el apartado siete. Un texto generado de una sola vez no se contradice ni se repite así.
- Las fuentes reales y verificables. Citas con página, ediciones concretas, autores locales que no figuran en ningún índice internacional. Los modelos inventan referencias verosímiles; rara vez aciertan la página.
- El desequilibrio. Apartados de veinte líneas junto a apartados de tres. Refleja dónde el autor tenía material y dónde no.
- La voz. Una manía sintáctica que se repite, una preferencia por cierta construcción. Es lo más difícil de fingir y lo más fácil de reconocer para quien ha leído otros textos del mismo autor.
Qué tan fiables son estas herramientas
Conviene tener el dato, porque cambia el tono de la conversación con un profesor.
- OpenAI retiró su propio detector. Lanzó un clasificador en enero de 2023 y lo descontinuó en julio del mismo año, alegando su baja tasa de acierto. La empresa que fabrica el modelo no logró detectar de forma fiable su propia producción.
- Penalizan a quien no escribe en su lengua materna. Un estudio de Stanford publicado en 2023 encontró que los detectores clasificaban como generados por IA una proporción muy alta de textos escritos por personas no angloparlantes, precisamente por su vocabulario más limitado y su sintaxis más regular.
- Varias universidades los desactivaron. Instituciones estadounidenses de primer nivel deshabilitaron la detección de IA de sus plataformas antifraude por considerarla poco fiable para tomar decisiones disciplinarias.
Esto no significa que no sirvan para nada. Significa que un porcentaje es un indicio, no una prueba, y que ninguna decisión académica debería apoyarse solo en él.
El problema es peor si escribe en español
Hay un agravante que casi nunca se menciona: estas herramientas se entrenaron y se calibraron sobre todo con textos en inglés. Su umbral está fijado para lo que es previsible en inglés, no para lo que es previsible en español.
Y el español académico es más regular que el inglés académico. Tiene oraciones más largas, subordinación más frecuente, conectores más fijos y una tradición de registro impersonal más marcada. Todo eso empuja el resultado hacia arriba antes de que el autor escriba una sola palabra.
A ello se suma que buena parte de la bibliografía que cita un tesista dominicano —normativa institucional, fórmulas de método, terminología técnica traducida— está redactada en un registro fijo que no admite variación. No se puede reescribir con gracia la definición de una variable.
Consecuencia práctica: si su universidad usa un umbral pensado para textos en inglés y lo aplica a tesis en español sin ajustarlo, los falsos positivos no son un accidente ocasional. Son un resultado esperable del método.
Qué hacer antes: construya el rastro
La mejor defensa no es un argumento: es el historial. Y se construye mientras se escribe.
- Guarde los borradores con fecha. No sobrescriba siempre el mismo archivo. Una carpeta con
cap1-v1,cap1-v2,cap1-v3cuenta la historia de cómo creció el texto. Ninguna IA produce esa secuencia. - Trabaje en un editor con historial de versiones. Google Docs y OneDrive registran cada sesión de escritura con su hora. Ese registro es la prueba más contundente que existe: muestra el texto apareciendo poco a poco, con correcciones y arrepentimientos.
- Conserve las notas de lectura. Fichas, subrayados, fotos de páginas, el cuaderno. Demuestran que las ideas vinieron de fuentes que usted manejó.
- Guarde los correos con su director. Las observaciones recibidas y sus respuestas documentan un proceso de meses.
- Anote lo que usó y para qué. Si empleó una herramienta para corregir ortografía o para ordenar la bibliografía, escríbalo. Declararlo es siempre mejor que ocultarlo.
Un porcentaje se discute con un historial de versiones, no con indignación.
Qué hacer si ya le marcaron el texto
- Pida el informe completo, no solo el número. Suele señalar qué fragmentos se marcaron; a menudo son los más formales —definiciones, metodología—, lo que ya dice algo.
- Presente el historial de versiones antes que cualquier explicación.
- Explique el género. Que la uniformidad es una exigencia de la escritura académica, no un descuido.
- Ofrézcase a explicar su propio texto. Es la prueba definitiva y ningún detector la sustituye: quien escribió un capítulo puede explicar por qué eligió cada fuente y qué descartó. Quien no lo escribió, no.
- Mantenga el tono. Quien plantea el asunto suele estar cumpliendo un protocolo, no acusando.
Lo que no debe hacer
Circula el consejo de «ensuciar» el texto para bajar el porcentaje: meter erratas, alargar frases al azar, sustituir palabras por sinónimos raros, pasarlo por herramientas que lo reescriben.
Es mala idea por tres razones.
- Empeora la tesis. Está degradando su trabajo para complacer a un algoritmo que ni siquiera decide.
- Las herramientas de «humanizado» automático suelen dejar rastro propio: sinónimos impropios, concordancias rotas, términos técnicos sustituidos por otros que no significan lo mismo. Un lector experto lo nota antes que cualquier detector.
- Si es una tesis, el comité la va a leer. Un texto deliberadamente desigual llama la atención de personas, que es lo que de verdad importa.
Dónde está la línea de verdad
Todo lo anterior trata de falsos positivos. Pero conviene decir con claridad dónde está la frontera real, porque no es la misma que miden los detectores.
| Uso | Situación |
|---|---|
| Corregir ortografía, gramática y puntuación | Legítimo. Es lo que hace un corrector ortográfico desde hace treinta años. |
| Mejorar la redacción de lo que usted escribió | Legítimo, como lo es contratar a un editor. La autoría de las ideas no cambia. |
| Ordenar bibliografía o convertir normas de cita | Legítimo. Es trabajo mecánico. |
| Traducir fragmentos y luego revisarlos | Legítimo si se declara y si se comprueba la traducción. |
| Generar párrafos de contenido académico | Deshonestidad académica. Las ideas no son suyas y no podrá defenderlas. |
| Fabricar citas o referencias | Falta grave. Las herramientas inventan fuentes verosímiles que no existen, y comprobarlo es trivial. |
La regla práctica es sencilla: si no puede explicar y defender cada párrafo de su capítulo, ese párrafo no debería estar ahí, lo haya escrito una máquina, un amigo o un servicio de redacción.
Una nota para los profesores
Si usted evalúa tesis, dos consideraciones.
La primera: el porcentaje no es una prueba. Un texto humano bien corregido puede superar el umbral, y un texto generado y luego editado puede quedar por debajo. Usar el número como veredicto producirá injusticias en ambas direcciones.
La segunda: existe una prueba mejor y no cuesta nada. Pregúntele al estudiante por su propio texto. Por qué eligió ese autor y no otro, qué dice la fuente en la página que citó, qué descartó y por qué. Quien escribió el capítulo responde sin esfuerzo. Quien no lo escribió se queda callado en la segunda pregunta.
En resumen
Los detectores de IA no identifican autoría: miden previsibilidad. La escritura académica formal es previsible porque su norma se lo exige, y la corrección profesional la vuelve todavía más uniforme. De ahí que un capítulo escrito íntegramente a mano, y bien trabajado, pueda recibir un porcentaje alto.
La respuesta no es empeorar el texto. Es conservar el rastro del proceso y poder explicar lo que uno escribió.
Y hay algo que ninguna herramienta va a poder quitarle: quien escribió un capítulo sabe por qué lo escribió así. Sabe qué fuente descartó, qué apartado le costó tres semanas y qué idea cambió a mitad del trabajo. Ese conocimiento no aparece en ningún porcentaje, pero es el único que resiste una conversación de diez minutos.
Si le preocupa cómo va a leerse su capítulo —o si ya le marcaron uno y necesita un análisis con datos, no con opiniones—, escríbanos: medimos el texto, le decimos qué está produciendo la señal y trabajamos su redacción sin degradar el trabajo.