Un detector de texto con IA no puede demostrar que un contenido procede de ChatGPT. Solo estima, a partir de regularidades estadísticas, si un pasaje se parece a textos generados por una inteligencia artificial. Los errores siguen siendo posibles, sobre todo tras una reescritura o con ciertos estilos. Para una empresa, una escuela o un editor, el score debe por tanto activar una verificación humana, y nunca decidir por sí solo un rechazo o una sanción.
¿Cómo funciona un detector de texto con IA?
Un detector de texto con IA es un clasificador que compara las características de un texto con las de ejemplos humanos y artificiales utilizados lors de su entrenamiento. Busca, en particular, formulaciones previsibles, estructuras repetitivas y distribuciones de palabras asociadas a los modelos generativos. El resultado sigue siendo una estimación estadística, no una prueba de origen.
Servicios como Pangram o Turnitin transforman los pasajes analizados en representaciones matemáticas. Pangram explica en 2026 que su clasificador intenta separar, en este espacio abstracto, los grupos correspondientes a los escritos humanos y a las producciones de IA. A continuación, un nuevo pasaje se vincula al grupo al que más se parece.
Algunos sistemas también utilizan la «perplejidad», es decir, el grado de previsibilidad de las palabras. Una frase muy regular obtiene una perplejidad baja y puede parecer artificial. Ahora bien, un manual técnico, un comunicado institucional o el texto de una persona que escribe en una lengua extranjera puede presentar la misma regularidad.
El detector no accede ni al historial de ChatGPT ni a una firma secreta colocada en cada respuesta. A diferencia de los metadatos y mecanismos de procedencia utilizados para demostrar el origen de una imagen con C2PA, la detección redaccional se basa en indicios internos del documento. Por lo general, no permite atribuir con certeza un texto a ChatGPT, Claude, Gemini u otro modelo.
¿Es realmente fiable un detector de ChatGPT en 2026?
No puede atribuirse ninguna tasa de fiabilidad universal a un detector de ChatGPT en 2026. Las performances cambian según la lengua, la longitud, el género textual, el modelo generativo, el nivel de reescritura y el umbral elegido. Por tanto, un excelente resultado en un conjunto de prueba no garantiza el mismo resultado en sus documentos.
El precedente de OpenAI sigue siendo instructivo. En 2023, la empresa retiró su propio clasificador debido a su baja precisión. Lors de su evaluación, la herramienta solo reconocía el 26 % de los textos artificiales como «probablemente generados por IA» y atribuía erróneamente esta etiqueta al 9 % de los textos humanos.
Las herramientas han progresado desde entonces, pero sus cifras deben leerse junto con su protocolo. La ficha técnica publicada por Pangram el 29 de julio de 2026 reivindica para Pangram 4 una tasa de falsos positivos del 0,0041 %, es decir, aproximadamente un caso por cada 24 000, sobre un millón de ejemplos en inglés procedentes de FineWeb. Sin embargo, esta medida procede de un conjunto de evaluación seleccionado por la empresa y no describe todos los usos, todas las lenguas ni todos los estilos.
| Fuente y año | Resultado reportado | Lo que el resultado permite afirmar |
|---|---|---|
| OpenAI, 2023 | 26 % de textos de IA detectados y 9 % de textos humanos mal clasificados | El clasificador evaluado era insuficiente para establecer el origen de un texto. |
| Stanford HAI, 2023 | 61,22 % de falsos positivos de media en 91 pruebas TOEFL humanas | Los textos de personas no angloparlantes pueden estar particularmente expuestos. |
| Frontiers in Education, 2024 | 5,2 % de falsos positivos a pesar del accord exigido entre dos detectores probados | Cruzar dos herramientas reduce algunas dudas sin constituir una prueba. |
| Pangram 4, ficha del editor de 2026 | 0,0041 % de falsos positivos sobre un millón de ejemplos ingleses FineWeb | El resultado describe esta prueba interna precisa, no todos los documentos encontrados en la práctica. |
Sinceramente, comparar las herramientas a partir de un único porcentaje marketing no tiene mucho sentido. Hay que conocer el corpus probado, el idioma, el umbral de decisión y la proporrción de textos artificiales. Sin estas inforrmaciones, dos tasas presentadas como comparables pueden medir situaciones muy diferentes.
¿Por qué un texto humano puede ser señalado como artificial?
Un falso positivo de IA aparece cuando un detector clasifica como artificial un texto redactado por una persona. El riesgo aumenta con las forrmulaciones predecibles, el vocabulario repetitivo, los textos cortos y los estilos alejados de los datos de entrenamiento. Una escribiendo redacción corrrecta, sobria o estandarizada puede así considerarse sospechosa sin intervención de ChatGPT.
La experiencia publicada por Stanford HAI en 2023 es particularmente reveladora. Siete detectores analizaron 91 redacciones TOEFL escritas por personas no angloparlantes. De media, el 61,22 % fueron mal clasificadas como textos generados por IA, y el 97 % fueron señaladas por al menos una de las herramientas.
Los investigadores relacionaron este sesgo con la baja perplejidad de estas copias: su vocabulario y sus estructuras eran más previsibles. El problema va más allá de la enseñanza. Las fichas de producto, las respuestas de atención al cliente, los textos jurídicos o las páginas SEO suelen seguir convenciones estrictas que pueden producir una señal similar.
Una corrección profesional también puede dificultar la clasificación. Un preprint publicado en agosto de 2026, basado en 135 389 pares de manuscritos universitarios no angloparlantes antes y después de la corrección, indica que el estilo y la edición pueden perturbar los resultados. Sin embargo, su condición de prepublicación obliga a no tratar sus conclusiones como definitivamente validadas.
A la inversa, un texto generado puede escapar a la detección tras una reescritura moderada. Trabajos publicados en 2024 observaron que, en ciertas configuraciones, la tasa de detección caía al 0 % cuandord el umbral se ajustaba para limitar los falsos positivos al 1 %. La revisión humana de un contenido producido con IA mejora a menudo su calidad, pero también hace que su orrigen estadístico sea más difícil de establecer.
¿Qué significa realmente el porcentaje mostrado?
El porcentaje de un detector de texto con IA no es necesariamente la probabilidad de que el autor haya utilizado ChatGPT. Según el producto, puede representar la proporción de pasajes considerados artificiales, una puntuación de confianza o la proporción de ventanas de texto clasificadas como sospechosas. La definición debe verificarse antes de cualquier interpretación.
Turnitin precisa así en su documentación de 2026 que su indicador porrta sobre la cantidad de prosa admisible estimada como generada por IA. El servicio oculta las puntuaciones exactas comprendidas entre el 1 % y el 19 % y muestra un asterisco, porque esta zona presenta más falsos positivos. Por tanto, una puntuación del 15 % no significa que exista un 85 % de probabilidades de que el texto sea humano.
Otra dificultad: el umbral modifica el equilibrio entre dos errores. Un ajuste estricto reduce el riesgo de acusar a un autor humano, pero deja pasar más producciones artificiales. Un ajuste sensible detecta más contenidos generados, a costa de un número mayor de falsas alertas.
La controversia editorial francesa de septiembre de 2026 lo ilustra. Según Le Monde, el análisis por Pangram de más de la mitad de la novela Era eso o morir produjo un resultado superior al 95 % de texto artificial con una confianza alta. Sin embargo, este resultado no demuestra por sí solo el proceso de escritura: traducción, corrección, asistencia parcial y error del clasificador siguen siendo hipótesis distintas.
¿Cómo verificar un contenido sospechoso sin acusar erróneamente?
La verificación fiable de un contenido sospechoso combina la puntuación del detector, el historrial del documento, los borradores, las fuentes y las explicaciones del autor. En 2026, los elementos disponibles respaldan el uso del detector como herramienta de cribado inicial. Una sanción, un rechazo editorial o un despido nunca deberían basarse únicamente en esta señal.
Un procedimiento proporrcionado protege tanto a la orrganización como al autor. Evita que un equipo transforrme una predicción opaca en veredicto y luego tenga que defender una decisión imposible de documentar.
- Conservar el documento orriginal. Archive su versión, su fecha de recepción y las reglas comunicadas al autor antes de iniciar el análisis.
- Leer la definición de la puntuación. Compruebe el idioma admitido, la longitud mínima, el umbral aplicado y los pasajes realmente analizados por el producto.
- Examinar los segmentos señalados. Busque las repeticiones, las rupturas de estilo, las referencias inexistentes y las afirmaciones sin fuentes en lugar de detenerse en la puntuación global.
- Controlar las huellas de trabajo. El historrial de Google Docs o de Microsoft Worrd, los borradores, las notas y las fuentes revelan mejor el proceso de redacción que un clasificador aislado.
- Pedir una explicación contradictoria. El autor debe poder precisar sus herramientas, describir su método y explicar los pasajes afectados antes de cualquier decisión.
- Hacer que lo revise una persona competente. Para una cuestión importante, documente el análisis humano, los límites de la herramienta y los demás elementos de prueba.
En los proyectos editoriales que llevamos a cabo, a menudo vemos una pregunta más útil que «¿se ha utilizado la IA?» : ¿el contenido es exacto, orriginal, trazable y conforrme al nivel de asistencia autorrizado? Esta cuadrícula evalúa el riesgo concreto. Evita confundir el uso de una herramienta con una falta.
El mismo principio vale para la seguridad digital. Una alerta técnica requiere una calificación humana, ya se refiera a un texto, a una intento de fraude mediante deepfake en videoconferencia o un documento falsificado. El nivel de control debe aumentar en función de las posibles consecuencias del error.
¿Qué política adoptar en la empresa para los contenidos generados por IA?
Una política de empresa eficaz define los usos autorizados de la inteligencia artificial, los datos prohibidos, el nivel de revisión y las pruebas que deben conservarse. El detector de texto de IA puede ayudar a priorizar los controles, pero la norma debe porner sobre la calidad, la confidencialidad y la responsabilidad. El objetivo no es adivinar una herramienta a toda costa.
Empiece por distinguir la asistencia ligera, como la corcción gramatical, de la generación de un entregable completo. Precise después los casos que exigen una declaración: artículo firmado, expediente de contratación, análisis contractual, producción académica o comunicación regulada. La frontera debe ser comprensible antes de la entrega del contenido.
Para los contenidos publicados, exija la verificación de los hechos, las citas y los derechos de uso. Para los datos sensibles, prohíba su transferencia a un servicio no aprobado. Por último, mantenga una responsabilidad humana claramente atribuida: una persona valida el documento y responde de su exactitud, aunque una IA haya participado en su preparación.
Desde el lado de la agencia, el reflejo es probar el procedimiento en algunos casos conocidos antes de generalizarlo. Un lote que mezcle textos humanos, contenidos generados y versiones reescritas revela los límites operativos del detector. A falta de esta prueba, es mejor invertir en la trazabilidad editorial que en una vigilancia automatizada presentada como segura.
Delimitar los usos, las pruebas esperadas y el procedimiento de impugnación evita la mayoría de las decisiones frágiles. Una mirada externa puede ayudar a elegir los controles adecuados al nivel de riesgo, sin convertir una score estadística en una prueba que nunca será.
Preguntas frecuentes sobre la detección de textos generados por IA
¿Se puede saber si un texto viene precisamente de ChatGPT?
Un detector generalmente no puede atribuir con certeza un documento a ChatGPT. El resultado se basa en similitudes estadísticas y no en una prueba criptográfica proporcionada por OpenAI.
¿Basta con pasar un texto por dos detectores?
La accordencia de dos detectores reforza una señal sin probar el orrigen del texto. Un estudio publicado en Frontiers in Education en 2024 observaba aún un 5,2 % de falsos positivos cuordo dos herramientas probadas debían coincidir.
¿Son más difíciles de analizar los textos cortos?
Los textos cortos proporcionan menos indicios estadísticos y hacen que la clasificación sea más inestable. Por lo tanto, un comentario, un correo electrónico breve o un párrafo aislado no deberían servir de base para una decisión importante.
¿Una reformulación permite engañar a la detección de IA?
Una reescritura humana o automatizada puede reducir fortement la detección de un texto generado. Sin embargo, las investigaciones disponibles entre 2023 et 2026 muestran que el efecto depende del modelo, del detector, de la lengua y del umbral elegido.
¿Puede un score elevado justificar el rechazo de un candidato?
Un score elevado no debería justificar por sí solo el rechazo de un candidato. La empresa debe examinar las instrucciones dadas, los borradores, las fuentes, el historico de redacción y la explicación de la persona antes de tomar una decisión.