En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Traducción automática de la página en inglés, todavía sin revisar por una persona hablante nativa.

Detección de IA — las tecnologías y los métodos utilizados para identificar contenido generado por IA en los trabajos académicos, y la cuestión más amplia de cómo deberían responder las instituciones al riesgo de que los estudiantes usen grandes modelos de lenguaje (LLM) para producir trabajos que no son propios. Abarca los enfoques basados en clasificadores, las técnicas de prompt latente y de verosimilitud, las marcas de agua y el análisis estilístico —y, cada vez más, los debates sobre los límites de la detección y el valor de rediseñar la evaluación en lugar de vigilarla.

Preguntas para reflexionar

  • Si un detector de IA marca el ensayo de un estudiante como generado por IA, ¿qué confianza tendría en que la marca es correcta, y qué pruebas querría ver antes de actuar en consecuencia?
  • Un argumento sostiene que la detección de IA no solo es poco fiable, sino conceptualmente insostenible: un binario «humano frente a IA» ignora que el trabajo del estudiantado suele crearse con la IA, no por la IA. Si el trabajo es un híbrido, ¿qué significa siquiera «detectar IA»?
  • Las herramientas de detección pueden estar sesgadas contra quienes escriben en una lengua no nativa y producir falsos positivos que penalizan injustamente a los estudiantes. ¿Cómo ponderaría el riesgo de una acusación falsa frente al valor de detectar un uso indebido genuino?
  • La detección puede socavar la integridad en lugar de protegerla, al fomentar un clima de sospecha que erosiona la confianza. ¿Cómo cambia el hecho de ser observado su comportamiento, o el de un estudiante, en una evaluación?
  • La investigación sugiere que la detección debería ser una herramienta limitada y situacional en lugar de una estrategia de primer recurso, y que el diseño de la evaluación debería reconocer el papel de la IA. ¿Qué alternativas a la detección podrían verificar mejor lo que un estudiante ha aprendido realmente?
  • Los detectores de IA no pueden verificarse de forma independiente en trabajos reales: no existe una verdad de referencia sobre si un texto marcado fue realmente generado por IA. ¿Qué comodidad siente al actuar sobre una probabilidad no verificable en una investigación de integridad?

Introducción

La detección de IA se sitúa en la intersección de la integridad académica, la IA generativa, los grandes modelos de lenguaje y la evaluación. Surgió cuando las instituciones se enfrentaron a estudiantes que usaban LLM para redactar ensayos, código y respuestas breves. El campo tiene dos vertientes entrelazadas: la detección técnica (¿con qué fiabilidad puede identificarse el contenido generado por IA?) y la respuesta institucional (a qué debería conducir la detección, dados sus límites y sus problemas de equidad).

Enfoques de detección

La investigación ilustra las principales familias técnicas:

  • Métodos de verosimilitud zero-shot y de prompt latente: EchoPrompt es un detector zero-shot que no requiere entrenamiento y que explota la dependencia del prompt latente inherente al texto generado por máquinas. Al restaurar un prefijo genérico de respuesta de asistente y medir las diferencias de ganancia de verosimilitud entre modelos ajustados por instrucciones y modelos base, alcanza una detección de vanguardia sin entrenamiento, y sigue siendo robusto frente al desplazamiento de dominio y a los ataques de parafraseo. Esto contrasta con los detectores estadísticos puramente probabilísticos que ignoran el mecanismo de generación.
  • Autodetección por LLM: Leinonen y Denny (2026) ponen a prueba si los LLM pueden detectar de forma fiable su propio contenido generado en tareas de programación, escritura reflexiva y respuestas breves. La detección resulta muy dependiente de la tarea: fiable para la programación y las respuestas reflexivas más largas, pero deficiente para las respuestas breves, donde los LLM a menudo juzgan su propia salida como más humana que el trabajo auténtico del estudiantado. Pequeñas variaciones en el prompt reducen drásticamente la precisión.
  • Enfoques basados en clasificadores y en marcas de agua: los clasificadores estadísticos y las marcas de agua se emplean ampliamente en herramientas comerciales, aunque su fiabilidad es discutida a medida que las salidas de los LLM se vuelven más sofisticadas.
  • Procedencia de las ideas en lugar de procedencia de la prosa: IdeaLens alimenta a un clasificador con un esquema de roles discursivos y de contenido parafraseado en lugar de con la prosa, de modo que predice de quién son las ideas que porta un documento. Su tasa de marcado como IA cayó del 94,9% al 6,8% a medida que el plan humano detrás del texto escrito por IA se volvía más detallado, mientras que Pangram 4 se mantuvo cerca del 92%, y etiquetó como humano el 94,7% de los documentos humanos pulidos por IA. Los autores afirman que sus predicciones son estimaciones estadísticas y que no deben usarse por sí solas como prueba concluyente del uso de IA.

Los límites y los riesgos de la detección

La investigación advierte de forma consistente contra la dependencia exclusiva de la detección:

  • Fallos de validez y de equidad: las herramientas de detección pueden estar sesgadas contra quienes escriben en una lengua no nativa y producir falsos positivos que penalizan injustamente a los estudiantes, una preocupación que conecta con la mitigación de sesgos y la equidad en la educación con IA.
  • Tasas de error notables y erosión de la confianza: una detección poco fiable socava la confianza del estudiantado y la integridad del proceso de evaluación.
  • Dependencia de la tarea: como muestra el estudio de autodetección, la precisión varía notablemente según el tipo de tarea, de modo que ningún detector único es fiable para todas las evaluaciones.
  • La granularidad cambia el veredicto. En ensayos de PISA 2025 con etiquetas de procedencia, un detector de incrustaciones mantuvo la exhaustividad de detección de IA del texto completo en 0,94 o más bajo reescritura al estilo del estudiantado, mientras que la exhaustividad a nivel de oración cayó hasta 0,59 (Schaller et al. (2026)).
  • Incluso un detector validado se apoya en una línea de base histórica: un estudio de seis años sobre CS2 validó su detector frente a una línea de base previa a los LLM: las puntuaciones H fueron cercanas a cero antes de que los LLM fueran públicos y ascendieron a una media de 11,9 en 2026 (Racovan et al. (2026)).
  • El círculo vicioso de la integridad, cuantificado. Un estudio controlado de 642 resúmenes publicados (Karr et al. 2026) muestra que el fallo de la política no es solo conceptual, sino medido: la edición ligera con IA conforme a las directrices se marca en un 38–80%, los originales recientes no modificados en un 9–15% (las áreas no STEM muy por encima de las STEM), y el texto de IA asistido por «humanizadores» elude la detección en más del 96% de los casos. Como los detectores se fijan en el estilo superficial (densidad de tokens largos y de palabras académicas) en lugar de en la intención de autoría, la asistencia honesta de la IA atrae sanción mientras que la evasión deliberada mediante humanizadores escapa; los autores sostienen que las puntuaciones de los detectores nunca deberían constituir por sí solas prueba de conducta indebida.
  • Una corrección de estilo mueve el veredicto, lo que separa el estilo de la autoría. Manteniendo fijos el autor, el tema y el contenido en 135.389 pares de manuscritos editados, las mismas ediciones empujaron a 13 detectores en direcciones opuestas sobre texto humano: MAGE −10,7 puntos porcentuales de falsos positivos, RADAR −4,7, frente a Fast-DetectGPT +4,6 (Park, Jeong y Kim (2026)). Las tasas de referencia abarcaron del 0,0% al 100,0%, escalando con la intensidad de la edición.

Las evaluaciones empíricas más recientes hacen concretas esas tasas de error en lugar de genéricas. Hadra, Cambridge y Mesbah (2026) pasaron Turnitin y Originality sobre un corpus equilibrado de 192 textos de trabajos auténticos de EFL, escritura profesional, salida de IA e híbridos al 50/50: la exactitud macro alcanzó solo 0,69 y 0,61, ambas por debajo de una F1 macro de 0,55, y ambas resultaron prácticamente inútiles sobre los textos híbridos (sensibilidad de Originality de 0,02), con una caída significativa de la exactitud a medida que los textos se alargaban y de nuevo en la escritura científica, además de una tendencia limítrofe-significativa a clasificar erróneamente el trabajo legítimo del estudiantado de EFL. Van Vlasselaer, Van Droogenbroeck y Spruyt (2026) pusieron a prueba cuatro herramientas comerciales contra un corpus de 160 tesis de máster con verdad de referencia controlada: tres de ellas (Turnitin, GPTZero, Copyleaks) fallaron casi por completo con textos íntegramente generados por IA, mientras que solo Pangram tuvo un desempeño convincente —y, aplicado a 1.163 tesis realmente entregadas, marcó el 45,5% de ellas, una cifra que los autores insisten en que no es una tasa de prevalencia porque las entregas reales no tienen verdad de referencia. Ambos estudios llegan a la misma conclusión procedimental: la puntuación de un detector puede motivar una revisión más atenta, pero no es un hallazgo. La cuestión de la calibración también corta en sentido contrario: como la etiqueta de alta confianza de GPTZero arrastraba tasas de falsos positivos a nivel de solicitante del 0,7%, el 0,5% y el 1,4% a lo largo de 2020–2022, Isley, Gaebler y Goel (2026) leyeron sus marcas como una serie de prevalencia conservadora a lo largo de seis ciclos de admisión en un máster de política pública de una universidad pública estadounidense —la proporción de solicitantes que entregaron al menos un ensayo marcado pasó del 21,8% en 2023 al 45,1% en 2024 y al 56,1% en 2025 pese a una prohibición firmada, y alcanzó el 69,3% de los solicitantes internacionales frente al 38,6% de los nacionales. Los lectores humanos fueron un instrumento aún más débil: cinco responsables de admisiones que separaban 50 ensayos humanos de 50 ensayos de IA alcanzaron un AUC de 0,70 (IC del 95% [0,65, 0,75]), por encima del azar pero muy por debajo de los detectores comerciales.

Sobre un corpus kazajo cuyos pasajes humanos preceden demostrablemente a ChatGPT, cinco detectores entrenados en inglés marcaron hasta el 81,4% de los pasajes humanos y el 79,6% de los ensayos estudiantiles publicados, y una vez recalibrados a una tasa de falsos positivos del 1% capturaron como máximo el 1,3% del texto de máquina (Ozaman (2026)).

Incluso un detector interpretable de buen desempeño mantiene sus errores al nivel de los documentos. Kumar, Siddiqui y Fuchsberger (2026) entrenaron clasificadores a nivel de ventana sobre nueve rasgos estilométricos interpretables —ratio tipo-token, ratio hápax, entropía de palabras, ratio de palabras no funcionales, ratios de clases de palabras y variabilidad de la longitud de las frases— con 90 participantes que escribían los mismos prompts de forma independiente y luego parafraseando la salida de GPT, manteniendo todas las ventanas de un participante en un mismo pliegue y probando sobre 18 escritores no vistos. Random Forest alcanzó un ROC-AUC de 0,870 y una F1 de 0,842 sobre 36 documentos reservados, y aun así marcó 4 de 18 documentos escritos de forma independiente como asistidos por GPT, una tasa de falsos positivos del 22,2% (IC del 95% 9,0–45,2%); la atribución SHAP otorgó el mayor peso al ratio hápax. Los autores enmarcan el modelo como apoyo a la decisión que debería motivar una revisión contextual, y no como un cribado automático de conducta indebida, y la exactitud que alcanza no reduce la gravedad de sus errores: cada falso positivo es un documento escrito de forma independiente acusado de asistencia de GPT, un problema de validez y no de ajuste.

Los problemas definicionales y procedimentales conviven con los estadísticos. Wright (2026) sostiene que las prohibciones generales del «uso de la IA» se redactan en torno a la identidad de la plataforma más que a su función, de modo que capturan la conversión de formato no generativa —transcripción de voz a texto, OCR, de texto plano a LATEX— junto con la redacción generativa que pretenden prohibir; como los detectores leen la escritura de baja perplejidad como autoría de máquina, los falsos positivos resultantes recaen con más fuerza sobre el estudiantado con discapacidad y el expuesto a problemas de equidad. Sharma (2026) llega a la versión del lado del diseño de la misma conclusión, al situar la detección como una capa suplementaria de la infraestructura de integridad a lo sumo, ya que pregunta si se usó la IA generativa y no cómo se tomaron las decisiones.

La investigación sobre detección también contiene un argumento de validez que sobrevive a las cuestiones de exactitud. Weidlich (2026) trata la salida del detector como una señal condicional y probabilística que puede motivar una indagación posterior pero que no puede por sí sola establecer una conducta indebida ni una competencia, lo que hace de la gobernanza centrada en la detección una base insuficiente para sostener la validez de la evaluación. El desempeño de la clasificación varía sistemáticamente entre herramientas, tipos de tarea, disciplinas, versiones de modelo y prácticas de edición humano-IA, y la escritura formulaica de las áreas STEM resulta especialmente susceptible al sesgo algorítmico. Los intentos de restablecer la seguridad de la evaluación mediante la detección corren entonces el riesgo de introducir varianza irrelevante para el constructo, amenazando la equidad y la interpretación de las puntuaciones.

  • Detección y evasión son las dos caras de un mismo mercado comercial. Roe et al. (2026) catalogaron 55 sitios de «humanizadores» de IA —servicios que reescriben texto de IA para eludir la detección— y encontraron los tres que analizaron en la primera página de Google, vendidos en niveles freemium con programas de afiliados. Su argumento de economía política importa para la política de detectores: quienes venden detección venden una clasificación de la autoría, mientras que los humanizadores venden la promesa de cambiar esa clasificación, así que un régimen centrado en la detección no solo fracasa frente a la evasión, sino que fabrica la demanda de evasión de pago. Los sitios escenifican la legitimidad en lugar de presuponerla —logotipos universitarios y corporativos sin explicación colocados bajo el cuadro de texto, afirmaciones de usuarios no verificables (alrededor de 3 millones, 10.000 estudiantes, 1,5 millones en los tres sitios), promesas de éxito del 99,8%–100% y la mistificación de «1,6 billones de parámetros»— y ninguno llevaba una dirección comercial registrada. La consecuencia para una decisión sobre detectores es que bloquear una herramienta no elimina la estructura de demanda que hay detrás.
  • La aplicación de las normas puede ordenar al estudiantado por capital académico y no por conducta (propuesto, no medido). A partir de cuatro publicaciones de la UNESCO y la OCDE, Hashem (2026) sostiene que un conocimiento disciplinar más sólido y una alfabetización en la formulación de instrucciones permiten a un estudiante reescribir la salida de IA en un registro académico aceptado. Si eso es así, la visibilidad de la asistencia de IA sigue el capital académico y no la cantidad de ayuda recibida, y la aplicación basada en la detección se convierte en un filtro de ese capital. El trabajo es un análisis del discurso sin datos sobre marcados ni sobre resultados sancionadores, y formula la afirmación como una hipótesis que requiere evidencia comparada sobre patrones de uso de IA, resultados de detección y decisiones por mala conducta.

Por qué no usar (o intentar usar) detectores de IA

Bassett et al. (2026) sostienen que la detección de IA generativa no debería usarse en la educación en absoluto, con argumentos que van más allá del «ten cuidado» hasta el «esto es conceptualmente insostenible». Su caso consolida las razones para no depender de los detectores de IA:

  1. Estimaciones probabilísticas no verificables. Los detectores de IA emiten una probabilidad de que un texto fuera generado por IA, basada en marcadores lingüísticos (perplejidad, burstiness). A diferencia de otras herramientas probabilísticas (filtros de spam, diagnósticos médicos), sus resultados no pueden verificarse de forma independiente: en condiciones reales no existe verdad de referencia sobre si un texto marcado fue realmente generado por IA, de modo que la validación se reduce a un razonamiento circular. Las métricas de teoría de la detección (tasas de falsos positivos y negativos) solo se aplican en pruebas controladas, no en entregas reales.
  2. Datos de entrenamiento y de prueba cuestionables. Los detectores se entrenan y validan sobre escritura humana previa a la IA generativa (por ejemplo, Turnitin se probó sobre 700.000 artículos anteriores a 2019). La suposición de que ese texto refleja la escritura estudiantil contemporánea —que el estudiantado produce ahora habiendo sido moldeado por la IA— no está verificada, y el desempeño varía con el modelo, el prompt y la plataforma.
  3. La suposición de marcadores lingüísticos mutuamente excluyentes es defectuosa. No hay ninguna razón de principio para que una persona no pueda escribir con los rasgos lingüísticos atribuidos a la IA (o una IA con los humanos), de modo que el propio fundamento de los marcadores es endeble.
  4. La falsa dicotomía. Clasificar el texto como generado por humanos o por IA ignora la realidad de que el trabajo del estudiantado se crea con frecuencia con la IA, no por la IA: un continuo híbrido. La división binaria no es meramente inadecuada, sino carente de sentido, lo que hace la detección conceptualmente defectuosa desde el principio.
  5. Injusticia procedimental e insuficiencia probatoria. Las investigaciones de integridad académica deben satisfacer el estándar del balance de probabilidades; las puntuaciones de los detectores de IA —solas o combinadas con marcadores lingüísticos, comparaciones de estilo, afirmaciones de LLM o el silencio del estudiante— no lo alcanzan. El estudiantado sometido a investigación conserva además un derecho al silencio, que los procesos guiados por la detección erosionan.
  6. Riesgos de seguridad y privacidad. Los detectores almacenan el trabajo del estudiantado en servidores (a veces en el extranjero, con protecciones de privacidad más débiles), lo que genera riesgos de filtración, uso indebido y explotación comercial.
  7. La detección socava la integridad en lugar de protegerla. La dependencia de los detectores y de la vigilancia fomenta un clima de sospecha que erosiona la confianza del estudiantado y la integridad de la propia evaluación.

Bassett et al. concluyen que la detección de IA es una solución inviable para un problema que no puede resolverse mediante la vigilancia y el castigo: el foco debe desplazarse al diseño de la evaluación que reconoce el papel de la IA en el aprendizaje y la realidad de que las evaluaciones sin supervisión no pueden asegurarse. Esto consolida la postura más allá de la detección con un argumento directo y basado en la evidencia para retirar las herramientas de detección.

De 40 evaluaciones de psicología que abarcaban 16 tipos, 36 (90%) produjeron salidas de ChatGPT juzgadas adecuadas para un aprobado, y los cuatro fallos fueron las tareas que requerían presencia, un artefacto visual o el propio conjunto de datos del estudiante: una evidencia de que fue el umbral de aprobado, y no la detección, lo que decidió si el trabajo de IA contaba como logro (Ivory et al. (2026)).

El sesgo de los detectores y el mecanismo de la carrera armamentística

La detección no es meramente imprecisa; sus errores están pautados. Teichmann (2026) reúne el caso acumulado contra tratar la puntuación de un detector como prueba: ninguna herramienta del benchmark inicial más exhaustivo alcanzó el 80% de exactitud; un simple parafraseo o «humanización» reduce eso aproximadamente a la mitad; los falsos positivos con tasas base realistas superan a los verdaderos; y quienes hablan inglés como lengua no nativa se clasifican erróneamente de forma sistemática porque los rasgos que los detectores tratan como señales de IA también caracterizan la escritura competente en una segunda lengua. El juicio humano no cubre esa laguna: evaluadores expertos y novatos por igual no logran distinguir la IA de la prosa del estudiantado y confían en su juicio cuando se equivocan; y la asimetría del error significa que los descuidados pero honestos son capturados mientras que los deliberadamente deshonestos evaden, ya que los detectores son además opacos (sin umbrales, sin datos de entrenamiento, sin replicación independiente) y por tanto no pueden ser respondidos ni contrainterrogados en una audiencia.

Dos puntos adicionales agudizan las apuestas prácticas. Primero, la señal estadística subyacente se encoge a medida que los modelos se optimizan hacia la prosa humana, de modo que la carrera armamentística es una que ninguna institución puede ganar. Segundo, el caso límite empírico es elocuente: en un estudio de campo encubierto, el 94% de las entregas íntegramente generadas por IA pasaron inadvertidas por un sistema de examen en línea real a lo largo de cinco módulos de psicología, y el trabajo de IA superó en media a los estudiantes reales. Mohamed y Temimi (2026) añaden el corolario contraintuitivo que determina cuándo la vigilancia merece la pena: como la sensibilidad eleva los falsos positivos junto con los verdaderos, el elemento disuasorio racional es la discriminación —la brecha entre marcar el uso oculto y marcar el trabajo legítimo. Allí donde una sensibilidad adicional genera más falsos positivos nuevos que verdaderos positivos nuevos, una mayor vigilancia hace relativamente más atractiva la ocultación, penalizando al estudiantado honesto más rápido de lo que identifica a los usuarios ocultos. La consecuencia para el diseño es que los detectores, las normas y los procedimientos de divulgación no deberían construirse por separado.

La adaptación en tiempo de prueba es el contraejemplo que esa afirmación deja fuera. Frente a prompts de «humanización» optimizados para eludir cada detector a su vez, la detección supervisada se hundió —Pangram capturó el 27,0% del texto de IA adversarial—, mientras que un método positivo-no etiquetado que se adapta sobre lotes de inferencia sin etiquetar mantuvo el 93,3% (Ren, Raghavan y Garg (2026)). Su experimento de deriva humana produjo los falsos positivos que motivan la cautela: la recuperación de un detector fijo sobre texto humano cayó del 85,9% al 73,4% a lo largo de una década simulada.

  • Cinco herramientas, un manuscrito, respuestas incompatibles —y las instituciones que han dejado de usarlas. Angelier (2026) envió un único manuscrito de autoría humana a cinco detectores comerciales el mismo día y obtuvo clasificaciones que iban desde «0% human» (Winston AI) hasta «Human Generated» (la etiqueta categórica de GPTZero, impresa junto a su cifra del 42% de IA), con Copyleaks en el 80,4% de IA, Originality.ai en «81% Likely AI» y una quinta herramienta en el 34% de IA y el 66% de humano: tres salidas inclinadas hacia la IA y dos hacia lo humano sobre un texto idéntico, sin ninguna base validada para tratar el voto mayoritario entre sistemas propietarios como prueba de procedencia. El mismo artículo documenta la retirada institucional: Vanderbilt desactivó el detector de IA de Turnitin en agosto de 2023, haciendo la aritmética de una tasa de falsos positivos del 1% sobre aproximadamente 75.000 trabajos; la Universidad de Curtin anunció una desactivación similar en 2025; la Universidad de Waterloo interrumpió la función de detección de IA de Turnitin en septiembre de 2025 tras una auditoría interna en la que trabajo escrito por humanos se había clasificado como 100% generado por IA; la Universidad de Ciudad del Cabo desactivó la puntuación de IA a partir de octubre de 2025; la Universidad del Estado Libre lo hizo en julio de 2026; la Universidad de Witwatersrand informó de que nunca había adoptado tales herramientas; y un tribunal de Nueva York anuló una conclusión de conducta indebida que se apoyaba en la puntuación de un detector. Dos hallazgos procedimentales completan el caso: una extracción de PDF gravemente corrupta seguía devolviendo una clasificación a cinco puntos porcentuales del resultado del texto limpio, y una salida de detector archivada establece lo que una interfaz informó pero no puede recrear el estado del modelo propietario que la produjo.

  • La salida del detector es la prueba más débil del expediente, y la calidad de la prueba no decide los casos. Al codificar 1.162 denuncias de conducta indebida con IA generativa, la salida del detector obtuvo las calificaciones probatorias más bajas y cayó al 0,5% de los elementos en 2025. La calidad de la prueba no mostró relación alguna con los resultados porque el proceso no fijaba ningún umbral probatorio (Munoz et al., 2026)).

  • El estudiantado cambia su trabajo para sobrevivir a la detección, no solo sus respuestas. El informe documenta que el estudiantado atenúa sus propias respuestas para evitar una acusación falsa, y que el profesorado recurre al juicio informal —lo que se denomina AI-DAR— una vez que los detectores comercializados resultan poco fiables (Tench, Weinstein y James (2026)).

  • El detector está apagado y solo queda la intuición. El personal docente contratado por sesión perdió su detector de IA en una institución porque marcaba herramientas de corrección gramatical, así que se quedó leyendo en busca de referencias inventadas (diecinueve de veinte) y de desconexión con los materiales del curso (Andriamora y Andriamora, 2026).

  • Las herramientas coinciden en el orden y discrepan en la cifra. Tres detectores comerciales separaron cinco condiciones calificadas de uso de IA (p < 0,001 en todas) pero coincidieron solo débilmente en la puntuación absoluta, ICC de 0,57 a 0,95 (Cheng et al. (2025)), y una revisión sistemática de 90 estudios concluye que las tasas publicadas de falsos positivos varían tanto según la herramienta y el contexto que la comparación directa resulta imposible (Maghami, Ho y Camilleri (2026)).

Más allá de la detección: rediseño de la evaluación

La detección pertenece al conjunto de herramientas como una opción limitada y situacional, nunca como el primer recurso. Kickbusch et al. (2025) sostienen que la vigilancia y la detección diagnostican mal el problema: en un mundo mediado por la IA, la autenticidad no puede imponerse por decreto; debe rediseñarse. Reconceptualizan la autenticidad como algo construido allí donde la IA se espera, se declara y se examina, y ofrecen patrones de diseño para el aprendizaje, agnósticos respecto a la disciplina, que posicionan la IA como colaboradora en lugar de como una aplicación para hacer trampas. Esto conecta la detección con la evaluación auténtica, la validez de la evaluación, la evaluación responsable y la integridad de la coautoría.

La pregunta constructiva se desplaza de «¿cómo impedimos que los estudiantes usen la IA?» a «¿cómo les permitimos usarla de forma reflexiva, responsable y eficaz en contextos que reflejen su trabajo futuro?». La detección conecta por tanto con la alfabetización en IA (ayudar al estudiantado a usar la IA de forma responsable), con la dependencia excesiva (comprender cuándo el uso de la IA socava el aprendizaje) y con el objetivo más amplio de apoyar el aprendizaje genuino en lugar de vigilar las entregas. También se vincula con fenómenos del lado del estudiantado como la racionalización estudiantil de la escritura con IA y el desafío de la detección de identidad en la detección de identidad con IA socialmente fluida.

  • La detectabilidad es una propiedad del diseño de la tarea, no solo del detector. Ye et al. (2026) encontraron una concordancia entre modelos del 87,79–88,14% sobre el código generado, y aun así solo 1–14 árboles de sintaxis abstracta distintos por cada 1.000 archivos en funciones fuertemente restringidas, frente a 151–804 entre las entregas estudiantiles de 2021.

  • Los propios modelos que generan el texto sitúan la detección en último lugar entre las contramedidas. Lieske y Wadley (2026) plantearon una misma instrucción a ocho LLM y herramientas de búsqueda de Anthropic, Microsoft, Google, Meta, OpenAI, Perplexity y DeepSeek. A cada uno se le pidió nominar y ordenar seis técnicas para frenar las trampas con IA en tareas sin supervisión, y las 48 respuestas se agruparon en 15 enfoques compuestos. La detección fue el único enfoque que se repitió en la sexta posición, cuatro veces entre los ocho modelos, mientras que la personalización, las medidas de proceso asistidas por IA y el seguimiento oral encabezaron el orden. El trabajo no contiene datos empíricos y su ordenación mide el consenso entre modelos y no la eficacia; figura aquí como evidencia de cómo los sistemas que producen el texto sopesan la detección frente a las alternativas.

Implicaciones para la IA en la educación

  • La detección es situacional: las instituciones deberían usar las herramientas de detección con moderación y con conciencia de sus tasas de error, sus límites de equidad y su dependencia de la tarea, y no como una compuerta automática e independiente.

  • El diseño de la evaluación importa más que la vigilancia: invertir en evaluación auténtica y en evaluación basada en el proceso, donde el uso de la IA se espera y se declara, aborda la integridad de forma más eficaz que la detección por sí sola.

  • Equidad: las herramientas de detección que penalizan a quienes escriben en una lengua no nativa o que producen falsos positivos corren el riesgo de amplificar las inequidades existentes.

  • La alfabetización en IA es complementaria: ayudar al estudiantado a comprender el uso apropiado frente al uso perjudicial de la IA resulta más productivo que confiar en la vigilancia.

  • Precaución sobre la fiabilidad de la detección. Una revisión sistemática sobre la IA y la integridad académica concluye que las herramientas de detección de plagio e IA no pueden considerarse fiables para el trabajo generado por IA y deberían combinarse con múltiples métodos de evaluación y revisión manual, lo que refuerza que la detección es una herramienta limitada y situacional.(Balalle et al., 2025)

  • Más allá de la detección: diálogo en lugar de vigilancia. Un relato de un profesional sobre el marco de verificación del aprendizaje de la Grand Canyon University (Mandernach (2026)) sostiene que la mejor respuesta al uso de la IA por el estudiantado es el diálogo, no la detección. Como los detectores son poco fiables (y están sesgados contra quienes escriben en una lengua no nativa), la GCU dejó de preguntar «¿usó el estudiante la IA?» y en su lugar pide al estudiantado que demuestre su comprensión en una breve conversación: una extensión del rediseño de la evaluación que trata la detección como un callejón sin salida y la verificación como buena docencia.

  • La confianza sobrepasa a la convicción, a costa de la docencia. En una encuesta a 20 profesionales de la educación superior, 15 informaron de una fuerte dependencia institucional del software de detección de IA, mientras que solo 4 expresaron confianza en él, y las personas encuestadas describieron un «agotamiento pedagógico» derivado de la vigilancia que desplazaba el diseño de la enseñanza y la tutoría del estudiantado (Chowdhury y Khan (2026)).

Concepciones erróneas

«Los detectores son poco fiables, pero están mejorando.» El fallo es estructural y no una cuestión de madurez, y una familia de modelos lo demuestra con claridad: su tasa de marcado como IA cayó del 94,9% al 6,8% a medida que el plan humano detrás del texto escrito por IA se volvía más detallado —estaba detectando la planificación humana y no la escritura de IA—, mientras que un detector competidor se mantuvo cerca del 92%, y ese mismo sistema etiquetó como humanos el 94,7% de los documentos humanos pulidos por IA. Las afirmaciones sobre exactitud dependen por completo de qué construcción del problema usó el conjunto de prueba.

«Los falsos positivos son raros, así que el riesgo es pequeño.» Son frecuentes justo en el trabajo que se quiere fomentar. La edición ligera con IA que cumple las directrices se marca entre el 38% y el 80%, y los originales recientes sin modificar entre el 9% y el 15%, con la escritura de áreas no STEM muy por encima de la de STEM. Un detector que acusa a una décima parte del trabajo humano intacto y a la mayor parte de la edición permitida no está cometiendo un error pequeño: está penalizando la conducta que la política invita.

«La pregunta que responde un detector es si la escritura es humana o de IA.» Ese binario es conceptualmente insostenible, y no solo difícil de calcular. La asistencia a la escritura existe en un continuo, la política de la mayoría de las instituciones permite parte de ella, y ningún umbral sobre una puntuación de salida se corresponde con una frontera defendible. El fallo medido es un fallo de política: las categorías que los detectores prometen no existen en el trabajo que el estudiantado entrega realmente.

«Un régimen de detección protege la integridad.» Puede socavarla. La detección fomenta un clima de sospecha que erosiona la confianza entre el estudiantado y el personal, y la literatura sobre integridad sitúa las palancas duraderas en el rediseño de la evaluación y no en la vigilancia. El mecanismo de la carrera armamentística implica además que el régimen cuesta cada vez más mientras mide cada vez menos: las tasas de marcado de referencia abarcaron del 0,0% al 100,0% según la intensidad de edición, lo que no es una señal de discriminación.

Conceptos conectados

Artículos conectados

Preguntas frecuentes relacionadas

Recursos relacionados

  • Process Feedback
    Una alternativa gratuita y basada en el proceso frente a la detección de IA: registra cómo se produjo un texto y lo convierte en un informe para una conversación sobre el aprendizaje, más que en un veredicto.

Incrustar esta página

Copia el código de abajo para incrustar esta página en un sistema de gestión del aprendizaje u otro sitio web. La versión incrustada muestra solo el contenido de la página: oculta el encabezado, la navegación y el pie de página del sitio.