Detector de IA en trabajos: límites y qué hacer

Un resultado de un detector de IA no basta, por sí solo, para demostrar que usaste ChatGPT en un trabajo. Estas herramientas pueden marcar textos humanos por error y también pasar por alto textos generados. La respuesta responsable es revisar las reglas del curso y el proceso de elaboración, con intervención humana.

Esta guía distingue lo que muestran dos fuentes de 2023 de lo que puedes hacer ante una revisión académica. No promete que conservar borradores resuelva cualquier desacuerdo: propone organizar evidencia real y explicar con precisión qué hiciste, qué herramientas utilizaste y qué decisiones tomaste tú.

OpenAI publicó un clasificador de texto generado por IA en 2023. En su evaluación con un conjunto de textos en inglés, identificó correctamente como «probablemente escritos por IA» el 26 % de los textos generados. También clasificó erróneamente como IA el 9 % de los textos escritos por personas: esos fueron falsos positivos.

Los porcentajes corresponden a esa herramienta y a ese conjunto de evaluación. No significan que un texto marcado tenga una probabilidad equivalente de ser generado, ni describen el desempeño de todos los detectores actuales. Para interpretar cualquier cifra, necesitas saber qué se midió y sobre qué textos.

OpenAI retiró el clasificador en julio de 2023 por baja precisión. La empresa también advirtió que no debía emplearse como herramienta principal para decidir el origen de un texto. Su retirada ilustra un límite documentado, sin establecer una tasa de error universal.

Liang y sus colaboradores publicaron en Patterns, en 2023, un estudio sobre detectores de GPT y escritura de hablantes no nativos de inglés. Encontraron que los detectores evaluados clasificaban erróneamente textos de esos autores como generados por IA. El hallazgo plantea una preocupación de equidad en contextos académicos.

El alcance importa: se estudió la escritura en inglés de un grupo concreto. No puedes trasladar automáticamente el resultado a todos los idiomas, todos los estudiantes o todas las herramientas. Tampoco demuestra qué ocurrió en tu entrega. Sí justifica que una alerta se examine con cuidado y que tengas oportunidad de explicar tu proceso antes de extraer conclusiones sobre tu conducta.

Una etiqueta describe la clasificación de un texto; no contiene el historial de cómo lo elaboraste. No muestra qué leíste, cómo cambió tu argumento ni qué ayuda estaba autorizada. Por eso, para revisar una entrega hacen falta las instrucciones de la tarea y evidencia del trabajo, además de interpretar correctamente cualquier resultado automático.

El significado de un porcentaje depende de la herramienta. Puede representar una medida definida por el proveedor, así que no asumas que es siempre confianza estadística o una probabilidad de infracción. Lee la explicación del resultado y pregunta cómo se utilizó en la revisión.

También distingue autoría y cumplimiento. Aunque un texto sea tuyo, podría incorporar ayuda no autorizada. Y una alerta errónea no demuestra que hayas incumplido. La evaluación debe considerar qué permitía la actividad y qué hiciste realmente, sin sustituir esas preguntas por una cifra.

Empieza por el programa y las instrucciones de la entrega. Comprueba si permiten usar IA para explicar conceptos, revisar redacción o generar texto, y con qué condiciones. Si no queda claro, pregunta por la tarea específica antes de usar la herramienta. Una autorización para estudiar no implica necesariamente autorización para redactar la entrega.

Considera este ejemplo ilustrativo: Martina entrega un ensayo de filosofía y su docente pide revisar la autoría tras recibir una alerta automática. Ella solicita conocer qué fragmentos se cuestionan y qué procedimiento de revisión corresponde. Reúne sus notas de lectura, el esquema inicial y los borradores con fecha.

Si utilizó IA, describe su uso con honestidad y aporta el registro disponible. Si el curso la prohibía, una cita o un resultado favorable de un detector no cambia esa regla. Explica lo ocurrido y sigue el procedimiento de la institución; no inventes borradores ni presentes registros reconstruidos como si fueran originales.

Guarda borradores con fecha y, cuando esté disponible, el historial de versiones. Conserva también notas de lectura y referencias de las fuentes consultadas. Estos materiales pueden ayudar a explicar decisiones concretas: por qué cambiaste una tesis, descartaste una fuente o reorganizaste una sección.

Lleva el registro en tus propios archivos mientras trabajas. Si usas una herramienta permitida, anota la fecha, el propósito, las instrucciones y qué hiciste con la respuesta. No necesitas registrar cada clic; prioriza las intervenciones que afectaron el contenido o la redacción de la entrega.

Una plantilla práctica tiene cinco campos: fecha y tarea; herramienta y versión si se conoce; prompt; respuesta relevante y cambios realizados; fuentes verificadas. Si algún dato no está disponible, indícalo sin inventarlo. El registro debe reflejar el proceso real y respetar las instrucciones de entrega.

Antes de interpretar una alerta, comprueba qué afirma realmente el resultado. Evita estos errores al preparar una explicación o responder a una revisión académica:

Lumia AI permite crear o editar flashcards, generar tarjetas y quizzes con IA desde apuntes o PDF, organizar el material en libros y repasar con repetición espaciada según tus valoraciones. También ofrece tutor de chat, rutas de aprendizaje, importación de Anki .apkg y apps web y móviles.

Revisa las preguntas y respuestas generadas antes de estudiarlas. Conserva en tus archivos las referencias y los procedimientos que necesites explicar en un trabajo. Una tarjeta corregida puede ayudarte a practicar; no certifica autoría ni reemplaza el registro de cómo preparaste la entrega.

Ante una revisión, vuelve a lo verificable: las reglas del curso, los borradores auténticos, las fuentes y una explicación honesta de la ayuda recibida. Esos elementos dan contexto que una etiqueta automática, por sí sola, no ofrece.