Un detector de IA dijo que un texto de hace 30 años lo escribió una IA. Así se lee de verdad una acusación de este tipo

Un estudiante de posgrado de la Escuela de Negocios de Yale, identificado en la demanda solo como "John Doe", quería demostrar algo en su defensa: que el detector de IA que lo había acusado no servía para lo que decía servir. Cogió textos académicos publicados por Peter Salovey, expresidente de Yale, y por otros profesores de la propia universidad —algunos con más de treinta años de antigüedad— y los pasó por GPTZero. El detector devolvió un "100% de probabilidad" de que esos textos, escritos décadas antes de que existiera ningún modelo de lenguaje, fueran obra de una IA. Era, literalmente, imposible. La demanda sigue en curso (Doe v. Yale University, 3:25-cv-00159, presentada en febrero de 2025); el estudiante ya cumplió un año de suspensión. Si alguna vez te preguntas si un texto —el tuyo, el de tu hijo, el de un alumno— "lo escribió una IA", esto es lo primero que hay que saber: la herramienta que suele responder esa pregunta se equivoca con la seguridad de quien tiene razón.

Lo que un detector puede ver de verdad, y por qué falla

Los detectores no leen significado: miden qué tan predecible es tu elección de palabras, una propiedad que se llama "perplejidad". Un texto con vocabulario sencillo y estructura muy regular tiene perplejidad baja, y los modelos de IA generan por defecto texto de perplejidad baja —así que un puntaje bajo se interpreta como señal de origen artificial. El problema es que la perplejidad baja no es exclusiva de la IA: también es exactamente cómo escribe, de forma natural, cualquier persona que aprendió inglés como segunda lengua, alguien con un estilo directo, o un estudiante neurodivergente.

Un equipo de Stanford lo midió con precisión en 2023: pasaron 91 redacciones TOEFL —escritas enteramente por personas reales, no nativas de inglés— por siete detectores comerciales. El resultado: una tasa media de falsos positivos del 61,22%. El 97,80% de esas redacciones fueron marcadas como IA por al menos un detector, y el 19,78% —18 de 91— por los siete detectores a la vez, unánimemente, sobre texto cien por cien humano. Cuando los investigadores usaron ChatGPT para "enriquecer" el vocabulario de esas mismas redacciones, la tasa de falsos positivos cayó del 61,22% al 11,77%: usar IA para mejorar un texto humano lo hace parecer menos artificial a ojos del detector. Y en la dirección contraria, el mismo equipo demostró que un texto genuinamente generado por IA puede reducir su perplejidad —y esquivar la detección— con instrucciones de prompt sencillas. El detector no distingue autoría: distingue estilo, y el estilo se puede fabricar en cualquier sentido.

Lo que las universidades ya han comprobado por su cuenta

Esto no se quedó en un paper. Vanderbilt desactivó el detector de IA de Turnitin en agosto de 2023 y lo explicó sin rodeos: "no creemos que el software de detección de IA sea una herramienta efectiva que deba usarse", señalando además que Turnitin "no da información detallada sobre cómo determina si un texto está generado por IA". Con la tasa de falsos positivos que la propia Turnitin declaraba entonces (1%) sobre las 75.000 redacciones que Vanderbilt procesó en 2022, eso son unas 750 redacciones humanas potencialmente mal etiquetadas en un solo año, en una sola universidad. Pittsburgh, Boston University y Georgetown desactivaron la herramienta ese mismo verano; más de sesenta instituciones en cinco países la han desactivado desde entonces, la mayoría citando explícitamente el sesgo contra estudiantes no nativos que ya había medido el estudio de Stanford. No es un problema que se haya resuelto con el tiempo: la Universidad Curtin de Australia desactivó su propio sistema el 1 de enero de 2026 —más de dos años después del estudio original de Stanford—, hablando de "fomentar la confianza y la claridad" en la evaluación académica. La tecnología ha cambiado de nombre varias veces desde 2023; el defecto de fondo no.

La escala del problema se ve en los números de instituciones que sí siguieron usando estos sistemas: la Universidad Católica Australiana registró cerca de 6.000 casos de presunta mala conducta académica en 2024, el 90% relacionados con supuesto uso de IA, y una cuarta parte acabó desestimada tras revisión —cualquier caso donde el detector de Turnitin fuera la única prueba se desestimó de inmediato—. Documentos internos revelaron que la universidad conocía la falta de fiabilidad de la herramienta desde hacía más de un año antes de retirarla, en marzo de 2025. Una de esas alumnas, identificada como "Madeleine", pasó seis meses con sus notas retenidas mientras hacía prácticas de enfermería, hasta que la absolvieron — y sospecha que ese retraso le costó una oferta de trabajo. No es un margen de error pequeño: es una cuarta parte de las acusaciones cayéndose en cuanto alguien se toma la molestia de mirar más allá del puntaje.

Qué pedir antes de aceptar una acusación

Ni "los detectores no sirven para nada" ni "si el detector lo dice, es cierto" son honestos. Lo que sostiene la evidencia es más estrecho y más útil:

1. Ningún puntaje de un solo detector es prueba por sí mismo. Con una tasa de falsos positivos documentada de hasta el 61% en escritura real, un "82% de probabilidad de IA" no es una condena: es un dato que hay que corroborar con algo más.
2. Pregunta si el sistema conoce el historial de escritura del acusado. Borradores previos, historial de revisión de un documento, o una redacción en directo pesan más que un puntaje sobre el texto final.
3. Ten en cuenta quién tiene más probabilidad de escribir "bajo en perplejidad" por razones legítimas. No nativos de inglés, estilos directos, ciertas condiciones neurodivergentes: un puntaje alto en estos casos dice tanto sobre cómo escribe la persona como sobre qué escribió.
4. Recuerda que funciona en las dos direcciones. Un texto humano puede parecer artificial, y un texto de IA puede parecer humano con un ajuste mínimo del prompt. El puntaje mide estilo, no autoría.

Aplicadas al caso de Yale: (1) el puntaje del examen final no venía acompañado de nada más; (2) no hay indicio de que se comparara con exámenes o trabajos anteriores del alumno; (3) es un hablante no nativo de inglés, exactamente el perfil que el estudio de Stanford marca en exceso; (4) él mismo demostró la reversibilidad probando el detector contra texto que no podía ser de IA. Las cuatro preguntas apuntan en la misma dirección, y es la dirección que está litigando un tribunal federal ahora mismo.

La próxima vez que un detector —el que exista entonces, con el nombre que tenga— entre en una conversación sobre si alguien hizo trampa, estas cuatro preguntas siguen sirviendo. Los detectores cambiarán de versión; la forma en que fallan, estructuralmente, no.

Para quien quiera ir más lejos

• El estudio de Stanford, "GPT detectors are biased against non-native English writers" (Liang et al., 2023), con la metodología completa y las cifras de falsos positivos.
• La explicación oficial de Vanderbilt sobre por qué desactivó el detector de IA de Turnitin (agosto de 2023).
• El resumen legal de Crowell & Moring sobre la demanda Doe v. Yale University (caso 3:25-cv-00159, en curso).
• La cobertura de Yahoo News/Poets&Quants sobre la prueba del estudiante con textos de Peter Salovey.
• El reportaje de RNZ sobre las casi 6.000 acusaciones de la Universidad Católica Australiana y el caso de "Madeleine".
• La noticia de EdTech Innovation Hub sobre Curtin University desactivando su detector el 1 de enero de 2026.