Plagio y texto creativo: lo que un modelo de lenguaje sí puede detectar

A 30 de julio de 2026, un modelo de lenguaje puede ayudar a localizar frases parecidas, buscar paráfrasis y proponer un borrador, pero no puede resolver por sí solo si alguien plagió ni quién es el autor de un texto. Esas conclusiones requieren información que no está contenida únicamente en las palabras: qué fuentes consultó la persona, qué reglas aceptó, qué declaró, qué partes transformó y quién asume la responsabilidad.

La confusión nace porque varias herramientas producen un porcentaje. Un informe de similitud muestra coincidencias con un corpus. Un detector de escritura con IA estima si ciertos patrones se parecen a los de textos generados. Un modelo semántico recupera pasajes con significado cercano. Ninguno de esos números es un veredicto de plagio. El plagio es una relación entre un trabajo, sus fuentes y las normas de atribución; no una propiedad estadística de una frase.

Tres preguntas distintas que no deben compartir respuesta

¿Este texto coincide con otro?

Las herramientas clásicas dividen un documento en fragmentos y los comparan con páginas web, publicaciones o trabajos incluidos en su base. Pueden detectar copia literal con bastante precisión si la fuente está indexada. También marcan citas correctas, bibliografías, fórmulas y borradores anteriores del mismo autor. Por eso la propia guía de Turnitin explica que no comprueba plagio: destaca texto similar y deja a una persona evaluar si hubo conducta indebida.

Un porcentaje alto puede proceder de una cita extensa correctamente atribuida. Uno bajo puede esconder la apropiación de una idea, una traducción o una paráfrasis de una fuente que la base no contiene. El informe responde «¿qué se parece a qué dentro de este corpus?», no «¿hubo engaño?».

¿Este pasaje reformula una fuente?

Los modelos de representaciones semánticas convierten fragmentos en vectores y buscan cercanía de significado, aunque no compartan las mismas palabras. Son útiles para recuperar candidatos: una frase y una posible fuente que una búsqueda literal no habría unido. También producen ruido. Dos definiciones correctas del mismo concepto pueden parecerse; una expresión convencional puede aparecer en miles de textos; y un modelo puede encontrar parentesco temático sin que exista dependencia.

La salida correcta no es «plagio: 82%», sino una pareja inspeccionable: pasaje del trabajo, pasaje de la fuente, enlace, fecha y explicación de la relación. Después se revisan la atribución, el grado de transformación y las reglas aplicables. Un sistema que acusa pero no permite abrir la fuente está pidiendo fe.

¿Lo escribió una IA?

Esta es otra tarea. Los detectores de texto generado suelen medir regularidades estadísticas, usar un clasificador entrenado con ejemplos o buscar una marca introducida por un generador. Pueden funcionar en condiciones concretas, pero el resultado cambia con la longitud, el idioma, el modelo, la edición y la distribución de textos usada para probarlos.

El artículo Can AI-Generated Text be Reliably Detected? mostró que la paráfrasis puede reducir la detección de varios métodos y que incluso una marca puede ser imitada para hacer que texto humano parezca generado. Otro estudio, GPT detectors are biased against non-native English writers, encontró que detectores evaluados confundían con mayor frecuencia la escritura de personas no nativas. Son experimentos con diseños y muestras concretos, no una prueba de que toda detección sea imposible. Sí bastan para una conclusión operativa: una puntuación no debe convertirse, sin evidencia adicional, en acusación.

Por qué generar y detectar no son operaciones simétricas

Un modelo generativo produce una secuencia a partir de instrucciones y contexto. El usuario puede conservar la conversación, los documentos aportados y las versiones. El detector, en cambio, suele recibir solo el texto final. Intenta reconstruir un proceso perdido a partir de una señal que puede haber cambiado con cada edición. Cuanto más colaboran persona y máquina, menos sentido tiene una etiqueta binaria.

Además, «usó IA», «plagió» e «incumplió una norma» no son equivalentes. Una institución puede permitir lluvia de ideas y prohibir que el sistema redacte la respuesta final. Otra puede autorizar la generación si se declara. Un autor puede copiar a una persona sin IA; otro puede usar IA, verificar todo, reescribir y citar. La conducta se evalúa contra una regla conocida y un proceso documentado.

La creatividad asistida no elimina la responsabilidad

Los modelos sirven para variar un punto de vista, proponer estructuras, explorar voces o producir material que luego se selecciona y transforma. Eso puede ampliar las opciones del autor, pero fluidez no significa novedad, exactitud ni procedencia limpia. Un modelo puede repetir una fórmula gastada, inventar una referencia o generar un pasaje demasiado cercano a material visto durante el entrenamiento sin indicar de dónde procede.

La autoría también tiene una dimensión jurídica que varía por país. Como ejemplo documentado, la Oficina de Copyright de Estados Unidos concluyó en enero de 2025 que el uso de IA como herramienta no impide la protección de una obra, pero que el material generado solo queda protegido cuando existe suficiente autoría humana; proporcionar indicaciones, por sí solo, no ofrece necesariamente el control expresivo exigido. Esa conclusión interpreta la ley estadounidense, no una regla mundial ni una prueba de calidad artística.

En publicación científica, el criterio de responsabilidad resulta aún más claro. Las recomendaciones del ICMJE piden declarar cómo se usaron herramientas de IA, no aceptan chatbots como autores y mantienen a las personas responsables de exactitud, integridad, originalidad y citas. La máquina puede contribuir; no puede responder a una impugnación, revelar un conflicto de intereses ni corregir un artículo.

Un método más sólido que el detector único

Para evaluar integridad, la evidencia más útil combina producto y proceso:

• Definir la regla antes: qué usos de IA están permitidos, cuáles deben declararse y qué capacidad se evalúa.
• Conservar trazas proporcionadas: esquema, notas, fuentes, versiones, decisiones de edición y, cuando proceda, interacciones relevantes con la herramienta.
• Recuperar fuentes: cada coincidencia importante debe llevar al documento y al pasaje que permiten revisarla.
• Pedir explicación: la persona debe poder defender la tesis, reconstruir sus decisiones y corregir errores.
• Separar indicio y conclusión: similitud o detección pueden abrir una revisión, nunca cerrarla solas.
• Ofrecer contradicción: antes de sancionar, hay que comunicar la evidencia y permitir contexto, corrección o recurso.

La guía de UNESCO sobre IA generativa en educación e investigación, publicada el 7 de septiembre de 2023 y actualizada en enero de 2026, propone validar pedagógica y éticamente las herramientas, preservar la agencia humana y replantear evaluaciones cuando una máquina ya ejecuta bien la tarea que se pretendía medir. El objetivo no es vigilar cada adjetivo, sino diseñar una prueba en la que el proceso intelectual sea visible.

Cómo usar un modelo sin entregar la voz

En escritura creativa o académica, un flujo responsable puede separar funciones. Primero, la persona fija propósito, público, fuentes y afirmaciones que deberá sostener. Después usa el modelo para una tarea acotada: generar alternativas, cuestionar una estructura o localizar huecos. A continuación contrasta cada dato con la fuente original, decide qué conservar y reescribe. Por último registra la contribución de la herramienta según las reglas del contexto.

Este método produce una pregunta mejor que «¿cuánto de este texto es IA?»: ¿qué decisiones expresivas e intelectuales puede explicar y sostener la persona? Un historial no garantiza honestidad y una obra sin historial no prueba fraude, pero la combinación de fuentes, versiones y explicación ofrece evidencia mucho más pertinente que la textura estadística de la prosa.

La ficha de lectura

Ante cualquier sistema que prometa detectar plagio o certificar originalidad, conviene preguntar:

• Objeto: ¿detecta coincidencia, similitud semántica, generación con IA o una infracción concreta?
• Cobertura: ¿contra qué corpus, idiomas, géneros y longitudes fue evaluado?
• Evidencia: ¿permite abrir la fuente y revisar el pasaje?
• Error: ¿publica falsos positivos y falsos negativos en condiciones parecidas al uso?
• Procedimiento: ¿quién interpreta el indicio y cómo puede responder la persona afectada?

La capacidad transferible es esta: separar coincidencia, plagio y autoría de IA, y no aceptar una acusación que no muestre fuente, contexto, margen de error y derecho a explicar el proceso. Los modelos de lenguaje pueden mejorar la búsqueda y enriquecer la creación. El juicio sobre originalidad sigue necesitando pruebas rastreables y una persona responsable.