Detectores de contenido IA, cuánto falla cada herramienta

Los detectores de contenido IA prometen decir si un texto lo escribió una persona o un modelo, y muchas pymes los pasan por su blog antes de publicar para curarse en salud. El problema es que ese veredicto vale menos de lo que parece: las propias herramientas difieren entre sí en varios puntos porcentuales, y los estudios independientes encuentran bastantes más fallos que los que anuncian sus fabricantes. Si gestionas el blog de tu negocio o delegas parte de la redacción en una IA, conviene saber qué mide en realidad cada herramienta antes de tomar una decisión editorial basándote en su resultado.

Ningún detector de contenido IA es fiable al cien por cien: Turnitin admite menos del 1% de falsos positivos por documento, pero un estudio de Stanford midió un 61,3% en textos de personas que no tienen el inglés como lengua materna. La cifra depende de la herramienta, la longitud del texto y de quién lo escribió, no solo de si hubo IA de por medio.

Cómo funciona un detector de contenido IA

Un detector de contenido IA no lee el texto como una persona ni «reconoce» un estilo: mide patrones estadísticos. El más usado es la perplejidad, que calcula lo predecible que resulta cada palabra siguiente para un modelo de lenguaje; un texto muy uniforme en su elección de palabras puntúa bajo y se etiqueta como probable IA. El segundo es la burstiness, la variación en la longitud y complejidad de las frases: la escritura humana suele oscilar más que la de un modelo.

Herramientas como GPTZero, Originality.ai, Turnitin, Copyleaks o Pangram entrenan un clasificador con miles de textos etiquetados como humanos o generados, y fijan un umbral de probabilidad a partir del cual deciden marcar un párrafo. Ese umbral es una decisión de producto, no una ley física: subirlo reduce los falsos positivos a costa de dejar pasar más texto de IA sin detectar, y bajarlo hace justo lo contrario. Por eso el mismo artículo puede salir «limpio» en una herramienta y marcado en otra.

Lo que separan los datos oficiales de los detectores

La cifra que cada fabricante publica en su propia web no siempre coincide con lo que mide un tercero sin intereses en el resultado. Una investigación de 2025 de la Universidad de Chicago (Chicago Booth) comparó varios detectores comerciales frente a textos humanos y generados por los modelos más usados, y encontró una diferencia de entre 15 y 23 puntos porcentuales entre lo que anuncian los fabricantes y lo que arrojan los bancos de pruebas independientes.

El caso Turnitin: menos del 1% frente al 4% por frase

Turnitin, el detector más usado en el ámbito educativo, declara en su propio blog una tasa de falsos positivos por debajo del 1% cuando el documento completo tiene un 20% o más de contenido generado por IA. Pero esa cifra no es la que ve quien revisa un texto: la herramienta resalta frases sueltas, y ahí la tasa de error sube a alrededor del 4%, es decir, una de cada veinticinco frases marcadas como IA está en realidad escrita por una persona. El dato tranquilizador es el del documento; el que se usa de verdad en la práctica, el de la frase, es cuatro veces peor.

Quién corre más riesgo de un falso positivo

El riesgo de falso positivo no se reparte igual entre todos los textos. La investigación de Stanford publicada en la revista Patterns en 2023 sometió a siete detectores comerciales 91 ensayos de TOEFL escritos por personas que no tienen el inglés como lengua materna, y la tasa media de falso positivo fue del 61,3%; más del 91% de esos ensayos fue marcado como IA por al menos un detector. En ensayos de estudiantes nativos de educación secundaria, la tasa de falso positivo fue prácticamente cero.

Un falso positivo es que un detector marque como generado por IA un texto que, en realidad, escribió una persona de principio a fin. No mide intención ni autoría real: mide si el estilo se parece estadísticamente al de un modelo de lenguaje.

Por qué el texto traducido o muy plantillado falla más

La explicación técnica es la misma perplejidad del principio. Una redacción en segunda lengua, o un texto escrito siguiendo una plantilla rígida de palabras clave y estructura fija, usa un vocabulario más limitado y construcciones más previsibles que la prosa libre de un nativo. Eso es exactamente lo que un detector interpreta como «poco humano». Para una pyme que traduce contenido, que sigue plantillas de ficha de producto muy cerradas, o que automatiza partes del flujo editorial, ese estilo plano puede disparar una alarma sin que haya habido IA de por medio.

Consecuencias para tu contenido generado con IA

Si el propio dato del fabricante varía según cómo se mida, usar «ha pasado el detector» como criterio de calidad editorial es apoyarse en un número que ni siquiera sus creadores sostienen con firmeza. Google, además, no usa detectores de terceros para decidir si posiciona un artículo: lo que de verdad penaliza Google en el contenido con IA es la falta de utilidad, no el origen de las palabras, como se explica en este análisis sobre contenido generado por IA.

Lo que de verdad protege una pieza, tanto de una acusación injusta como de un problema real de calidad, es el proceso con el que se publica. La revisión humana antes de publicar detecta lo que un detector no puede: si el dato es correcto, si el enlace funciona y si el artículo dice algo que un lector del sector no sabía ya. Es la misma lógica que explicamos en cómo funciona nuestro proceso de generación: la IA escribe, pero nada sale sin pasar antes por una revisión.

Señales más fiables que pasar un detector

En vez de perseguir una puntuación de probabilidad que cambia según la herramienta y el día, conviene mirar señales que sí se pueden auditar y que además son las que valoran tanto el lector como el buscador.

• Datos propios o verificables, no solo afirmaciones generales sobre el sector.
• Fuentes primarias enlazadas y comprobadas, no el blog del competidor de turno.
• Ejemplos y casos concretos que un profesional del sector reconocería como reales.
• Desarrollo real en cada apartado, no encabezados que se despachan en dos frases.
• Revisión humana antes de publicar, con corrección de lo que la IA da por bueno sin comprobarlo.

Ninguna de estas señales depende de un umbral que el fabricante puede mover de una versión a otra. Un dato se verifica, un enlace se comprueba con un simple clic y un apartado vacío se nota al leerlo. Son criterios que explican por qué un artículo funciona, en lugar de limitarse a decir si lo escribió una persona o una máquina, que es una pregunta cada vez más difícil de responder con certeza y cada vez menos relevante para quien busca información útil.

Preguntas frecuentes sobre detectores de contenido IA

¿Google penaliza si un detector marca tu artículo como IA?

No. Google no usa detectores de terceros para decidir qué posiciona, y nunca ha confirmado que lo haga. Lo que evalúa es si el contenido es útil, original y está bien respaldado, con independencia de si se escribió con ayuda de IA. Un detector equivocado no tiene ningún efecto sobre tu posicionamiento real.

¿Qué detector de contenido IA es más fiable?

Ninguno es fiable al cien por cien. La investigación de Chicago Booth de 2025 encontró que Pangram tuvo la tasa de falso positivo más baja del grupo comparado, cercana a cero, frente a cifras bastante más altas en otros detectores comerciales habituales. Aun así, ningún detector elimina el riesgo de equivocarse con un texto concreto.

¿Puede un texto 100% humano dar falso positivo?

Sí, y ocurre con más frecuencia de la que los fabricantes admiten en su publicidad. El estudio de Stanford de 2023 midió una tasa media del 61,3% de falsos positivos en textos de personas que no tienen el inglés como lengua materna, frente a una tasa casi nula en textos de hablantes nativos con el mismo contenido.

Fuente: Chicago Booth Review