Si una herramienta indica que un texto ha sido generado en un 70 % por IA, es fácil pensar que ya tenemos una evidencia concluyente. Pero los detectores no saben quién ha escrito un texto ni cómo se ha elaborado. Analizan patrones lingüísticos y calculan probabilidades (Webb, 2025; Weber-Wulff et al., 2023).

Por tanto, su resultado no demuestra la autoría ni permite reconstruir el proceso seguido por el alumnado. Además, mientras las herramientas de IA generativa avanzan rápidamente, las tecnologías de detección continúan intentando alcanzarlas (Perkins et al., 2024; Webb, 2025).

La investigación acumulada muestra que confiar en un detector para tomar decisiones académicas puede provocar acusaciones injustas y, al mismo tiempo, dejar sin identificar buena parte de los textos generados o modificados con IA.

Un estudio que analizó catorce herramientas (doce públicas y dos comerciales) concluyó que no eran suficientemente fiables ni precisas. Producían falsos positivos y falsos negativos, y su rendimiento empeoraba cuando los textos habían sido traducidos automáticamente o reformulados (Weber-Wulff et al., 2023).

Otra investigación, realizada con 805 muestras y seis detectores, obtuvo resultados similares. La precisión media al identificar textos generados con IA sin modificar fue del 39,5%. Cuando se aplicaron técnicas sencillas para dificultar su detección, descendió hasta el 22,14%. Incluso los textos escritos íntegramente por personas fueron clasificados correctamente solo en un 67% de los casos, lo que supone una tasa de error del 33% (Perkins et al., 2024).

En este sentido, debemos preguntarnos no solo cuántos textos generados por IA detecta una herramienta, sino también cuántos textos humanos clasifica erróneamente.

El rendimiento de los detectores disminuye cuando un texto pasa por técnicas creadas para evitar su identificación. La supervisión se convierte así en un juego constante del gato y el ratón (Perkins et al., 2024; Webb, 2025).

Al principio bastaba con utilizar herramientas de parafraseo. Ahora existen plataformas comerciales diseñadas específicamente para engañar a los detectores mediante procesos de «humanización», como Undetectable.ai. También pueden modificarse las estructuras de las frases, introducir pequeños errores deliberados o alterar la variación entre oraciones para reducir la probabilidad de detección (Perkins et al., 2024; Webb, 2025).

Esta situación también abre una brecha de equidad. El alumnado con mayor competencia digital, acceso a herramientas avanzadas de pago o conocimientos sobre ingeniería de instrucciones puede esquivar estos controles con más facilidad (Perkins et al., 2024). En cambio, quienes disponen de menos recursos quedan más expuestos.

La investigación también ha advertido de un mayor riesgo de falsos positivos entre las personas que escriben en una segunda lengua. Algunos patrones lingüísticos más previsibles pueden ser interpretados erróneamente como señales de generación automática (Liang et al., 2023, como se citó en Perkins et al., 2024).

Por tanto, no estamos únicamente ante un problema técnico. Estamos ante una cuestión educativa, ética y de equidad.

Ante las limitaciones del software, podemos sentir la tentación de confiar en nuestra intuición. Sin embargo, las personas tampoco identificamos de forma fiable los textos generados por IA (Scarfe et al., 2024, como se citó en Webb, 2025; Webb, 2025).

Alrededor de la detección han aparecido numerosos mitos. El uso de guiones largos o de mayúsculas incorrectas se presenta a veces como una señal de escritura automatizada. Pero estos rasgos también forman parte de la escritura humana y carecen de valor diagnóstico (Webb, 2025).

Los experimentos realizados en evaluaciones universitarias reales son especialmente reveladores. En pruebas a ciegas, el profesorado no detectó entre el 94 % y el 97 % de los trabajos generados por IA (Scarfe et al., 2024, como se citó en Webb, 2025).

Formar a las personas para reconocer supuestas señales de IA tampoco resuelve necesariamente el problema. Puede mejorar la identificación de algunos textos, pero también aumentar de manera importante los falsos positivos (Hardie et al., como se citó en Webb, 2025; Hyatt et al., 2025).

Ni una herramienta ni una impresión personal deberían convertirse, por sí solas, en una prueba.

Existe otro riesgo que no deberíamos pasar por alto. Cuando el profesorado introduce una actividad académica en un detector gratuito encontrado en internet, puede estar compartiendo contenido y datos personales sin contar con un marco institucional adecuado.

Además de no saber si el resultado será fiable, desconocemos qué hará la plataforma con el contenido, durante cuánto tiempo lo conservará o si lo utilizará para otros propósitos. Esta práctica puede comprometer la privacidad y los derechos de propiedad intelectual del alumnado (Webb, 2025; Weber-Wulff et al., 2023). Por eso, no deberíamos subir trabajos académicos a cualquier detector disponible en línea.

Incluso si un detector fuera completamente preciso, seguiría sin responder a la pregunta educativa más importante.

Saber que se ha utilizado IA no nos explica para qué se ha utilizado, qué decisiones se han tomado, qué se ha comprendido ni qué parte del resultado puede defender el alumnado como propia (Dawson & Lui, 2024, como se citó en Webb, 2025; Webb, 2025).

Una persona puede utilizar IA para evitar pensar, pero también para buscar contraargumentos, comprobar si ha entendido una idea o recibir comentarios sobre un borrador. La presencia de la herramienta no determina por sí sola la calidad del aprendizaje. La diferencia está en el uso y en el lugar que ocupa dentro del proceso.

Frente a una cultura basada en la vigilancia, necesitamos avanzar hacia un enfoque holístico, pedagógico e inclusivo de la evaluación (Joint Council for Qualifications [JCQ], 2024; Perkins et al., 2024; Webb, 2025).

En el ámbito institucional, esto implica trabajar sobre tres pilares:

También necesitamos diseñar evaluaciones que nos permitan observar cómo se ha construido el aprendizaje. Por ejemplo, podemos pedir:

• Un esquema inicial o una primera hipótesis.
• Las fuentes consultadas y los criterios empleados para seleccionarlas.
• La justificación de las decisiones tomadas.
• Los cambios realizados entre distintas versiones.
• Una explicación o defensa oral del resultado.
• La documentación del uso de la IA y la revisión crítica de sus aportaciones (Perkins et al., 2024; Webb, 2025; Weber-Wulff et al., 2023).

No podemos limitarnos a pedir al alumnado que declare cómo ha utilizado la IA. Debemos acompañarlo para que aprenda a hacerlo.

Esto implica explicar con claridad cuándo puede utilizarse, con qué propósito, qué límites deben respetarse y cómo hacer visible su intervención. Marcos como la AI Assessment Scale pueden ayudarnos a compartir estos criterios y diferenciar distintos niveles de uso (Furze et al., 2024, como se citó en Perkins et al., 2024; Webb, 2025).

Pero la transparencia también debe formar parte de nuestra propia práctica profesional (Foltýnek et al., 2023; Webb, 2025). Si utilizamos IA para preparar materiales, elaborar esquemas o revisar una propuesta, podemos explicar cómo la hemos empleado, qué información hemos verificado, qué aportaciones hemos descartado y qué decisiones siguen dependiendo de nuestro criterio profesional (Webb, 2025).

No podemos educar en un uso transparente, ético y responsable de la IA si nuestra propia utilización permanece invisible.

Renunciar a confiar en los detectores no significa ignorar la integridad académica. Significa abordarla con herramientas educativas más sólidas (Perkins et al., 2024; Weber-Wulff et al., 2023).

Un detector podría utilizarse con cautela, dentro de un marco institucional y como un indicador secundario que invita a observar. Pero nunca debería convertirse en un veredicto ni en la única base para sancionar (JCQ, 2024; Webb, 2025).

Ante una duda, necesitamos revisar las evidencias, conversar con el alumnado y tratar de comprender el proceso seguido.

El objetivo de la educación no debería ser descubrir quién ha utilizado IA, sino comprobar qué se ha aprendido y acompañar a todo el alumnado para que utilice estas tecnologías con responsabilidad, criterio y ética (Webb, 2025; Weber-Wulff et al., 2023).

Referencias

Dawson, P. y Lui, D. (2024). Talk is cheap: Why structural assessment changes are needed for a time of GenAI. [Citado en Webb, 2025]. Jisc National Centre for AI.

Foltýnek, T., Bjelobaba, S., Glendinning, I., Khan, Z. R., Santos, R., Pavletic, P. y Kravjar, J. (2023). ENAI Recommendations on the ethical use of Artificial Intelligence in Education. International Journal for Educational Integrity, 19(1), Artículo 1. https://doi.org/10.1007/s40979-023-00133-4

Hyatt, J.-P. K., et al. (2025). Using aggregated AI detector outcomes to eliminate false positives in STEM-student writing. [Citado en Webb, 2025]. Jisc National Centre for AI.

Joint Council for Qualifications. (2024). AI use in assessments: Protecting the integrity of qualifications. JCQ. https://www.jcq.org.uk/knowledge-hub/ai-use-in-assessments-your-role-in-protecting-the-integrity-of-qualifications/

Kar et al. (2024). Testing accuracy of AI detection tools. [Citado en Webb, 2025]. Jisc National Centre for AI.

Lui et al. (2024). Evaluating AI content detectors. [Citado en Webb, 2025]. Jisc National Centre for AI.

Perkins, M., Roe, J., Vu, B. H., Postma, D., Hickerson, D., McGaughran, J. y Khuat, H. Q. (2024). Simple techniques to bypass GenAI text detectors: Implications for inclusive education. International Journal of Educational Technology in Higher Education, 21(1), Artículo 53. https://doi.org/10.1186/s41239-024-00487-w

Scarfe, P. et al. (2024). A real-world test of artificial intelligence infiltration of a university examinations system: A «Turing Test». [Citado en Webb, 2025]. Jisc National Centre for AI.

Webb, M. (2025, 24 de junio). AI detection and assessment – An update for 2025. Jisc National Centre for AI. https://nationalcentreforai.jiscinvolve.org/wp/2025/06/24/ai-detection-assessment-2025/

Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P. y Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19(1), Artículo 26. https://doi.org/10.1007/s40979-023-00146-z