Detector de IA en el TFG: qué indica y cómo responder

Hasta 2026, la mayoría de herramientas conocidas por el estudiante no buscaba una marca oculta del proveedor: analizaba el texto y devolvía una clasificación o estimación. Desde agosto de 2026 hay que distinguir esa detección probabilística de una segunda vía, la procedencia incorporada en origen, que la normativa europea exige a los proveedores cuando sea técnicamente viable.

Ninguna de las dos reconstruye por sí sola quién tomó las decisiones, qué parte se modificó ni si el uso estaba permitido. Una señal puede orientar una revisión; no sustituye el expediente académico ni la evaluación humana.

La pregunta útil no es «¿cómo lograr que marque cero?», sino qué exige la universidad, qué significa realmente el informe y qué evidencia permite revisar el proceso de autoría. Intentar reescribir para engañar a una herramienta puede deteriorar el trabajo y no resuelve una posible infracción académica.

No hay un detector oficial para todas las universidades

Cada institución decide sus normas, licencias y procedimientos. Incluso dentro de una universidad pueden variar entre centros, titulaciones y cursos. Una guía antigua o una recomendación informal no demuestra qué se aplica en la convocatoria actual.

Busque, por este orden, normativa de integridad académica, guía docente o del TFG, instrucciones de depósito y comunicaciones oficiales. Pregunte al tutor o coordinación qué usos están permitidos, si deben declararse, qué herramienta se emplea y cómo se revisa un resultado. Guarde la respuesta cuando condicione su forma de trabajar.

Por ese motivo, no es riguroso afirmar que una universidad concreta usa ZeroGPT, GPTZero o Turnitin sin una fuente institucional vigente. Tampoco que «la mayoría» de centros emplea una función determinada si no existe un censo verificable y actualizado.

Marca de agua, metadatos y detector: tres cosas diferentes

El artículo 50 del Reglamento europeo de IA, aplicable desde el 2 de agosto de 2026, obliga a los proveedores a hacer que las salidas generadas —incluido el texto— estén marcadas en formato legible por máquina y sean detectables, en la medida en que resulte técnicamente viable. Según el código de prácticas de la Comisión, las soluciones deben ser eficaces, interoperables, robustas y fiables, pero también deben considerar las limitaciones de cada modalidad y el estado de la técnica.

Conviene separar:

• un clasificador, que estima autoría a partir de patrones aunque no conozca el sistema que generó el texto;
• una marca de agua textual, que altera de forma controlada las elecciones del modelo para insertar una señal estadística;
• metadatos, credenciales de procedencia, huellas o registros, que pueden acompañar un archivo o permitir verificar su origen por otras vías.

La expresión «marca de agua» se usa a menudo para todas ellas, pero no son intercambiables. Copiar un texto puede eliminar ciertos metadatos sin borrar necesariamente una señal estadística; editarlo, mezclarlo o traducirlo puede debilitar algunas técnicas, mientras otras se diseñan para resistir cambios. Los estudios científicos ofrecen resultados distintos según el algoritmo, la longitud y el ataque, de modo que no existe una regla como «cambiar el 20 % lo hace indetectable».

¿Claude ya marca todos sus textos?

No hay respaldo oficial para afirmarlo así. Anthropic aparece como firmante de la sección 1 del código europeo, junto a otros grandes proveedores. Sin embargo, su Transparency Hub dice que ha explorado tecnologías de marcado y que prepara el cumplimiento de las leyes en los plazos aplicables; no anuncia una marca universal en cada respuesta de Claude ni ofrece a las universidades un verificador público para cualquier texto pegado.

La formulación rigurosa es esta: la obligación europea ya está vigente y Claude entra en el movimiento hacia mayor trazabilidad, pero la implantación concreta y su capacidad de sobrevivir a cada transformación no están documentadas públicamente como una garantía total. Lo mismo vale para la predicción de que «pronto todos» usarán la misma marca: varios proveedores han firmado el código, pero pueden cumplir mediante técnicas diferentes.

Este matiz no reduce el riesgo de delegar un TFG. Al contrario: demuestra que fiar la estrategia a las limitaciones actuales de un detector es frágil. Una actualización del proveedor, del verificador o de la institución puede cambiar qué señales se observan, y la trazabilidad documental y la defensa siguen existiendo aunque el porcentaje automático sea bajo.

Qué dice realmente un informe de Turnitin

Turnitin separa el informe de similitud de su informe de escritura con IA. En su guía de uso del AI Writing Report, la propia empresa advierte que el modelo puede identificar de forma errónea texto humano, generado por IA o parafraseado y que no debe utilizarse como única base para tomar medidas adversas contra un estudiante.

Su guía sobre cómo revisar el informe presenta el porcentaje como la parte del texto evaluable que el modelo considera probable, no como una conclusión definitiva. «20 %» no significa «20 % de fraude», ni el complemento representa autoría humana certificada.

El resultado depende también de qué texto reúne los requisitos de análisis. Fragmentos breves, tablas, bibliografía, listas u otros contenidos pueden no formar parte del denominador. Las capacidades cambian por versión, idioma y actualización; las notas oficiales del modelo de detección de Turnitin son una referencia más segura que capturas sin fecha.

En mayo de 2026, Turnitin actualizó específicamente su modelo para textos en español para cubrir modelos generativos más recientes. La empresa aclara que la actualización no recalcula informes antiguos: el archivo debe reenviarse para obtener el resultado del modelo nuevo y su puntuación puede cambiar. Es una prueba concreta de por qué un informe siempre debe leerse con fecha y versión.

Similitud, plagio y escritura con IA no son lo mismo

El informe de similitud localiza coincidencias con materiales disponibles. Una coincidencia puede ser una cita bien marcada, una frase común, una plantilla o una copia no atribuida. Hace falta abrir las fuentes y revisar el contexto.

La detección de IA intenta clasificar patrones de escritura. Puede señalar texto original sin coincidencias y puede no señalar una salida generada. Ninguno de los dos informes decide si hubo plagio o incumplimiento: esa valoración combina texto, fuentes, reglas, proceso y revisión humana.

Además, la autoría no se agota en la redacción superficial. Referencias inventadas, datos sin procedencia, decisiones metodológicas que el estudiante no puede explicar o contradicciones entre borradores y versión final pueden ser más relevantes que un porcentaje. La defensa permite preguntar por ese proceso.

Por qué puede haber errores

Los clasificadores se entrenan con conjuntos y tareas que no reproducen todos los estilos académicos. Género, disciplina, idioma, edición humana y estructura del texto pueden afectar el resultado. Un modelo puede cambiar sin que cambie el documento. Por eso no se debe convertir una cifra en certeza sobre intención o conducta.

Tampoco existe un estilo humano que garantice «pasar» un detector. Frases cortadas artificialmente, sinónimos forzados y errores introducidos para bajar una puntuación dañan claridad y pueden levantar otras dudas. Los servicios que prometen indetectabilidad no pueden garantizar el comportamiento de modelos que no controlan y orientan el trabajo hacia la evasión, no hacia su calidad.

La UNESCO propone un enfoque humano para la IA generativa en educación e investigación, con atención a privacidad, capacidad crítica y políticas institucionales. Esto no sustituye la norma de su centro, pero ayuda a entender por qué supervisión y transparencia son más importantes que automatizar una acusación.

Cómo prevenir un problema sin escribir para el detector

Empiece por la política vigente. Si permite ciertos usos, registre herramienta, fecha, finalidad, indicaciones relevantes y qué verificó o cambió. Si exige una declaración, siga su formato. No suba datos personales, material confidencial o documentos inéditos a servicios externos sin autorización.

Construya un expediente de trabajo natural:

• esquema y pregunta iniciales, con cambios justificados;
• notas de lectura y copia de las fuentes realmente consultadas;
• historial de versiones y comentarios del tutor;
• datos, diccionario, código o archivos de análisis cuando existan;
• decisiones sobre método, exclusiones, figuras y conclusiones;
• registro de herramientas y declaración solicitada por la institución.

No se trata de producir pruebas teatrales cada día. Un flujo ordenado deja rastro porque el trabajo evoluciona. Las versiones deben ser auténticas; crear borradores retrospectivos sería otra forma de engaño.

Revise cada cita abriendo la fuente, confirme que los datos existen y asegúrese de poder explicar por qué tomó cada decisión. Lea la guía sobre cómo usar IA en el TFG sin perder la autoría para separar apoyo permitido de sustitución intelectual.

Qué hacer si recibe un aviso o una acusación

Primero solicite información concreta: fragmentos señalados, versión del informe, fecha, herramienta, criterio aplicado y norma presuntamente incumplida. No discuta solo sobre un porcentaje ni borre archivos. Lea el procedimiento de evaluación, revisión o recurso de su centro y respete plazos.

Prepare una explicación factual del proceso. Relacione versiones, notas, fuentes, datos y comentarios con los apartados cuestionados. Si utilizó una herramienta permitida, muestre cómo y dónde se declaró. Si cometió un error, describa exactamente cuál fue; una negación general contradicha por el expediente agrava el problema.

Pida que el texto y el contexto sean revisados por una persona conforme al procedimiento institucional. No afirme un «derecho» genérico que quizá no esté formulado así en su normativa: identifique la regla concreta sobre audiencia, revisión o recurso que sí le sea aplicable. Si la consecuencia es grave, busque asesoramiento académico o jurídico independiente.

Cómo interpretar una revisión preventiva

Pasar el documento por varios detectores gratuitos no certifica su autoría. Los resultados pueden discrepar, cambiar con el tiempo y requerir que el texto se envíe a proveedores con condiciones desconocidas. Nunca cargue material confidencial sin valorar privacidad y propiedad intelectual.

Una revisión útil examina fuentes, citas, coherencia, trazabilidad, datos, decisiones y capacidad de defensa. El informe automático, si la institución lo utiliza, es solo una señal dentro de ese proceso. Nuestro servicio de revisión de originalidad puede ayudar a localizar problemas de citas y documentación, pero no promete una puntuación ni sustituye la decisión de la universidad.

El riesgo de esperar tampoco es neutro. Una paráfrasis que hoy reduce una señal puede conservar suficiente patrón para que una versión posterior del verificador la encuentre al reenviar el documento. Y aunque la señal textual se debilite, pueden quedar historial de versiones, grandes bloques pegados o una defensa que no encaja con el nivel del escrito. Nadie puede garantizar hoy qué comprobará el sistema que utilice su universidad mañana.

Si no quiere convertir la entrega en una apuesta contra herramientas que cambian cada pocos meses, puede pedir una revisión humana. Trabajamos desde 2014 con especialistas por área para revisar estructura, fuentes, método y coherencia antes de que el documento llegue al tutor o al tribunal.

Guías relacionadas

Consulte uso responsable de IA en el TFG, cómo citar correctamente y cómo preparar la defensa.

Fuentes consultadas

• Comisión Europea: código de prácticas sobre transparencia del contenido generado por IA
• Comisión Europea: estudios técnicos sobre marcado y detección
• Comisión Europea: firmantes del código de transparencia
• Anthropic: Transparency Hub
• Turnitin: actualizaciones del producto
• Kirchenbauer et al.: On the Reliability of Watermarks for Large Language Models
• Rastogi y Pruthi: Revisiting the Robustness of Watermarking to Paraphrasing Attacks