Los detectores de IA fallan: lo que el estudio de Turnitin revela sobre los límites de la prueba electrónica

Los detectores de IA fallan: lo que el estudio de Turnitin revela sobre los límites de la prueba electrónica

Un estudio publicado en junio de 2026 en la revista Education and Information Technologies de Springer Nature confirma, con evidencia empírica, algo que quienes ejercemos la peritación documental e informática forense veníamos advirtiendo desde hace tiempo: los detectores automáticos de contenido generado por inteligencia artificial no son confiables como prueba concluyente. El trabajo, elaborado por el investigador Lucky E. Atamhenwan, sometió a Turnitin a un experimento riguroso con 81 documentos y cuatro modelos de lenguaje —ChatGPT, Microsoft Copilot, Google Gemini y Grammarly— y sus resultados tienen consecuencias directas para el ámbito académico, laboral y judicial.

1. Qué hizo el estudio

El investigador construyó documentos de aproximadamente 4.000 palabras combinando, en proporciones crecientes, texto escrito por humanos y texto generado por los cuatro sistemas de IA mencionados (5 %, 10 %, 15 %, 20 %, 30 %, 50 %, 70 % y 100 % de contenido artificial). Cada documento fue analizado por Turnitin para comparar el porcentaje de IA que el sistema detectaba frente al porcentaje real que efectivamente contenía. En una segunda fase, los textos generados íntegramente por IA fueron sometidos además a herramientas de «humanización» —QuillBot, EasyEssayAI y RyneAI— diseñadas para reformular el texto y evadir la detección.

2. Hallazgos relevantes

• Umbral ciego: Turnitin no detectó ningún indicio de IA cuando esta representaba el 5 % o el 10 % del texto total; el sistema marcó 0 % en ambos casos.
• Sobreestimación en proporciones bajas: entre el 15 % y el 20 % de contenido real de IA, el sistema tendió a inflar la cifra reportada (por ejemplo, marcó entre 21 % y 24 % para un contenido real del 15 %).
• Subestimación en proporciones altas: al aumentar la proporción de IA, el detector comenzó a marcar por debajo de la realidad. En textos generados al 100 % por IA, Turnitin nunca alcanzó el 100 % de detección: el máximo reportado fue 87 % para Copilot y Gemini, 82 % para Grammarly y apenas 60 % para ChatGPT.
• Comportamiento distinto según el modelo: ChatGPT fue el que más eludió el sistema; en el 65 % de los textos mixtos que lo incluían, Turnitin reportó cifras inferiores a la realidad, llegando a marcar 0 % en un texto compuesto en un 25 % por contenido de ChatGPT.
• Las herramientas de «humanización» funcionan: RyneAI logró reducir a 0 % la puntuación de Turnitin en textos generados por Copilot, Grammarly y Gemini —es decir, el sistema los clasificó como enteramente humanos—. QuillBot consiguió el mismo resultado con textos de Copilot.
• Correlación fuerte, pero no exactitud: el estudio encontró una correlación estadística significativa entre la proporción real de IA y la puntuación de Turnitin (R² de Nagelkerke = 0,825), lo que indica que el sistema sí capta señales asociadas al texto artificial, pero sin la precisión necesaria para cuantificar con exactitud cuánto contenido fue generado por IA.
• La longitud del texto importa: el detector resultó más preciso en documentos cortos (500-1.000 palabras) que en textos extensos de 4.000 palabras.

Conforme a estos resultados, el propio autor recomienda que las instituciones eviten sancionar con base en puntuaciones inferiores al 40 %, por su alto margen de error, y traten incluso los valores superiores al 60 % como indicio, nunca como prueba definitiva.

3. Por qué esto importa fuera del aula

Aunque el estudio se enmarca en el contexto académico —integridad estudiantil y honestidad en la producción de trabajos—, sus hallazgos son directamente extrapolables a cualquier escenario donde un informe de un detector de IA pretenda usarse como elemento de convicción: procesos disciplinarios universitarios, controversias laborales sobre autoría de informes o entregables, disputas contractuales sobre propiedad intelectual, y, cada vez con mayor frecuencia, litigios donde una parte intenta desacreditar un documento alegando que fue «escrito por IA» o, a la inversa, defenderlo alegando que es enteramente humano.

Desde la perspectiva de la prueba electrónica y la peritación documental, el estudio expone tres problemas que ya son conocidos en la práctica forense pero que ahora cuentan con respaldo experimental:

1. Falta de trazabilidad del método. Los detectores de IA operan como sistemas de caja negra: entregan una puntuación sin exponer con transparencia el razonamiento estadístico que la produce, lo que dificulta su contradicción técnica en un proceso.
2. Ausencia de estándares de validación reconocidos. A diferencia de los métodos tradicionales de la grafotecnia y el análisis documental, que cuentan con protocolos y niveles de certeza consolidados, los detectores de IA generativa carecen todavía de una metodología validada y aceptada de manera uniforme por la comunidad científica.
3. Vulnerabilidad a la manipulación. La demostrada eficacia de herramientas de «humanización» para reducir a cero la puntuación de detección significa que un resultado negativo —»el sistema no detectó IA»— no acredita, por sí solo, autoría humana genuina.

4. Consideraciones para el análisis pericial

Quien deba emitir un dictamen o evaluar la fuerza probatoria de un reporte de detección de IA —ya sea Turnitin, Copyleaks, GPTZero u otra herramienta similar— debería, como mínimo, considerar lo siguiente:

• El resultado de un detector de IA es un indicio estadístico, no una certeza técnica, y así debe presentarse.
• La puntuación varía según el modelo generativo empleado, la longitud del documento y la eventual aplicación de herramientas de reformulación, variables que deben documentarse al analizar cualquier reporte.
• Un resultado de 0 % de IA detectada no descarta el uso de inteligencia artificial, especialmente si el texto fue reformulado con posterioridad.
• Un resultado positivo moderado (por debajo del rango que el propio estudio identifica como más confiable) no debería, por sí solo, sustentar una conclusión de autoría artificial sin análisis complementario.
• Es recomendable complementar el reporte automatizado con otros elementos: metadatos del documento, historial de versiones, registros de edición, y —cuando sea posible— el propio testimonio o los archivos de trabajo de quien redactó el texto.

El estudio de Atamhenwan no descarta la utilidad de los detectores de IA, pero sí desmiente la idea de que constituyan una herramienta de precisión suficiente para sustentar, por sí sola, decisiones con consecuencias jurídicas o disciplinarias. La correlación estadística que revela es real, pero el margen de error —agravado por la disponibilidad de herramientas de evasión efectivas— obliga a tratar sus resultados como un elemento más dentro de un análisis pericial integral, y no como prueba autosuficiente.

Mientras no existan protocolos de validación normalizados para estos sistemas, la prudencia técnica y jurídica exige que cualquier conclusión sobre autoría artificial de un documento se sustente en un dictamen pericial que integre múltiples fuentes de evidencia, y no en la cifra aislada que arroja un software de detección.

Referencia: Atamhenwan, L. E. (2026). How are combinations of human-written words and LLM-generated words by ChatGPT, Copilot, Gemini and Grammarly detected by Turnitin? Education and Information Technologies, Springer Nature. DOI: 10.1007/s10639-026-14049-2.