Detección de Texto IA

¿Qué es la detección de texto IA?

La detección de texto IA es el campo técnico dedicado a determinar si un fragmento de texto fue producido total o parcialmente por un modelo de inteligencia artificial generativa (como GPT-4, Claude, Gemini, Llama o Mistral). Este campo combina técnicas estadísticas, aprendizaje automático, lingüística computacional y análisis de metadatos para identificar las huellas que los modelos de lenguaje dejan en el texto que generan.

La necesidad de detectar texto generado por IA ha crecido exponencialmente desde la popularización de ChatGPT en noviembre de 2022. En solo tres años, la detección de texto IA ha pasado de ser un problema académico a una necesidad práctica en educación, justicia, periodismo, empresa y administración pública.

Categorías de métodos de detección

Los métodos de detección se clasifican en tres grandes familias:

Métodos estadísticos

Perplejidad

La perplejidad es la métrica más fundamental para la detección de texto IA. Mide cuán “sorprendente” resulta un texto para un modelo de lenguaje de referencia:

Definición matemática:

PPL(X) = exp(-1/N × Σ log P(x_i | x_1, ..., x_{i-1}))

donde:
- X = secuencia de tokens del texto
- N = número total de tokens
- P(x_i | ...) = probabilidad del token i dado el contexto

¿Por qué funciona?

Los LLM generan texto seleccionando tokens de alta probabilidad según su distribución aprendida. Por tanto, el texto generado por IA tiende a tener perplejidad baja cuando se evalúa con un modelo similar, porque sigue el camino de máxima probabilidad. Los humanos, en cambio, hacen elecciones menos predecibles: usan palabras inesperadas, construcciones idiomáticas personales y expresiones coloquiales que un modelo no priorizaría.

Perplejidad por tipo de texto:

Burstiness (Explosividad)

La burstiness mide la variabilidad en la complejidad y longitud de las oraciones a lo largo del texto:

Cálculo de burstiness:

Burstiness = σ(S) / μ(S)

donde:
- S = {s_1, s_2, ..., s_n} (longitudes de oraciones)
- σ(S) = desviación estándar
- μ(S) = media

Variantes más sofisticadas incluyen:
- Burstiness de complejidad sintáctica (profundidad de árbol)
- Burstiness de riqueza léxica por ventana
- Burstiness multi-escala (oración, párrafo, sección)

Visualización comparativa:

LONGITUD DE ORACIONES — TEXTO HUMANO
│
│    ██
│    ██                          ████
│    ██  ██              ██      ████
│    ██  ██  ██      ██  ██  ██  ████  ██
│ ██ ██  ██  ██  ██  ██  ██  ██  ████  ██  ██
│ ██ ██  ██  ██  ██  ██  ██  ██  ████  ██  ██
└──────────────────────────────────────────────→
  1  2   3   4   5   6   7   8   9    10  11
  (Número de oración → altura = longitud)

Burstiness = 0.82 (alta variabilidad)

LONGITUD DE ORACIONES — TEXTO LLM
│
│
│    ██  ██  ██  ██  ██  ██  ██  ██  ██  ██
│    ██  ██  ██  ██  ██  ██  ██  ██  ██  ██
│ ██ ██  ██  ██  ██  ██  ██  ██  ██  ██  ██
│ ██ ██  ██  ██  ██  ██  ██  ██  ██  ██  ██
└──────────────────────────────────────────────→
  1  2   3   4   5   6   7   8   9    10  11

Burstiness = 0.21 (baja variabilidad)

Interpretación forense:

Entropía

La entropía mide la cantidad de información y la imprevisibilidad del texto a nivel de token:

Entropía de Shannon:

H(X) = -Σ P(x_i) × log₂ P(x_i)

Entropía por posición (análisis secuencial):
H_j = -Σ P(x_j | contexto) × log₂ P(x_j | contexto)

La entropía se analiza:
- Globalmente (media del texto completo)
- Por ventanas deslizantes (variación local)
- En puntos de transición (inicio de párrafos/secciones)

Patrones de entropía característicos:

ENTROPÍA POR POSICIÓN — TEXTO HUMANO

H │
  │ ╱╲    ╱╲         ╱╲╱╲
  │╱  ╲  ╱  ╲╱╲     ╱    ╲      ╱╲
  │    ╲╱    ╲  ╲   ╱      ╲    ╱  ╲
  │              ╲╱╲        ╲╱╲╱    ╲╱╲
  └──────────────────────────────────────→
  (Alta variabilidad, picos en transiciones)

ENTROPÍA POR POSICIÓN — TEXTO LLM

H │
  │
  │ ──────────────────────────────────
  │
  │
  └──────────────────────────────────────→
  (Baja variabilidad, entropía casi constante)

Análisis combinado de las tres métricas:

Análisis de distribución de vocabulario

Ley de Zipf:

La Ley de Zipf establece que en textos naturales, la frecuencia de una palabra es inversamente proporcional a su rango:

f(r) ≈ C / r^α

donde:
- f(r) = frecuencia de la palabra de rango r
- C = constante
- α ≈ 1 para textos humanos naturales

Los textos generados por IA tienden a desviarse sutilmente de esta ley:

Riqueza léxica (Type-Token Ratio):

TTR = Tipos únicos / Total de tokens

TTR por ventanas (más robusto):
MATTR = Media de TTR en ventanas de N palabras

Valores típicos:
- Texto IA genérico: MATTR 0.70-0.78
- Texto humano narrativo: MATTR 0.75-0.85
- Texto humano creativo: MATTR 0.80-0.92
- Texto técnico (humano o IA): MATTR 0.65-0.75

Análisis de n-gramas

El estudio de secuencias de n palabras consecutivas revela patrones diferenciadores:

Frases formulaicas típicas de LLM en español:

CONECTORES SOBREUTILIZADOS POR LLM:
- "Es importante señalar que..."
- "Cabe destacar que..."
- "En este sentido..."
- "A modo de conclusión..."
- "Resulta fundamental..."
- "No obstante lo anterior..."
- "Dicho esto..."
- "En definitiva..."
- "Desde esta perspectiva..."
- "Es preciso mencionar..."
- "Conviene recordar que..."
- "En el marco de..."
- "Por consiguiente..."
- "En primer lugar... en segundo lugar..."

ESTRUCTURAS TÍPICAS:
- Párrafos de longitud similar (~100-150 palabras)
- Listas con "En primer lugar / En segundo lugar / Finalmente"
- Transiciones equilibradas entre párrafos
- Conclusiones que resumen los puntos anteriores
- Uso frecuente de voz pasiva impersonal

Métodos basados en aprendizaje automático

Clasificadores supervisados

Los clasificadores ML se entrenan con grandes conjuntos de textos etiquetados como “humano” o “IA”:

ARQUITECTURA TÍPICA DE CLASIFICADOR

ENTRADA: Texto a analizar
    │
    ▼
┌──────────────────────┐
│  TOKENIZACIÓN        │ → Tokens, subpalabras
└──────────────────────┘
    │
    ▼
┌──────────────────────┐
│  EXTRACCIÓN DE       │ → Perplejidad, burstiness,
│  CARACTERÍSTICAS     │   entropía, n-gramas, TTR,
│                      │   longitud oraciones, etc.
└──────────────────────┘
    │
    ▼
┌──────────────────────┐
│  MODELO              │ → Transformer fine-tuned,
│  CLASIFICADOR        │   Random Forest, o ensemble
└──────────────────────┘
    │
    ▼
┌──────────────────────┐
│  SALIDA              │ → Probabilidad IA: 0.0 - 1.0
│                      │   + Desglose por sección
└──────────────────────┘

Tipos de clasificadores:

DetectGPT (método de perturbaciones)

DetectGPT es un método zero-shot que no necesita un clasificador entrenado:

ALGORITMO DETECTGPT

1. Dado un texto T, calcular log-probabilidad: logP(T)
2. Generar N perturbaciones de T usando un modelo auxiliar:
   T'_1, T'_2, ..., T'_N
   (Cada T'_i es T con algunas palabras reemplazadas
   por sinónimos/paráfrasis)
3. Calcular log-probabilidad de cada perturbación:
   logP(T'_1), logP(T'_2), ..., logP(T'_N)
4. Calcular puntuación:
   d = (logP(T) - μ(logP(T'_i))) / σ(logP(T'_i))

INTERPRETACIÓN:
- d > umbral → Texto probablemente generado por máquina
  (el texto original tiene probabilidad más alta que
  sus perturbaciones, indicando que está en un "pico"
  de la distribución del modelo)
- d < umbral → Texto probablemente humano
  (las perturbaciones tienen probabilidad similar,
  indicando una región "plana" de la distribución)

Ventajas de DetectGPT:

• No requiere datos de entrenamiento etiquetados
• Basado en principio estadístico fundamentado
• Adaptable a nuevos modelos sin reentrenamiento

Limitaciones:

• Computacionalmente costoso (N perturbaciones por texto)
• Menor precisión que clasificadores supervisados
• Sensible al modelo auxiliar elegido para perturbaciones

Binoculars

Binoculars es un método open source reciente que compara dos modelos de referencia:

ALGORITMO BINOCULARS

1. Usar dos modelos de referencia: M1 (grande) y M2 (pequeño)
2. Para cada token del texto, calcular:
   - logP_M1(token | contexto)  → probabilidad según modelo grande
   - logP_M2(token | contexto)  → probabilidad según modelo pequeño
3. Calcular la ratio:
   B = Σ logP_M1(token) / Σ logP_M2(token)

INTERPRETACIÓN:
- B alto → Texto generado por máquina
  (ambos modelos le dan alta probabilidad)
- B bajo → Texto humano
  (el modelo grande le da más probabilidad relativa
  porque entiende mejor las elecciones humanas)

Resultados reportados (2024):

GLTR (Giant Language model Test Room)

GLTR no es un clasificador sino una herramienta de visualización:

FUNCIONAMIENTO DE GLTR

Para cada palabra del texto, GLTR calcula su ranking
en la distribución de probabilidad del modelo:

Colores:
🟢 Verde  → Top 10 palabras más probables
🟡 Amarillo → Top 100
🔴 Rojo   → Top 1000
🟣 Púrpura → Fuera del top 1000

TEXTO HUMANO típico:
"El 🟢gato🟢 🟣saltó🟣 por 🟢la🟢 🔴ventana🟡 hacia 🟡el🟢 🟣enmarañado🟣 jardín"
→ Mezcla de colores: muchas elecciones inesperadas

TEXTO IA típico:
"El 🟢gato🟢 🟢saltó🟢 por 🟢la🟢 🟢ventana🟢 hacia 🟢el🟢 🟢bonito🟢 🟢jardín🟢"
→ Predominio de verde: palabras de alta probabilidad

Uso forense de GLTR:

• Visualizar secciones sospechosas de un documento
• Identificar transiciones entre texto humano y texto IA
• Herramienta pedagógica para explicar al tribunal cómo funciona la detección
• Complementar resultados de herramientas automatizadas

Métodos de watermarking (marcas de agua)

C2PA (Coalition for Content Provenance and Authenticity)

C2PA es un estándar abierto para la procedencia de contenido digital:

ESTÁNDAR C2PA

Objetivo:
Proporcionar una cadena de procedencia verificable
para contenido digital, incluyendo texto generado por IA.

Funcionamiento:
1. El sistema que genera el contenido firma digitalmente
   los metadatos de procedencia
2. Los metadatos incluyen:
   - Quién creó el contenido
   - Con qué herramienta
   - Cuándo se creó
   - Si intervino IA en su generación
   - Cadena de modificaciones posteriores
3. Los metadatos están criptográficamente vinculados
   al contenido (no se pueden alterar sin invalidarlos)

Adopción (marzo 2026):
- Adobe: Photoshop, Premiere, Firefly
- Microsoft: Bing Image Creator, Copilot
- Google: Gemini (parcial)
- OpenAI: DALL-E, GPT (parcial)
- Sony, Nikon, Canon (en cámaras)
- BBC, New York Times (en publicaciones)

Aplicación a documentos de texto:

Limitaciones de C2PA para texto:

• Solo funciona si el proveedor implementa el estándar
• Copiar-pegar texto elimina los metadatos C2PA
• No protege contra captura de pantalla y retranscripción
• Adopción aún parcial en generadores de texto

SynthID (Google DeepMind)

SynthID es un sistema de watermarking propietario de Google:

SYNTHID PARA TEXTO

Funcionamiento:
1. Durante la generación de texto, SynthID modifica
   sutilmente la distribución de probabilidad de
   los tokens seleccionados
2. La modificación sigue un patrón pseudoaleatorio
   determinado por una clave secreta
3. Un detector con la clave puede identificar
   el patrón estadístico
4. Sin la clave, el patrón es invisible

Propiedades:
- Imperceptible: no afecta la calidad del texto
- Robusto: resiste edición menor y parafraseo parcial
- Estadístico: detección probabilística, no binaria
- Escalable: aplicable en tiempo de generación sin coste

Limitaciones:
- Solo funciona en Gemini (modelos de Google)
- Requiere acceso al detector propietario
- Vulnerable a parafraseo extensivo
- No es estándar abierto

Comparativa de sistemas de watermarking:

Precisión por herramienta e idioma

Comparativa de herramientas (marzo 2026)

Precisión en inglés:

Precisión en español:

Diferencia inglés vs. español:

Factores que afectan la precisión

Precisión por longitud del texto (GPTZero, español):

Tasas de error: falsos positivos y negativos

Falsos positivos (texto humano clasificado como IA):

Falsos negativos (texto IA clasificado como humano):

Análisis de metadatos de documentos

Microsoft Word (.docx)

Los documentos Word contienen metadatos ricos que pueden revelar el uso de IA:

<!-- core.xml — Metadatos básicos -->
<cp:coreProperties>
  <dc:creator>Juan García</dc:creator>
  <cp:lastModifiedBy>Juan García</cp:lastModifiedBy>
  <dcterms:created>2026-03-15T10:22:00Z</dcterms:created>
  <dcterms:modified>2026-03-15T10:47:00Z</dcterms:modified>
  <cp:revision>3</cp:revision>
</cp:coreProperties>

<!-- app.xml — Metadatos de aplicación -->
<Properties>
  <Application>Microsoft Word 365</Application>
  <TotalTime>25</TotalTime>  <!-- 25 minutos de edición -->
  <Pages>15</Pages>
  <Words>5247</Words>
  <Characters>29912</Characters>
  <Paragraphs>73</Paragraphs>
</Properties>

<!-- ANÁLISIS FORENSE -->
<!-- 5247 palabras en 25 minutos = 210 palabras/minuto -->
<!-- Velocidad promedio de escritura humana: 30-40 pal/min -->
<!-- Velocidad promedio de copy-paste: 200+ pal/min -->
<!-- → INDICADOR DE COPY-PASTE (probable IA) -->

Indicadores clave en Word:

PDF

ANÁLISIS FORENSE DE PDF

1. METADATOS ESTÁNDAR
   /Title: (título del documento)
   /Author: (autor)
   /Creator: (aplicación que creó el PDF)
   /Producer: (software que generó el PDF)
   /CreationDate: (fecha de creación)
   /ModDate: (fecha de modificación)

2. ANÁLISIS DE FUENTES
   - Fuentes embebidas vs. referenciadas
   - Tipo de fuente (indica origen):
     · Calibri, Aptos → Microsoft Word
     · Liberation Sans → LibreOffice
     · Roboto, Open Sans → Google Docs/web
     · Times New Roman → Múltiples orígenes

3. ESTRUCTURA DE CONTENIDO
   - Texto como stream vs. texto como imagen
   - Capas de contenido (originales vs. añadidas)
   - Marcadores y estructura de navegación
   - Formularios y campos editables

4. INDICADORES DE COPY-PASTE EN PDF
   - Texto sin estructura de párrafos nativa
   - Inconsistencias en el interlineado
   - Mezcla de fuentes o tamaños sin justificación
   - Ausencia de estilos de documento

Google Docs

Google Docs mantiene un historial de revisiones excepcionalmente detallado:

HISTORIAL DE REVISIONES — GOOGLE DOCS

El historial registra CADA PULSACIÓN DE TECLA:

ESCRITURA HUMANA TÍPICA:
14:22:01 - "E" (1 carácter)
14:22:01 - "l" (1 carácter)
14:22:01 - " " (1 carácter)
14:22:02 - "a" (1 carácter)
14:22:02 - "n" (1 carácter)
14:22:02 - "á" (1 carácter)  ← pausa para tilde
14:22:03 - "l" (1 carácter)
... (continúa carácter a carácter con pausas naturales)
14:22:15 - Backspace x3     ← corrección humana típica
14:22:17 - "isi" (3 caracteres, corrección)
→ Patrón: 2-5 caracteres/segundo, con pausas y correcciones

PEGADO DE TEXTO IA:
14:22:01 - Pegado: "El análisis forense digital es una
  disciplina que se encarga de la identificación,
  preservación, análisis y presentación de evidencia
  digital en procedimientos judiciales. Esta disciplina
  ha cobrado una importancia creciente en el contexto
  actual de digitalización..." (847 caracteres de una vez)
14:22:30 - Sin actividad (29 segundos, leyendo lo pegado)
14:23:05 - Pegado: "Los principales métodos de análisis
  incluyen..." (623 caracteres de una vez)
→ Patrón: Bloques grandes pegados con pausas entre ellos

ANÁLISIS FORENSE:
- Obtener historial via Google Docs API
- Detectar bloques de pegado (>50 caracteres de una vez)
- Medir velocidad de "escritura" por sección
- Identificar patrones de corrección (humanos corrigen más)
- Mapear timeline: pegado → lectura → pequeña edición → pegado

Estilometría computacional

Fundamentos

La estilometría es la ciencia de analizar el estilo de escritura para atribuir autoría. Aplicada a la detección de texto IA, permite comparar el estilo de un texto sospechoso con el estilo conocido de un autor humano:

PROCESO ESTILOMÉTRICO

1. CORPUS DE REFERENCIA
   Recopilar textos verificados del supuesto autor:
   - Emails anteriores
   - Documentos de trabajo previos
   - Escritos académicos
   - Mensajes de chat
   Mínimo: 5.000-10.000 palabras de referencia

2. EXTRACCIÓN DE CARACTERÍSTICAS
   Para cada texto (referencia y sospechoso):
   a) Léxicas: vocabulario, riqueza, frecuencias
   b) Sintácticas: longitud oraciones, complejidad
   c) Caracteres: uso puntuación, mayúsculas, espacios
   d) Funcionales: preposiciones, artículos, conjunciones
   e) Estructurales: párrafos, listas, organización

3. COMPARACIÓN
   Medir distancia entre perfiles estilísticos:
   - Delta de Burrows (la más usada)
   - Distancia coseno
   - Divergencia de Kullback-Leibler
   - Distancia euclidiana normalizada

4. CONCLUSIÓN
   ¿El texto sospechoso está más cerca del perfil
   del autor humano o de un perfil típico de LLM?

Delta de Burrows

El Delta de Burrows es la métrica estilométrica más utilizada y validada:

Delta de Burrows:

Δ(A, B) = (1/n) × Σ |z_A(f_i) - z_B(f_i)|

donde:
- f_i = frecuencia de la palabra funcional i
- z_A(f_i) = z-score de f_i en el texto A
- z_B(f_i) = z-score de f_i en el texto B
- n = número de palabras funcionales analizadas

Interpretación:
- Δ bajo = estilos similares (mismo autor probable)
- Δ alto = estilos diferentes (autores diferentes)

En detección IA:
- Calcular Δ(texto_sospechoso, corpus_autor)
- Calcular Δ(texto_sospechoso, corpus_LLM)
- Si Δ_autor >> Δ_LLM → probable IA
- Si Δ_autor << Δ_LLM → probable humano

Herramientas de estilometría

Caso práctico de estilometría

ANÁLISIS ESTILOMÉTRICO — CASO REAL

Texto sospechoso: Artículo de opinión (2.100 palabras)
Corpus de referencia del autor: 15 artículos previos (31.000 palabras)
Corpus LLM de referencia: 50 textos GPT-4 (50.000 palabras)

RESULTADOS:

1. DELTA DE BURROWS
   Δ(sospechoso, autor_humano) = 1.42
   Δ(sospechoso, corpus_GPT4)  = 0.38
   → El texto está MUCHO más cerca del estilo GPT-4

2. LONGITUD DE ORACIONES
   Autor humano: μ=18.3, σ=12.7 (burstiness=0.69)
   Texto sospechoso: μ=21.1, σ=5.4 (burstiness=0.26)
   GPT-4 típico: μ=20.8, σ=5.1 (burstiness=0.25)
   → Burstiness del sospechoso coincide con GPT-4

3. PALABRAS FUNCIONALES (top 5 diferencias)
   Palabra  | Autor | Sospechoso | GPT-4
   "pero"   | 1.8%  | 0.4%       | 0.5%
   "además" | 0.2%  | 1.1%       | 1.3%
   "sin     | 0.9%  | 0.3%       | 0.4%
   embargo"
   "es      | 0.1%  | 0.8%       | 0.9%
   importante"
   "cabe"   | 0.0%  | 0.6%       | 0.7%
   → Perfil funcional coincide con GPT-4

4. VOCABULARIO ÚNICO
   Autor humano: 347 hapax (42% del vocabulario)
   Texto sospechoso: 189 hapax (29% del vocabulario)
   GPT-4 típico: 195 hapax (31% del vocabulario)
   → Riqueza léxica del sospechoso es típica de GPT-4

CONCLUSIÓN ESTILOMÉTRICA:
El perfil estilístico del texto sospechoso presenta
una distancia estadísticamente significativa respecto
al estilo habitual del autor, y coincide con los
patrones típicos de GPT-4 en todas las métricas
analizadas. Nivel de confianza: alto (>90%).

Metodología forense para detección de texto IA

Protocolo completo

Nivel de confianza y comunicación de resultados

ESCALA DE CONFIANZA PARA INFORMES PERICIALES

NIVEL 5 — MUY ALTA CONFIANZA (>95%)
"Con un alto grado de probabilidad, el texto fue generado
por un modelo de inteligencia artificial."
Requisitos: Convergencia de todas las herramientas + metadatos
+ estilometría + alucinaciones verificadas.

NIVEL 4 — ALTA CONFIANZA (85-95%)
"Los indicios analizados son consistentes con la generación
por inteligencia artificial, con alta probabilidad."
Requisitos: Convergencia de herramientas + al menos 2
indicadores independientes adicionales.

NIVEL 3 — CONFIANZA MEDIA (70-85%)
"Existen indicios significativos de que el texto fue
generado total o parcialmente por IA, aunque no es
posible afirmarlo con certeza."
Requisitos: Mayoría de herramientas coinciden pero
hay factores atenuantes.

NIVEL 2 — CONFIANZA BAJA (50-70%)
"Los resultados del análisis no son concluyentes.
Existen indicios tanto a favor como en contra de
la generación por IA."
Nota: Documentar todos los factores y dejar la
valoración al tribunal.

NIVEL 1 — NO CONCLUYENTE (<50%)
"El análisis no permite determinar si el texto fue
generado por IA. Las herramientas y técnicas utilizadas
no proporcionan resultados significativos."
Nota: Ser honesto. Un resultado no concluyente es
un resultado válido e importante.

Marco legal en España

Ámbito académico

Ámbito judicial

Instrucción CGPJ 2/2026

INSTRUCCIÓN 2/2026 DEL CGPJ
Sobre el uso de inteligencia artificial en la
administración de justicia

Aspectos relevantes para detección de texto IA:

1. TRANSPARENCIA
   - Obligación de declarar el uso de IA en escritos
     y resoluciones judiciales
   - Los profesionales que usen IA deben indicarlo

2. RESPONSABILIDAD
   - El profesional que usa IA es responsable del
     contenido generado
   - No puede delegar la responsabilidad en la herramienta

3. VERIFICACIÓN
   - Obligación de verificar la exactitud de los datos
     generados por IA
   - Especial atención a citas jurisprudenciales

4. PRUEBA PERICIAL
   - Se reconoce la validez de informes periciales
     sobre detección de texto IA
   - El perito debe documentar metodología y limitaciones

AI Act y obligaciones de transparencia

OBLIGACIONES DEL AI ACT PARA TEXTO GENERADO

Artículo 50.2:
"Los proveedores de sistemas de IA que generen contenido
sintético de texto que se publique con el propósito de
informar al público sobre cuestiones de interés público
deberán garantizar que el contenido sintético esté marcado
de forma legible por máquina y pueda detectarse como
generado o manipulado artificialmente."

Artículo 50.4:
"Los responsables del despliegue de un sistema de IA que
genere o manipule texto que constituya un deep fake
deberán revelar que el contenido ha sido generado o
manipulado artificialmente."

Sanciones (art. 99):
- Infracciones graves: hasta 15 millones €
  o el 3% de la facturación mundial
- Infracciones muy graves: hasta 35 millones €
  o el 7% de la facturación mundial

Falsedad documental (arts. 390-395 CP)

Estándares internacionales

ISO y normativa técnica

ENFSI (European Network of Forensic Science Institutes)

DIRECTRICES ENFSI PARA EVIDENCIA DIGITAL

Aplicables a análisis forense de texto IA:

1. COMPETENCIA DEL PERITO
   - Formación documentada en el área de análisis
   - Actualización continua de conocimientos
   - Participación en pruebas de competencia

2. VALIDACIÓN DE MÉTODOS
   - Toda herramienta de detección debe estar validada
   - Documentar precisión, falsos positivos/negativos
   - Realizar pruebas con muestras conocidas

3. ASEGURAMIENTO DE CALIDAD
   - Procedimientos documentados
   - Trazabilidad de todas las acciones
   - Control de versiones de herramientas

4. EXPRESIÓN DE RESULTADOS
   - Usar escalas de probabilidad estandarizadas
   - Comunicar incertidumbre y limitaciones
   - No hacer afirmaciones absolutas

Limitaciones y consideraciones éticas

Limitaciones técnicas fundamentales

Consideraciones éticas

DILEMAS ÉTICOS EN DETECCIÓN DE TEXTO IA

1. PRESUNCIÓN DE INOCENCIA
   ¿Debe asumirse que un texto es humano hasta que
   se demuestre lo contrario?
   → En contexto judicial: SÍ (presunción de inocencia)
   → En contexto académico: depende de la política

2. DERECHO A LA HERRAMIENTA
   ¿Tiene un autor derecho a usar IA sin declararlo?
   → Depende del contexto y la normativa aplicable
   → El AI Act impone obligaciones de transparencia
   → Pero no todo uso de IA es ilegítimo

3. DISCRIMINACIÓN POR IDIOMA
   Las herramientas son menos precisas en español.
   ¿Es justo aplicar el mismo estándar?
   → El perito debe comunicar esta limitación
   → Ajustar las conclusiones al nivel de precisión real

4. ESTIGMATIZACIÓN
   Un falso positivo puede destruir una carrera académica
   o profesional. ¿Se debe usar detección de IA como
   única prueba?
   → NUNCA como prueba única
   → Siempre como parte de un análisis más amplio
   → Comunicar explícitamente la tasa de falsos positivos

5. ACCESO DESIGUAL
   Las herramientas de evasión son accesibles para
   quien pueda pagarlas. ¿Crea esto una inequidad?
   → La detección es más fácil contra texto IA "bruto"
   → La evasión sofisticada deja otros rastros

Futuro de la detección de texto IA

Tendencias 2026-2028

Tecnologías emergentes

TECNOLOGÍAS EN DESARROLLO

1. DETECCIÓN POR EMBEDDING
   Análisis del espacio vectorial de embeddings:
   - Los textos IA ocupan regiones específicas
     del espacio de embeddings
   - Clasificación por posición geométrica
   - Prometedor pero aún experimental

2. ANÁLISIS TEMPORAL DE ESCRITURA
   Sensores que registran el proceso de escritura:
   - Dinámica de pulsaciones de teclado
   - Movimientos del ratón
   - Pausas y correcciones
   - Imposible de falsificar retrospectivamente

3. BLOCKCHAIN DE CONTENIDO
   Registro inmutable de autoría:
   - Hash del contenido en blockchain
   - Timestamp verificable
   - Cadena de modificaciones
   - Interoperable con C2PA

4. VERIFICACIÓN ZERO-KNOWLEDGE
   Demostrar autoría sin revelar el contenido:
   - Pruebas criptográficas de proceso de escritura
   - Privacidad del contenido preservada
   - Verificación por terceros

5. CLASSIFICADORES ESPECÍFICOS POR IDIOMA
   Modelos entrenados exclusivamente en español:
   - Mayor precisión para textos en español
   - Consideración de regionalismos
   - Adaptación a textos legales españoles

Recomendaciones prácticas

Para el perito informático

Para instituciones educativas

Para empresas

Para abogados

Conclusión

La detección de texto generado por inteligencia artificial es un campo técnico complejo y en rápida evolución que se ha convertido en una necesidad práctica en múltiples ámbitos: educación, justicia, empresa y administración pública. Ninguna herramienta ni técnica es infalible, y la precisión varía significativamente según el idioma (con una brecha del 9.6% entre inglés y español), la longitud del texto, el modelo generador y las técnicas de evasión empleadas.

Para el perito informático, la detección de texto IA requiere un enfoque multidisciplinar que combine herramientas automatizadas, análisis de metadatos, estilometría computacional, verificación de contenido y análisis contextual. La honestidad sobre las limitaciones y la expresión de resultados en términos de probabilidad (no de certeza) son esenciales para que el informe pericial tenga valor y credibilidad ante tribunales.

El marco legal evoluciona rápidamente: el AI Act impone obligaciones de transparencia y marcado de contenido generado por IA, la Instrucción CGPJ 2/2026 regula el uso de IA en la administración de justicia, y la jurisprudencia comienza a abordar las consecuencias del uso no declarado de IA. El perito informático forense especializado en esta materia ocupa una posición cada vez más relevante en el sistema judicial.

Referencias y fuentes

1. Mitchell, E. et al. (2023). “DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature”. Proceedings of ICML 2023. Método estadístico de detección.

2. Hans, A. et al. (2024). “Binoculars: Zero-Shot Detection of LLM-Generated Text”. arXiv:2401.12070. Herramienta open source de detección.

3. Weber-Wulff, D. et al. (2023). “Testing of Detection Tools for AI-Generated Text”. International Journal for Educational Integrity, 19(26). Evaluación comparativa de herramientas.

4. Kirchenbauer, J. et al. (2023). “A Watermark for Large Language Models”. Proceedings of ICML 2023. Watermarking estadístico de texto IA.

5. Sadasivan, V. et al. (2023). “Can AI-Generated Text be Reliably Detected?”. arXiv:2303.11156. Análisis de limitaciones fundamentales.

6. C2PA (Coalition for Content Provenance and Authenticity). “Technical Specification v2.1” (2025). Estándar de procedencia de contenido digital.

7. Google DeepMind (2024). “SynthID Text: Scalable Watermarking for Language Models”. Documentación técnica de SynthID.

8. Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo (AI Act). Artículo 50 sobre obligaciones de transparencia.

9. Instrucción 2/2026 del Consejo General del Poder Judicial. Directrices sobre uso de IA en la administración de justicia.

10. Burrows, J. (2002). “‘Delta’: A Measure of Stylistic Difference and a Guide to Likely Authorship”. Literary and Linguistic Computing, 17(3), 267-287. Fundamento de la estilometría computacional.

11. Liang, W. et al. (2024). “Monitoring AI-Modified Content at Scale”. arXiv:2403.07183. Detección a escala de contenido modificado por IA.

12. Tian, E. (2023-2026). “GPTZero: Detection of AI-Generated Text”. Documentación técnica y reportes de precisión.

Última actualización: 30 de marzo de 2026 Categoría: Técnico Código: TEC-065