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 — con una advertencia sin la cual la tabla engaña: la perplejidad no es una propiedad del texto, sino del texto medido con un modelo evaluador concreto. Cambiar de modelo, de tokenizador o de idioma mueve todos los números. Los rangos siguientes son órdenes de magnitud ilustrativos, no umbrales de decisión: un dictamen que clasifique por ellos sin declarar con qué modelo los obtuvo no es reproducible.

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:

Los umbrales numéricos concretos que suelen acompañar a esta métrica dependen del corpus y del preprocesado, y no se reproducen aquí como puntos de corte: sin declarar tokenizador, longitud de ventana y corpus de referencia, un umbral no es verificable.

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

El MATTR es útil porque **es comparable entre textos de distinta longitud**, que es lo que rompe al TTR simple. Lo que no existe es una tabla de valores «típicos» de IA frente a humano: la riqueza léxica depende del **género, del dominio, del idioma y del preprocesado** mucho más que de quién escribió. Se usa comparando el texto dudoso **contra un corpus del propio autor**, no contra un umbral universal.

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 perturbaciónes)

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 perturbaciónes 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 puntuacion:
   d = (logP(T) - mu(logP(T'_i))) / sigma(logP(T'_i))

NOTA SOBRE LAS PERTURBACIONES: el metodo original no sustituye
palabras a mano por sinonimos. Genera las variantes con OTRO
modelo preentrenado de enmascarado, que reescribe fragmentos del
texto. La diferencia importa: una sustitución manual introduce
criterio del perito donde el metodo pide una perturbación
automática y reproducible.

INTERPRETACIÓN:
- d > umbral → Texto probablemente generado por máquina
  (el texto original tiene probabilidad más alta que
  sus perturbaciónes, indicando que está en un "pico"
  de la distribución del modelo)
- d < umbral → Texto probablemente humano
  (las perturbaciónes 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 perturbaciónes por texto)
• Menor precisión que clasificadores supervisados
• Sensible al modelo auxiliar elegido para perturbaciónes

Binoculars

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

ALGORITMO BINOCULARS

1. Usar DOS MODELOS CERCANOS entre sí (p. ej. la variante base y la
   variante instruida de la misma familia), no uno grande y uno pequeño.

2. Calcular dos magnitudes sobre el mismo texto:
   - PERPLEJIDAD: cuánto sorprende el texto al primer modelo.
   - PERPLEJIDAD CRUZADA: cuánto sorprenden al primer modelo las
     predicciones del segundo. Es el término que normaliza, y es lo
     que da nombre a la técnica: mira el texto "con los dos ojos".

3. La puntuación es el COCIENTE de ambas:
   B = perplejidad / perplejidad_cruzada

INTERPRETACIÓN — y este es el sentido que suele contarse al revés:
- B BAJO  → indicio de texto generado por máquina.
- B ALTO  → indicio de texto humano.

La intuición: un texto de máquina sorprende poco al modelo (perplejidad
baja) EN RELACIÓN con lo poco que los dos modelos se sorprenden entre sí.
Es la relación, no la perplejidad suelta, lo que discrimina.

Sobre los resultados publicados: circula una tabla con precisiones por modelo fuente —93,7 % para GPT-4, 91,2 % para Claude 3, y así con cinco filas—. No está en el trabajo original, cuyas evaluaciones usan otros conjuntos, otro número de muestras y otras cifras. No se reproduce aquí: una tabla de precisión sin corpus, sin versión de modelo y sin umbral no significa nada en un dictamen, y es lo primero que desmonta un contraperito.

Lo que sí puede sostenerse: la técnica se propone como detector zero-shot que no requiere entrenar sobre el generador concreto, y su rendimiento depende del dominio y de la longitud del texto.

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 el sistema de marca de agua de Google DeepMind. Conviene matizar lo de «propietario»: la integración en sus productos incluye componentes no públicos, pero existe implementación de referencia con licencia Apache-2.0 de la técnica de marcado y detección, demostrada sobre modelos abiertos. No es un secreto cerrado.

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:
- En producción, aplicado a los modelos de Google; la técnica en sí no está atada a ellos
- La detección requiere la clave de marcado, que Google no publica para sus modelos productivos
- Vulnerable a parafraseo extensivo
- No es estándar abierto

Comparativa de sistemas de watermarking:

Precisión por herramienta e idioma

Qué se sabe realmente sobre la precisión de estas herramientas

Circulan tablas comparativas que asignan a cada detector una precisión con un decimal frente a cada familia de modelos —GPTZero un 97,2 % contra GPT-4, un 94,8 % contra Claude—, y suelen venir por duplicado, en inglés y en español. No existe ese benchmark. Ningún evaluador independiente publica esa matriz, y menos aún para español.

Lo que sí hay, y conviene distinguir:

Y hay un dato que vale más que cualquier porcentaje: OpenAI retiró en 2023 su propio clasificador de texto generado por IA por tasa de acierto insuficiente. Quien fábrica los modelos no consiguió construir el detector.

Factores que afectan la precisión

Sobre las tablas de precisión por longitud y las de tasas de error

Circulan tres tablas con decimales: precisión de GPTZero en español por tramos de longitud, tasas de falso positivo por tipo de texto humano y tasas de falso negativo por técnica de evasión. Aquí no se reproducen, y conviene explicar por qué, porque el motivo es el mismo que hace inservible casi toda cifra de este campo.

Ninguna identifica qué versión del detector se midió, sobre qué corpus, con qué umbral ni quién hizo la medición. La referencia que las sostenía —«Tian, 2023-2026»— no es una publicación identificable. Y los detectores se reentrenan cada pocos meses: una precisión medida hace un año no describe al producto de hoy.

Lo que sí se sostiene, y es lo que un dictamen puede afirmar sin quedar en evidencia:

La conclusión operativa no cambia por retirar los números: ningún detector automático sostiene por sí solo una conclusión pericial, y menos sobre texto corto, formal o traducido. Por eso el peso recae en el resto del cuadro —metadatos del documento, historial de edición y contraste estilométrico contra escritos previos del autor—, que es lo que un informe pericial puede documentar y ratificar.

Este análisis lo firma Jonathan Izquierdo, perito informático forense.

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 más granular que un procesador de escritorio, pero conviene acotar qué contiene realmente:

HISTORIAL DE REVISIONES — GOOGLE DOCS

El historial NO registra pulsacion a pulsacion. Agrupa cambios
en versiónes y puede FUSIONAR ediciones próximas en el tiempo,
de modo que lo que se ve es una reconstrucción aproximada. Con
todo, la granularidad basta para distinguir escritura de pegado:


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

ANALISIS FORENSE — y una limitación que hay que declarar:
la API de Google Docs devuelve la VERSIÓN ACTUAL del documento,
no el flujo de ediciones. La lista de revisiones de Drive puede
ser incompleta y no expone un registro de teclas ni de pegados.
Lo utilizable es la exportacion del historial que ofrece la
interfaz, solicitada al titular de la cuenta.
- 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

Cómo se estructura un análisis estilométrico

ANÁLISIS ESTILOMÉTRICO — ESQUEMA DE TRABAJO

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

GRADACIÓN DE CONCLUSIONES — SIN PORCENTAJES

Advertencia previa: circula una escala que asigna a cada nivel
un porcentaje (>95%, 85-95%, 70-85%...). NO SE USA AQUI, y no
debe usarse en un dictamen. Esos números no salen de ningún
modelo probabilistico ni de calibracion alguna: convierten en
probabilidad el hecho de que varias herramientas coincidan, y
varias herramientas correlacionadas que se equivocan a la vez
no son evidencia independiente.

La gradación util es verbal y describe QUÉ sostiene cada nivel:

NIVEL 5 — MUY ALTA
"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
"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 — MEDIA
"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 — BAJA
"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
"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. VALIDACION CRITICA (ordinal Octavo)
   - Prohibido incorporar contenidos generados por IA
     sin validacion critica personal
   - La Instrucción NO impone declarar el uso de IA

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

NOTA DE ALCANCE
   - La Instrucción regula el uso de IA POR JUECES Y
     MAGISTRADOS. En su texto no aparecen las palabras
     "perito", "pericial" ni "dictamen".
   - No reconoce la validez de informes de detección de
     texto IA, ni impone metodología alguna para ello.

AI Act y obligaciones de transparencia

OBLIGACIONES DEL AI ACT PARA TEXTO GENERADO

Artículo 50.2 — obliga a los PROVEEDORES:
Quienes suministren sistemas que generen contenido
sintético de audio, imagen, vídeo O TEXTO deben garantizar
que las salidas queden marcadas en formato legible por
máquina y sean detectables como generadas o manipuladas
artificialmente. NO se limita al contenido de interés
público: esa restriccion no esta en el apartado.

Artículo 50.4 — obliga a los RESPONSABLES DEL DESPLIEGUE:
  · Parrafo primero: quien genere o manipule un DEEPFAKE
    —imagen, audio o vídeo— debe revelar que es artificial.
  · Parrafo separado: quien genere o manipule TEXTO que se
    publique para informar al público sobre asuntos de
    interés público debe revelarlo, salvo que haya control
    editorial humano y alguien asuma la responsabilidad.

Es este segundo parrafo, y no el 50.2, el que introduce el
criterio de "interés público". El artículo estaba contando
un apartado por el otro.

Sanciones (art. 99). El Reglamento no las clasifica por
gravedad, sino por el supuesto infringido:
- Prácticas prohibidas del art. 5: hasta 35 millones €
  o el 7% del volumen de negocios mundial
- Incumplimiento de las demás obligaciones: hasta 15
  millones € o el 3%

Falsedad documental (arts. 390-395 CP)

Estándares internacionales

ISO y normativa técnica

ENFSI (European Network of Forensic Science Institutes)

BUENAS PRÁCTICAS DE ENFSI PARA EVIDENCIA DIGITAL (ed. 2015)

Alcance real: el manual NO trata de inteligencia artificial, ni
de texto generado, ni contiene una escala de detección. Lo que
aporta son principios generales de trabajo pericial, y son estos
los que se trasladan por analogía a este análisis:

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 versiónes de herramientas

4. EXPRESIÓN DE RESULTADOS
   - Expresar el alcance y las limitaciones del metodo
   - No atribuir al manual una escala de probabilidad para
     detección de IA: no la contiene
   - 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
   - OJO: es un indicio, no una garantía. El registro
     de tecleo son datos como cualesquiera otros y se
     pueden sintetizar o reproducir; lo que aporta es
     coherencia con el resto, no imposibilidad

3. BLOCKCHAIN DE CONTENIDO
   Registro inmutable de EXISTENCIA (no de autoría):
   - Hash del contenido en blockchain
   - Timestamp verificable
   - Cadena de modificaciones
   - Interoperable con C2PA
   - OJO: acredita que ESE contenido existía en ESE
     momento y que no se ha alterado desde entonces.
     NO acredita quién lo escribió: cualquiera puede
     registrar el hash de un documento ajeno

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 según el idioma, la longitud del texto, el modelo generador y las técnicas de evasión empleadas. Que la detección funciona peor fuera del inglés es constatable; ponerle un decimal, no.

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). “Spotting LLMs With Binoculars: Zero-Shot Detection of Machine-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.

Última actualización: 27 de agosto de 2026 Categoría: Técnico Código: TEC-065