Señales identificables sin herramientas externas — para compartir con otros docentes
Última actualización: septiembre de 2026. Este es un campo que cambia cada pocas semanas — comprueba la fecha antes de citar cualquier dato de aquí.
Compara con exámenes escritos a mano en clase o con entregas anteriores en la plataforma (Moodle, Classroom, Aules…): el vocabulario y la longitud media de frase deberían ser razonablemente estables de un trabajo a otro.
Si el alumno usa un corrector ortográfico o gramatical de forma honesta, también reduce sus errores. Por eso esta señal nunca debe usarse sola — combínala siempre con otra.
Selecciona el texto y mira el recuento de palabras por párrafo (o cuenta líneas a ojo). No es la longitud lo sospechoso, sino que todos los párrafos sean casi idénticos entre sí.
"insights" → "perspectivas", "leverage" (verbo) → "aprovechar/apalancar", "framework" → "marco de trabajo", "actionable" → "accionable". El alumno rara vez traduciría estos términos de forma tan literal y uniforme por su cuenta.
Busca el título exacto en Google Scholar, Dialnet o el catálogo de tu biblioteca. Si no aparece, o aparece con otro autor o año, es muy probablemente una alucinación del modelo.
Regla práctica: detector + evidencia + conversación. Esta combinación reduce los falsos positivos mucho más que confiar solo en una herramienta automática o en una sola señal. Existen sesgos documentados contra el alumnado no nativo y servicios que evaden deliberadamente los detectores — ver la evidencia ↓.
Esta sección existe para dar contexto y fuentes verificables a quien quiera ir más allá del resumen — no es necesaria para aplicar las señales de arriba. Todo lo que sigue está enlazado a su fuente original.
Turnitin lanzó su detector de IA afirmando una tasa de falsos positivos del 1%. La Universidad de Vanderbilt hizo la cuenta con sus propios datos: solo en 2022 habían recibido 75.000 trabajos — con esa tasa, hasta ~750 alumnos al año podrían haber sido señalados erróneamente como usuarios de IA sin serlo.
A eso se sumaba poca transparencia sobre cómo funcionaba el algoritmo y menos de 24 horas de aviso antes de que la función se activara para todos los centros clientes. Vanderbilt decidió desactivarlo. Es el caso documentado más citado de una institución educativa real revisando su confianza en estas herramientas, y forma parte de una tendencia más amplia de universidades que han limitado su uso en los años posteriores.
Fuente primaria: comunicado oficial de Vanderbilt University (Brightspace, agosto 2023).Liang, Yuksekgonul, Mao, Wu y Zou publicaron en 2023, en la revista revisada por pares Patterns (Cell Press), un estudio que puso a prueba 7 detectores de texto GPT sobre 91 redacciones TOEFL escritas por estudiantes no nativos de inglés.
Resultado: una media del 61% de falsos positivos, con hasta el 97,8% de los textos marcados por al menos un detector, y casi cero falsos positivos en textos de estudiantes nativos. La conclusión es directa: el mismo texto, escrito honestamente por alguien que no domina el idioma de forma nativa, tiene muchas más probabilidades de ser señalado como "IA" solo por su forma de escribir — algo muy relevante en aulas con alumnado de otras lenguas maternas.
Fuentes: The Markup · Business & Human Rights Resource Centre.Existen servicios públicos de "humanización" de texto (reescriben salida de IA para reducir su detectabilidad) que funcionan alterando los patrones estadísticos — variación de longitud de frase, "imperfecciones" simuladas — en los que se apoyan los detectores. Un estudio académico documentó caídas de precisión de hasta el 100%→57% e incluso 30%→16% tras aplicar ese tipo de parafraseo a texto generado por IA.
A esto se añade algo que descubrimos al preparar esta actualización: las cifras de precisión que distintos fabricantes de detectores publicitan en 2026 se contradicen entre sí según qué blog o web de comparativas consultes, y buena parte de esa información proviene de contenido de marketing o de afiliación, no de estudios independientes reproducibles. Trata con mucha cautela cualquier "ranking" de herramientas de detección que veas citado sin una fuente académica clara detrás.
Por eso la combinación de señales de lectura + conversación directa con el alumno sigue siendo, con diferencia, el método más fiable — y es la base de todo este documento.
Fuente: arXiv 2303.13408 — efecto del parafraseo sobre la detección de texto generado por IA.Lo hemos buscado expresamente para esta actualización: no hemos encontrado ninguna herramienta de detección de origen español, balear o europeo respaldada por evidencia independiente sólida. Lo que sí aparece son webs de comparativas y blogs — a menudo de afiliación comercial — que simplemente recomiendan las mismas herramientas estadounidenses ya mencionadas.
Si conoces o encuentras alguna alternativa europea, contrástala con el mismo rigor: que sea "local" no la hace automáticamente más fiable ni más precisa.
Solo en las últimas semanas: Anthropic lanzó Claude Fable 5.1 y Mythos 5.1 (1 de septiembre de 2026), Moonshot AI publicó Kimi K3 en abierto (julio de 2026), Zhipu AI lanzó GLM-5.3 (agosto de 2026), DeepSeek sacó V4-Pro (agosto de 2026), y OpenAI presentó GPT-5.6 — con un nivel intermedio conocido como "Terra" (julio de 2026).
No hemos encontrado evidencia de que estas versiones concretas incluyan de fábrica un modo de "escritura menos detectable" — esa capacidad viene sobre todo de las herramientas de humanización externas ya mencionadas. Lo que sí es constante es que la naturalidad de la escritura de estos modelos mejora con cada versión, así que las señales de estilo por sí solas pierden fiabilidad progresivamente: conviene recalibrar la intuición cada cierto tiempo y no tratar esta lista como definitiva para siempre.
Fuentes: Anthropic · CNBC (Kimi K3) · Hugging Face (GLM-5.3) · Yahoo Tech (DeepSeek V4-Pro) · OpenAI (GPT-5.6 / Terra).