La marca de agua de IA no es prueba de trampa: aquí el por qué

Una estudiante escribe su ensayo en español, todo su propio pensamiento, y después le pide a Claude que lo traduzca al inglés para una materia bilingüe. El resultado lleva una marca de agua fuerte e inequívoca. Otro estudiante hace que Claude reescriba dos párrafos de un ensayo en el que apenas trabajó y después parafrasea el resto a mano. Su resultado casi no lleva marca. Si un colegio trata la marca de agua como prueba de trampa, acaba de condenar a la estudiante honesta y absolver al otro. Que la marca de agua de IA no es prueba de trampa no es una opinión: se desprende de cómo funciona la tecnología, y Anthropic lo dice en su propia documentación.

Puntos clave

• Anthropic afirma que una marca “solo puede determinar que Claude probablemente estuvo involucrado con el contenido en algún momento” y “no puede distinguir ‘Claude escribió esto’ de ‘Claude editó esto a fondo’”.
• Corregir el estilo de un texto humano deja poca o ninguna marca, porque casi todas las palabras son de la persona; una traducción lleva marca fuerte, porque cada palabra la elige el modelo.
• La ausencia de marca no prueba nada: edición fuerte, paráfrasis, traducción, capturas de pantalla, conversión de formato y modelos que no marcan producen texto sin marca.
• Dos casos documentados de 2026 (Purdue CS 240 en abril y Wake County en mayo) muestran qué pasa cuando las escuelas actúan sobre señales débiles; en los dos, las acusaciones se cayeron.
• Lo que de verdad absolvió a una estudiante falsamente acusada fue el historial de versiones del documento, no ninguna afirmación sobre detección.

Por qué la marca de agua de IA no es prueba de trampa

Una marca de agua responde una sola pregunta: ¿este texto, o parte de él, lo generó el modelo de esta empresa? No responde quién hizo el pensamiento, cuánto aportó el modelo ni si el uso estaba permitido.

El documento técnico de Anthropic es explícito, y la documentación de soporte lo repite: una marca detectada indica que el contenido “puede haber sido generado o procesado por Claude”, pero no establece que sea obra original de Claude, porque la gente lo usa para editar, resumir y convertir material existente.

El mecanismo explica por qué. La marca está incrustada en la elección de palabras del modelo. Cuantas más palabras elige el modelo, más fuerte la señal; cuantas menos, más débil. Así que la fuerza de una marca mide cuántas palabras vinieron del modelo, que no es lo mismo que cuánto pensamiento vino del modelo. Esas dos cantidades pueden apuntar en direcciones opuestas, y la traducción es el ejemplo limpio: 100% de las palabras de Claude, 100% de las ideas del estudiante.

Anthropic deletrea las dos mitades. Sobre corrección de estilo: si Claude solo revisa un texto escrito por un humano, se adhiere poca o ninguna marca porque “casi todas las palabras son de la persona”. Sobre traducción: las traducciones llevan marca porque “cada palabra la elige Claude”.

Seis escenarios escolares y qué muestra realmente una marca

Qué hizo el estudiante	Fuerza de la marca	Qué probaría una marca	¿Es trampa?
Le pidió a Claude que escribiera el ensayo y lo entregó tal cual	Fuerte	Que Claude participó	Sí, con casi cualquier política
Escribió el ensayo en español y lo hizo traducir por Claude	Fuerte	Que Claude participó	Depende de la consigna; el pensamiento es del estudiante
Escribió el ensayo y le pidió a Claude corregir la gramática	Poca o ninguna	Probablemente nada detectable	Normalmente permitido
Lo hizo Claude y después él parafraseó cada oración a mano	Débil o ausente	Posiblemente nada	Sí, y la marca no lo va a atrapar
Usó otra IA que no marca	Ninguna	Nada	Sí, y no hay marca que encontrar
Lo escribió entero solo	Ninguna	Nada	No

Lee juntas la fila dos y la cuatro. El estudiante que hizo todo el pensamiento queda marcado; el que casi no hizo nada, no. Una política basada en detección invierte el resultado que intenta producir. Ese es el argumento a favor de las reglas de declaración sobre las de detección, y por eso nuestra guía sobre la marca de agua en texto de IA arranca con la advertencia y no con la capacidad.

Fíjate también en que las filas cinco y seis producen evidencia idéntica. Sin marca en un ensayo escrito por Gemini, sin marca en uno escrito a mano. Un sistema que no puede distinguir esos dos casos no puede ser la base de una sanción.

Qué pasó cuando las escuelas actuaron sobre señales débiles

Dos casos de 2026 vale conocerlos en detalle, porque los dos terminaron con las acusaciones retiradas.

Purdue, CS 240, abril de 2026. Alrededor del 15 de abril, el profesor Jeffrey Turkstra escribió a más de 200 estudiantes de un curso obligatorio de ciencias de la computación alegando “indicadores claros y concretos” de uso de IA y dándoles cinco días para llenar un formulario declarando en qué tareas la usaron. El correo llegó justo antes de la fecha límite para retirar la materia con una W. Ante la amenaza de reprobar, más de la mitad de los acusados la retiró. La cobertura del caso señaló que el profesor había corrido una herramienta de detección nueva de forma retroactiva sobre tareas ya calificadas. En días, tras la reacción del campus, las acusaciones se retiraron y los estudiantes pudieron reinscribirse.

Wake County, Carolina del Norte, mayo de 2026. Una estudiante de primer año de Green Hope High School, Eleanor Canina, fue acusada después de que un profesor suplente pasó su tarea de inglés por tres detectores que devolvieron probabilidades de 62%, 75% y 87%. El profesor reconoció no estar familiarizado con su estilo de escritura. WRAL reportó que otra docente revisó el historial de versiones de la tarea y confirmó que no había usado IA; el trabajo se volvió a calificar y la acusación se resolvió. Canina habló después ante la junta escolar del condado y lanzó una petición pidiendo reglas transparentes y un proceso formal de apelación. Para el 17 de junio, el borrador de política del distrito ya no respaldaba el uso de detectores de IA y en cambio exigía que los estudiantes reconozcan y expliquen cualquier uso autorizado.

La investigación de medición explica por qué ocurren estos casos. Weber-Wulff et al. (2023), que probó 14 herramientas de detección para el International Journal for Educational Integrity, concluyó que “no son precisas ni confiables”, con desempeño que empeora al parafrasear o traducir. Liang et al. (2023), en Patterns, encontró que los detectores clasifican sistemáticamente la escritura de hablantes no nativos de inglés como generada por IA, porque la contención lingüística que se le enseña a un estudiante de inglés produce exactamente la señal que los detectores leen como máquina.

Las marcas de agua son técnicamente mejores que los detectores: el patrón se incrustó o no, así que los falsos positivos sobre texto genuinamente humano deberían ser raros. Pero “técnicamente mejor respondiendo la pregunta equivocada” sigue sin ser prueba de trampa.

¿Y en América Latina?

Este es el punto donde el tema deja de ser abstracto para la región. El hallazgo de Liang et al. es específicamente sobre escritura en inglés de hablantes no nativos: los detectores penalizan la expresión más contenida, que es justo la que produce un estudiante colombiano, peruano o argentino escribiendo con cuidado en su segundo idioma. Y la nueva marca de agua agrega el problema espejo: la traducción marca al máximo. Si tu hijo redacta en español y traduce con IA, produce el texto más marcado posible haciendo el trabajo más honesto posible.

Las dos tecnologías, la vieja heurística y la nueva estadística, terminan apuntando al mismo estudiante latinoamericano. Y el marco legal no lo acompaña: el Código de Buenas Prácticas que motivó las marcas de agua es europeo, la lista de elegibilidad para detección menciona “sociedad civil de la UE”, y la UNESCO reportó al lanzar su Observatorio de IA en Educación para América Latina y el Caribe, el 14 de abril de 2026 en Santiago, que menos del 10% de las instituciones de la región tiene lineamientos formales sobre IA. Traducción práctica: la regla que proteja a tu hijo la vas a escribir tú, y empieza por dos hábitos, declarar la traducción por escrito y conservar el borrador original en español.

Cómo se ve un proceso justo

Si acusan a tu hijo, las preguntas son de procedimiento más que técnicas.

Pregunta cuál es la evidencia, en concreto. Un porcentaje de detector no es evidencia: es la salida de una herramienta. Un resultado de marca de agua, si el colegio llegara a tener acceso, muestra participación de grado desconocido. Pide el artefacto real y quién lo produjo.

Ofrece el historial de versiones de inmediato. En el caso de Wake County fue lo que funcionó. Google Docs y Word guardan el historial automáticamente. Un documento que muestra un esquema volviéndose borrador y después versión final es la defensa más fuerte disponible.

Pregunta qué dice la política escrita. Si la política no prohíbe ese uso específico, aplicar una prohibición después es un problema de procedimiento del colegio, no de tu hijo.

Pregunta por la apelación. La estudiante de Wake County pidió específicamente un proceso formal de apelación, lo que te dice que no existía. Pregunta qué pasa con el registro si la apelación gana, y pide la respuesta por escrito. El recorrido completo está en acusaciones falsas de trampa con IA y derechos del estudiante.

Qué hacer en casa, de verdad

Redactar siempre en un solo documento

Nada de escribir en una ventana de chat y pegar texto terminado en la tarea. Un documento desde el esquema hasta la entrega, que produce el historial de versiones que de verdad ha absuelto a estudiantes.

Declara traducción y corrección de forma explícita

Son los dos casos donde la evidencia de la marca de agua engaña más, en las dos direcciones. Una línea (“escribí esto en español y usé Claude para traducir; adjunto el borrador original”) elimina todo el problema.

Enseña la asimetría como un hecho, no como una rendija

Una marca prueba participación de grado desconocido. Ninguna marca no prueba nada. Las dos mitades. Un chico que solo aprende la segunda mitad aprende a esconderse.

Guarda el original cuando hay traducción

Si tu hijo escribe en un idioma y traduce, conserva el archivo original. Convierte una salida que se ve sospechosa en un proceso documentado.

Lo que no debes hacer

No le enseñes a parafrasear la salida de la IA para evadir detección. Es la fila de la tabla que se sale con la suya, y por eso mismo es la que una familia no debería buscar. La pregunta de integridad es qué puede explicar el chico después, y el texto de IA parafraseado falla esa prueba en la primera pregunta de seguimiento del profesor.

Qué observar en los próximos 3 meses

• Semana 4: Lee la política de IA del colegio y fíjate si menciona estándares de evidencia y una vía de apelación. Si falta alguna, vale plantearlo en una reunión de papás.
• Señales de alerta en el mes 2: Un porcentaje citado como prueba; una política que prohíbe la IA sin definir qué asistencia sí se permite; tu hijo incapaz de describir cómo se armó un trabajo calificado.
• Autoevaluación del mes 3: La API de detección de Anthropic está en vista previa privada con “organizaciones educativas” en la lista de elegibilidad. Si los distritos obtienen acceso, la pregunta cambia de “pueden detectar” a “qué les autoriza a concluir un resultado positivo”. Haz esa pregunta temprano.

Preguntas frecuentes

¿Una marca de agua de IA es prueba de trampa?

No. Anthropic dice que una marca “solo puede determinar que Claude probablemente estuvo involucrado con el contenido en algún momento” y “no puede distinguir ‘Claude escribió esto’ de ‘Claude editó esto a fondo’”. Identifica participación de grado desconocido, que no es lo mismo que deshonestidad académica.

¿Por qué un estudiante honesto tendría una marca fuerte?

Por traducción. Si un estudiante escribe el ensayo él mismo y le pide a la IA que lo traduzca, cada palabra de la versión entregada la eligió el modelo, así que la marca es fuerte aunque todo el pensamiento sea suyo.

¿Por qué un estudiante que hizo trampa no tendría marca?

Por varias vías: parafrasear la salida a mano, editarla a fondo, usar un modelo que no marca, o tomar una captura de pantalla y volver a escribir. La documentación de Anthropic lista la edición fuerte, la paráfrasis, la traducción, las capturas y la conversión de formato como cosas que eliminan marcas.

¿Qué evidencia protege de verdad a mi hijo?

El historial de versiones del documento. En el caso de Wake County de mayo de 2026, una docente revisó el historial de la tarea y confirmó que la estudiante no había usado IA. Google Docs y Word lo guardan automáticamente si el estudiante redacta ahí en lugar de pegar texto terminado.

¿El colegio de mi hijo puede detectar hoy la marca de agua de Claude?

No como herramienta general. La detección está en vista previa privada para organizaciones elegibles, incluidas las educativas, mediante un formulario de solicitud. No hay un detector de consumo disponible para un profesor individual.

¿Qué debería decir una política escolar en su lugar?

Definir qué asistencia se permite, exigir declaración en un formato específico y fijar un estándar de evidencia con vía de apelación. El borrador de Wake County de junio de 2026 fue en esa dirección: sin respaldo a los detectores y con obligación de reconocer y explicar el uso autorizado de IA.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. Anthropic. (2026, 14 de agosto). “How Claude’s text watermark works.” https://www.anthropic.com/news/claude-text-watermark
2. Anthropic. (2026). “How Claude marks AI-generated content.” Claude Support. https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content
3. Plagiarism Today. (2026, 22 de abril). “Cheating allegations lead to chaos at Purdue University.” https://www.plagiarismtoday.com/2026/04/22/cheating-allegations-lead-to-chaos-at-purdue-university/
4. WRAL. (2026, 5 de mayo). “Wake County student says clear AI policies needed after being accused of cheating.” https://www.wral.com/news/education/wake-county-student-says-ai-policies-needed-after-cheating-accusation-may-2026/
5. WRAL. (2026, 17 de junio). “No AI detectors, more citations. What’s in a new Wake schools’ AI policy draft.” https://www.wral.com/news/education/whats-in-wake-schools-new-ai-policy-draft-june-2026/
6. Weber-Wulff, D., et al. (2023). “Testing of detection tools for AI-generated text.” International Journal for Educational Integrity, 19(1). https://arxiv.org/abs/2306.15666
7. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). “GPT detectors are biased against non-native English writers.” Patterns. https://arxiv.org/abs/2304.02819
8. UNESCO. (2026, 14 de abril). “UNESCO launches Observatory on Artificial Intelligence in Education for Latin America and the Caribbean.” https://www.unesco.org/en/articles/unesco-launches-observatory-artificial-intelligence-education-latin-america-and-caribbean