Marca de agua vs detector de IA: en cuál puede confiar el colegio

Dos herramientas, las dos afirman responder “¿esto lo escribió una IA?”, construidas sobre bases completamente distintas. Una lee un patrón que la empresa de IA puso ahí a propósito. La otra mira las oraciones de un estudiante y adivina. La diferencia entre marca de agua vs detector de IA es lo más útil que un papá puede entender de todo este tema, porque determina si un resultado positivo es evidencia o ruido.

Y ahora mismo, las escuelas tienen acceso fácil a la ruidosa.

Puntos clave

• Una marca de agua es un patrón estadístico incrustado deliberadamente al generar y leído con una llave secreta; un detector infiere de rasgos de superficie como la perplejidad y la variación del largo de las oraciones.
• Weber-Wulff et al. (2023) probó 14 herramientas de detección y concluyó que “no son precisas ni confiables”, con desempeño que empeora al parafrasear y al traducir a máquina.
• Liang et al. (2023) encontró que los detectores clasifican mal de forma sistemática la escritura de hablantes no nativos de inglés; las estrategias de prompting que mitigan el sesgo también evaden los detectores.
• Las marcas de agua tienen falsos positivos casi nulos sobre texto humano por construcción, pero Anthropic aclara que una marca no distingue escribir de editar a fondo, y la detección está en vista previa privada.
• Dos casos de 2026 terminaron retirados: las más de 200 acusaciones de un profesor de Purdue en abril y una acusación en un colegio de Wake County en mayo, resuelta con el historial de versiones.

Marca de agua vs detector de IA: cómo funciona cada uno

Empieza por la mecánica, porque de ahí sale todo lo demás.

Una marca de agua se planta. Antes de generar cada palabra, el modelo consulta una llave secreta y sesga su elección entre candidatos casi igual de buenos. La marca de Claude, anunciada el 11 de agosto de 2026, usa un método de sustitución de aleatoriedad derivado de SynthID-Text de Google DeepMind, publicado en Nature en 2024. Detectar significa recalcular cuál debía ser el patrón y medir si el texto coincide. Si el modelo no generó el texto, el patrón nunca se plantó, así que un falso positivo exigiría que las elecciones de palabra de un humano coincidieran por casualidad con un patrón criptográfico a lo largo de cientos de posiciones. Por eso las marcas de agua tienen tasas muy bajas de falsos positivos sobre escritura humana: no porque el software sea listo, sino porque no hay nada que encontrar.

Un detector adivina. Mide propiedades estadísticas de la escritura misma, típicamente la perplejidad (qué tan predecibles son las palabras) y la “burstiness” (cuánto varía el largo de las oraciones), y reporta una probabilidad. Nada se plantó. El detector está infiriendo del estilo, y el estilo varía por persona, tema, género y lengua materna.

Desarmamos el mecanismo completo en cómo funciona la marca de agua en texto. Esa diferencia es toda la historia. Una marca de agua responde “¿este texto lleva la firma de la empresa X?”. Un detector responde “¿este texto se parece a lo que escribe una IA?”. La segunda pregunta no tiene respuesta correcta para ningún documento individual.

Qué encontró la investigación de precisión

La literatura de medición sobre detectores es inusualmente clara para ser investigación educativa.

Weber-Wulff et al. (2023), en el International Journal for Educational Integrity, probó 14 sistemas de detección: 12 herramientas públicas más Turnitin y PlagiarismCheck. Su conclusión: las herramientas disponibles “no son precisas ni confiables”, con una tendencia sistemática a clasificar contenido de IA como humano más que al revés, y desempeño sustancialmente degradado cuando el contenido se parafrasea o se traduce a máquina. Su recomendación fue no usarlas en contextos académicos de alto impacto.

Liang et al. (2023), publicado en Patterns (Cell Press) por Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu y James Zou, probó detectores en escritura de hablantes no nativos de inglés. Los detectores “clasifican consistentemente las muestras de escritura no nativa como generadas por IA, mientras las muestras nativas se identifican correctamente”. El mecanismo que proponen es que los detectores “penalizan sin intención a escritores con expresión lingüística limitada”. El paper también mostró que estrategias simples de prompting mitigan el sesgo y además evaden los detectores, que es el problema de la carrera armamentista en una frase: el arreglo que ayuda a un estudiante honesto es el mismo truco que ayuda a quien copia.

Del lado de las marcas de agua, el registro publicado es más delgado y más técnico. Kirchenbauer et al. (ICLR 2024) encontró que las marcas siguen detectables después de paráfrasis humana y automática pero debilitadas, con unos 800 tokens necesarios en promedio para detección confiable tras paráfrasis humana agresiva con tasa estricta de falsos positivos. Sadasivan et al. (2023), en Transactions on Machine Learning Research, demostró ataques de paráfrasis recursiva que reducen significativamente las tasas de detección y ataques de suplantación que pueden hacer que un texto humano parezca de IA. Nadie ha publicado tasas de falsos positivos y negativos para la marca de agua de Anthropic en producción.

La tabla que deberían leer las escuelas

	Marca de agua de IA	Detector de IA
Base	Patrón incrustado al generar con una llave secreta	Adivinanza estadística sobre el estilo
Falsos positivos en texto humano	Muy bajos por construcción	Documentados y sustanciales, peores en escritores no nativos de inglés
Cobertura	Solo los modelos de la empresa emisora	Dice cubrir toda la IA; no verifica ninguna
Sobrevive a la paráfrasis	Debilitada; ~800 tokens tras paráfrasis agresiva	La detección se degrada al parafrasear y al traducir
Sobrevive a la traducción	No; pero una traducción hecha por IA lleva marca fuerte	Se degrada
Qué significa un positivo	Que el modelo de esa empresa participó, en grado desconocido	Una probabilidad sin cadena de custodia
Qué significa un negativo	Nada	Nada
Disponible hoy en el colegio	No: vista previa privada para organizaciones elegibles	Sí, por suscripción
Datos independientes de precisión	No publicados para sistemas en producción	Publicados, y desfavorables
Evaluación con revisión por pares	Papers de método en ICML, ICLR y Nature	”No son precisas ni confiables” (Weber-Wulff et al. 2023)

Las dos filas que deciden la pregunta son “disponible hoy en el colegio” y “datos independientes de precisión”. Las escuelas hoy tienen acceso a la herramienta con datos de precisión publicados y desfavorables, y no tienen acceso a la que sí tiene un mecanismo sólido. Ese desajuste es el problema de política, y explica los casos de 2026 mejor que cualquier teoría sobre las intenciones de los docentes.

Qué pasó cuando las escuelas confiaron en los detectores

Purdue, abril de 2026. Alrededor del 15 de abril, un profesor escribió a más de 200 estudiantes de CS 240 alegando “indicadores claros y concretos” de uso de IA, con cinco días para declarar qué tareas la involucraron y amenaza de reprobar. El correo llegó justo antes de la fecha límite para retirar la materia; más de la mitad de los acusados se dio de baja. La cobertura señaló que se había corrido una herramienta de detección nueva de forma retroactiva sobre trabajo ya calificado. Las acusaciones se retiraron en días y los estudiantes pudieron reinscribirse.

Wake County, mayo de 2026. Una estudiante de primer año de Green Hope High School fue acusada después de que un suplente pasó su ensayo por tres detectores que devolvieron 62%, 75% y 87%, y reconoció no conocer su estilo de escritura. Otra docente revisó el historial de versiones del documento y confirmó que no había usado IA; el trabajo se volvió a calificar. La estudiante después se dirigió a la junta escolar y pidió reglas transparentes y un proceso formal de apelación.

La respuesta de política. Para el 17 de junio de 2026, el borrador de política de IA del distrito no respaldaba los detectores, citando que son propensos a error, y en cambio exigía que los estudiantes reconozcan y expliquen el uso autorizado. La aprobación requería dos votos, previstos no antes de agosto o septiembre de 2026. Precedentes anteriores apuntan igual: Vanderbilt y la Universidad de Arizona desactivaron la función de detección de IA de Turnitin tras documentar problemas de falsos positivos.

Fíjate en lo que funcionó en el único caso resuelto por el fondo: el historial de versiones. No un detector mejor. Un registro del proceso de escritura.

¿Y en América Latina?

Este es el hallazgo que más debería importar a las familias de la región: el sesgo de Liang et al. es específicamente contra la escritura en inglés de hablantes no nativos. Un adolescente en Bogotá, Lima, Santiago o Ciudad de México que escribe un ensayo cuidadoso y gramaticalmente correcto en inglés, para una materia bilingüe o una aplicación universitaria, produce exactamente la señal de baja perplejidad que los detectores leen como máquina. No es mala suerte: es el resultado central de un paper revisado por pares.

Y el nuevo mecanismo agrega el problema espejo: una traducción hecha por IA lleva marca de agua fuerte, aunque el pensamiento sea del estudiante. Sumado a que 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, la conclusión práctica es simple: en la región, ni el colegio ni la ley te van a dar el proceso justo automáticamente. Dos hábitos lo compensan: redactar dentro de un documento con historial de versiones y declarar por escrito cualquier traducción o corrección. Los detalles están en acusaciones falsas de trampa con IA y derechos del estudiante.

Qué deberían usar las escuelas en su lugar

Tres cosas, en orden de qué tan bien las respalda la evidencia.

Evidencia de proceso. Historial de versiones, esquemas, borradores y cronologías de revisión. Es lo que absolvió a la estudiante de Wake County y está disponible gratis en Google Docs y Word. Tampoco se falsifica a la ligera, porque inventar un historial creíble toma más tiempo que escribir el ensayo.

Requisitos de declaración. Pedir a los estudiantes que digan qué herramienta usaron y para qué. El borrador de Wake County fue en esa dirección. Declarar convierte un problema adversarial de detección en un hábito de documentación, y resuelve los casos de traducción y corrección que rompen la detección por completo.

Diseño de evaluación. Defensas orales, escritura en clase y ejercicios que exijan mostrar el procedimiento. La Facultad de Derecho de la Universidad de Chicago adoptó en julio de 2026 una estrategia “resistente a la IA” con dispositivos prohibidos en las clases centrales de primer año y defensas orales obligatorias; Columbia permitió la IA como apoyo de aprendizaje pero la prohibió en el trabajo entregado en agosto de 2026. Piensa lo que quieras de esas reglas: las dos son respuestas de diseño, no de detección.

Qué observar en los próximos 3 meses

• Semana 4: Averigua por escrito si el colegio de tu hijo usa detectores de IA y qué estándar de evidencia aplica antes de una acusación.
• Señales de alerta en el mes 2: Un porcentaje presentado como prueba; una política sin vía de apelación; un profesor corriendo detección retroactiva sobre trabajo ya calificado.
• Autoevaluación del mes 3: Vigila dos cosas: que algún distrito obtenga acceso a detección de marcas de agua, y que algún proveedor publique tasas de falsos positivos verificadas de forma independiente. Ninguna ha pasado todavía, y las dos cambiarían la conversación.

Preguntas frecuentes

¿Cuál es la diferencia entre una marca de agua de IA y un detector de IA?

Una marca de agua es un patrón que la empresa de IA incrusta deliberadamente al generar, leído con una llave secreta. Un detector adivina desde el estilo de escritura, típicamente perplejidad y variación de oraciones, sin ningún patrón que encontrar. Solo el primero tiene un mecanismo sólido.

¿Los detectores de IA son precisos?

Weber-Wulff et al. (2023) probó 14 herramientas para el International Journal for Educational Integrity y concluyó que “no son precisas ni confiables”, recomendando no usarlas en contextos de alto impacto. Liang et al. (2023) encontró clasificación errónea sistemática de la escritura no nativa de inglés.

¿Los colegios pueden usar hoy la detección de marcas de agua?

En general no. La detección de Anthropic está en vista previa privada para organizaciones elegibles, incluidos reguladores, medios, investigadores y organizaciones educativas, mediante un formulario. No existe un detector de consumo para profesores individuales.

¿Por qué los detectores marcan a los estudiantes que aprendieron inglés como segunda lengua?

Liang et al. encontró que los detectores “penalizan sin intención a escritores con expresión lingüística limitada”. La corrección gramatical y la estructura medida que fomenta la enseñanza del inglés producen la señal de baja perplejidad que los detectores interpretan como máquina.

Si las marcas de agua son mejores, ¿van a resolver la trampa escolar?

No. Anthropic dice que una marca no distingue “Claude escribió esto” de “Claude editó esto a fondo”, un ensayo traducido lleva marca fuerte siendo pensamiento propio del estudiante, y parafrasear o usar un modelo que no marca no deja rastro alguno.

¿Qué debo preguntarle al colegio de mi hijo?

Si usan detectores, qué estándar de evidencia aplican, si aceptan el historial de versiones como prueba a favor y cuál es el proceso de apelación. Un colegio que puede responder las cuatro lo pensó; uno que no puede es la situación de la que salieron los casos de 2026.

---

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. Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., et al. (2023). “Testing of detection tools for AI-generated text.” International Journal for Educational Integrity, 19(1). https://arxiv.org/abs/2306.15666
2. Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). “GPT detectors are biased against non-native English writers.” Patterns (Cell Press). https://arxiv.org/abs/2304.02819
3. Kirchenbauer, J., Geiping, J., Wen, Y., et al. (2024). “On the Reliability of Watermarks for Large Language Models.” ICLR 2024. https://arxiv.org/abs/2306.15666
4. Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2023). “Can AI-Generated Text be Reliably Detected?” TMLR. https://arxiv.org/abs/2303.11156
5. Anthropic. (2026, 14 de agosto). “How Claude’s text watermark works.” https://www.anthropic.com/news/claude-text-watermark
6. 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/
7. 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/
8. 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/
9. 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