Cómo saber si un texto lo ha escrito una IA: señales, detectores y 24 acusaciones reales

En resumen: hoy es imposible saber con fiabilidad si un texto lo ha escrito una IA, ni a ojo ni con un detector. Pero tenemos algo más interesante que la teoría. Mientras cartografiábamos el mercado de cursos de IA, descargamos las reseñas de alumnos de Udemy y Coursera y dimos con una veta rara: personas reales que acusan en público al autor de un curso de pago de vender material hecho por una máquina. Ninguna de ellas usó un detector. Miramos qué los delató de verdad, y resultó no ser nada de lo que miden los detectores.

Por qué el problema no tiene solución de entrada

Un modelo de lenguaje se ha entrenado con textos humanos y está optimizado para producir texto estadísticamente «normal». Un buen texto de máquina es, por definición, indistinguible de la escritura humana media. La tarea de «distinguir la IA de la persona» choca con que la frontera real no está entre máquina y humano: está entre estilo propio y estilo promediado. Y las personas también escriben en promedio, sobre todo cuando están cansadas, cuando van con pies de plomo o cuando trabajan en una segunda lengua.

Añade que casi nadie publica la salida cruda del modelo: el texto se edita, se amplía, se mezcla con lo tuyo. Los casos puros de «humano» y de «IA» apenas existen; hay un continuo. El curso que diseccionamos abajo es justo ese híbrido: el guion parece escrito por una máquina, pero las diapositivas las montó una persona, que además puso la voz y lo vendió. Aquí la pregunta «¿lo ha escrito una IA?» ni siquiera tiene una respuesta única. Y este es el caso normal, no el exótico.

Nuestros datos: 24 acusaciones de autoría mecánica, cero detectores

Descargamos las reseñas de los mayores cursos sobre ChatGPT e IA generativa. Investigación de mercado propia, medida el 17.07.2026. El subproducto acabó valiendo más que el resultado principal. En las reseñas negativas aparece una acusación recurrente: esto lo ha hecho una máquina. Y la lanza gente que pagó el curso y se lo tragó entero.

La versión más directa cae sobre Prompt Engineering with ChatGPT Masterclass, de RPATech: 118 803 alumnos, 57 836 reseñas, valoración 4,48. No es un producto marginal; es uno de los cursos más grandes del nicho:

"Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word"
— Bradley M., 16.04.2026, 1★

Y del mismo curso, un veredicto que no puede ser más escueto:

"AI voice, not recommended. didn't learned anything"
— Ashvin D., 22.06.2026, 1★

Fíjate en lo que no hay en esas reseñas. Ningún porcentaje. Ni una mención a GPTZero o ZeroGPT. Nada sobre perplejidad, ritmo de las frases o la fórmula «no solo X, sino Y». Nadie pasó un detector; bastaron dos cosas: la diapositiva iba sobrecargada y lo dicho coincidía palabra por palabra con lo escrito. Eso no son pistas de estilo. Son pistas de proceso: así queda un texto que nadie reescribió para el oído, porque entre la generación y la grabación no hubo ninguna persona.

Qué delata de verdad a una máquina: no el estilo, sino el trabajo que falta

Clasificamos todas las reseñas negativas por grupos y salió un patrón. La queja más frecuente sobre los videocursos no va de IA en absoluto: va de leer la diapositiva.

"why read straight from the slide? I can do that. This was not a helpful course at all"
— Janie I., 02.07.2026, 1★ (el curso de Justin Barnett)

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website"
— Shashank T., 13.04.2026, 1★ (The Complete AI Guide)

"They are just reading the prompter sometimes without even knowing the point. Hating myself after purchasing it."
— Sachin S., 13.07.2026, 1★ (The Complete AI Guide)

Mira cómo lo dice Sachin: «sometimes without even knowing the point». Es la definición más afilada de texto de máquina que he visto, y no tiene nada que ver con la estadística. Lo mecánico aparece cuando entre el texto y el lector no hubo nadie que entendiera lo que leía. Un modelo puede simular comprensión dentro de cada frase. Lo que no puede simular es la decisión de tirar la mitad a la basura, porque esa decisión exige saber para qué escribes.

De ahí sale el segundo grupo: relleno y repetición.

"I finished week 2. And all the lessons could be in 1 lesson. I jumped to week 3, 4, 5 and 6, and I see some concept reapeted. Very bad time spending for me."
— Shai Mizrachi, 22.07.2023, 1★ (Vanderbilt)

"The course is far too drawn out… padding the course with filler and making it longer than it needs to be."
— Victoria X., 13.02.2026, 2★ (The Complete AI Guide)

"The majority of the class he just rambles around unimportant subject… There's really no 'meat' in this course. A major waste of time and money!"
— Kevin K., 20.02.2026, 1★ (ChatGPT for Work)

Y el tercero: vacío vendido como contenido.

"The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models."
— Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

"Didnt meet expectations, only theory is discussed which we already know."
— Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone)

Súmalo todo. El lector dicta el veredicto de «máquina» no por el ritmo de las frases, sino por tres cosas: al texto no le han cortado nada, el texto no decide nada, el autor no está. Las tres son propiedades no del generador, sino de la edición que falta. Una persona con una entrega encima y sin ganas produce exactamente lo mismo. Por eso la acusación acierta y falla a la vez.

Una salvedad honesta contra nosotros mismos: esto no es un experimento. No sabemos si un modelo escribió realmente ese curso; RPATech nunca lo comentó y la reseña de Bradley M. sigue siendo la opinión de un espectador. Nuestra afirmación es más modesta: sabemos qué lleva a personas reales que han pagado a dictar el veredicto. Son datos sobre el detector llamado «persona», no sobre el hecho de la generación.

Qué se confunde con rastros de IA — y por qué es un error

Ahora mira la lista canónica de «señales» y observa cómo no describe una máquina. Esto es lo que suele presentarse como prueba:

• Suavidad sospechosa. Todas las frases miden y se complican más o menos igual, el ritmo nunca cambia.
• Todo de tres en tres. Listas de exactamente tres puntos, párrafos simétricos, secciones del mismo tamaño.
• La construcción «no X, sino Y». «Esto no es solo una herramienta, es una forma de pensar», cinco veces por página.
• Cero concreción. Ni nombres, ni fechas, ni cifras, ni casos vividos. Vale para cualquier cosa y por eso no sirve para nada.
• Vocabulario delator. «Panorama», «desbloquear el potencial», «en la era digital», «es importante señalar».

Ninguna de ellas separa a la máquina de la persona. Separan la escritura de plantilla de la escritura viva, y las personas también escriben con plantilla: cuando están cansadas, cuando se cubren las espaldas, cuando repasan de un manual o cuando trabajan en una segunda lengua. Con esta lista se «condena» encantada a alguien pulcro. Y al revés: la salida de un modelo con un buen prompt no muestra ninguna. Pide concreción, un ejemplo real y una postura, y lo mecánico se evapora (puedes ver cómo en la fórmula de un prompt potente).

Compruébalo aquí mismo. El prompt de abajo hace que el modelo escriba el mismo párrafo dos veces —una «a lo máquina» y otra viva— y luego juzgue su propia salida. Las dos versiones salen de la máquina, así que cualquier veredicto de detector del tipo «es IA / no es IA» estará equivocado por construcción la mitad de las veces:

Escribe dos veces el mismo párrafo de 120 palabras sobre por qué fracasa el onboarding en remoto de los nuevos empleados.

Versión A: como lo escribiría una persona cansada que solo quiere rellenar la página: sin nombres, sin cifras, sin casos, con todas las frases más o menos igual de largas.

Versión B: con una empresa inventada pero concreta, un fallo concreto de la primera semana, una cifra y frases de longitud muy desigual.

Después responde en tres puntos: qué versión marcaría como escrita por máquina un detector de IA basado en perplejidad, por qué, y si ese veredicto sería correcto sabiendo que las dos las has escrito tú.

Cómo funciona un detector por dentro — y por qué miente

Un detector de IA no «reconoce» el texto. Mide propiedades estadísticas: cuán predecible es cada palabra siguiente (perplejidad) y cuán desigual es el reparto de la complejidad de las frases (burstiness). La lógica: un modelo, por construcción, elige la continuación probable, así que su texto es de media más predecible y más parejo. La lógica es correcta. El problema es lo que se deduce de ella.

• Falsos positivos en personas. Quien escribe llano y predecible se parece estadísticamente a un modelo. Un vocabulario más estrecho da perplejidad baja, y ese vocabulario estrecho lo tiene un adolescente, un abogado prudente y cualquiera que escriba en una lengua que aprendió en vez de absorber.
• Falsos negativos. Pídele al modelo que escriba con más variedad, o retoca el texto a mano un poco, y el detector se calla. Caza la predecibilidad, no el origen.
• Sin calibrar. El porcentaje parece científico pero no hay forma de comprobarlo: los detectores no publican ningún método transparente y la precisión cae con textos distintos a los de su entrenamiento. «Una probabilidad del 87 %» y «nuestro aparato ha soltado el número 87» son afirmaciones distintas: te venden la primera y te dan la segunda.
• Con textos cortos, adivinar. Un solo párrafo no da estadística suficiente.
• Una carrera que el detector pierde por definición. Cada mejora del modelo acerca más su salida a la escritura humana media. El detector no está alcanzando un objetivo: el objetivo se aleja.

La conclusión es dura pero necesaria: el porcentaje de un detector no puede servir de base para una acusación, ni en una universidad, ni en una redacción, ni en una contratación. Es una herramienta con un margen de error desconocido, repartido de forma desigual, que golpea más fuerte a quien ya está en la posición más débil.

Sobre quien escribe en una segunda lengua: qué podemos demostrar y qué no

La idea de que «los detectores castigan a quien escribe en una segunda lengua» suena razonable, y el mecanismo de la perplejidad la predice directamente. Pero no tenemos ninguna medición de los propios detectores, y no vamos a inventarla.

Lo que sí tenemos es un dato vecino y sólido. Nuestra investigación de mercado se apoya en un ensayo controlado aleatorizado de Bälter, Kann, Mutimukwe y Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2263 estudiantes suecos, un mismo curso de programación en línea impartido en dos idiomas:

• Abandono en sueco: 57 %. En inglés: 71 % (φ = 0,2; p < 0,00001).
• Nota media de quienes se quedaron: 16,9 frente a 14,3, una diferencia insignificante (δ = 0,085).

Léelo con calma: el inglés no dañó la comprensión, hizo que la gente se fuera. Y, lo más relevante aquí, la fluidez autopercibida no protegía: los estudiantes que consideraban bueno su inglés abandonaban igual.

Eso no dice nada de los detectores de forma directa. Lo que sí dice es esto: el coste de trabajar en una lengua que no es la tuya es real, medible e invisible para quien lo paga. Un detector que penaliza la perplejidad baja es una capa más de ese mismo impuesto, aplicada a quien ya lo está pagando. Es un argumento, no una prueba, y no lo hago pasar por lo segundo.

La prueba que sí funciona: comprobar los hechos

Lo más fuerte que encontramos es una reseña donde alguien no adivinó: pilló.

"Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models."
— Jose C., 12.05.2026, 1★ (el curso de Justin Barnett)

El error no estaba solo en la clase, sino en el test: la respuesta equivocada puntuaba como correcta. Eso es una prueba. No «un 87 % de probabilidad», sino una afirmación falsa concreta que puedes poner encima de la mesa y que el autor no sabe explicar porque no se le ocurrió a él.

Ningún detector habría encontrado nada de esto: la prosa de la clase es impecable. Lo encontró una persona que sabía del tema. La regla es simple: si un texto contiene hechos, comprueba los hechos, no el estilo. Un enlace que no lleva a ninguna parte, una arquitectura confundida, una cifra sin fuente: eso son pruebas duras, y además son la huella de una alucinación de la IA.

El prompt para esa comprobación se ejecuta aquí mismo:

Comprueba estas cuatro afirmaciones y marca cada una como VERDADERA, FALSA o NO VERIFICABLE SIN FUENTES, con una frase de argumentación en cada caso:

1. Midjourney, DALL-E y Stable Diffusion están construidos sobre la arquitectura GAN.
2. La perplejidad, en modelado de lenguaje, mide cuán predecible le resulta un texto a un modelo.
3. Un texto al que un detector da un «100 % IA» demuestra que el autor usó IA.
4. La marca de agua permite detectar la salida de cualquier modelo.

Después di cuáles de estos cuatro errores esperarías encontrar en un curso en línea hecho deprisa, y por qué precisamente esos.

¿Y las marcas de agua?

Técnicamente se puede incrustar una marca estadística imperceptible durante la generación y comprobarla después: el modelo desvía un poco su elección de palabras siguiendo una regla secreta, y ese desvío se reconoce más tarde. Google DeepMind impulsa un enfoque así con el nombre SynthID. Los límites del método son estructurales, no detalles de implementación:

• La marca solo existe donde alguien la puso. Un modelo sin marca de agua —incluido cualquiera ejecutado en local— simplemente no juega.
• La marca no sobrevive a todo. Parafrasear, pasar por una traducción de ida y vuelta o editar a mano a fondo diluyen el desvío estadístico.
• Nadie está obligado. No hay ningún estándar obligatorio del sector, y uno voluntario identifica a los honestos.
• Que no haya marca no significa nada. Incluso una marca de agua perfecta responde «sí, este es nuestro modelo», nunca «no, esto es una persona».

Es una tecnología útil para las plataformas, no un detector universal para ti.

Qué hacer en lugar de usar un detector

Si eres profesor, editor o jefe de equipo, «¿lo ha escrito una IA?» casi siempre es la pregunta equivocada. Las de verdad son «¿entiende el autor lo que ha entregado?» y «¿hace el texto su trabajo?». Las dos se pueden comprobar.

• Una conversación. Dos preguntas de seguimiento sobre el contenido responden a todo lo que ningún detector puede.
• El proceso. Borradores, historial de versiones, entregas intermedias. Ves el camino, no solo el resultado.
• Una tarea que la IA no cierra sola. Contexto local, experiencia personal, datos de la sesión, un vínculo con un caso concreto.
• Comprobar los hechos. Mira el caso de Jose C. de más arriba: una afirmación verificable vale más que diez puntos porcentuales de confianza.
• Reglas abiertas. Di de antemano qué se permite: «la IA vale para el borrador y para revisar, no para las conclusiones finales». Una regla transparente quita la mitad del problema.

La objeción evidente: una conversación no escala y un detector es un clic. Objeción justa. Pero mira lo que pasa cuando construyes todo el sistema alrededor de lo que escala:

"you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not."
— Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt — 698 444 matriculados)

"quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'"
— Cory Covino, 04.05.2024, 2★ (IBM)

"Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience."
— Laurie J Phillips, 12.04.2024, 3★ (IBM)

Es la misma enfermedad que el detector, vista desde el otro lado: corrección automática que mide lo que no toca porque medir lo que toca sale caro. El «100 % correcto» automático y el «87 % IA» son parientes. Los dos te dan un número en lugar de un juicio.

Y no es pereza de la plataforma: es un límite estructural. Para revisar un prompt hace falta un modelo dentro de la lección. Coursera no lo tiene: la Prompt Engineering Specialization de Vanderbilt exige que el alumno compre aparte una suscripción de pago a ChatGPT y haga los ejercicios en otro sitio. La plataforma no puede ver físicamente qué salió, así que estampa un aprobado automático. Justo por eso nuestro curso de IA mantiene el modelo dentro de la lección, y por la misma razón los bloques de prompts de este artículo tienen un botón para ejecutarlos en vez de pedirte que los copies a otra parte.

Si el acusado eres tú

Es una situación real y desagradable: el detector ha soltado un porcentaje y el texto es tuyo. Lo que ayuda:

• El historial de versiones. Google Docs, Word, cualquier editor con guardado automático. Es la mejor prueba que existe: el proceso de escritura es más difícil de falsificar que el resultado. Activa el guardado automático antes de necesitarlo.
• Borradores y notas. Guardarlos es un latazo; también son lo que te salva.
• Disposición a explicarlo. Si entiendes tu propio texto, una conversación zanja el asunto en dos minutos.
• Desmontar el aparato con calma. Pide que no te enseñen un porcentaje, sino el pasaje concreto que lo disparó y el método que hay detrás del número. Un detector no te da ni una cosa ni la otra, y esa ausencia ya es la respuesta.
• Cambiar la pregunta. «Pregúntame por el contenido» es la única frase que convierte la conversación de adivinanza en comprobación. A quien acusa le resulta incómodo negarse.

El prompt que te prepara para esa conversación no es «engaña al detector», sino «comprueba si de verdad dominas tu propio texto»:

Este es el párrafo de un estudiante:

«Las zonas verdes urbanas mejoran los indicadores de salud mental. Los estudios han demostrado que el acceso a los parques reduce el estrés y mejora el bienestar general. En la era digital, es importante señalar que los urbanistas deben considerar holísticamente el panorama del desarrollo urbano para desbloquear el potencial de la infraestructura verde.»

No juzgues si lo ha escrito una IA. En lugar de eso, escribe cinco preguntas que yo podría hacerle al autor en una conversación de dos minutos y que revelarían si entiende lo que ha entregado. Para cada pregunta, di qué contendría la respuesta de alguien que sabe y cómo sonaría la respuesta de quien va de farol.

Cómo escribir con IA sin sonar a máquina

Y la conclusión más práctica. Si usas la IA con honestidad, como borrador, lo mecánico no se quita con trucos, sino con sustancia. Esta es la cita que conviene recordar si andas buscando el truco mágico:

"I've studied best practices to avoid it generating content that sounds like AI, but I'm not having any success. … It is reported as 100% written by AI according to zerogpt."
— foro de OpenAI, hilo «Prompt to insert content without sounding like AI»

"the email writing tools just seems to strip out my personal voice making me sound like I'm writing unsolicited marketing spam."
— comentario en Hacker News

Salvedad: son tres fuentes de foros poblados por usuarios avanzados, no por una audiencia masiva. La muestra es pequeña y lo que sale de ella es una hipótesis, no una medición. Pero la hipótesis encaja con todo lo demás: la persona de la primera cita estudió todas las «mejores prácticas contra el estilo IA» y fracasó. Porque peleaba contra el estilo. El estilo es el síntoma. La enfermedad es el vacío.

Este es un borrador. Si tienes uno tuyo, ponlo en su lugar.

«La IA está transformando la forma de trabajar de los equipos. Es importante señalar que las organizaciones deben desbloquear el potencial de estas herramientas. En la era digital, las empresas que no se adapten corren el riesgo de quedarse atrás de sus competidores en un panorama en constante cambio.»

Tarea: hazlo más concreto sin alargarlo.
Reglas:
- borra toda frase que seguiría siendo verdad si cambias «IA» por cualquier otra tecnología;
- cada afirmación que sobreviva necesita un ejemplo o una cifra, o se borra;
- alterna frases largas con frases cortas.
Termina con una lista aparte titulada «Necesita la experiencia del autor»: los puntos que solo puede rellenar una persona.

Esa última regla es la clave. Un texto deja de parecer de máquina justo cuando contiene lo que el modelo no tiene: tu caso concreto, tu cifra, tu postura. Por eso este artículo lleva nombres, fechas y estrellas: no por pompa, sino porque no se pueden generar.

Lo esencial

Los detectores de IA no son un sensor de la verdad: son una conjetura probabilística con un margen de error desconocido que golpea más fuerte a quien escribe llano y en una segunda lengua. Las «señales de estilo mecánico» separan la escritura de plantilla de la escritura viva, no la máquina de la persona. Y quienes sí pillan texto de máquina —Bradley M. y Jose C. en nuestros datos— no lo pillan por el estilo: lo pillan por un texto al que nadie recortó nada, por un error factual, por la ausencia del autor. Así que eso es lo que conviene comprobar. La única manera fiable de saber si detrás de un texto hay una persona es hablar con ella del texto.

Sigue por aquí: la IA en la escuela y las copias, qué puede hacer un profesor de verdad; alucinaciones de la IA, de dónde salen los enlaces inexistentes que sí sirven de prueba; la fórmula de un prompt potente, cómo quitar lo mecánico en la entrada y no en la salida; la IA en el trabajo, sobre borradores y edición.