Los detectores de IA penalizan a los escritores no nativos: qué documentar

Los detectores de IA penalizan a los escritores no nativos porque las características que miden —poca variación en la longitud de las oraciones, frases de transición comunes, vocabulario sencillo— se superponen con lo que parece la escritura cuidadosa en un segundo idioma. Esa superposición produce falsos positivos. Es un patrón documentado, no es prueba de que hayas hecho trampa, y hay pasos concretos que puedes tomar: entender la señal, mantener un registro de tus borradores, plantearlo con calma ante tu institución y editar tu propia prosa en lugar de aplanarla.

Puntos clave

• El resultado de un detector es una estimación de probabilidad sobre patrones de texto, no una conclusión sobre la autoría.
• Los escritores no nativos reciben más alertas falsas porque un inglés cuidadoso y de manual se parece al resultado de un modelo en las características que miden los detectores.
• Puedes plantear un falso positivo sin sonar a la defensiva: pregunta qué estándar de prueba se aplica y luego aporta el tuyo.
• Conserva tus borradores, el historial de versiones y las notas de tus fuentes: la evidencia del proceso es lo más sólido que tienes.
• Edita por ritmo y precisión, no para obtener la aprobación de un detector; suavizar tu sintaxis para complacer a una herramienta te cuesta tu voz.

¿Por qué un detector de IA marca un inglés no nativo impecable?

La mayoría de los detectores no buscan una marca de agua ni una firma oculta. Examinan las propiedades estadísticas de tus oraciones y las comparan con patrones vistos en el resultado de modelos. Las señales habituales son la uniformidad en la longitud de las oraciones, una banda de vocabulario estrecha, el uso intensivo de conectores como “moreover” y “furthermore”, y muy pocas elecciones idiosincrásicas.

Ahora piensa en cómo se suele enseñar a un buen escritor de inglés como segunda lengua. Usa oraciones completas. Evita las contracciones. Enlaza tus párrafos con señalizaciones explícitas. Prefiere la palabra estándar a la coloquial. Cada uno de esos hábitos empuja tu texto hacia el extremo maquinal de la distribución, no porque esté hecho por una máquina, sino porque el mismo consejo que mejora la claridad también elimina las irregularidades que los detectores asocian con la escritura humana.

Ese es el quid del falso positivo. El detector no te está detectando a ti. Está detectando un estilo, y tu estilo se acerca a un estilo que los modelos también producen.

Hay una segunda capa. Los detectores se entrenan y ajustan con texto en inglés, normalmente inglés editado. Cuando tu escritura lleva rasgos de transferencia de tu primera lengua —un uso distinto de los artículos, un ritmo ligeramente diferente, una preferencia por la nominalización—, algunas herramientas lo manejan bien y otras no. Dos detectores pueden leer el mismo párrafo y discrepar radicalmente. Esa discrepancia es en sí misma información útil, y merece la pena entenderla antes de entrar en pánico. Nuestro propio explicador sobre por qué dos herramientas discrepan repasa las razones.

Si quieres la mecánica en lugar de la tranquilidad, cómo funciona la detección de IA cubre las familias de señales en detalle.

Lo que mostró nuestra propia medición sobre escritura humana marcada

Pasamos nuestro propio detector por nuestra propia escritura, lo cual es un ejercicio incómodo pero útil. El 2026-09-19 puntuamos 46 guías escritas a mano DeAIze con nuestro conjunto local con un umbral de marcado del 30%. La puntuación media de IA fue del 27%, la mediana del 25%, y el rango fue de 0 a 55%. Con ese umbral, 17 de las 46 quedaron marcadas.

Lee eso otra vez. Son guías escritas por personas, para personas, en un sitio que vende un humanizador. Más de un tercio de ellas cruzaron la línea con un umbral que una institución cautelosa podría usar.

En la misma ejecución, 12 pasajes sin editar generados a partir de indicaciones fijas obtuvieron una media del 35% y una mediana del 34%. La brecha entre el texto escrito por humanos y el escrito por máquinas en esa muestra es real pero estrecha — nada cercana a la separación limpia que la gente imagina.

El número más interesante fue la frecuencia de indicios de IA: 3 por cada 100 palabras en la muestra humana frente a 1 por cada 100 palabras en la salida del modelo sin editar. Eso no es un error tipográfico. Nuestros escritores humanos usaron más de las frases comúnmente etiquetadas como indicios de IA que el modelo. Los indicios son una taxonomía popular, no una prueba fiable, y los profesores que califican ensayos contando “delve” y “moreover” trabajan con una lista que no sobrevive al contacto con los datos.

Toma todo esto por lo que es: nuestro propio instrumento, sobre nuestro propio corpus, en una sola fecha. No es un estudio de Turnitin, GPTZero ni de nadie más. Pero sí muestra por qué una marca merece una conversación en lugar de un veredicto.

Si quieres ver qué oraciones específicas de tu propio borrador llevan la señal, pásalo por el detector a nivel de oración antes de reescribir nada. Saber cuáles son las tres líneas que activaron la marca es mucho más útil que conocer el número global.

¿Por qué los escritores de ESL reciben marcas con más frecuencia?

Tres mecanismos hacen la mayor parte del trabajo, y se acumulan.

Asimetría de los datos de entrenamiento. Los detectores aprenden cómo se ve lo “humano” a partir de corpus que son abrumadoramente inglés nativo editado. Tu escritura puede ser inglés perfectamente bueno y aun así quedar fuera de esa distribución de referencia.

Aplanamiento del registro. El inglés académico que se enseña a los estudiantes de segunda lengua es deliberadamente neutro. El registro neutro es exactamente al que los modelos ajustados con instrucciones recurren por defecto. Te enseñaron a escribir como escribe el modelo.

Penalizaciones por uniformidad. Muchos detectores puntúan la baja varianza como una señal de máquina. Un escritor al que se ha adiestrado para mantener una estructura de párrafos consistente produce baja varianza a propósito.

Ninguno de estos mecanismos implica intención. Ese es el punto al que hay que aferrarse cuando estás sentado en una reunión y te preguntan si usaste ChatGPT.

¿Cómo lo planteas ante un profesor o una institución?

El instinto es empezar con “No hice trampa”. Resístete. La negación invita a un debate sobre tu carácter. En su lugar, pregunta por el proceso que utiliza la institución y ofrece tus propias pruebas. Un mensaje breve y sereno hace más que uno largo y dolido.

1. Pregunta qué estándar se aplica. Qué herramienta, qué umbral y qué peso tiene la puntuación en la política. Muchas instituciones han actualizado su política de integridad académica sin informar a los estudiantes sobre los detalles.
2. Pregunta qué contaría como evidencia de autoría. Esto replantea la conversación de acusación a procedimiento, y normalmente obtienes una respuesta directa.
3. Ofrece tu registro del proceso antes de que te lo pidan. Borradores, marcas de tiempo, notas, la lista de referencias que construiste a mano.
4. Pide una reunión, no un hilo de correos. El tono es más fácil de leer en persona o en una llamada.
5. Di lo que quieres. Una nota en el expediente, la oportunidad de explicar tus fuentes o una defensa oral del argumento. Las peticiones específicas son más fáciles de conceder que las apelaciones vagas.

Vale la pena ensayar una frase: “Entiendo que el informe planteó una preocupación, y me gustaría mostrarle cómo se construyó el trabajo”. No es defensiva y le ofrece al lector un camino a seguir.

El miedo que subyace a todo esto es real, y merece una respuesta honesta en lugar de una tranquilizadora. Una marca puede seguirte — en una apelación de calificación, una relación de supervisión, un expediente de visa, una referencia para un primer empleo. Las instituciones avanzan despacio y los registros persisten. Precisamente por eso no deberías esperar a que el proceso llegue a ti: documenta mientras escribes, no después de que te acusen.

¿Qué evidencia vale la pena conservar de tu proceso de redacción?

No puedes reconstruir un proceso a posteriori, así que construye el rastro mientras trabajas. Mantenlo aburrido y automático.

Un historial de versiones que muestra un párrafo empeorando antes de mejorar es más persuasivo que un archivo final pulido. La escritura humana es irregular. Conserva las irregularidades.

¿Cómo editas sin aplanar tu propia sintaxis?

El movimiento equivocado, y el que la gente hace bajo presión, es reescribir hasta que el detector esté contento. Eso normalmente significa oraciones más cortas, palabras más simples, más matices evasivos — exactamente lo contrario de lo que hace que tu escritura suene a ti.

Un mejor enfoque: conserva tu estructura, varía tu ritmo y añade los detalles específicos que solo tú puedes aportar.

Lee en voz alta las oraciones marcadas. Si cada oración tiene la misma longitud, parte una por la mitad y deja que otra se alargue. El ritmo es lo más difícil de falsificar y lo más fácil de restaurar.

Reemplaza una frase genérica por párrafo con una concreta. “Los resultados fueron significativos” se convierte en la medida real y la dirección real. Esto no es relleno; es precisión, y es la forma más rápida de sonar como una persona que estuvo allí.

Conserva tus propios conectores, incluidos los que una guía de estilo eliminaría. Si naturalmente escribes “y entonces” en lugar de “por lo tanto”, déjalo. Tus peculiaridades son evidencia.

No cambies palabras por sinónimos solo para mover una puntuación. Parafrasear para esquivar un detector suele producir una prosa peor y a menudo no mueve mucho el número. Vale la pena leer sobre la diferencia entre ambos enfoques en parafrasear vs humanizar.

Aquí hay una ilustración, no el trabajo de un estudiante real. Antes: “Furthermore, the implementation of renewable energy policies has been demonstrated to be effective in numerous contexts. Moreover, these policies contribute significantly to the reduction of emissions.” Después: “Las políticas de energía renovable funcionan, y tenemos las pruebas. El feed-in tariff de Alemania es el caso al que sigo volviendo, porque sobrevivió a un cambio de gobierno.” El mismo argumento, el mismo autor, distinta cantidad de evidencia de que una persona lo escribió.

Si quieres una pasada estructurada en lugar de una edición improvisada, limpiar patrones hechos por máquinas te da una lista de verificación que no requiere que cambies tu voz.

La trampa que hay que evitar es tratar un humanizador como un paso de blanqueo. No lo es, y usarlo para hacer pasar por tuyo un trabajo que no hiciste es fraude académico sin importar lo que reporte cualquier herramienta. Donde un humanizador realmente ayuda es en una situación diferente: escribiste el borrador tú mismo, en tu propio segundo idioma, y una herramienta está malinterpretando tu estilo. Ese es el caso en el que un editor de borradores que reescribe solo las oraciones marcadas —y comprueba que tu significado sobrevivió a la reescritura— está haciendo algo defendible.

¿Qué puede establecer realmente la puntuación de un detector?

Muy poco por sí solo, y esta es la parte que vale la pena decir claramente a cualquiera que te agite un informe en la cara.

Una puntuación de detector es una estimación de probabilidad producida por un modelo estadístico que compara tu texto con patrones que ha visto. Puede decirte que un pasaje se parece a la salida de un modelo en las características que ese modelo mide. No puede decirte quién escribió las palabras, cuándo, con qué ayuda o con qué intención. No tiene acceso a tu historial de navegación, tus borradores ni tu cerebro.

Las consecuencias prácticas:

• Una puntuación alta es una razón para mirar, no una conclusión.
• Dos detectores sobre el mismo texto pueden discrepar, y ninguno está mintiendo.
• Una puntuación baja tampoco prueba nada, porque editar para bajar una puntuación es fácil y la autoría no es la misma cuestión.
• El umbral que usa tu institución es una decisión política, no una constante científica. Un umbral diferente señalaría a un conjunto diferente de estudiantes.

Nuestros propios números hacen esto concreto. En la ejecución del 2026-09-19, las guías escritas por humanos promediaron una puntuación de IA del 27% y la salida de modelo sin editar promedió un 35%. Si estableces un umbral en el medio de esa banda, atraparás algo de texto de máquina y atraparás a mucha gente. Cualquiera que te diga que los detectores están cerca de ser definitivos no está leyendo los mismos números que nosotros.

Si estás lidiando con un informe específico, el desglose de lo que significa una puntuación en la práctica se cubre en falso positivo del detector de IA: qué hacer.

¿Listo para ver qué frases parecen escritas por una máquina?

Antes de tu próxima entrega, dedica diez minutos a hacer lo que una apelación te obligaría a hacer de todos modos: averiguar qué líneas llevan la señal y decidir si vale la pena cambiarlas.

Pega tu borrador en el detector de IA para obtener una puntuación del documento y un desglose por frase, de modo que reacciones a tres líneas específicas en lugar de a un único número alarmante. Si las frases marcadas son algunas que realmente escribiste y quieres conservar, el editor de borradores reescribe solo esas líneas, mantiene un cambio solo cuando el significado se conserva e informa el antes y el después. Puedes ver los precios actuales: pago por uso, créditos que no caducan y un plan gratuito de 200 palabras al registrarte sin necesidad de tarjeta. Si ya sabes lo que quieres probar, crea una cuenta y ejecuta tu propio párrafo primero.

Y uses lo que uses, conserva los borradores. La mejor defensa contra un falso positivo no es una puntuación más baja. Es una carpeta que muestre cómo se construyó el texto.

¿A qué te orienta realmente una puntuación a nivel de frase?

Un único número del documento te dice que se produjo una marca. No te dice dónde. Esa distinción importa cuando decides si editar o no, porque la mayoría de los borradores marcados contienen un puñado de líneas que llevan la señal y mucha prosa común que nunca activó nada.

La detección a nivel de oración divide el documento en pasajes y puntúa cada uno, para que puedas ver qué líneas parecen hechas por una máquina y cuáles no. Cuando observas ese desglose, suelen aparecer tres patrones:

• Un grupo en una sección. Normalmente el párrafo más abstracto — ese en el que resumiste en lugar de describir. Eso es un problema de edición, no de autoría.
• Líneas sueltas dispersas. A menudo tus transiciones y oraciones temáticas, esas que te inculcaron como la forma académica correcta.
• Una puntuación alta del documento sin ningún pasaje destacado. Esto ocurre cuando muchas líneas de rango medio se acumulan. Nada parece condenatorio por sí solo, lo cual vale la pena saber antes de reescribir nada.

Para un recorrido práctico de lo que significa cada definición de puntuación y adónde te lleva una señal, consulta DeAIze review: what the detector actually reports](/es/blog/deaize-review/).

Nuestra propia ejecución del 2026-10-13 puntuó 1549 pasajes de las guías de DeAIze no marcados como generados (solo selección de metadatos; autoría humana no verificada de forma independiente) con un umbral del 30%. La puntuación media de IA fue del 28%, la mediana del 20%, y 522 de esos 1549 pasajes se situaron en el umbral o por encima de él. Recuentos de pasajes, no de documentos, y no una tasa verificada de falsos positivos. El punto se mantiene: un umbral atrapa mucha escritura ordinaria, así que lee la vista por oración antes de decidir qué cambiar.