Evaluación e IA
Los detectores de IA no sirven como prueba y las instituciones proponen evaluar el proceso
Los programas que prometen descubrir si un trabajo lo ha escrito una inteligencia artificial se equivocan, también con el alumnado que no la ha usado, y ni sus propios fabricantes aconsejan sancionar con ellos. Este reportaje explica qué dicen los estudios, el Reglamento europeo, la protección de datos y las guías educativas, y propone un plan sin coste para evaluar con garantías en cualquier materia: declarar qué usos se admiten, pedir evidencias del proceso y escuchar al alumnado.
Un porcentaje que parece un veredicto
Un detector de texto generado no comprueba quién ha escrito un trabajo: estima, a partir de cómo está escrito, la probabilidad de que se parezca a lo que suele producir un modelo de lenguaje. El resultado llega como un porcentaje o una etiqueta, y esa forma numérica le da una apariencia de objetividad que no tiene. Un texto correcto y previsible puede parecerse a lo que escribe una máquina sin haber pasado por ella, y un texto generado y retocado después puede pasar por humano. Por eso, un detector da, como mucho, un indicio que hay que contrastar, nunca una prueba.
El problema ya ha salido de las aulas. El diario contó el debate sobre la «caza de brujas» de los detectores en el sector editorial, publicado el 2 de noviembre de 2026: editoriales que pasaban manuscritos por detectores, autores acusados que no sabían cómo demostrar que no habían usado IA y dos novelas de 1946 y 1969 que el mismo detector señaló primero con rastros de IA y después como humanas. En el grupo ChatGPT-IA-edu, la conversación se trasladó a la evaluación del alumnado. Una postura defendía comprobar la autoría conociendo a la persona y contrastando con otros formatos sobre el mismo tema; otra, fijar antes un marco claro sobre qué usos de la IA se autorizan y qué evidencias puede aportar la persona acusada. Hubo acuerdo en lo segundo: aclarar qué se permite y para qué.
Lo que miden los estudios
El estudio más citado lo firmaron Weixin Liang, James Zou y otros investigadores de la Universidad de Stanford en la revista Patterns en julio de 2023: «GPT detectors are biased against non-native English writers». Pasaron por siete detectores 91 redacciones del examen TOEFL escritas por personas que tienen el inglés como segunda lengua. De media, los detectores clasificaron como generadas por IA más del 61 % de esas redacciones humanas; 18 de las 91 (el 19,8 %) fueron señaladas por los siete a la vez, y 89 (el 97,8 %) por al menos uno. En cambio, 88 redacciones de alumnado estadounidense de octavo curso se clasificaron casi sin errores. Los autores desaconsejan con firmeza usar estos detectores en contextos educativos o de evaluación.
Ese mismo año, Debora Weber-Wulff y siete coautores probaron catorce herramientas, entre ellas las comerciales Turnitin y PlagiarismCheck, en el estudio «Testing of Detection Tools for AI-Generated Text», publicado en el International Journal for Educational Integrity. Su conclusión es que las herramientas disponibles «are neither accurate nor reliable»: tienden a clasificar como humano lo generado, y basta con retocar o disfrazar el texto para que funcionen bastante peor.
Para el castellano hay datos más recientes. Sheila Queralt, Beatriz Esparcia, Marco R. Lessi, Lucía Sánchez-Vecina y Laura Úbeda Cuspinera publicaron en septiembre de 2025, en la revista Intelética, «¿IA, Humano o híbrido?: Fiabilidad de herramientas de detección de IA en textos multiautoría». Con 180 textos en español, humanos, generados con ChatGPT, Gemini y Grok, y mixtos, compararon Originality.ai, GPTZero y Copyleaks. Originality.ai tuvo el mejor rendimiento global y GPTZero, la menor tasa de falsos positivos, pero ninguna de las tres alcanzó una fiabilidad aceptable con los textos híbridos, y las autoras observaron clasificaciones erróneas hechas con alta confianza.
Lo que advierten los fabricantes
OpenAI, la empresa de ChatGPT, lanzó en enero de 2023 su propio clasificador de texto y lo retiró el 20 de julio de ese año. Según la nota añadida a su anuncio, lo hizo por su baja precisión: en sus pruebas, identificaba como probablemente generado el 26 % de los textos escritos por IA y etiquetaba así, por error, el 9 % de los humanos.
Turnitin, el detector más extendido en universidades, admite en su blog que el riesgo de error no es cero. En marzo de 2023, su directora de producto, Annie Chechitelli, escribía que, como la tasa de falsos positivos no es cero, el docente «will need to apply your professional judgment» («tendrá que aplicar su criterio profesional»). En junio de 2023 daba sus propias cifras: menos del 1 % de falsos positivos por documento en los que tienen al menos un 20 % de escritura con IA y alrededor del 4 % por frase, y pedía usar el resultado «to initiate a conversation, not to draw a conclusion» («para iniciar una conversación, no para sacar una conclusión»). Son datos de la propia empresa.
GPTZero es aún más explícito en su página de limitaciones: «These results should not be used to punish students» («Estos resultados no deben usarse para castigar al alumnado»). Añade que su precisión es mayor con textos parecidos a los de su conjunto de entrenamiento, en su mayoría prosa en inglés escrita por adultos, y que el texto muy editado es más difícil de clasificar.
El marco europeo y español
El Reglamento europeo de inteligencia artificial considera de alto riesgo, en el punto 3 de su anexo III, los sistemas destinados a evaluar los resultados del aprendizaje y los destinados al seguimiento y la detección de comportamientos prohibidos de los estudiantes durante los exámenes. Alto riesgo no significa prohibido, sino sujeto a obligaciones estrictas, entre ellas la supervisión humana. Según la Comisión Europea, en su página actualizada el 19 de octubre de 2026, esas obligaciones se han aplazado al 2 de diciembre de 2027, mientras que la de alfabetización en IA se aplica desde el 2 de febrero de 2025.
La protección de datos añade dos cautelas. Sin referirse a los detectores, la Agencia Española de Protección de Datos recuerda en su blog que el artículo 22 del RGPD reconoce el derecho a no ser objeto de una decisión basada únicamente en un tratamiento automatizado, que no vale «inventarse» una participación humana y que la persona que supervisa puede caer en el sesgo de automatización, es decir, aceptar sin cuestionar lo que dice la máquina. Además, en un asunto cercano, el de las clases y exámenes en línea, la AEPD indica que las herramientas las eligen el centro o la administración educativa, con el asesoramiento de su delegado de protección de datos, y que el profesorado debería usar las que se ponen a su disposición.
Entre las administraciones educativas, la que se pronuncia con más claridad es Cataluña. Sus Orientacions per a l’ús de la intel·ligència artificial als centres educatius, publicadas por el Departament d’Educació i Formació Professional en septiembre de 2026 y reseñadas en la Biblioteca del diario, justifican su prudencia, entre otras razones, en que los detectores no dan garantías suficientes, sobre todo fuera del inglés, y concluyen que son desaconsejables: «els millors detectors continuen sent les persones». También establecen que la IA no debe calificar ni determinar el grado de logro, por tratarse de un uso de alto riesgo según el Reglamento europeo.
En el ámbito estatal, la Guía sobre el uso de la inteligencia artificial en el ámbito educativo del INTEF, en su versión 2.0 publicada el 8 de septiembre de 2026, trata la integridad académica e incluye un modelo de declaración de uso de la IA y un cuestionario para que el alumnado reflexione sobre su relación con ella. El diario no ha encontrado en otras guías autonómicas un pronunciamiento tan expreso sobre los detectores como el catalán.
Del producto al proceso
La alternativa que más se repite en las instituciones no es vigilar mejor, sino evaluar de otra manera. El informe del comité del MIT sobre la IA en la enseñanza, fechado el 13 de agosto de 2026 y explicado en la Biblioteca del diario, pide que el profesorado revise primero sus objetivos de aprendizaje y solo después diseñe evaluaciones adaptadas a la IA. Propone exámenes orales, portafolios semestrales y trabajos fuera del aula acompañados de una conversación en clase, y que cada asignatura tenga una política clara sobre la IA, comunicada con un formato estándar.
Sobre la vigilancia, el informe recomienda no fiarse de los detectores, recuerda que pueden confundir con IA la escritura de las personas que no tienen el inglés como lengua materna y señala que el propio comité disciplinario del MIT no considera suficiente, por sí solo, el resultado de un detector. Prefiere otras evidencias: plataformas que guardan el historial de versiones, entregas parciales con fechas y comentarios del docente en varias etapas, no solo sobre el producto final.
Para decidir qué uso se admite en cada tarea existe una herramienta muy difundida, la AI Assessment Scale, creada por Mike Perkins, Jasper Roe, Leon Furze y Jason MacVaugh y revisada en diciembre de 2024 en un artículo firmado, entre otros, por Perkins, Roe y Furze. Tiene cinco niveles: sin IA, planificación con IA, colaboración con IA, uso pleno de la IA y exploración con IA. Sus responsables la presentan como una herramienta para decidir qué papel tiene la IA en una tarea y rediseñarla, y está traducida a más de treinta lenguas.
Un plan para cualquier materia
Las guías no presentan la IA solo como amenaza en la evaluación. Las Orientacions catalanas admiten que ayude a crear instrumentos de evaluación, a corregir respuestas inequívocas o a detectar errores frecuentes, siempre con datos seudonimizados, y piden diseñar actividades que exijan interpretación y una posición personal. La decisión sobre una nota o una sanción tiene que tomarla una persona que pueda cambiarla, no un programa.
Con eso, un docente puede empezar sin pagar nada. Primero, decidir y escribir en cada tarea qué usos de la IA se admiten y por qué, con una escala sencilla como la de cinco niveles, y pedir al alumnado que declare cómo la ha usado; el modelo del INTEF sirve de punto de partida. Segundo, pedir evidencias del proceso: un esquema previo, borradores, el historial de versiones del documento o entregas por etapas con comentarios.
Tercero, añadir una explicación breve, oral o escrita en clase, en la que el alumno cuente con sus palabras qué hizo, por qué tomó sus decisiones y qué aprendió; sirve igual en primaria, en ESO o en FP. Cuarto, rediseñar alguna tarea para que dependa de lo trabajado en el aula, de datos propios o de una opinión argumentada. Y, si algo no encaja, conversar antes de acusar.
Lo que conviene no hacer está igual de claro: calificar con IA, sancionar por el porcentaje de un detector o subir trabajos del alumnado a servicios que el centro no ha autorizado. Cuando haya dudas sobre una herramienta, el delegado de protección de datos de la administración educativa puede asesorar.
Claves
- Un detector de texto generado da, como mucho, un indicio: los estudios independientes lo encuentran poco fiable y especialmente injusto con el alumnado que escribe en una segunda lengua.
- En castellano, ninguno de los tres detectores probados por Queralt y su equipo en 2025 fue fiable con textos mixtos de persona e IA.
- Los propios fabricantes advierten: OpenAI retiró su clasificador en 2023 por baja precisión, Turnitin pide usar el resultado para conversar y GPTZero, no para castigar.
- El Reglamento europeo considera de alto riesgo la IA que evalúa el aprendizaje, y Cataluña desaconseja los detectores y calificar con IA.
- La alternativa es evaluar el proceso: usos de IA declarados por tarea, borradores e historial de versiones, entregas por etapas y una explicación oral breve.
Fuentes: GPT detectors are biased against non-native English writers (Liang et al., Universidad de Stanford, Patterns, 2023), Testing of Detection Tools for AI-Generated Text (Weber-Wulff et al., International Journal for Educational Integrity, 2023), ¿IA, Humano o híbrido?: Fiabilidad de herramientas de detección de IA en textos multiautoría (Queralt et al., Intelética, 2025), New AI classifier for indicating AI-written text (OpenAI, 31-01-2023, con nota de retirada de 20-07-2023), Understanding false positives within our AI writing detection capabilities (Turnitin, 16-03-2023), Understanding the false positive rate for sentences of our AI writing detection capability (Turnitin, 14-06-2023), What are the limitations of GPTZero's AI classifier? (GPTZero, centro de ayuda), Reglamento (UE) 2024/1689 de Inteligencia Artificial (DOUE, en el BOE), Ley de IA: marco regulador (Comisión Europea, actualizada el 19-10-2026), Evaluación de la intervención humana en las decisiones automatizadas (AEPD, blog, 04-03-2024), ¿Pueden los centros educativos impartir clases y realizar exámenes online sin el consentimiento de los interesados? (AEPD), Orientacions per a l’ús de la intel·ligència artificial als centres educatius (Generalitat de Catalunya, 2026; copia en la Biblioteca digital) (en catalán), Guía sobre el uso de la inteligencia artificial en el ámbito educativo, versión 2.0 (INTEF, septiembre de 2026), Nueva versión de la «Guía sobre el uso de la inteligencia artificial en el ámbito educativo» (INTEF, 08-09-2026), Report of MIT's Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training (MIT, 13-08-2026), The AI Assessment Scale (Perkins, Roe, Furze y MacVaugh), The AI Assessment Scale Revisited: A Framework for Educational Assessment (Perkins, Roe, Furze et al., arXiv, 12-12-2024).
Lee la conversación original en ChatGPT-IA-edu
Publicado originalmente en el Diario de IA Educativa el 15 de noviembre de 2026. © 2026 Juan José de Haro y Raül Torres. Licencia CC BY-SA 4.0. Redactado con IA a partir de lo que se habla en tres grupos de docentes en Telegram (ChatGPT-IA-edu, Vibe Coding Educativo y EduMedia-IAG); cada dato se comprueba en su fuente original.