“Sin una evaluación que facilite reconocer las dificultades y encontrar caminos para superarlas, no hay aprendizaje”.
Neus Sanmartí
Un problema real, una respuesta apresurada
Cuando ChatGPT llegó a las aulas, a fines de 2022, colegios y universidades se encontraron ante un problema real: un estudiante podía introducir la consigna de un ensayo y recibir, en segundos, un texto razonablemente bien escrito. El informe de similitud tradicional servía de poco porque, a diferencia del plagio convencional, aquellas palabras no necesariamente habían sido copiadas de una fuente existente.
La primera reacción fue comprensible. Si una máquina podía escribir el ensayo, quizá otra máquina podría reconocerlo. Turnitin, ampliamente utilizado por instituciones educativas, lanzó en abril de 2023 su función de detección de escritura generada por inteligencia artificial. El resultado tenía una apariencia convincente: un porcentaje, fragmentos destacados y el respaldo de una plataforma conocida. Para una institución que necesitaba responder con rapidez, parecía una solución disponible.
Sin embargo, había una diferencia importante entre lo que ese porcentaje aparentaba decir y lo que realmente podía demostrar. Un detector no reconstruye el proceso de escritura ni identifica a su autor; analiza patrones lingüísticos y calcula cuánto se parece un texto a otros que el sistema considera generados por una máquina. Esa probabilidad puede ser una señal, pero no es una prueba de autoría.
La distinción parece técnica hasta que un estudiante recibe una nota reprobatoria, enfrenta una acusación de deshonestidad académica o debe defender su permanencia en la institución.
Cuando el indicador se convierte en veredicto
En 2023, un equipo encabezado por Weixin Liang y James Zou evaluó siete detectores de IA ampliamente utilizados. Los resultados, publicados en la revista Patterns, mostraron que el error no se distribuía de manera neutral. Los sistemas alcanzaron resultados casi perfectos con ensayos escritos por estudiantes estadounidenses de octavo grado; sin embargo, clasificaron incorrectamente como generados por IA el 61,3 % de una muestra de ensayos del TOEFL escritos por personas cuya lengua materna no era el inglés. Los siete detectores coincidieron en señalar casi el 20 % de esos textos y el 97,8 % fue marcado por al menos uno de ellos.
James Zou explicó en una entrevista con Stanford HAI que muchos detectores de aquella generación utilizaban una medida llamada «perplejidad». Los textos más predecibles recibían una mayor probabilidad de haber sido producidos por una máquina. El inconveniente era que ciertos rasgos asociados a la escritura de hablantes no nativos también podían resultar más predecibles para el sistema. El detector no sabía quién había escrito el ensayo: infería su origen a partir de características que podían tener otras explicaciones.
Esto puso a los docentes en una posición difícil. Robert Topinka la resumió muy bien en un artículo publicado en The Guardian: el software dice que el estudiante hizo trampa; el estudiante afirma que es inocente. ¿A quién creerle?
El problema se agrava porque un detector de IA funciona de manera distinta a un informe de similitud. Cuando Turnitin encuentra una coincidencia con una publicación, el docente puede abrir la fuente, comparar los textos y valorar si existe plagio, una cita mal construida o una coincidencia irrelevante. Con la detección de IA no existe una fuente original que pueda consultarse: el resultado proviene de un modelo cuyo razonamiento no puede ser reconstruido por el profesor. El porcentaje parece preciso, pero la evidencia que lo sostiene no es directamente verificable.
Vanderbilt University hizo un cálculo sencillo. Turnitin informaba entonces una tasa de falsos positivos inferior al 1 % y la universidad había procesado unos 75.000 trabajos durante 2022. Incluso aceptando la cifra de la empresa, ese margen podía representar alrededor de 750 documentos señalados incorrectamente en un año. En agosto de 2023, Vanderbilt desactivó la función. No abandonó la integridad académica ni dejó de revisar posibles casos de fraude; decidió que el riesgo de una acusación equivocada era demasiado alto para depender de ese indicador.
Después llegaron otras decisiones. La Universidad de Waterloo retiró la funcionalidad en septiembre de 2025 y Curtin University hizo lo mismo en todos sus campus a partir de enero de 2026. Ambas mantuvieron la revisión de similitud utilizada para el plagio tradicional.
OpenAI también había desarrollado su propio clasificador, pero lo retiró en julio de 2023 porque identificaba correctamente solo el 26 % de los textos generados por IA y clasificaba erróneamente como artificiales al 9 % de los textos humanos incluidos en su evaluación. La dificultad, por tanto, no era exclusiva de herramientas gratuitas o empresas desconocidas. Incluso OpenAI reconocía que su clasificador no debía utilizarse como mecanismo principal para tomar decisiones.
Los detectores mejoraron, pero la pregunta sigue abierta
Sería injusto juzgar todos los detectores actuales únicamente por lo ocurrido en 2023, porque la tecnología también ha mejorado. En 2025, Brian Jabarian y Alex Imas, de la Universidad de Chicago, compararon varias herramientas utilizando una condición exigente: una tasa máxima de falsos positivos del 0,5 %. En esa evaluación, Pangram fue el único detector que mantuvo buenos resultados de forma consistente sin superar el límite establecido.
El estudio de Chicago también encontró diferencias importantes entre herramientas. El desempeño cambiaba según el modelo que había generado el texto y tendía a disminuir en fragmentos de menos de 50 palabras. Esto obliga a introducir un matiz: decir que ningún detector funciona en ninguna circunstancia ya no describe bien la evidencia. Algunos son mucho mejores que otros y posiblemente continuarán mejorando. Sin embargo, una mayor precisión no convierte automáticamente el resultado en una prueba suficiente para sancionar.
En febrero de 2026, un estudiante de primer año de Adelphi University ganó una demanda contra la institución después de haber sido acusado de utilizar IA en un ensayo. Turnitin había clasificado el trabajo como completamente generado por IA; otros dos detectores lo identificaron como humano. La universidad rechazó inicialmente su apelación y el caso terminó en los tribunales, donde un juez determinó que la acusación carecía de fundamento suficiente.
El caso, recogido por Inside Higher Ed, no demuestra que todos los resultados de Turnitin sean incorrectos. Demuestra algo más importante: cuando distintas herramientas pueden producir conclusiones opuestas, el porcentaje no puede reemplazar un procedimiento justo.
En Inglaterra y Gales, el organismo independiente que revisa reclamaciones de estudiantes también publicó varios casos relacionados con acusaciones de uso de IA. Algunas decisiones resultaron total o parcialmente favorables a los estudiantes. Los expedientes mostraban problemas al interpretar los indicadores, considerar las circunstancias personales y valorar el resto de las evidencias.
La propia documentación de Turnitin señala que su porcentaje debe utilizarse como un dato dentro de una revisión más amplia, no como una respuesta definitiva. La pregunta central, entonces, no es si un detector puede acertar, sino si estamos dispuestos a convertir una probabilidad en una acusación.
Si el texto ya no basta, ¿qué estamos evaluando?
Durante mucho tiempo hemos utilizado el producto final como evidencia del proceso. Si un estudiante entregaba un buen ensayo, suponíamos que había investigado, comparado fuentes, organizado sus ideas, construido un argumento y revisado su escritura. El texto funcionaba como una ventana hacia ese recorrido intelectual.
La IA generativa ha roto esa equivalencia. Hoy es posible obtener un producto aceptable sin haber atravesado todas las decisiones que supuestamente debía representar, pero también es posible utilizar IA para recibir retroalimentación, aclarar una idea o mejorar la expresión de un argumento propio. El resultado final no permite distinguir con facilidad entre esos escenarios.
Esto no vuelve inútil al ensayo ni significa que debamos regresar necesariamente a todas las evaluaciones presenciales, manuscritas y sin acceso a tecnología; significa que debemos ser más cuidadosos con las inferencias que hacemos a partir de una sola evidencia.
Mariana Morales y Juan Fernández, en La evaluación formativa, recuerdan que la validez no es una propiedad automática de un instrumento: depende de las conclusiones que intentamos obtener y de las circunstancias en las que recogemos la evidencia. Un ensayo puede ser una evidencia válida de la calidad de un texto, pero no siempre es evidencia suficiente del proceso que lo produjo, del grado de ayuda recibido o de todo lo que aprendió quien lo entrega.
Por eso, la pregunta más útil no es solamente “¿usó IA?”, sino otra anterior:
¿Qué aprendizaje queríamos observar con esta actividad y qué evidencias necesitamos para reconocerlo?
Rediseñar antes que perseguir
La respuesta no consiste en añadir controles hasta convertir cada tarea en una investigación forense, sino en diseñar evaluaciones que permitan observar mejor el aprendizaje.
La Universidad de los Andes ofrece un ejemplo cercano. En octubre de 2024 presentó unos lineamientos para el uso de inteligencia artificial generativa dirigidos a estudiantes, profesores y personal administrativo. Después amplió el trabajo mediante una estrategia articulada alrededor de cuatro líneas: orientaciones, formación, experimentación y condiciones tecnológicas. La importancia de ese enfoque no está en haber encontrado una política definitiva, sino en haber tratado la IA como un asunto educativo e institucional, no únicamente como un problema de vigilancia.
En agosto de 2026, un comité convocado por el MIT recomendó explorar nuevas formas de evaluación. Su informe incluyó alternativas a los sistemas tradicionales de calificación, evaluaciones basadas en competencias y modalidades de interacción oral más inmediatas. El comité también discutió una posibilidad disruptiva: reducir el protagonismo de las notas podría disminuir algunos de los incentivos para hacer trampa con IA. La presidenta del MIT resumió estas recomendaciones en una carta dirigida a la comunidad universitaria.
En Nueva Zelanda, La Massey University dejó de utilizar sistemas de detección, mientras Auckland y Victoria tampoco respaldaban su uso. Estas decisiones, recogidas por RNZ, forman parte de un movimiento más amplio: trasladar la atención desde la persecución del texto hacia el diseño de la experiencia de aprendizaje.
Ese rediseño puede comenzar con cambios pequeños:
El primero es definir con precisión el objetivo de cada tarea. Si queremos evaluar la capacidad de argumentar, necesitaremos observar cómo el estudiante selecciona evidencia, responde objeciones y justifica sus decisiones. Si queremos evaluar su dominio de la escritura, tendremos que distinguir ese objetivo de la simple presentación de un texto sin errores.
El segundo es recoger más de una evidencia. Un borrador comentado, una entrega intermedia, una comparación entre versiones o una conversación breve sobre las decisiones tomadas pueden mostrar aspectos que el producto final no revela. Ninguna de estas evidencias es infalible, pero en conjunto ofrecen una imagen más completa.
El tercero es aclarar los usos permitidos de la IA. “Puedes usar IA” y “está prohibido usar IA” son instrucciones demasiado generales. ¿Puede emplearse para buscar ideas, corregir la redacción, cuestionar un argumento o generar un primer borrador? ¿Cómo debe reconocerse esa ayuda? Las respuestas pueden cambiar entre asignaturas y actividades; lo importante es que se conozcan antes de la entrega, no que aparezcan cuando ya existe una sospecha.
El cuarto cambio es recuperar la retroalimentación como parte del aprendizaje. Grant Wiggins señalaba que la retroalimentación no es simplemente una nota, un elogio o un consejo: es información que permite saber cómo avanzamos hacia una meta. Para que sea útil debe ser específica, comprensible, oportuna y susceptible de convertirse en una acción.
Un porcentaje de uso de IA (supuesto), arrojado porv un software, no cumple esa función. No le explica al estudiante qué ha aprendido, qué necesita mejorar ni qué debería hacer después; solo añade una sospecha sobre el origen del texto.
Una decisión para esta semana
Rediseñar la evaluación de una institución completa requiere tiempo. Dejar de tratar el porcentaje de un detector como un veredicto puede hacerse de inmediato.
Si diriges un colegio o una universidad, puedes comenzar eligiendo una evaluación importante y haciendo tres preguntas:
¿Qué aprendizaje queremos observar?
¿Qué usos de IA son compatibles con ese objetivo?
¿Qué evidencia del proceso puede acompañar al producto final?
La respuesta podría ser un borrador comentado, una entrega intermedia, un registro de decisiones o una conversación breve sobre el trabajo. Estas opciones deben aplicarse con criterio y contemplar las adaptaciones necesarias para estudiantes con discapacidad, ansiedad o diferencias lingüísticas. El propósito no es obligar al estudiante a demostrar permanentemente su inocencia, sino reunir mejores evidencias del aprendizaje.
Los detectores seguirán mejorando y algunos podrán servir como una señal dentro de una revisión más amplia. Pero diseñar la evaluación alrededor de una carrera entre generadores, detectores y herramientas para evadirlos nos aleja de la tarea educativa.
No necesitamos saber únicamente si una máquina intervino, también necesitamos comprender qué aprendió el estudiante, qué decisiones tomó durante el proceso y qué es capaz de hacer con lo aprendido.
Son preguntas que un detector no puede responder, pero que una evaluación bien diseñada sí debería ayudarnos a esclarecer.
Una nota personal sobre este artículo
Buena parte de los datos y conexiones que aparecen aquí no surgieron de una búsqueda hecha únicamente para escribir este artículo, provienen de una práctica que intento sostener con lo que leo: guardo artículos y libros, y me suscribo a blogs y newslertters, usando Readwise Reader, subrayo lo que me parece valioso y dejo que Readwise envíe esos fragmentos a Notion o a Evernote (ambos funcionan muy bien). Allí puedo volver a encontrarlos, compararlos y relacionar ideas que llegaron en momentos distintos.
Este proceso me facilita la escritura, pero ese no es su principal valor. Volver sobre los subrayados, organizarlos y ponerlos de nuevo “sobre la mesa” me obliga a recordar por qué los guardé y a reflexionar sobre lo que aprendí. El artículo termina siendo una segunda lectura; una oportunidad para transformar información dispersa en una idea que puedo explicar con mis propias palabras (con ayuda de Grammarly).
Quise contar este proceso porque detrás de cada texto publicado hay muchas lecturas que no siempre se ven; y que forman parte de mi desarollo profesional. Las herramientas me ayudan a conservarlas y recuperarlas, pero aprender ocurre cuando regreso a ellas, las cuestiono y trato de construir algo nuevo.
Si te interesa conocer este sistema con más detalle, en Foco Productivo publiqué una guía sobre cómo organizo lo que leo con Readwise Reader. Allí explico el flujo completo y algunas decisiones que pueden ayudarte a construir uno propio.
Nos vemos… después de clase.
Fuentes y lecturas
Alonso, J. (2026, 11 de febrero). Adelphi student wins AI plagiarism lawsuit. Inside Higher Ed.
Curtin University. (2025, 4 de septiembre). Update on Turnitin AI-detection tool.
Gerritsen, J. (2025, 30 de septiembre). Universities give up using software to detect AI in students’ work. RNZ.
Jabarian, B., & Imas, A. (2025). Artificial writing and automated detection (BFI Working Paper No. 2025-116). Becker Friedman Institute for Economics at the University of Chicago.
Kornbluth, S. (2026, 25 de agosto). AI and education: A watershed moment for MIT. Massachusetts Institute of Technology.
Laverde Salamanca, L. F. (2024, 29 de noviembre). Un documento pionero en Colombia para usar la IA generativa. Universidad de los Andes.
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779.
Morales Lobo, M., & Fernández Fernández, J. G. (2022). La evaluación formativa: Estrategias eficaces para regular el aprendizaje. Ediciones SM.
Myers, A. (2023, 15 de mayo). AI-detectors biased against non-native English writers. Stanford Institute for Human-Centered Artificial Intelligence.
Office of the Independent Adjudicator for Higher Education. (2025). AI and academic misconduct: Case summaries.
OpenAI. (2023, 31 de enero). New AI classifier for indicating AI-written text.
Sanmartí Puig, N. (2020). Evaluar y aprender: Un único proceso. Editorial Octaedro.
Topinka, R. (2024, 13 de febrero). The software says my student cheated using AI. They say they’re innocent. Who do I believe?. The Guardian.
Turnitin. (s. f.). How should I review the AI Writing report?.
University of Waterloo. (2025, 5 de mayo). Waterloo discontinuing the use of AI detection tool Turnitin.com: September 2025.
Vanderbilt University. (2023, 16 de agosto). Guidance on AI detection and why we’re disabling Turnitin’s AI detector.
Wiggins, G. (2012). Seven keys to effective feedback. Educational Leadership, 70(1), 10–16.