Limitaciones de las herramientas tradicionales de detección de plagio en la era de la IA

Las herramientas tradicionales de detección de plagio se crearon para un problema diferente: descubrir a los estudiantes que copiaban de fuentes existentes. No se diseñaron para un mundo donde la IA puede generar textos académicos plausibles y de apariencia original en segundos. En la era de la IA, depender de software de comparación de texto o detectores probabilísticos de IA para garantizar la integridad académica deja a las instituciones con puntuaciones de probabilidad en lugar de pruebas, y al profesorado con sospechas en lugar de evidencias. Un enfoque más sólido rastrea el proceso de escritura en sí, documentando cómo se produjo el trabajo, no solo el contenido del documento final.

Cuando la herramienta y el desafío ya no coinciden

Un profesor de una universidad de tamaño mediano señaló recientemente un ensayo de una estudiante como posible fuente de inteligencia artificial. La herramienta de detección arrojó una probabilidad del 73 % de que el contenido hubiera sido generado por IA. La estudiante, una alumna internacional que escribía en su tercer idioma, impugnó el hallazgo. No existía ningún proceso de revisión. El profesor no tenía más pruebas. El caso quedó estancado.

Este escenario no es inusual. Señala una incongruencia estructural que ha socavado silenciosamente las políticas de integridad académica en la educación superior: las herramientas sobre las que las instituciones construyeron su infraestructura de integridad fueron diseñadas para detectar un tipo de problema diferente. Y las instituciones aún no se han adaptado.

La detección de plagio tradicional parte de la premisa de que el trabajo deshonesto deja rastro. Si se copia de un artículo de revista, la herramienta encuentra la coincidencia. Si se copia de un compañero de clase, la similitud señala la superposición. Esta lógica funcionó bien durante décadas. Sin embargo, no funciona con texto generado por IA, porque la IA no copia, sino que compone.

Para qué se crearon realmente las herramientas de coincidencia de texto.

Los sistemas de comparación de texto, base de la mayoría de las infraestructuras institucionales de detección de plagio, funcionan bajo una premisa sencilla: comparar un documento enviado con una base de datos de fuentes existentes e identificar las similitudes más marcadas. Un estudio sistemático publicado en Frontiers in Computer Science (2025) señala que los métodos de detección temprana, como los algoritmos de comparación de cadenas de texto, fueron eficaces para identificar el plagio literal, pero presentan dificultades significativas con la paráfrasis y, sobre todo, con el texto generado por inteligencia artificial.

El contenido generado por IA evita por completo la comparación de textos, ya que no reproduce el material original. Un estudiante que presenta un ensayo generado por ChatGPT puede obtener una puntuación de similitud cercana a cero, porque el texto es, técnicamente, original. Un estudio citado en el International Journal for Educational Integrity (Weber-Wulff et al., 2023) demostró que el software de comparación de textos aplicado al contenido generado por modelos de lenguaje tiene poco sentido dada la naturaleza estocástica de cómo estos modelos generan texto. La originalidad, en el sentido tradicional, no es una métrica útil en este caso.

Esto no es una crítica a los proveedores de software de detección de plagio. Crearon herramientas que resolvieron el problema existente en aquel momento. El problema ha cambiado.

El problema de fiabilidad de los detectores de IA

La respuesta institucional habitual ha sido integrar herramientas de detección de plagio basadas en IA a los sistemas de comprobación de plagio ya existentes. Sin embargo, estas herramientas presentan problemas de fiabilidad importantes, y existen numerosas pruebas que justifican la cautela.

Un estudio de la Universidad de Stanford reveló que, si bien los detectores de IA lograron una precisión casi perfecta en los ensayos escritos por estudiantes estadounidenses de octavo grado, clasificaron erróneamente más del 61 % de los ensayos del TOEFL escritos por hablantes no nativos de inglés como generados por IA. Al menos un detector señaló erróneamente el 97 % de esos ensayos. El problema principal radica en que los detectores se basan en medidas como la perplejidad del texto, y los hablantes no nativos suelen escribir de maneras que superficialmente se asemejan a la prosa generada por IA con baja perplejidad.

Las implicaciones de esto en materia de equidad son graves. Un informe de Common Sense Media (2024) reveló que los estudiantes negros tienen más probabilidades de ser acusados falsamente por sus profesores de utilizar textos generados por IA. Los estudiantes neurodiversos también se enfrentan a mayores tasas de falsos positivos. Para las instituciones que han invertido en la detección de IA como mecanismo de control de primera línea, esto no es un problema menor de calibración. Es un problema de equidad estructural inherente a la propia herramienta.

Incluso OpenAI , la organización detrás de ChatGPT , suspendió su propio detector de IA tras descubrir que solo identificaba correctamente el 26 % del texto generado por IA, mientras que marcaba erróneamente el 9 % de la escritura humana. Esta admisión por parte del creador de la herramienta de IA generativa más utilizada debería influir en la forma en que las instituciones consideran la detección de IA como un estándar probatorio.

Visualización sugerida: Tabla comparativa de probabilidad de detección frente a evidencia del proceso. Columnas: Capacidad | Detector de IA (basado en probabilidad) | Documentación del proceso (basada en evidencia). Filas: Precisión, Impugnabilidad, Carga para el profesorado, Debido proceso para el estudiante, Capacidad de acción. Formato: tabla comparativa. Ubicación recomendada: después de esta sección. Valor: proporciona a los administradores un marco para evaluar las herramientas de integridad sin mencionar proveedores específicos.

vacío político que dejan estas herramientas abierto

El problema de fondo no radica únicamente en la precisión de la detección. El problema reside en que los enfoques centrados en la detección responden a la pregunta equivocada. Las instituciones que utilizan estas herramientas se preguntan: “¿Este documento fue generado por IA?”. La pregunta que realmente importa para la integridad académica es: “¿Este estudiante logró el aprendizaje que se suponía que debía generar esta tarea?”.

No se trata de la misma pregunta. Un estudiante puede escribir un ensayo completamente con sus propias palabras y aun así no lograr un aprendizaje significativo. Un estudiante puede usar la IA como herramienta de redacción, revisarlo sustancialmente y demostrar una comprensión profunda del material. Una puntuación de probabilidad no refleja ninguna de estas diferencias.

El estudio “Panorama de la IA 2024” de EDUCAUSE, basado en una encuesta a más de 900 profesionales de la tecnología en la educación superior, documentó claramente esta brecha: las políticas institucionales de IA son en gran medida permisivas o neutrales, pero los mecanismos de aplicación no han evolucionado al mismo ritmo. Como resultado, las instituciones con una clara intención política carecen de una forma fiable de implementarla. Las herramientas de detección ofrecen una idea de la actividad de aplicación de la normativa, pero no proporcionan la infraestructura probatoria subyacente.

Cómo se ve en la práctica la integridad basada en procesos

Un número creciente de instituciones está empezando a replantear la cuestión. En lugar de preguntarse cómo es un documento finalizado, se preguntan cómo se produjo. El Marco de Integridad Académica de la Universidad de Oxford, revisado en 2024, pasó explícitamente de los enfoques centrados en la detección a un rediseño de la evaluación y políticas de divulgación transparentes. El Instituto de Diseño Hasso Plattner de Stanford ha puesto a prueba enfoques de documentación de procesos en cursos seleccionados, donde los estudiantes presentan borradores, anotaciones y diarios reflexivos junto con el trabajo final.

La documentación del proceso adopta un enfoque distinto al de la detección. En lugar de analizar el producto final en busca de anomalías, registra el proceso de escritura: cómo evolucionaron los borradores, dónde se realizaron las revisiones y cómo fue el ritmo y la participación durante la sesión. Esto crea un registro verificable de la autoría que no depende de inferencias probabilísticas.

Este enfoque también modifica la forma en que se lleva a cabo la investigación de la mala conducta. Cuando un miembro del profesorado tiene una inquietud, revisa un registro estructurado de la sesión de escritura en lugar de una calificación porcentual que el estudiante podría impugnar con fundamento. La carga de la investigación pasa de la acusación a la documentación. Este cambio es de suma importancia para el debido proceso del estudiante y para la justificación institucional de cualquier medida disciplinaria resultante.

El coste institucional de mantener los enfoques basados únicamente en la detección

Existe un coste operativo subestimado en los enfoques basados en la detección que merece ser destacado. Cuando un miembro del profesorado recibe una alerta de IA con alta probabilidad de manipulación en un trabajo, la investigación posterior es completamente manual. Debe reunir pruebas que la respalden, confrontar al estudiante, gestionar el proceso de apelación y, en última instancia, emitir un juicio basado en pruebas que, en el mejor de los casos, son probabilísticas.

Esto consume mucho tiempo. Además, suele ser inconcluso, ya que una puntuación de probabilidad no constituye una prueba. Los casos se estancan, los estudiantes apelan y las instituciones se enfrentan a riesgos legales y de reputación si una acusación falsa llega a un procedimiento disciplinario formal. La misma herramienta diseñada para agilizar la aplicación de la integridad genera sus propios problemas posteriores.

El profesorado ya está sobrecargado de trabajo. Añadir investigaciones de mala conducta irresolubles a su carga laboral no beneficia la integridad académica; al contrario, socava la confianza en el sistema. Para los responsables de la integridad, la incapacidad de aportar pruebas concluyentes en casos controvertidos es un problema operativo recurrente que las herramientas de detección nunca fueron diseñadas para resolver.

Desde la detección de resultados hasta la documentación del proceso.

La pregunta que la integridad académica siempre intentó responder no era “¿Es original este texto?”, sino “¿Es realmente obra de este estudiante?”. Durante la mayor parte de las últimas dos décadas, esas preguntas apuntaban a la misma herramienta. En la era de la IA, ya no.

La verdadera autoría reside en el proceso de escritura: en las decisiones tomadas durante la redacción, en las revisiones que demuestran una comprensión más profunda, en la interacción con el material a lo largo del tiempo. El ensayo finalizado es un artefacto. Es en el proceso que lo produjo donde se puede verificar su integridad.

Las instituciones que están desarrollando sus flujos de trabajo de validación de autoría pueden encontrar que DocuMark de Trinka proporciona el tipo de evidencia a nivel de proceso que transforma la revisión de integridad, pasando de la sospecha probabilística a una documentación estructurada y revisable. El cambio del análisis de resultados a la transparencia del proceso es donde las instituciones están encontrando caminos viables y defendibles hacia adelante.