El 2 de agosto de 2026 entraron en vigor las obligaciones de transparencia del Reglamento Europeo de Inteligencia Artificial. Nueve días después, Anthropic comenzó a marcar todo el texto generado por sus modelos, a escala de producción y en todo el mundo. Google llevaba años haciéndolo con SynthID sobre texto, imagen, audio y video.
La medida es razonable y era previsible. Lo que casi nadie está discutiendo es un desajuste incómodo entre lo que la norma pretende distinguir y lo que la tecnología puede distinguir realmente. Ese hueco tiene consecuencias directas sobre cómo evaluamos el trabajo de estudiantes, candidatos y proveedores.

Qué es exactamente una marca de agua en texto

Conviene despejar dos confusiones frecuentes: no son caracteres ocultos ni metadatos incrustados en el archivo. Ambas cosas desaparecen en cuanto copias y pegas el texto en otro documento. Una marca de agua en texto es un sesgo estadístico en la elección de palabras. Durante la generación, el modelo toma miles de decisiones sobre qué token viene después; el esquema de marcado inclina esas decisiones siguiendo un patrón secreto. El texto se lee con total normalidad, pero un detector que posea la clave puede reconocer el sesgo a lo largo de un pasaje suficientemente extenso. El método está descrito en Nature por Dathathri et al. (2024), que presentan SynthID-Text: un esquema que no altera el entrenamiento del modelo sino únicamente el procedimiento de muestreo. Los autores lo validaron sobre cerca de 20 millones de respuestas de Gemini y reportan que preserva la calidad del texto. La línea de trabajo arranca en Kirchenbauer et al. (2023).

Copiloto y piloto automático

Existen dos formas de trabajar con IA que no tienen nada que ver entre sí. Copiloto. Diseñas la arquitectura, escribes el módulo y le pides al modelo que genere las pruebas unitarias. O redactas un informe completo y solicitas una revisión de sintaxis. La idea, el criterio técnico y la responsabilidad sobre el resultado son tuyos. Piloto automático. Un prompt de dos líneas, el modelo produce el entregable completo, tú lo envías sin leerlo. Cualquier profesional distingue ambos escenarios en tres segundos. La marca de agua no.

La ley sí distingue; la tecnología no

Y no se trata de un descuido del legislador. El artículo 50(2) del Reglamento (UE) 2024/1689 exime expresamente a los sistemas que desempeñan una función meramente asistencial de edición sin alterar sustancialmente el contenido introducido por el usuario. Las directrices interpretativas de la Comisión Europea sitúan en esa categoría la traducción, la corrección ortográfica y gramatical y el pulido estilístico limitado. La norma, por tanto, reconoce la gradación entre delegar una tarea y recibir asistencia sobre un trabajo propio. La implementación técnica no la reconoce. El marcado opera a nivel de modelo y alcanza toda salida generada, con independencia de la función que haya cumplido. Anthropic reconoce explícitamente que la marca puede aparecer en texto que el modelo únicamente revisó o tradujo.

El malentendido sobre la intensidad de la señal

Circula una idea intuitiva y equivocada: que la señal es fuerte cuando la IA hizo todo el trabajo y débil cuando solo asistió. No funciona así. La detectabilidad depende de cuántos tokens generó el modelo, no de cuánto pensó la persona. Un informe extenso, íntegramente tuyo, que solo pasó por corrección de estilo, puede arrastrar una señal más fuerte que un fragmento breve generado desde cero, sencillamente porque hay más texto donde detectar el patrón.

Una marca de agua no mide esfuerzo humano. Mide procesamiento.

Qué prueba y qué no prueba

Prueba que un modelo procesó ese texto. Nada más. No prueba quién tuvo la idea, quién asumió el riesgo técnico ni quién responde cuando ese código falla en producción a las tres de la madrugada. Hay un segundo problema, este de diseño: la señal es frágil. El parafraseo, la traducción o la edición sustancial la degradan o la eliminan. Los propios laboratorios lo reconocen. El resultado es un incentivo invertido. Quien actúa de mala fe elimina la marca en cinco minutos. Quien usó la herramienta de forma honesta y ligera se queda marcado.

Sin marca de agua, el panorama es peor

Los clasificadores estadísticos que intentan detectar texto artificial sin marca previa arrastran un problema más severo, y son precisamente los que muchas instituciones educativas están utilizando.

Saha y Feizi (2025) evaluaron doce detectores de última generación y documentaron tasas de falsos positivos elevadas: un pulido mínimo con GPT-4o produjo tasas de detección de entre el 10 % y el 75 % según la herramienta. Texto humano, clasificado como artificial.

Los autores observan además que la clasificación depende del modelo empleado en el refinamiento: el texto pulido con modelos más antiguos o pequeños resulta señalado con mayor frecuencia. Quien tiene menos acceso a herramientas de última generación queda más expuesto a una acusación falsa. Un sesgo con consecuencias de equidad evidentes en contextos evaluativos.

Por qué me preocupa más en educación que en la industria

Chatterji et al. (2025) analizaron una muestra representativa de aproximadamente 1,1 millones de conversaciones desidentificadas de ChatGPT recogidas entre mayo de 2024 y junio de 2025. Dentro de la categoría «escritura» —la de mayor peso entre los usos laborales— cerca de dos tercios de los mensajes solicitan modificar texto aportado por el usuario mediante edición, crítica, traducción o resumen, frente a la generación desde cero.

Dos tercios del uso real es coescritura. Y el instrumento de verificación del que disponemos solo sabe leer en binario.

Desde la perspectiva del desarrollo humano, el riesgo va más allá del error de medición. Un sistema de evaluación que no distingue entre asistencia y sustitución desincentiva precisamente el uso reflexivo y declarado, y empuja hacia la opacidad a quien actúa de buena fe. Si el estudiante que usa la herramienta con criterio recibe el mismo trato que quien delegó todo, la señal que enviamos es que la honestidad no compensa.

Y estaremos midiendo la herramienta en lugar del criterio. El criterio es exactamente lo único que la IA todavía no aporta.

Una propuesta operativa: declarar el proceso

Mientras la técnica alcanza a la norma, la declaración explícita resulta más informativa que cualquier inferencia posterior.

En mis entregas técnicas dejo constancia de qué decisiones son propias, qué fragmentos fueron asistidos y bajo qué forma de validación pasaron: la arquitectura y los criterios de diseño son míos, las pruebas las generé con asistencia y las validé una por una, la redacción final la pulí con IA.

La procedencia declarada es verificable, discutible y atribuible. La procedencia inferida no lo es. Y sostiene una conversación profesional que una marca invisible, por sí sola, no puede sostener.

Sobre la elaboración de este artículo

Coherente con lo que defiendo: la estructura y la búsqueda de fuentes de este texto contaron con asistencia de IA. La tesis sobre el desajuste del artículo 50(2), la selección de qué afirmar y la verificación de cada referencia son mías.

Referencias

Chatterji, A., Cunningham, T., Deming, D. J., Hitzig, Z., Ong, C., Shan, C. Y. y Wadman, K. (2025). How people use ChatGPT (Documento de trabajo n.º 34255). National Bureau of Economic Research. https://doi.org/10.3386/w34255

Dathathri, S., See, A., Ghaisas, S., Huang, P.-S., McAdam, R., Welbl, J., Bachani, V., Kaskasoli, A., Stanforth, R., Matejovicova, T., Hayes, J., Vyas, N., Al Merey, M., Brown-Cohen, J., Bunel, R., Balle, B., Cemgil, T., Ahmed, Z., Stacpoole, K., … Kohli, P. (2024). Scalable watermarking for identifying large language model outputs. Nature, 634(8035), 818-823. https://doi.org/10.1038/s41586-024-08025-4

Kirchenbauer, J., Geiping, J., Wen, Y., Katz, J., Miers, I. y Goldstein, T. (2023). A watermark for large language models. Proceedings of Machine Learning Research, 202, 17061-17084.

Reglamento (UE) 2024/1689 del Parlamento Europeo y del Consejo, de 13 de junio de 2024, por el que se establecen normas armonizadas en materia de inteligencia artificial. DOUE L, 2024/1689.

Saha, S. y Feizi, S. (2025). Almost AI, almost human: The challenge of detecting AI-polished writing. En Findings of the Association for Computational Linguistics: ACL 2025 (pp. 25414-25431). Association for Computational Linguistics. https://aclanthology.org/2025.findings-acl.1303/Make it shorterMake it longerSimplify t