¿Te señalan por pulir tu texto con IA? Lo que midió un estudio de 2026

A menudo, en los dos detectores comerciales analizados en este estudio. Los investigadores pidieron a un modelo de IA que reescribiera 642 resúmenes publicados "to sound better and more human-like" (para que sonaran mejor y más humanos). Pangram marcó entre el 64 y el 80% de las versiones pulidas, y GPTZero entre el 38 y el 49%. Esos mismos detectores no señalaron ninguno de los resúmenes originales escritos entre 2013 y 2015. Turnitin no se incluyó en la prueba. La conclusión de los autores es que "detector scores should not serve as standalone misconduct evidence." (las puntuaciones de los detectores no deberían servir como prueba independiente de falta de integridad académica).

El estudio se titula "Why AI Detection Fails for Academic Integrity" (Por qué la detección de IA falla en la integridad académica), elaborado por cuatro investigadores de la Universidad de Notre Dame, publicado en arXiv el 6 de agosto de 2026 y redactado para la ACM AI Leadership Summit (AILS '26).

No es el primero en analizar esta cuestión. Un estudio de 2025 realizado por Saha y Feizi en la Universidad de Maryland, publicado en Findings of ACL 2025, descubrió que tras "only extremely minor edits" (solo modificaciones extremadamente menores) realizadas por un modelo de IA, Pangram detectó como IA el 42.56% de las muestras escritas por humanos y GPTZero el 64.71%, utilizando el umbral fijado para cada detector. Ambos estudios emplearon modelos, umbrales y textos distintos, por lo que sus cifras deben compararse en paralelo y no sumarse. Aun así, apuntan en la misma dirección.

Tomaron 642 resúmenes en inglés de artículos publicados en cuatro disciplinas: química, ciencias de la computación, ciencias políticas y teología. 306 procedían del periodo 2013 a 2015, antes de que existieran herramientas como ChatGPT, y 336 del periodo 2023 a 2025.

Cada resumen fue reescrito por Gemini 3 Flash. La versión relevante en este caso es la que los autores denominan "refine" (pulido), y que consideran "a proxy for guideline-compliant AI assistance" (una aproximación de la asistencia con IA que cumple las directrices). La instrucción que recibió el modelo comenzaba así:

"You are an expert scientist who excels in writing papers. Your task is to rewrite a given paper abstract to sound better and more human-like." (Eres un científico experto que destaca en la redacción de artículos. Tu tarea consiste en reescribir el resumen de un artículo determinado para que suene mejor y más humano).

Los autores son claros sobre el tipo de edición que esto genera: "Our refine prompt is closer to light generative rewriting than to grammar-only editing; assisted-writing flag rates should be read accordingly." (Nuestra instrucción de pulido se acerca más a una reescritura generativa ligera que a una edición exclusivamente gramatical; las tasas de detección de escritura asistida deben interpretarse en consecuencia). Tenlo presente antes de compararlo con lo que hiciste tú.

A continuación, Pangram 3.2 y GPTZero puntuaron cada texto original y cada reescritura. Según el código publicado por los autores, la puntuación empleada para GPTZero es la probabilidad asignada a su clase "AI", y cualquier valor a partir de 0.50 se consideró como detectado.

Los propios autores señalan dos advertencias. Los originales de 2023–2025 podrían haber contado ya con alguna ayuda de IA que nadie registró, por lo que esos casos señalados "not confirmed false positives" (no son falsos positivos confirmados). Por su parte, las versiones pulidas son algo distinto de un texto puramente humano: el artículo subraya que su tasa de detección "must not be abbreviated as FPR" (no debe abreviarse como FPR), de modo que aquí tampoco la llamamos tasa de falsos positivos. Lo que mide es con qué frecuencia se marca un resumen escrito por humanos una vez que una IA lo ha pulido.

Modificar el umbral apenas cambió el panorama. Entre 0.4 y 0.6, Pangram marcó entre el 80 y el 85% de las versiones pulidas de 2023–2025, y GPTZero entre el 48 y el 49%.

En los resúmenes de 2023–2025, los porcentajes dependieron en gran medida de la materia:

En los originales sin editar, la diferencia entre las disciplinas STEM (química y ciencias de la computación) y las demás (ciencias políticas y teología) fue estadísticamente significativa. Los autores también analizaron qué rasgos del texto se asociaban a puntuaciones más altas. Los dos factores más determinantes fueron la proporción de palabras largas y la de términos procedentes de la Academic Word List (una lista estándar de vocabulario habitual en la redacción académica), con correlaciones de entre 0.30 y 0.35 aproximadamente. Una mayor presencia de números y otros caracteres no alfabéticos se vinculó a puntuaciones más bajas. Los autores aclaran que estas "associations are correlational and do not establish causal mechanisms." (las asociaciones son correlacionales y no establecen mecanismos causales).

Estas mediciones corresponden a Pangram y GPTZero, no a Turnitin. En las tres páginas de ayuda de Turnitin sobre detección de IA que revisamos para por qué los detectores de IA señalan textos bien redactados, no encontramos ninguna mención a evaluar la calidad de la redacción. Ambas conclusiones se refieren a herramientas distintas y no se contradicen.

Los propios autores enumeran las limitaciones, y son muy relevantes si quieres aplicar esto a tu propio trabajo:

• Resúmenes publicados, no ensayos de estudiantes. En sus propias palabras: "We analyze English published abstracts, not student essays; detector behavior on classroom genres may differ." (Analizamos resúmenes publicados en inglés, no ensayos de estudiantes; el comportamiento de los detectores en géneros académicos de aula puede diferir).
• Dos detectores comerciales, no Turnitin. Los detectores comerciales fueron Pangram 3.2 y GPTZero, junto con una línea base complementaria de modelos de IA. El artículo no menciona a Turnitin. Además, Pangram ha publicado versiones más recientes desde entonces, por lo que un resultado obtenido hoy con Pangram podría no proceder del mismo modelo.
• Un solo modelo, un solo tipo de pulido. Todas las reescrituras provinieron de Gemini 3 Flash con la instrucción mencionada antes. No se evaluó de forma independiente una simple corrección ortográfica y gramatical.
• Cuatro disciplinas, solo en inglés. Que la tasa fuera baja en química no significa que los estudiantes de química estén a salvo con otros detectores o con otros tipos de texto.
• Pangram facilitó el acceso a su API para el estudio, según figura en los agradecimientos.

El estudio también pasó las reescrituras de la IA por una herramienta comercial de humanización, tras lo cual menos del 4% siguió siendo señalado por alguno de los dos detectores. Frente a las tasas del 38 al 80% registradas en un pulido legítimo, ese resultado constituye la otra mitad del argumento de los autores de que las puntuaciones de los detectores no se sostienen por sí solas. Su conclusión: "Integrity programs therefore need transparent AI-use norms and process evidence, not standalone detector scores." (Por lo tanto, los programas de integridad necesitan normas transparentes sobre el uso de la IA y pruebas del proceso, no puntuaciones aisladas de detectores).

1. Averigua qué herramienta generó la puntuación. Si fue Turnitin, estas cifras no hablan de él. Revisa el informe de tu profesor para comprobar qué partes ha resaltado realmente.
2. Comprueba qué permiten tus normativas. Muchas políticas editoriales distinguen entre la corrección lingüística y la generación de contenidos, y algunas exigen declararla; nuestra guía sobre políticas de declaración de IA de las editoriales las compara detalladamente. En trabajos de clase, lo que manda es la guía de evaluación y la normativa de tu universidad.
3. Conserva la versión previa al pulido. El consejo práctico del estudio es que "Any flag must be paired with drafting history" (Cualquier detección debe acompañarse del historial de redacción). Un borrador escrito con tus propias palabras, junto con su historial de versiones, constituye precisamente ese registro.
4. Fíjate en qué pasajes se han señalado, no solo en el porcentaje. Esos son los fragmentos que debes estar preparado para explicar: cómo los redactaste y qué modificó la IA.

Si tienes un informe de Turnitin o iThenticate y los pasajes señalados necesitan reescribirse, eso es lo que hace la opción de humanización de HumanPen. Importa el informe de Turnitin o iThenticate y reformula solo los pasajes señalados. Recibirás un archivo editable en el mismo formato. Contrasta primero el resultado con las normas de tu asignatura sobre asistencia con IA y lee lo que recibas antes de entregarlo.

¿Cuenta el uso de Grammarly como pulido con IA en este estudio? No directamente. El pulido analizado en la investigación fue una reescritura con Gemini 3 Flash, que los autores describen como "closer to light generative rewriting than to grammar-only editing" (más cercana a una reescritura generativa ligera que a una edición exclusivamente gramatical). No se evaluó una simple revisión ortográfica y gramatical. Por su parte, Turnitin ha declarado por separado que no persigue las correcciones de ortografía, gramática y puntuación de Grammarly; consulta si Turnitin detecta Grammarly.

¿Puedo recurrir a este estudio si me acusan de usar IA? Respalda un argumento general: que estos detectores señalan una parte importante de textos humanos pulidos con IA y que, según los autores, las puntuaciones "should not serve as standalone misconduct evidence" (no deberían servir como prueba independiente de falta de integridad académica). Sin embargo, no describe a Turnitin ni ensayos de estudiantes, y no puede demostrar lo ocurrido con tu texto. Lo que sí lo demuestra son tus borradores y tu historial de versiones.

¿Por qué los resúmenes sin editar de 2013–2015 obtienen un 0% y los de 2023–2025 porcentajes más altos? El artículo no puede determinar la causa exacta. En sus propias palabras, el intervalo 2023–2025 "cannot separate model vintage from unobserved real-world AI use on original abstracts" (no puede separar la versión del modelo del uso no observado de IA en el mundo real en los resúmenes originales). Por esa razón, presenta esas cifras como tasas de detección y no como falsos positivos.

¿Etiqueta GPTZero los textos pulidos de forma distinta? GPTZero incluye la etiqueta "AI Polished" (Pulido con IA) dentro de su resultado Mixed; explicamos su significado en las etiquetas Mixed y AI-Polished de GPTZero. Según el código de los autores, este estudio utilizó la probabilidad de la clase "AI" de GPTZero, de modo que un texto clasificado por GPTZero en Mixed (incluido AI Polished) solo se contabilizó como detectado si su probabilidad en la clase AI alcanzaba igualmente 0.50.

• Jonathan A. Karr Jr., Grigorii Khvatskii, Ting Hua y Nitesh V. Chawla, Why AI Detection Fails for Academic Integrity, arXiv:2608.11256 (v1 6 de agosto de 2026, v2 20 de agosto de 2026), AILS '26; consultado el 27 de septiembre de 2026 (tablas 1–6, apéndices A, B y D), junto con el código publicado por los autores.
• Shoumik Saha y Soheil Feizi, Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing, Findings of ACL 2025 (arXiv:2502.15666); consultado el 27 de septiembre de 2026.