¿Tu case study de negocios fue marcado como IA? SWOT, Five Forces y dos tipos de semejanza

Cuando todo un grupo entrega documentos que se parecen, la primera preocupación suele ser el plagio. Ese reflejo apunta al informe equivocado. Probablemente tienes dos números en la mano, y no están midiendo lo mismo.

Un framework le hace dos cosas a tu texto. Te entrega un vocabulario fijo en un orden fijo, y por eso tus párrafos se parecen a los de tus compañeros. Y convierte tu informe en una serie de casillas paralelas, y por eso tus propios cinco párrafos se parecen entre sí.

Solo a lo segundo está diseñado a reaccionar un porcentaje de escritura por IA. La descripción publicada por Turnitin de la puntuación de IA es un proceso por entrega: el archivo se divide en segmentos superpuestos, cada segmento recibe una probabilidad, las puntuaciones de las oraciones se agrupan y se agregan. Nada de eso compara tu documento con el de otra persona. La comparación con otros trabajos es el otro número, la puntuación de similitud, definida frente a «Turnitin's comprehensive collection of content» (la colección exhaustiva de contenidos de Turnitin); y el proveedor afirma que ambos son «completely independent and do not influence each other» (completamente independientes y no se influyen entre sí).

Hay una tercera cosa que conviene saber antes de tocar nada, y es la que sorprende a la gente: en un case study cargado de frameworks, la mayor parte de lo que escribiste no se está puntuando en absoluto. El porcentaje se calcula sobre oraciones en prosa. Según esa definición, una matriz SWOT, un PESTEL con viñetas y una lista de encabezados de las cinco fuerzas no son oraciones en prosa.

Conviene separar ambas cosas antes de decidir nada, porque el alumnado suele llevar la primera preocupación al segundo informe.

Dos detalles del lado de la similitud que son específicos del lenguaje de los frameworks. Primero: las etiquetas de los frameworks son cortas. La guía de filtros de exclusión de Turnitin documenta un ajuste de coincidencias pequeñas: «By default, the threshold is 8 words, meaning that only matches 8 words or longer appear in the Similarity Report. You can increase this number, but 8 words is the minimum allowed value.» (Por defecto, el umbral es de 8 palabras, lo que significa que en el Similarity Report solo aparecen las coincidencias de 8 palabras o más. Puedes aumentar ese número, pero 8 palabras es el valor mínimo permitido.) Cuenta tus propias cadenas de framework contra eso. «Threat of new entrants» son cuatro palabras. «Bargaining power of buyers» son cuatro. «Fortalezas, debilidades, oportunidades y amenazas» son cinco. El ajuste no está disponible en la versión clásica del informe, y tampoco puedes activarlo ni desactivarlo en ninguno de los dos sentidos. Ocho palabras es el valor por defecto una vez que alguien activa el filtro, no un mínimo que se aplique lo active alguien o no — pero aun así te dice qué longitud de coincidencia trata el proveedor como ruido.

Segundo, por el lado de la IA, el modelo no busca frases compartidas en absoluto. Las FAQ dicen que los clasificadores «are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers» (están entrenados para detectar estas diferencias en la probabilidad de las palabras y dominan las secuencias particulares de probabilidad de palabras de quienes escriben como humanos), y en otro lugar que el modelo «is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions» (no está programado explícitamente para evaluar señales específicas como 'burstiness,' 'perplexity,' u otras métricas individuales que a veces se mencionan en debates públicos). Informe de escritura por IA de Turnitin frente al Similarity Report tiene la distinción completa si tienes ambos números delante.

Las FAQ son explícitas sobre qué se analiza:

«This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures.» (Este texto calificable incluye únicamente oraciones en prosa, lo que significa que solo analizamos bloques de texto escritos en oraciones gramaticales estándar y no incluimos otros tipos de escritura como listas, viñetas (estructuras cortas que no son oraciones) u otras estructuras que no son oraciones.)

Y sobre de qué es el porcentaje:

«As noted previously, this percentage is not necessarily the percentage of the entire submission. If text within the submission is not considered long-form prose text, it will not be included.» (Como se indicó antes, este porcentaje no es necesariamente el porcentaje de toda la entrega. Si el texto dentro de la entrega no se considera texto en prosa de formato largo, no se incluirá.)

Recorramos ahora un informe de caso de MBA normal y marquemos qué sobrevive a esa definición.

Esa tabla tiene dos consecuencias, y el número en tu pantalla no te muestra ninguna de las dos.

Tu porcentaje y el de tu compañero no son comparables si estructurasteis el mismo análisis de forma distinta. El mismo contenido de PESTEL, uno en viñetas y otro en oraciones completas dentro de una tabla, y estáis siendo puntuados sobre cantidades distintas de texto.

Y el resto de prosa calificable en un informe cargado de matrices puede ser pequeño. Eso importa por lo que dicen las FAQ sobre cantidades pequeñas de texto: «In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap.» (En documentos más cortos, donde solo hay unos cientos de palabras, la predicción será casi siempre «todo o nada», porque estamos prediciendo sobre un único segmento sin oportunidad de superposición.) Por debajo de 300 palabras de texto en prosa no se genera ningún informe de escritura por IA. Si tu case study de 3.000 palabras son sobre todo exhibits y viñetas, el porcentaje que estás viendo puede haberse calculado sobre los comentarios de enlace y poco más. Qué contenido se salta la IA de Turnitin cubre las exclusiones en general; el punto aquí es que las maquetaciones por framework cambian el denominador más que casi cualquier otro formato de trabajo.

Turnitin publica una descripción del texto sobre el que caen sus falsos positivos:

«Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas.» (A veces los falsos positivos, es decir, marcar incorrectamente texto escrito por una persona como generado por IA, pueden incluir contenido sin mucha variación estructural, texto que se repite literalmente o texto parafraseado sin desarrollar ideas nuevas.)

La prosa de framework llega a esa descripción de forma honesta, y por razones que no tienen nada que ver con quien escribe.

El vocabulario lo fija la fuente. El Institute for Strategy and Competitiveness de la Harvard Business School publica las cinco fuerzas exactamente con estos nombres: Threat of New Entrants, Bargaining Power of Suppliers, Bargaining Power of Buyers, Threat of Substitute Products or Services, Rivalry Among Existing Competitors. Michael Porter las expuso por primera vez en un artículo de 1979 en Harvard Business Review. Esas cadenas no son tuyas para variarlas, y quien te evalúa tampoco quiere que lo hagas.

El orden es convención, no doctrina. La propia página del ISC las lista con los sustitutos primero y los nuevos entrantes en cuarto lugar, que no es el orden del párrafo de arriba. Lo que está fijado es la oración que cierra cada bloque. El movimiento característico es un veredicto en un marco fijo: fuerza, valoración, una cláusula de justificación. Haz eso cinco veces y habrás escrito cinco oraciones con estructura idéntica y sustantivos intercambiados, que es una descripción bastante justa de «content without a lot of structural variation» (contenido sin mucha variación estructural).

También comprobé si algo de esto está documentado como caso especial.

Qué conté. El 27 de agosto de 2026 leí el texto renderizado de las tres páginas de Turnitin que definen el AI Writing Report: Using the AI Writing Report (6.492 caracteres), las FAQ de capacidades de detección de escritura por IA (30.987) y las notas de lanzamiento del AI writing detection model (9.233). Busqué en las tres: `SWOT` 0 · `PESTEL` 0 · `PESTLE` 0 · `Porter` 0 · `case study` 0 · `business` 0 · `marketing` 0 · `discipline` 0 · `genre` 0. El único resultado para `framework` es el proveedor describiendo su propio marco de pruebas. Comprobación de sensibilidad sobre el mismo texto: `prose` 13 · `qualifying` 15 · `bibliograph` 4. `subject area` aparece tres veces, todas en la página de las FAQ y todas describiendo la muestra de entrenamiento: una vez como «academic writing across geographies and subject areas» (escritura académica de distintas geografías y áreas temáticas), y dos veces en una lista repetida de «less common subject areas such as anthropology, geology, sociology, and others» (áreas temáticas menos comunes como antropología, geología, sociología y otras).

Así que no hay una excepción para las escuelas de negocio, en ninguna de las dos direcciones. El modelo no distingue un case study de un informe de laboratorio, y la documentación tampoco afirma que lo haga.

Se supone que la parte de framework de un case study es intercambiable. Esa es toda la idea de un framework. Se supone que el análisis es la parte que solo tú podrías haber escrito, y en la mayoría de los informes ambos están en el mismo párrafo y en el mismo registro, que es lo que vuelve uniforme el documento.

Movimientos concretos que los separan:

1. Pon el veredicto y el razonamiento en formas de oración distintas. Si la oración de valoración es un marco fijo, que lo sea, y entonces no escribas la siguiente oración también en un marco fijo. Una línea de valoración corta y plana seguida de un párrafo argumentativo más largo se lee distinto que cinco híbridos idénticos.
2. Nombra el número, la fecha y la fuente. Una oración que ata el poder de los proveedores a los dos fabricantes por contrato que nombras en tu propio Exhibit 4, y al año en que se adquirió el segundo, lleva información que «el poder de los proveedores es alto por la concentración de la industria» no lleva. La segunda oración puede escribirla sobre cualquier industria cualquiera que no haya leído nada.
3. Di dónde falla el framework en esta empresa. Un párrafo que explica que la fuerza de los sustitutos es casi irrelevante en un mercado regulado con monopolio legal es análisis. Valorarla como «baja» y seguir adelante es rellenar un formulario.
4. Quita una casilla y justifica la omisión en una oración. Tratar con la misma extensión fuerzas que no son igual de importantes es exactamente la estructura plana que describe el proveedor, y gasta las mismas palabras en una fuerza que vale una oración que en una que vale una página.
5. Escribe la recomendación antes que los frameworks y comprueba después si la respaldan. Los informes montados empezando por el framework suelen terminar con una conclusión que repite las casillas. Una nota de lanzamiento de Turnitin de 2023 observó que los falsos positivos se concentraban en la primera y la última oración de los documentos, «written in a generic way» (escritas de forma genérica), y se cambió la lógica de detección para reducirlo; el hábito de escritura de fondo no desapareció. Por qué las introducciones y las conclusiones se marcan como IA tiene la nota de lanzamiento completa.

No te digo lo que hace después un porcentaje, y nadie honesto lo hará. Lo que describe la lista de arriba es qué párrafos de un case study son tuyos y cuáles pertenecen al framework, y esa línea merece trazarse participe o no un detector.

Supongamos que el informe ha vuelto y algo tiene que cambiar. El orden importa, porque un case study es uno de los documentos más fáciles de dañar al reescribirlo.

1. Lee los resaltados, no el porcentaje. Dónde caen los resaltados te dice si el modelo reaccionó a tus comentarios de conexión o a tu recomendación. El número no.
2. Deja en paz las etiquetas del framework. Son términos técnicos. Quien revisa si aplicaste bien a Porter quiere ver los cinco nombres.
3. Deja en paz los exhibits, los ratios y las cifras. No son prosa calificable y son la parte del documento donde un error es fatal.
4. Empieza por los párrafos de análisis. Son la parte que una reescritura puede tocar legítimamente, y si el informe salió uniforme también son la parte que ya era delgada desde el principio.
5. Vuelve a revisar todo lo que tocaste. Cada párrafo que cambia es un párrafo que ahora tienes que comprobar contra los números de tus propios exhibits. Ese coste, no la reescritura, es lo que encarece los repasos al documento completo.

El punto cinco es la razón de que el alcance importe más que nada en una herramienta. La herramienta HumanPen trabaja sobre el archivo y no sobre un fragmento pegado: sube un DOCX y vuelve un DOCX editable, con la estructura, la terminología, las citas, la maquetación y los estilos tal como estaban. Para un informe lleno de tablas y exhibits eso es la diferencia entre un trabajo y una tarde de reformateo. O marcas tú los pasajes, o la apuntas al informe de IA que ya tienes de Turnitin o iThenticate y dejas que elija los marcados; de cualquier modo reescribe esos y deja todo lo demás en paz. Un párrafo es lo más pequeño que toca, y la selección ampliada se te pone delante para que la apruebes primero, así sabes exactamente cuántos párrafos has aceptado volver a leer. Los pasajes que cumplen los requisitos pueden volver a procesarse sin coste.

Treinta de nosotros escribimos el mismo SWOT. ¿Aparecerá eso como IA? No por ese mecanismo. El porcentaje de escritura por IA se describe como una clasificación por entrega de tu propio texto en segmentos superpuestos, no como una comparación con otras entregas, y las FAQ afirman que no hay «no separate repository for AI writing detection» (ningún repositorio separado para la detección de escritura por IA). El texto compartido con otros trabajos es el lado de la similitud, que es un número distinto con sus propios filtros.

¿Se puntúa la propia matriz SWOT? Las viñetas y otras estructuras que no son oraciones están documentadas como fuera del análisis. Las oraciones en prosa completas dentro de una tabla son otro caso: una nota de lanzamiento de agosto de 2023 dice que la prosa de formato largo en tablas ya se procesa, y que las entregas existentes deben volver a enviarse para reprocesarse. Así que el mismo PESTEL puede entrar o no en el denominador según cómo lo maquetaras.

Mi case study volvió al 100 %. Solo son 900 palabras de prosa real. Merece la pena leer esa combinación junto con la propia advertencia de las FAQ sobre el texto corto: «In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap.» (En documentos más cortos, donde solo hay unos cientos de palabras, la predicción será casi siempre «todo o nada», porque estamos prediciendo sobre un único segmento sin oportunidad de superposición.) Un informe cargado de matrices puede tener mucha menos prosa calificable de lo que sugiere su recuento total de palabras. Documentos cortos y el problema del todo o nada en Turnitin explica la mecánica de los segmentos.

¿Debería dejar de usar frameworks? No, y tus criterios de evaluación probablemente los exigen. Lo que puedes cambiar es la proporción: menos espacio para etiquetar las casillas y más para el juicio que las casillas debían sostener. Eso es un informe mejor y también uno menos uniforme.

¿Puedo llevar el porcentaje a mi tutora y argumentar que es un falso positivo? Puedes plantearlo, y el propio vocabulario del proveedor ayuda. Su guía de uso del informe de escritura por IA dice que el indicador «may not always be accurate» (puede no ser siempre exacto) y «should not be used as the sole basis for adverse actions against a student» (no debe usarse como única base para medidas adversas contra un estudiante). Sus FAQ de detección, en el pasaje sobre falsos positivos, aconsejan tomar el texto estructuralmente uniforme «into consideration when looking at the percentage indicated» (en consideración al mirar el porcentaje indicado). Nada de eso es prueba de quién escribió el documento. Qué significa una tasa de falsos positivos del 1 % cuando una universidad entrega 75.000 trabajos es la versión honesta de la aritmética.