¿Detecta Turnitin específicamente a Claude? Lo que dice la lista de modelos

Sí. En la lista de modelos que publica Turnitin aparecen varias variantes de Claude. La lista señala que el modelo de detección de escritura con IA de Turnitin para envíos en inglés puede detectar contenido de un conjunto de modelos que incluye Claude-3-Haiku, Claude Sonnet-3.5, Claude Sonnet-3.7, Claude Sonnet-4.5, Claude Sonnet-4.6, Claude-Haiku-4.5 y Claude-Opus-4.5. La lista cubre además «tools based on these LLMs as well,» («también las herramientas basadas en estos LLM»), lo que significa que las aplicaciones construidas sobre los modelos de lenguaje de Claude entran en el alcance de detección indicado.

Ahora bien, aparecer en la lista no significa que vaya a marcarse todos los pasajes que produzca Claude. El propio Turnitin reconoce que parte del texto escrito con IA pasa desapercibida y que las capacidades de detección cambian con el tiempo a medida que el modelo se actualiza. Así que la respuesta honesta es: Claude está cubierto, pero cobertura no es lo mismo que garantía.

Turnitin no publica una tabla de modelos con resultados de detección de tipo aprobado o suspendido. En su lugar, ofrece una lista en línea dentro de su documentación. La frase introductoria dice: «Currently, Turnitin's AI writing detection model for English submissions can detect content from» («Actualmente, el modelo de detección de escritura con IA de Turnitin para envíos en inglés puede detectar contenido de») una lista que incluye las variantes de Claude mencionadas arriba, junto con GPT, Gemini, LLaMA, Mistral, Deepseek, Nova, Grok y o1-mini. Esa agrupación es la que si Turnitin detecta Claude, Copilot o Gemini recorre desde el otro extremo. La lista termina señalando que la cobertura se extiende a «tools based on these LLMs as well.» («también las herramientas basadas en estos LLM»). La frase que sigue a la lista dice: «We will continue to expand our detection capabilities to other models in the future.» («Seguiremos ampliando nuestras capacidades de detección a otros modelos en el futuro.»)

La frase clave es «can detect content from» («puede detectar contenido de»). Esta redacción nos dice que el detector está entrenado para reconocer el texto generado por estos modelos. No promete una detección perfecta. Para Claude en concreto, esto significa que cualquier herramienta o servicio que use los modelos de lenguaje de Claude para producir texto está dentro del alcance indicado. Que el detector atrape todos los casos es otra pregunta, que abordamos más abajo.

Para entender por qué la detección no es un sí o un no binario, conviene mirar el mecanismo que describe Turnitin. Cuando envías un trabajo a Turnitin, las oraciones del envío se extraen y se dividen en secciones superpuestas para el análisis de predicción. Cada sección es clasificada por el modelo de detección de IA y recibe un valor entre 0 y 1, que indica la probabilidad de que el texto sea probablemente humano o generado por IA. Cada oración válida dentro de esas secciones hereda la puntuación de la sección. Como las secciones se superponen, algunas oraciones pueden tener varias puntuaciones, que después se agrupan en una sola. Esas puntuaciones por oración se agregan y se usan para calcular la puntuación general de escritura con IA del documento.

El porcentaje final de tu informe es la suma de muchas predicciones pequeñas a nivel de oración. No es un único escaneo que sella el documento entero como de IA o humano. Cada oración aporta al total, y las secciones superpuestas ayudan a suavizar los casos límite.

El modelo de Turnitin no es estático. La documentación señala: «As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage.. However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed.» («A medida que iteramos y desarrollamos nuestro modelo para detectar mejor los LLM más nuevos, es probable que nuestras capacidades de detección también cambien, lo que afectará al porcentaje de IA. Sin embargo, para un documento ya enviado, el porcentaje de IA solo cambiará si vuelve a enviarse para ser procesado de nuevo.»)

Esto tiene una consecuencia práctica. Si envías un documento hoy y recibes un determinado porcentaje de IA, ese mismo documento podría recibir un porcentaje distinto si lo vuelves a enviar semanas o meses después. El modelo se actualiza, y esas actualizaciones pueden mover las puntuaciones en cualquier dirección. Un pasaje que hoy parece humano podría parecer generado por IA después de una actualización, o viceversa.

Para el texto de Claude, esto significa que la tasa de detección que experimentas ahora puede no coincidir con la que experimentes más adelante. La lista de modelos confirma que Claude está dentro del alcance, pero la sensibilidad de esa detección puede variar mientras Turnitin afina su modelo.

Turnitin es transparente en cuanto a que su detector no lo detecta todo. La documentación señala: «In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document.» («Para mantener esta baja tasa de falsos positivos del 1 %, existe la posibilidad de que pasemos por alto parte del texto escrito con IA en un documento.»)

Es una compensación deliberada. Turnitin prioriza una baja tasa de falsos positivos, lo que significa que acepta que parte del texto de IA se cuele. El detector peca de precavido: prefiere dejar pasar texto de IA antes que marcar por error texto humano.

Entender por qué el detector funciona así exige mirar qué es lo que realmente mide. El modelo de Turnitin no se apoya en las métricas que se mencionan a menudo en las conversaciones públicas sobre detección de IA, y por eso si Turnitin usa perplejidad y ráfaga para detectar IA termina donde termina. La documentación señala: «Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions. Instead, it learns statistical patterns from our training data.» («Nuestro modelo no está programado explícitamente para evaluar señales específicas como 'burstiness,' 'perplexity,' u otras métricas individuales que a veces se citan en debates públicos. En cambio, aprende patrones estadísticos a partir de nuestros datos de entrenamiento.») Después el modelo aplica lo aprendido para clasificar el texto. Como dice Turnitin: «Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers.» («Nuestros clasificadores están entrenados para detectar estas diferencias en la probabilidad de las palabras y conocen bien las secuencias particulares de probabilidad de palabras de los escritores humanos.»)

En otras palabras, el detector observa patrones de probabilidad de palabras, no señales superficiales como la variación en la longitud de las oraciones o lo raro del vocabulario. Por eso el texto de IA muy editado o reescrito a veces puede eludir la detección, y por eso si Turnitin detecta los humanizadores de IA tiene que responderse caso por caso. Si las secuencias de probabilidad de palabras cambian lo suficiente durante la edición, el clasificador puede dejar de reconocer el texto como generado por IA.

Si tu informe de Turnitin marca pasajes como generados por IA, el paso más práctico es trabajar solo en las secciones marcadas en lugar de reescribir el documento entero, que es el método de reescribir solo los párrafos que marcó un informe de Turnitin. La puntuación a nivel de oración de Turnitin te permite identificar los segmentos concretos que activaron la detección y concentrar ahí tu revisión.

Mantén intactos tus citas, tablas y formatos. Solo los pasajes marcados como IA necesitan atención. Si revisas y vuelves a enviar, recuerda que el porcentaje de IA puede moverse por las actualizaciones del modelo, no solo por tus ediciones.

Los pasajes que cumplen los requisitos pueden volver a procesarse sin coste.