¿Detecta Turnitin GPT-5 y otros modelos de IA nuevos?

Las preguntas frecuentes de Turnitin publican una lista de modelos de escritura con IA de los que se puede detectar contenido. En la lista aparecen, entre otros, los modelos GPT, Gemini, Claude, LLaMA, Mistral, Deepseek, Nova, Grok y o1-mini. El verbo oficial es «can detect content from.» (puede detectar contenido procedente de ellos). La lista termina así: «and tools based on these LLMs as well.» (y también las herramientas basadas en estos LLM). Las preguntas frecuentes también afirman: «We will continue to expand our detection capabilities to other models in the future.» (Seguiremos ampliando en el futuro nuestra capacidad de detección a otros modelos.) Y reconocen que esa capacidad no es fija: «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.» (A medida que sigamos desarrollando nuestro modelo para detectar mejor los LLM más nuevos, es probable que nuestra capacidad de detección también cambie, lo que afectará al porcentaje de IA.) Que un modelo concreto como GPT-5 figure en la lista depende de cuándo se actualizaron por última vez las preguntas frecuentes. Estas no prometen cubrir en tiempo real cada nuevo modelo que salga, pero sí prometen seguir ampliando la cobertura.

Las preguntas frecuentes ofrecen una lista de modelos de los que se puede detectar contenido. La frase introductoria usa el verbo «can detect content from.» (puede detectar contenido procedente de ellos), seguido de una lista de modelos separados por comas. En la lista figuran GPT, Gemini, variantes de Claude, LLaMA, Mistral, Deepseek, Nova, Grok y o1-mini. La lista termina así:

«and tools based on these LLMs as well.» (y también las herramientas basadas en estos LLM).

La frase siguiente: «We will continue to expand our detection capabilities to other models in the future.» (Seguiremos ampliando en el futuro nuestra capacidad de detección a otros modelos.)

Esto significa que la lista no es exhaustiva. También se afirma que se puede detectar las herramientas construidas sobre los modelos de la lista. La promesa de ampliar la cobertura implica que podrían añadirse modelos nuevos a medida que se actualice el modelo de detección. ¿Detecta Turnitin Claude, Copilot o Gemini? repasa una por una las entradas de esa lista.

Las preguntas frecuentes reconocen expresamente que la detección no es un objetivo fijo:

«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.» (A medida que sigamos desarrollando nuestro modelo para detectar mejor los LLM más nuevos, es probable que nuestra capacidad de detección también cambie, lo que afectará al porcentaje de IA.)

La frase siguiente: «However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed.» (Sin embargo, en el caso de un documento ya enviado, el porcentaje de IA solo cambiará si vuelve a enviarse para procesarlo de nuevo.)

Esto tiene dos consecuencias. Primero: el modelo de detección se actualiza para apuntar a los LLM más nuevos. Segundo: los documentos ya evaluados no se vuelven a evaluar automáticamente cuando el modelo cambia. Si calificaron tu trabajo antes de una actualización del modelo, la puntuación refleja la capacidad de detección de aquel momento, no la actual, y por eso seguir marcado después de una nueva revisión de Turnitin defiende comparar informes en lugar de comparar puntuaciones.

El modelo de detección procesa el texto dividiéndolo en segmentos superpuestos y asignando puntuaciones de probabilidad:

«When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated.» (Cuando se envía un trabajo a Turnitin, las frases del envío se extraen y se dividen en secciones superpuestas para el análisis de predicción. El modelo de detección de IA clasifica cada sección y le asigna un valor entre 0 y 1, que indica la probabilidad de que el texto sea humano o esté generado por IA.)

El modelo no se construye sobre métricas superficiales como la ráfaga o la perplejidad. Las preguntas frecuentes afirman: «Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions.» (Nuestro modelo no está programado explícitamente para evaluar señales concretas como la ráfaga o la perplejidad, ni otras métricas individuales que a veces se mencionan en debates públicos.) La frase siguiente: «Instead, it learns statistical patterns from our training data.» (En cambio, aprende patrones estadísticos a partir de nuestros datos de entrenamiento.)

Las mismas preguntas frecuentes dicen también: «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 de probabilidad de palabras propias de las personas que escriben.) Es decir: el modelo no calcula la ráfaga ni la perplejidad como métricas con nombre propio, pero sí clasifica el texto según los patrones de probabilidad de palabras aprendidos de los datos de entrenamiento.

Las preguntas frecuentes reconocen que hay un equilibrio entre falsos positivos y falsos negativos:

«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 tasa baja de falsos positivos, del 1 %, existe la posibilidad de que pasemos por alto parte del texto escrito con IA en un documento.)

Las preguntas frecuentes lo detallan: «For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing.» (Por ejemplo, si identificamos que el 50 % de un documento probablemente fue escrito por una herramienta de IA, podría contener hasta un 65 % de texto de IA.)

Esto significa que el detector está ajustado para evitar falsos positivos, incluso a costa de pasar por alto parte del texto de IA. Un modelo nuevo que produzca texto más cercano a los patrones de probabilidad de palabras humanos sería más difícil de detectar, al menos hasta que el modelo de detección se actualice para cubrirlo. La promesa de las preguntas frecuentes de «continue to expand our detection capabilities» (seguir ampliando nuestra capacidad de detección) es el contrapeso, pero entre el lanzamiento de un modelo nuevo y su cobertura hay un desfase inherente. La misma pregunta sobre el desfase aparece con las herramientas de reescritura: ¿detecta Turnitin los humanizadores de IA?

Para resumir lo que hemos visto:

• Turnitin publica una lista de modelos de escritura con IA de los que puede detectar contenido, entre ellos GPT, Gemini, Claude y otros.
• El verbo oficial es «can detect content from.» (puede detectar contenido procedente de ellos) y la lista incluye también las herramientas basadas en estos LLM.
• Las preguntas frecuentes prometen ampliar la detección a otros modelos en el futuro.
• La capacidad de detección cambia con el tiempo, a medida que el modelo se actualiza para apuntar a los LLM más nuevos.
• Los documentos ya evaluados no se vuelven a evaluar automáticamente cuando el modelo cambia.
• El detector acepta pasar por alto parte del texto de IA a cambio de una tasa baja de falsos positivos.

Si recibes un informe de IA de Turnitin y quieres revisar los pasajes marcados, importa el informe y trabaja sobre ellos. Los pasajes que cumplen los requisitos pueden volver a procesarse sin coste.