¿Detecta Turnitin los modelos de razonamiento o1 y o3 de OpenAI?

Sí. Turnitin señala de manera muy consistente los ensayos y la prosa académica generados por OpenAI o1, o1-preview, o1-mini y o3-mini siempre que el texto cumpla los requisitos estándar de texto calificable.

Corre el rumor de que, como los modelos de razonamiento de OpenAI ejecutan una cadena de pensamiento interna en varios pasos antes de responder, su prosa imita la cognición humana con la suficiente fidelidad como para eludir la detección automática. Este error confunde el proceso de generación con el texto resultante. Turnitin no evalúa cómo razona un modelo entre bastidores; evalúa las propiedades estadísticas de las palabras visibles en la página. Dado que ese texto final lo produce un decodificador transformer autorregresivo, presenta la baja perplejidad y los patrones sintácticos regulares característicos de los modelos de lenguaje de gran tamaño.

El principal escenario en el que una respuesta de o1 evita una alerta de IA es cuando el contenido generado se compone de material no calificable, como ecuaciones matemáticas aisladas, código de programación sin procesar o esquemas breves. Por diseño, Turnitin excluye estos formatos de la puntuación de IA en todos los modelos, y no porque los modelos de razonamiento posean propiedades especiales para camuflarse.

Para entender por qué los modelos de razonamiento activan alertas, debes dividir el ciclo de generación en dos etapas diferenciadas: el pensamiento interno y la emisión de texto visible.

• Tokens de pensamiento interno (cadena de pensamiento latente): Durante la fase de deliberación, modelos como o1 y o3 generan extensas secuencias internas de razonamiento. Evalúan restricciones, corrigen suposiciones lógicas iniciales y planifican la estructura. OpenAI encapsula esta etapa en tokens de razonamiento ocultos que nunca se devuelven en la respuesta final de la API ni en la interfaz de chat, y jamás aparecen en un trabajo entregado por un estudiante.
• Tokens visibles de compleción (prosa final): Una vez concluida la búsqueda interna, el modelo genera el texto definitivo que se entrega al usuario. Esta salida se produce mediante el muestreo autorregresivo estándar de tokens, con una mecánica idéntica a la de GPT-4o o cualquier otro modelo de lenguaje moderno.

Turnitin solo recibe esta capa de texto final. El portal de entrega no registra el prompt, la versión del modelo, el tiempo de generación ni los tokens de razonamiento interno. Cuando un documento de Word o un archivo PDF entra en la cola de procesamiento, el detector extrae la prosa en bruto y analiza la secuencia de palabras.

El detector divide el texto en frases individuales y las pasa por un clasificador basado en transformers. Esta red neuronal evalúa si la elección de tokens y las secuencias sintácticas coinciden con los patrones estadísticos habituales de la prosa generada por máquinas. La deliberación invisible que tuvo lugar antes no cambia el hecho de que las frases resultantes siguen las distribuciones de probabilidad estándar de los modelos.

La paradoja de los modelos de razonamiento avanzados es que su mayor fortaleza intelectual —una coherencia lógica rigurosa y paso a paso— los hace estadísticamente más predecibles para un detector de lenguaje, no menos.

Los clasificadores de IA evalúan el texto principalmente mediante dos métricas: la perplejidad (la probabilidad de cada palabra consecutiva según las palabras anteriores) y la variabilidad o «burstiness» (cuánto fluctúan la perplejidad y la longitud de las frases a lo largo del texto). Cuando un modelo estándar genera texto, las instrucciones creativas o las asociaciones libres pueden introducir de vez en cuando palabras de menor probabilidad. Por el contrario, los modelos de razonamiento entrenados mediante aprendizaje por refuerzo están optimizados para minimizar errores lógicos y eliminar ambigüedades. De forma natural, eligen giros canónicos, nexos sintácticos directos y conectores habituales.

La escritura humana es irregular y discontinua por naturaleza. Cuando un estudiante redacta un trabajo auténtico, cambia de ritmo de forma impredecible: a una compleja oración compuesta que explica una teoría con matices le sigue una observación tajante, una formulación más informal o una metáfora inusual. Los autores humanos dejan huellas gramaticales desiguales, peculiaridades de estilo y combinaciones de palabras que arrojan una perplejidad alta al compararse con los corpus lingüísticos generales.

Los modelos de razonamiento producen una prosa con una regularidad de metrónomo. Cada afirmación se apoya en una premisa claramente conectada, la longitud de las frases se concentra en torno a medias sintácticas previsibles y el vocabulario se mantiene uniforme de principio a fin. Para un clasificador entrenado para detectar regularidades sintéticas, esta rigurosa disciplina estructural es uno de los indicios más claros de autoría automática.

La extendida creencia de que Turnitin no detecta OpenAI o1 surgió principalmente en carreras y cursos del ámbito STEM, donde los usuarios observaron que los cálculos de laboratorio y los ejercicios de programación arrojaban un cero por ciento en la puntuación de IA.

Este resultado se explica por los criterios de evaluación documentados por Turnitin, conocidos como la regla del texto calificable. Turnitin exige un mínimo de 300 palabras de prosa continua en formato de párrafo estándar antes de que su detector de IA genere una puntuación. Además, su proceso previo de filtrado elimina del análisis las fórmulas matemáticas, el código LaTeX, el código fuente sin procesar, las listas con viñetas y las bibliografías. Si un estudiante recurre a o1-mini para resolver ecuaciones diferenciales o generar funciones en Python, Turnitin ignora por completo esas partes, lo que da lugar a un informe sin marcas de IA.

El resultado cambia radicalmente cuando se encarga a este mismo modelo la redacción de prosa extensa. En ensayos de sociología, revisiones bibliográficas, trabajos de filosofía o en las introducciones de informes científicos, el contenido generado adopta la forma de párrafos expositivos estándar. Este tipo de redacción cumple todos los requisitos de texto calificable y se envía directamente al clasificador neuronal.

Al someterse a este análisis estándar, la prosa generada por o1 y o3 alcanza tasas de detección comparables a las de GPT-4o. Los testimonios que afirman que los modelos de razonamiento son indetectables proceden casi siempre de entregas que, de entrada, no contenían prosa calificable.

Cada gran salto en la capacidad de los modelos viene acompañado de afirmaciones que dan por obsoleta la detección automatizada. Esta narrativa surgió con GPT-3, volvió a repetirse con GPT-4 y ha reaparecido con el lanzamiento de la serie o de OpenAI.

En la práctica, la detección de IA funciona como un ajuste continuo de ingeniería y no como un filtro estático. Turnitin actualiza periódicamente los pesos de sus clasificadores y valida el rendimiento de sus detectores frente a los nuevos modelos fundacionales que van saliendo al mercado. Dado que los modelos transformer comparten arquitecturas de base y corpus de entrenamiento, el texto que generan las versiones más recientes sigue mostrando agrupaciones estadísticas muy características que lo diferencian de la variada escritura de los estudiantes.

Las estrategias habituales de redacción de prompts para eludir la detección —como pedirle a o1 que escriba con un tono informal, que introduzca erratas deliberadas de puntuación o que varíe la extensión de los párrafos— suelen ser contraproducentes. Estas restricciones pueden deteriorar el razonamiento lógico del modelo y generar a la vez rasgos estilísticos forzados y artificiales que los clasificadores siguen detectando al analizar bloques de varias frases.

Ningún modelo de lenguaje actual es capaz de generar prosa expositiva extensa que sea intrínsecamente inmune a la clasificación estadística. Confiar en la novedad de un modelo como escudo frente al control institucional parte de una idea equivocada sobre cómo genera texto la inteligencia artificial.

Cuando una entrega o una revisión preliminar arroja un porcentaje imprevisto de detección de IA, actuar de manera sistemática es mucho más eficaz que reescribir todo el documento presa del pánico.

• Conserva el historial de versiones del documento: Mantén un registro exhaustivo de cambios en tu plataforma de redacción, ya sea con el historial de versiones de Google Docs, el control de cambios de Word o los registros de commit en Overleaf. Las marcas de tiempo continuas y los borradores intermedios constituyen pruebas verificables de un esfuerzo académico auténtico.
• Aísla las secciones señaladas: Revisa el informe de diagnóstico para identificar las frases y párrafos exactos marcados por el clasificador. Importa el informe de Turnitin o iThenticate y reformula solo los pasajes señalados. Recibirás un archivo editable en el mismo formato.
• Aporta contexto humano al texto: Al revisar los párrafos señalados, sustituye las generalizaciones abstractas por citas de fuentes primarias, observaciones directas de debates en clase y tu propia perspectiva analítica. Modifica de forma manual los límites de las frases para reflejar tu ritmo personal de escritura.

Evita pasar un manuscrito completo por herramientas automáticas y genéricas de parafraseo. Una reescritura indiscriminada suele degradar la terminología técnica, desajustar las referencias cruzadas de las citas y estropear el diseño de las tablas, al tiempo que genera un nuevo conjunto de patrones automatizados predecibles.

¿Incorpora OpenAI o1 marcas de agua digitales que Turnitin rastree? No. Turnitin no identifica el texto generado por IA extrayendo marcas de agua criptográficas ni leyendo metadatos ocultos en el documento. Su detector evalúa la distribución de probabilidad estadística del propio texto visible. Incluso sin marcas de agua, la estructura de las frases de un modelo autorregresivo ofrece una señal estadística suficiente para su detección.

¿Se detecta o1-mini de forma diferente al modelo estándar o1? Ambos modelos arrojan tasas de detección elevadas en prosa continua. Aunque o1-mini está optimizado específicamente para programación y tareas cuantitativas, cuando se le pide redactar párrafos académicos generales suele recurrir a un vocabulario más limitado y a una predictibilidad mayor, lo que hace que su prosa sea igualmente vulnerable a la clasificación.

¿Marcará Turnitin mi ensayo si uso o1 únicamente para investigar y estructurar el esquema? No. Turnitin solo evalúa el texto final entregado en el documento. Usar un modelo de IA para generar ideas, estructurar el esquema de una argumentación o aclarar conceptos matemáticos no activará alertas de IA si redactas tú mismo los párrafos definitivos con tu propia voz.

¿Por qué un estudiante obtuvo una puntuación del cero por ciento con o1 mientras que otro sacó el noventa por ciento? La diferencia casi siempre radica en el formato del texto y en la disciplina académica. Las entregas compuestas en su mayor parte por fragmentos de código, fórmulas o breves viñetas quedan excluidas por los filtros de texto calificable de Turnitin, por lo que no muestran alertas de IA. En cambio, una entrega formada por párrafos estándar de humanidades o ciencias sociales se analiza al completo y resulta señalada.