¿Te marcará un detector de IA si el inglés no es tu lengua materna? Qué muestra la prueba de 0 entre 914 de GPTZero

En dos detectores y con un tipo específico de redacción, las cifras más recientes son sumamente bajas. GPTZero afirma que su modelo actual, GPTZero 4o, clasificó como escritas por humanos las 914 redacciones de estudiantes de inglés de un conjunto de prueba con el que no había sido entrenado. Un preprint publicado el mismo día por investigadores de la Universidad de Maryland, Google DeepMind y la Universidad Simon Fraser evaluó Pangram 4 con 3.909 redacciones de estudiantes de inglés y marcó el 0,0% de ellas. Ambos conjuntos fueron redactados por estudiantes de secundaria de Estados Unidos, y ninguno de los dos estudios probó Turnitin.

Lee ese cero con su letra pequeña. GPTZero llevó a cabo y publicó su propia prueba, y un resultado de 0 entre 914 sigue siendo coherente con una tasa real de hasta aproximadamente 1 de cada 300. Tampoco invalida el estudio de Stanford de 2023 que dio origen a esta preocupación. En aquel trabajo, la versión de GPTZero disponible en línea en marzo de 2023 marcó el 52% de 91 redacciones del TOEFL, todas ellas de menos de 150 palabras. El modelo, los textos y su extensión son completamente distintos, por lo que ambos resultados no se contradicen. Ninguno de los dos constituye una garantía para tu redacción.

El artículo se titula "Biased Against ESL and Students with Disabilities? We Put GPTZero 4o to the Test" (¿Sesgo contra estudiantes de inglés como segunda lengua y con discapacidades? Ponemos a prueba GPTZero 4o), firmado por Anna Gao y publicado en el blog de GPTZero el 5 de octubre de 2026. GPTZero anunció 4o el 24 de septiembre y afirma que pasó a ser el modelo predeterminado para todos los usuarios el 20 de septiembre.

Las redacciones proceden de PERSUADE 2.0, un corpus de investigación con más de 25.000 ensayos argumentativos de alumnos estadounidenses de 6.º a 12.º grado, diseñado para mejorar los sistemas de retroalimentación de escritura automática. Cada texto incluye datos sobre el autor, como si el alumno estaba catalogado como estudiante de inglés y si disponía de un IEP o un plan de la Sección 504 (planes de apoyo escolar en Estados Unidos para estudiantes con discapacidades). La versión 2.0 incorpora calificaciones a las redacciones publicadas originalmente como PERSUADE 1.0, que solo admitía textos de al menos 150 palabras con un mínimo del 75% de palabras escritas correctamente. Tienen una media de 402 palabras. PERSUADE 1.0 se publicó en una revista académica en octubre de 2022, antes de que OpenAI presentara ChatGPT el 30 de noviembre de 2022, de modo que ninguno de estos textos pudo haberse redactado con ChatGPT.

GPTZero evaluó textos procedentes de lo que denomina "PERSUADE2.0's official held-out test split, which GPTZero 4o was not trained on." (la partición de prueba oficial reservada de PERSUADE 2.0, con la que GPTZero 4o no fue entrenado). Dicha muestra incluía 914 redacciones de estudiantes de inglés y 1.172 de alumnos con un IEP o un plan 504, con 147 de ellos en ambos grupos. GPTZero 4o clasificó la totalidad de ellos como textos escritos por humanos. Sus gráficos sitúan las 914 redacciones de estudiantes de inglés en la barra superior de su escala de «probabilidad humana», y en el caso de los 147 alumnos presentes en ambos grupos, la puntuación más baja registrada fue de 0,997.

Hay dos cuestiones que la publicación omite. No indica a partir de qué puntuación un texto se clasifica como «escrito por humanos». Tampoco especifica si el resto del corpus PERSUADE se empleó para entrenar a 4o. Esa parte de entrenamiento es pública desde la Feedback Prize 2021, una competición de ciencia de datos en Kaggle, y proviene del mismo corpus de ensayos argumentativos de alumnos estadounidenses de 6.º a 12.º grado. Por lo tanto, la partición de prueba reservada constituye un examen adecuado para textos de ese tipo, pero resulta mucho menos aplicable a un informe de laboratorio universitario.

Además, se trata de una prueba realizada por GPTZero sobre su propio sistema, con un conjunto de datos seleccionado por ellos mismos, difundida en su blog corporativo y sin enlaces al código ni a los textos analizados. Esto no invalida las cifras; simplemente significa que estás leyendo la versión que la empresa ofrece sobre su producto, y la propia GPTZero califica el resultado como "a great milestone; however, it is not a finish line." (un gran hito; sin embargo, no es la línea de meta).

Cero de 914 es un simple recuento, no una tasa exacta. Con 914 redacciones y ningún falso positivo, la tasa real podría situarse todavía en torno al 0,33%, aproximadamente 1 de cada 300. Ese es el límite superior habitual con un 95% de confianza cuando un hecho ocurre cero veces en 914 intentos. Es una probabilidad baja, pero no es cero.

La segunda limitación es menos evidente. En el artículo de presentación de 4o, GPTZero informó de "only 1 false positive out of 10,402 essays" (solo 1 falso positivo en 10.402 redacciones) dentro del conjunto de prueba de PERSUADE. Dicha partición contiene 10.402 redacciones en total, de modo que es el mismo conjunto del que salieron las 914. Según nuestros cálculos, si a los estudiantes de inglés los marcaran exactamente con la misma frecuencia que a los demás, cabría esperar unos 0,09 falsos positivos en 914 redacciones, lo que implica que obtendrías cero casi siempre. Si los marcaran diez veces más a menudo, seguirías viendo un cero al menos cuatro de cada diez veces.

Por lo tanto, un 0 entre 914 no puede demostrar que los estudiantes de inglés reciban el mismo trato que los demás: una muestra de este tamaño no permite distinguir ambos escenarios. Lo que sí evidencia es que, en estas redacciones concretas, la tasa de falsos positivos fue muy baja para todos, incluidos los estudiantes de inglés.

La segunda serie de cifras aparece en un apéndice de "IdeaLens: Detecting AI Ideas in Long-form Writing" (IdeaLens: detección de ideas de IA en textos extensos), un preprint de Rishanth Rajendhran y siete coautores publicado en arXiv el 5 de octubre de 2026. El estudio está dedicado principalmente a un detector experimental creado por los propios autores. Pangram 4, un detector comercial, fue una de las herramientas con las que lo compararon a lo largo de 19 conjuntos de textos humanos ordinarios. Pangram no realizó la prueba. Los autores sí le agradecen una dotación de créditos de investigación, y el artículo no ha pasado por revisión por pares.

Uno de esos 19 conjuntos es ELLIPSE, un corpus de unas 6.500 redacciones de estudiantes de inglés de 8.º a 12.º grado. Cada una se redactó por ordenador en 25 o 30 minutos durante los exámenes oficiales anuales en Estados Unidos. Evaluadores formados calificaron el nivel de inglés de cada texto del 1 al 5, donde 1 representa una competencia limitada y 5 equivale a "native-like facility" (fluidez semejante a la de un nativo). El estudio utilizó 3.909 de esas redacciones. Al verificarlo, ese total y su desglose por curso y calificación coinciden con el archivo de entrenamiento público del corpus con una variación de apenas uno o dos textos (el archivo contiene 3.911). Alrededor del 70% de las 3.909 tiene menos de 500 palabras.

Los autores consideran que un texto es de IA cuando el porcentaje atribuido a IA por Pangram más la mitad de su cuota de asistencia por IA suma al menos la mitad. Siguiendo ese criterio, Pangram marcó el 0,0% de las 3.909 redacciones. La cifra está redondeada a un decimal, por lo que da cabida como mucho a un único texto. En el archivo de resultados publicado por los autores, el porcentaje también fue del 0,0% en cada uno de los tramos de nivel, si bien la distribución es desigual: el grupo inferior contiene 8 redacciones y el superior 28, mientras que los tramos 2, 3 y 4 superan el millar cada uno.

En este caso, la comparación con una tasa base sí resulta útil, ya que el propio artículo documenta el comportamiento de Pangram con textos humanos convencionales en general. Al promediar las 19 evaluaciones, Pangram clasificó como IA el 0,3% de los documentos redactados por personas. Dicho promedio se debe sobre todo a dos grupos: una prueba de referencia mixta de textos humanos y una serie de evaluaciones periciales de propuestas de investigación. Quince de los 19 grupos, entre ellos ELLIPSE, registraron un 0,0%. Las demás muestras van desde revisiones académicas hasta páginas web, por lo que aquí se contrasta a los estudiantes con la conducta general de Pangram ante la escritura humana, y no con compañeros nativos. Eso es lo más cerca que está cualquiera de las dos pruebas de responder si a los estudiantes de inglés se les marca más que al resto de redactores. En el caso de Pangram y en estas redacciones, no fue así.

Esto no es una clasificación. Cada fila representa un detector o una versión distinta, cada cual con su propio criterio sobre qué significa estar «marcadas como IA», aplicados a diferentes perfiles de autor. El recuento de palabras de la primera fila es propio, obtenido a partir de los textos que los autores de Stanford facilitaron con su código. Analizamos ese trabajo en Por qué los detectores de IA marcan más a menudo a los autores no nativos y el análisis de Turnitin en Turnitin evaluó su propio detector en busca de sesgos contra estudiantes de inglés. La fila relativa a Turnitin refleja el modelo de 2023; la empresa ha modificado su detector con posterioridad.

Con las pruebas actuales en la mano, no. Las cifras de 2026 son ciertas, pero corresponden a una situación mucho más concreta que la categoría general de «estudiantes de inglés».

• Extensión. Todas las redacciones de la muestra de Stanford tenían menos de 150 palabras. La prueba de 2023 de Turnitin observó que la diferencia entre aprendices y hablantes nativos crecía en textos de entre 150 y 300 palabras. Los dos nuevos conjuntos se encuentran mayoritariamente muy por encima de esa cifra: los textos de PERSUADE promedian 402 palabras, y el 30% de los de ELLIPSE alcanza o supera las 500 palabras. Esos textos extremadamente cortos que provocaron la alarmante cifra de 2023 no son lo que se evaluó en 2026.
• Nivel académico. Ambos conjuntos nuevos corresponden a trabajos escolares de secundaria. Es cierto que los textos de estudiantes de la prueba de Turnitin de 2023 procedían de alumnos universitarios (su tabla descriptiva cataloga ambos corpus de aprendices como "higher ed" [educación superior]), pero, según admitió el propio fabricante, se trataba sobre todo de ejercicios cortos de carácter persuasivo o expositivo, y casi todos los autores nativos del grupo de 300 palabras eran alumnos de secundaria en EE. UU. Además, la compañía señaló: "A comparable collection of publicly available full-length university level documents from L2 and L1 writers was not available for this evaluation." (Para esta evaluación no se disponía de una colección comparable y accesible públicamente de textos completos de nivel universitario de redactores L2 y L1).
• Los autores con menor competencia son muy escasos en las muestras. PERSUADE descartó los textos con un número excesivo de faltas de ortografía, y el nivel inferior de competencia de ELLIPSE contiene únicamente 8 redacciones.
• Turnitin. Su sección de preguntas frecuentes sobre detección de IA indica que en julio de 2026 fusionó varios modelos en uno solo, y su respuesta sobre posibles sesgos describe cómo se escogieron los datos de entrenamiento sin aportar datos numéricos. En el texto de las preguntas frecuentes, los términos "English learner", "ESL", "L2" y "native" aparecen 0 veces cada uno, y las cuatro menciones a "second language" no van acompañadas de cifras.
• Versiones. GPTZero 4o solo lleva activo como modelo predeterminado desde el 20 de septiembre. El estudio no detalla en qué fecha concreta analizó Pangram los textos. Ambos sistemas seguirán actualizándose.

La conclusión más sensata es más limitada que los grandes titulares: en el otoño de 2026, dos detectores apenas marcaron como IA redacciones de varios cientos de palabras escritas por estudiantes de secundaria en EE. UU.

1. Averigua qué detector se utilizó y cuándo se pasó. Estas cifras describen el comportamiento de GPTZero 4o y Pangram 4. Si en tu centro educativo utilizan Turnitin, o si el análisis con GPTZero se realizó antes del 20 de septiembre de 2026, estos resultados no son extrapolables.
2. Exige el informe completo, no te conformes con una etiqueta o un porcentaje. Necesitas comprobar con exactitud qué fragmentos quedaron resaltados y con qué puntuación.
3. Si el fragmento marcado es breve, hazlo constar. Las investigaciones iniciales hallaron fallos fundamentalmente en textos cortos, y el informe de Turnitin ni siquiera muestra un porcentaje de IA si el texto en prosa contiene menos de 300 palabras. Una marca de IA en una intervención corta de un foro se basa en un volumen de texto mucho menor que en un ensayo completo.
4. Guarda a buen recaudo todos tus borradores. Las versiones previas, tus anotaciones, la bibliografía consultada y el historial de revisiones constituyen pruebas directas de tu autoría; la tasa estadística de un estudio sobre textos ajenos no lo es. En Cómo conservar el historial de versiones en Word, Google Docs y Overleaf se explica qué opciones técnicas lo guardan de forma efectiva.
5. Cita los estudios con rigor si decides recurrir a ellos. Si fue GPTZero el que te marcó, es lícito argumentar que su propia prueba publicada clasificó como humanas las 914 redacciones de estudiantes de inglés. Utilízalo como un motivo de peso para que examinen tus borradores, no como una prueba concluyente: una evaluación sobre 914 redacciones escolares no puede determinar lo que ocurrió con tu trabajo.

¿Significa esto que Turnitin no marcará mi trabajo? Estos estudios no te lo pueden asegurar. La propia prueba interna de Turnitin de 2023 detectó un 1,4% de textos marcados entre aprendices de inglés en escritos de 300 palabras o más —cifra muy próxima al 1,3% de los autores nativos—, pero lo hizo con un modelo que ya ha sido sustituido, y sus preguntas frecuentes actuales no aportan datos sobre estudiantes de inglés.

Estudio en la universidad, ¿se aplican a mí estas conclusiones? Solo de forma muy remota. Ambos corpus de 2026 corresponden a redacciones de alumnos de secundaria en EE. UU.: ejercicios de clase en PERSUADE y exámenes de 25 a 30 minutos en ELLIPSE. Una revisión bibliográfica universitaria es más larga, más especializada y se escribe a lo largo de varias semanas. El dato más cercano procede del análisis de Turnitin de 2023, cuyos textos de aprendices sí correspondían al ámbito universitario, aunque en su mayoría eran tareas cortas: se marcó el 1,4% de los textos de 300 palabras o más, empleando un modelo que Turnitin ya ha retirado.

¿Debería escribir en un inglés más simple, o más rebuscado, para evitar falsos positivos? Ningún dato de estas investigaciones sugiere algo semejante. En la prueba de Pangram, las redacciones de los niveles de competencia 2, 3 y 4 —con más de mil textos por nivel— obtuvieron todas un 0,0%, y lo mismo ocurrió al desglosar los resultados por tramos de gramática y léxico en los archivos de los autores. Hablamos de un único detector, pero deja claro que no hay motivo para forzar un registro que no te resulte natural.

¿Y los estudiantes con discapacidades? La misma publicación de GPTZero señala que 4o catalogó como escritas por humanos las 1.172 redacciones de alumnos con un IEP o un plan 504. Se aplican las mismas advertencias: es una prueba del propio fabricante, sobre redacciones escolares y con un recuento de cero que aún deja abierta la posibilidad de una tasa real reducida.

• Anna Gao, Biased Against ESL and Students with Disabilities? We Put GPTZero 4o to the Test, GPTZero, 5 de octubre de 2026 (texto y las cinco imágenes de la página); GPTZero Team, Introducing GPTZero 4o, 24 de septiembre de 2026; ambos consultados el 7 de octubre de 2026.
• Rishanth Rajendhran, Minjoon Choi, Jenna Russell, Ramya Namuduri, Deniz Bölöni-Turgut, Marzena Karpinska, John Wieting y Mohit Iyyer, IdeaLens: Detecting AI Ideas in Long-form Writing, arXiv:2610.06778v1, 5 de octubre de 2026 (apéndice E.3, sección G.1, tabla 17), y el archivo de resultados de ELLIPSE de los autores; consultado el 7 de octubre de 2026.
• Scott Crossley y colaboradores, A large-scale corpus for assessing written argumentation: PERSUADE 2.0, Assessing Writing 61 (2024), preprint; The persuasive essays for rating, selecting, and understanding argumentative and discourse elements (PERSUADE) corpus 1.0, Assessing Writing 54 (2022); consultado el 7 de octubre de 2026.
• Scott Crossley y colaboradores, The English Language Learner Insight, Proficiency and Skills Evaluation (ELLIPSE) Corpus, International Journal of Learner Corpus Research 9(2), 2023, preprint y archivos del corpus; consultado el 7 de octubre de 2026.
• OpenAI, ChatGPT: Optimizing Language Models for Dialogue, 30 de noviembre de 2022 (copia de Internet Archive del 2 de diciembre de 2022); consultado el 7 de octubre de 2026.
• Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu y James Zou, GPT detectors are biased against non-native English writers, arXiv:2304.02819v3 (figura 1a y Materiales y métodos; publicado en Patterns, 2023), y el repositorio de datos de los autores; consultado el 7 de octubre de 2026.
• David Adamson, New research: Turnitin's AI detector shows no statistically significant bias against English Language Learners, Turnitin, 26 de octubre de 2023 (texto y captura de la tabla de resultados); Turnitin, AI writing detection capabilities FAQs y Using the AI Writing Report; consultados el 7 de octubre de 2026.