¿Con qué frecuencia se marca una tesis de máster como IA? Un estudio de 2026 sobre 1.163 tesis

En las tesis de máster del curso 2024-2025 de una facultad, Pangram marcó 529 de 1.163, es decir, el 45,5 %. Entre las tesis señaladas, la estimación mediana fue de un 30 % de texto generado por IA, y solo en el 1,9 % se estimó por encima del 80 %. Los investigadores no tenían forma de contrastar esas cifras con la redacción real de las tesis. En una prueba de control independiente con autoría conocida, Turnitin, Pangram, GPTZero y Copyleaks puntuaron todos los trabajos escritos por humanos entre el 0 y el 20 %.

El estudio es "Who wrote this? Evaluating the reliability of AI detection tools in higher education" (¿Quién escribió esto? Evaluación de la fiabilidad de las herramientas de detección de IA en la educación superior), realizado por Marijke Van Vlasselaer, Filip Van Droogenbroeck y Bram Spruyt, de la Vrije Universiteit Brussel, publicado en acceso abierto en la revista International Journal for Educational Integrity el 29 de junio de 2026. Los autores declaran no tener ningún vínculo económico ni institucional con ninguna de las herramientas evaluadas.

Los investigadores crearon cuatro grupos de 40 artículos académicos en inglés, cada uno de al menos 4.000 palabras:

• Escritos por humanos. Tesis de máster redactadas por estudiantes no nativos de inglés, presentadas entre 2017 y 2019 y extraídas de un archivo institucional.
• Generados íntegramente por IA. Artículos completos producidos por un modelo de ChatGPT.
• Híbridos. Los trabajos humanos con la revisión bibliográfica y la conclusión sustituidas por texto generado por IA.
• Híbridos reescritos. Los trabajos híbridos después de que las secciones de IA se reescribieran con una única instrucción de ChatGPT que pedía un texto que "sounds more like it was written by a real person" (suene más como si lo hubiera escrito una persona real).

A continuación, compararon la puntuación de cada herramienta con la proporción real conocida de texto generado por IA en cada trabajo.

En los trabajos escritos por humanos, las cuatro herramientas situaron cada documento entre el 0 y el 20 %. Pangram y Copyleaks devolvieron un 0 %. Turnitin mostró un asterisco en lugar de un número en tres de ellos; la propia documentación de Turnitin utiliza el asterisco para puntuaciones de entre el 1 % y el 19 %, algo que explicamos en qué significa el asterisco en la puntuación de IA de Turnitin. GPTZero asignó a algunos una puntuación baja. Los autores contrastaron esto con un estudio de 2023 sobre autores no nativos: "Unlike Liang et al. (2023), who reported substantial false-positive bias against non-native writers using seven early-generation GPT detectors, we found no false positives for Pangram, Copyleaks, and Turnitin" (A diferencia de Liang et al. (2023), que informaron de un sesgo sustancial de falsos positivos frente a autores no nativos utilizando siete detectores GPT de primera generación, no encontramos falsos positivos para Pangram, Copyleaks ni Turnitin). Esa investigación anterior se analiza en por qué se detecta con más frecuencia a los autores no nativos de inglés. Los autores señalan que los falsos positivos estuvieron "almost absent" (prácticamente ausentes), lo que les sorprendió a la vista de los estudios previos, y añaden una advertencia: "some tools may use conservative thresholds to avoid falsely labelling human-written text as AI-generated, which may increase the number of false negatives." (algunas herramientas pueden utilizar umbrales conservadores para evitar etiquetar erróneamente texto escrito por humanos como generado por IA, lo que puede aumentar el número de falsos negativos).

En los trabajos que sí contenían texto de IA, las herramientas discreparon de forma notable. Las estimaciones de Pangram fueron las más cercanas a la proporción real en las tres categorías con IA. Las otras tres herramientas, entre ellas Turnitin, subestimaron en gran medida los textos generados íntegramente por IA, que procedían en su totalidad del único modelo empleado para ese grupo; los autores atribuyen esa diferencia a que se trataba del modelo más reciente disponible en ese momento. En los textos híbridos, Pangram situó 37 de 40 dentro del rango correcto; Turnitin, 24; Copyleaks, 12; y GPTZero, ninguno.

Hay un detalle de Turnitin importante para interpretar sus cifras: los investigadores incluyeron los trabajos con asterisco de Turnitin en la franja más baja. Nuestra comparativa entre Pangram y Turnitin también analiza este estudio.

Dado que Pangram había reflejado con mayor precisión el contenido real de IA, los investigadores lo utilizaron para escanear las 1.163 tesis de máster presentadas durante el curso académico 2024-2025 en todas las titulaciones de su facultad de Ciencias Sociales y Económicas.

Los autores interpretan la distribución de este modo: "the majority showed low-to-moderate AI usage, with very high AI usage (> 80%) being rare." (la mayoría mostró un uso de IA de bajo a moderado, siendo muy infrecuente un uso muy alto de IA [> 80 %]).

Los autores son muy claros acerca de las limitaciones:

• Sin datos de referencia reales. Nadie sabía cómo se habían redactado realmente las 1.163 tesis, por lo que "the flagging percentages cannot be interpreted as confirmed prevalence rates of AI use." (los porcentajes de detección no pueden interpretarse como tasas confirmadas de prevalencia del uso de IA). Los autores consideran aun así el análisis como "a valuable first indication" (un valioso primer indicio), pero las cifras son estimaciones de Pangram, no tasas confirmadas.
• Una sola facultad, una sola herramienta. Las tesis procedían de ciencias sociales y economía de una única universidad, y solo se analizaron con Pangram.
• Una instantánea en el tiempo. El texto de IA de la prueba se generó en mayo de 2025, y los autores señalan que sus resultados "are valid only for a specific snapshot in time." (solo son válidos para un momento temporal específico).
• Un solo método de reescritura. El grupo de «híbridos reescritos» utilizó una sola instrucción de ChatGPT. Los autores señalan que los estudiantes pueden combinar varios métodos, por lo que es posible que los resultados de ese grupo no sean extrapolables.

Los trabajos redactados por humanos también pertenecían a un grupo muy concreto: tesis de máster de una sola facultad presentadas entre 2017 y 2019. Un resultado limpio en esos textos es una buena señal, pero no una garantía aplicable a cualquier tesis.

1. Comprueba de qué detector procede la puntuación. Este estudio reveló grandes diferencias entre herramientas al evaluar los mismos textos. Una estimación de Pangram, un porcentaje de Turnitin y una puntuación de GPTZero no son intercambiables.
2. Comprueba si la herramienta puede leer tu tesis completa. Turnitin, por ejemplo, no genera un informe de escritura con IA para envíos de más de 30.000 palabras; consulta si Turnitin puede revisar una tesis completa.
3. Revisa qué secciones han sido señaladas. En los puntos donde el informe resalte fragmentos, esos son exactamente los que debes estar preparado para explicar con tus borradores y el historial de versiones.
4. Pregunta cómo se va a utilizar la puntuación. La postura de los propios autores es que una alerta "should trigger a more thorough review of the student's paper content, rather than relying on an AI detection tool to draw a final conclusion." (debería dar lugar a una revisión más exhaustiva del contenido del trabajo del estudiante, en lugar de depender de una herramienta de detección de IA para extraer una conclusión definitiva).

Para conocer otro estudio de 2026 que midió con qué frecuencia se detectan textos humanos pulidos con IA, consulta si pulir un texto con IA hace que lo detecten.

Cuando la parte señalada de una tesis es un conjunto de fragmentos que necesitas reelaborar, la opción de humanización de HumanPen está diseñada para esa tarea. Importa el informe de Turnitin o iThenticate y reformula solo los pasajes señalados. Recibirás un archivo editable en el mismo formato. La normativa de tu universidad sobre la asistencia con IA siempre tiene prioridad, y conviene leer a fondo cada capítulo devuelto antes de entregarlo.

¿Marcó algún detector por error los trabajos escritos por humanos? Ninguno por encima del 20 %. Las cuatro herramientas situaron cada trabajo escrito por humanos entre el 0 y el 20 %. Turnitin mostró un asterisco en tres de ellos y GPTZero asignó a algunos una puntuación baja; Pangram y Copyleaks devolvieron un 0 % en todos los casos. Los autores advierten de que unos umbrales conservadores pueden reducir los falsos positivos a costa de pasar por alto más texto generado por IA.

¿Significa ese 45,5 % que casi la mitad de los estudiantes de máster utilizaron IA? No como una cifra confirmada. Significa que Pangram estimó algún contenido generado por IA en el 45,5 % de las tesis. Los autores lo interpretan como "a valuable first indication" (un valioso primer indicio) de que la redacción asistida por IA ya es habitual, pero al no disponer de datos de referencia reales afirman que los porcentajes "cannot be interpreted as confirmed prevalence rates of AI use." (no pueden interpretarse como tasas confirmadas de prevalencia del uso de IA).

¿Qué detector fue el más preciso? En esta prueba, las estimaciones de Pangram fueron las más próximas a la proporción real conocida de IA. Se trata de un único estudio con un conjunto de textos generados en mayo de 2025; desde entonces, tanto los detectores como los modelos de IA han evolucionado.

¿Se probó Turnitin con las tesis reales? No. En las 1.163 tesis solo se ejecutó Pangram.

• Marijke Van Vlasselaer, Filip Van Droogenbroeck y Bram Spruyt, Who wrote this? Evaluating the reliability of AI detection tools in higher education, International Journal for Educational Integrity 22, artículo 16, publicado el 29 de junio de 2026; consultado el 27 de septiembre de 2026.