Por qué los detectores de IA marcan ensayos bien escritos

No está calificando la escritura. En las tres páginas de ayuda de Turnitin que buscamos, "quality" (calidad), "style" (estilo), "polished" (pulido), "well written" (bien escrito), "vocabulary" (vocabulario) y "clarity" (claridad) estaban ausentes. El control de sensibilidad "300 words" (300 palabras) estaba presente en las tres páginas, así que la ruta de lectura era el texto de la página y no devolvía vacíos. Las FAQ no presentan el detector como una medida de qué tan buena es la escritura. Lo que Turnitin publica es una lista no cuantificada de texto que los falsos positivos pueden incluir. La prosa académica cuidadosa puede parecerse a dos elementos de esa lista cuando repite términos fijos o usa estructuras paralelas, pero Turnitin no dice con qué frecuencia aparecen esas propiedades entre los errores.

Eso no prueba que el pulido sea inocuo, y no vamos a fingir que lo hace. Lo que una empresa documenta es la parte que eligió documentar, y un modelo entrenado contiene mucho más que sus páginas de ayuda. Establece algo más estrecho y más útil: "well written" (bien escrito) no es una cantidad sobre la que este sistema informe, así que una marca no es un veredicto sobre eso, y el consejo que la gente construye sobre la suposición de que lo es, que siempre termina en escribir por debajo de tu propio nivel, no tiene nada publicado detrás.

Buscamos el texto renderizado de tres páginas recuperadas el 18 de agosto de 2026 porque `guides.turnitin.com` devolvió 403 a una fetch de línea de comandos simple: "Using the AI Writing Report" (Uso del informe de escritura con IA), "Turnitin's AI writing detection capabilities FAQs" (Preguntas frecuentes sobre las capacidades de detección de escritura con IA de Turnitin) y "File requirements for an AI Writing Report" (Requisitos de archivo para un informe de escritura con IA). Esas páginas establecen el mecanismo y las reglas de archivo; las notas de versión y las páginas de problemas conocidos estaban fuera de esta búsqueda. La tabla registra presencia o ausencia insensible a mayúsculas en lugar de conteos exactos, que pueden variar conforme cambian las páginas en vivo.

La fila inferior es la razón por la que el resto de la tabla significa algo: un resultado vacío y una recuperación rota dejan la misma traza, así que un término que se sabe que está en las tres páginas tiene que estar presente primero. En las FAQ, "writing" (escritura) y "segment" (segmento) están presentes, mientras que "vocabulary" (vocabulario), "word choice" (elección de palabras) y "clarity" (claridad) están ausentes. "Breakdown" (desglose) está presente en la guía del informe, pero solo como nombre de un panel de interfaz, no como estadística.

Luego están las imágenes, que una búsqueda de texto no puede ver en absoluto. El artículo de FAQ en sí no contiene imágenes; el logotipo del sitio pertenece al chrome de la página, no al artículo. La guía del informe lleva capturas de pantalla sin texto alt, así que las abrimos por separado. Incluyen un informe de muestra mostrando 56% de IA junto a 23% de similitud, una página de prosa resaltada y mensajes de estado. Ninguna usa ninguna de las palabras anteriores. Una lleva una frase que no aparece en ninguna parte del texto propio de la página:

"AI detection includes the possibility of false positives. Although some text in this submission is likely AI generated, scores below the 20% threshold are not surfaced because they have a higher likelihood of false positives." (La detección de IA incluye la posibilidad de falsos positivos. Aunque es probable que algo de texto en este envío sea generado por IA, las puntuaciones por debajo del umbral del 20% no se muestran porque tienen una mayor probabilidad de falsos positivos.)

Eso es el producto negándose a imprimir un número en la banda donde menos confía en sí mismo, y vale la pena tenerlo presente, porque en todas las demás partes de este material la tasa de error se describe en lugar de actuarse sobre ella.

Algo está haciendo el trabajo, y las FAQ lo nombran bajo el encabezado "What parameters or flags does Turnitin's model take into account when detecting AI writing?" (¿Qué parámetros o banderas tiene en cuenta el modelo de Turnitin al detectar escritura con IA?):

"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 palabras y son expertos en las secuencias particulares de probabilidad de palabras de los escritores humanos.)

La misma respuesta tiene cuidado de añadir que el modelo "is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions" (no está programado explícitamente para evaluar señales específicas como 'burstiness', 'perplexity' u otras métricas individuales a las que a veces se hace referencia en discusiones públicas), y que "learns statistical patterns from our training data" (aprende patrones estadísticos de nuestros datos de entrenamiento) en cambio. Ambas frases están en la página y leer cualquiera sin la otra te lleva a algún lado equivocado: el proveedor está negando dos métricas públicas nombradas, no negando que la probabilidad de palabras sea la moneda. Lo que eso significa para los términos sobre los que la gente discute se expone en qué miden los detectores de IA.

Ahora sigue las unidades publicadas hacia arriba en lugar de hacia abajo. Palabras, luego oraciones, luego esto:

"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 ... Each qualifying sentence within these segments inherits the segment's score. Since segments overlap, some sentences may have multiple scores, which are then pooled into a single score. These sentence scores are further aggregated and used to compute the overall document AI writing score." (Cuando se envía un trabajo a Turnitin, las oraciones del envío se extraen y segmentan en secciones superpuestas para el análisis de predicción. Cada segmento es clasificado por el modelo de detección de IA y se le da un valor entre 0 y 1... Cada oración calificativa dentro de estos segmentos hereda la puntuación del segmento. Dado que los segmentos se superponen, algunas oraciones pueden tener múltiples puntuaciones, que luego se agrupan en una sola. Estas puntuaciones de oraciones se agregan aún más y se usan para calcular la puntuación general de escritura con IA del documento.)

La cadena se detiene ahí. El objeto más grande que alguna vez se clasifica es un segmento, de unas pocas oraciones de ancho, y el número del documento es una agregación de esos, no un segundo juicio hecho después de leer todo lo completo. Casi todo lo que hace bueno a un ensayo es más grande que un segmento: un argumento que se sostiene durante ocho páginas, evidencia elegida bien, una objeción planteada en la sección dos y respondida en la sección cinco. Nada de eso es un objeto en la escala donde ocurre la clasificación. No es que el sistema pese tu razonamiento y no le guste. No hay ranura.

Al discutir falsos positivos en prosa académica, el proveedor apunta a un corpus de prueba anterior a ChatGPT:

"To bolster our testing framework and diagnose statistical trends of false positives, before every update or new model release, we perform tests on over 700,000 additional academic papers that were written before the release of ChatGPT to further validate our less than 1% false positive rate." (Para reforzar nuestro marco de pruebas y diagnosticar tendencias estadísticas de falsos positivos, antes de cada actualización o lanzamiento de nuevo modelo, realizamos pruebas en más de 700.000 trabajos académicos adicionales que fueron escritos antes del lanzamiento de ChatGPT para validar aún más nuestra tasa de falsos positivos menor al 1%.)

Las FAQ se preguntan lo mismo de nuevo bajo su propio encabezado, "How does Turnitin ensure that the false positive rate for a document remains less than 1%?" (¿Cómo asegura Turnitin que la tasa de falsos positivos para un documento permanezca por debajo del 1%?), y repiten la cifra con la palabra "over" (más de) eliminada: "we perform additional tests on 700,000 additional academic papers that were written before the release of ChatGPT" (realizamos pruebas adicionales en 700.000 trabajos académicos adicionales que fueron escritos antes del lanzamiento de ChatGPT). Mismo corpus, dos frases ligeramente diferentes en una página.

Lee cómo Turnitin describe esa población de referencia: trabajos académicos seleccionados porque fueron escritos antes del lanzamiento de ChatGPT. Esa es una descripción basada en fechas, no una afirmación de que cada trabajo fue verificado independientemente como escrito por humanos. La afirmación más estrecha sigue siendo útil: Turnitin dice que vuelve a ejecutar este corpus académico anterior a ChatGPT antes de los lanzamientos de modelo para observar la tasa de falsos positivos. La página no describe la verificación de autoría trabajo por trabajo.

Lo cual no lo resuelve, y estaríamos exagerando si dijéramos que lo hace. El proveedor publica el objetivo y no la distribución detrás de él, y el objetivo mismo lleva un límite que su propia siguiente frase deja caer en silencio. La versión completa de ese argumento, incluyendo lo que sucede cuando multiplicas una tasa pequeña por el volumen anual de una universidad real, está en qué significa una tasa de falsos positivos del 1%.

La página establece una tasa de falsos positivos de menos del 1%, pero no publica cómo se distribuyen los errores en todo el corpus de prueba. No da tasas de subgrupos y no muestra si algún tipo de texto representa más errores que otro.

Lo que la página sí publica es una lista no cuantificada de texto que los falsos positivos pueden incluir, seguida de consejo para leer el porcentaje:

"Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas. If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated." (A veces los falsos positivos (marcar incorrectamente texto escrito por humanos como generado por IA) pueden incluir contenido sin mucha variación estructural, texto que literalmente se repite a sí mismo, o texto que ha sido parafraseado sin desarrollar nuevas ideas. Si nuestro indicador muestra una mayor cantidad de escritura con IA en tal texto, te aconsejamos que tengas eso en consideración al mirar el porcentaje indicado.)

Lee qué hay en esa lista y qué no. Ni vocabulario sofisticado, ni oraciones largas, ni un argumento fuerte. Nombra tres posibles propiedades de texto, pero no da frecuencia para ninguna de ellas. La tercera describe un proceso más que cualquier cosa que hubieras producido escribiendo por tu cuenta.

Las dos primeras vale la pena compararlas con la práctica académica ordinaria, y lo que sigue es nuestra lectura, no la del proveedor. Si tu campo te pide llamar a una cosa por un nombre cada vez que aparece, puedes repetir el mismo término a propósito porque un sinónimo introduciría ambigüedad. Si colocas elementos comparables en oraciones paralelas para que un lector pueda sostenerlos lado a lado, puedes reducir la variación estructural por la misma razón. Ninguna elección es un lapsus. Turnitin dice que los falsos positivos pueden incluir estas propiedades. No dice con qué frecuencia, que los errores se concentran allí, o que las propiedades se correlacionan con errores.

Lo que no estamos diciendo, porque es una afirmación mucho más grande de lo que todo esto soporta, es que la escritura pulida sea marcada. Esa frase circula ampliamente, y a lo que usualmente llega adjunta es una instrucción de sonar menos capaz de lo que eres. Las ediciones que la lista publicada realmente soporta, y lo que cuesta hacerlas a mano, se trabajan en cómo humanizar texto de IA sin una herramienta.

Nota también para quién está escrita esa segunda frase. Pide a quien sea que esté mirando el porcentaje que pese qué tipo de texto lo produjo. La instrucción apunta a la persona que sostiene el informe, no a la persona que escribió el trabajo.

La siguiente pregunta obvia es si los falsos positivos son más comunes en tu disciplina, tu sección o tu género. Las FAQ tienen un encabezado que se acerca, "Does the Turnitin model take into account that AI writing detection technology might be biased against particular subject-areas or second language writers?" (¿Tiene en cuenta el modelo de Turnitin que la tecnología de detección de escritura con IA podría estar sesgada contra áreas temáticas particulares o escritores de segunda lengua?), y la respuesta trata sobre la muestra de entrenamiento:

"One of the guiding principles of our company and of our AI team has been to minimize the risk of harm to students, especially those disadvantaged or disenfranchised by the history and structure of our society. Hence, while creating our sample dataset, we took into account statistically under-represented groups like second-language learners, English users from non-English speaking countries, students at colleges and universities with diverse enrollments and less common subject areas such as anthropology, geology, sociology, and others." (Uno de los principios rectores de nuestra empresa y de nuestro equipo de IA ha sido minimizar el riesgo de daño a los estudiantes, especialmente aquellos desfavorecidos o marginados por la historia y la estructura de nuestra sociedad. Por lo tanto, al crear nuestro conjunto de datos de muestra, tuvimos en cuenta grupos estadísticamente subrepresentados como aprendices de segunda lengua, usuarios de inglés de países de habla no inglesa, estudiantes de colegios y universidades con matrículas diversas y áreas temáticas menos comunes como antropología, geología, sociología y otras.)

Los nombres de las asignaturas "anthropology" (antropología), "geology" (geología) y "sociology" (sociología) aparecen solo en párrafos que describen cómo se construyó la muestra. "Discipline" (disciplina), "genre" (género) y "subgroup" (subgrupo) están ausentes de las tres páginas. Así que las áreas temáticas aparecen como una entrada para el entrenamiento, no como un desglose de pruebas publicado. No hay una tasa de falsos positivos publicada para antropología, y el proveedor no pone números detrás de la respuesta de sesgo, razón por la cual tiene que leerse como una declaración de intenciones.

Esa brecha es la razón por la que la cifra a la que todos llegan sobre esta pregunta viene de fuera de la empresa: un estudio de 2023 sobre 91 ensayos TOEFL, cuyo alcance, ediciones controladas y límites reales repasamos en por qué los escritores de inglés no nativo son marcados más a menudo por detectores de IA. También es por eso que dos detectores pueden darle al mismo párrafo dos veredictos diferentes, que es un lío separado cubierto en por qué los detectores discrepan.

Hay una razón más por la que "marcó mi buen ensayo" es el marco equivocado, y tiene que ver con de qué es un porcentaje el porcentaje. Solo una parte de tu documento es elegible para ser puntuada:

"This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures. This percentage is not necessarily the percentage of the entire submission." (Este texto calificativo incluye solo oraciones en prosa, lo que significa que solo analizamos bloques de texto que están escritos en oraciones gramaticales estándar y no incluyen otros tipos de escritura como listas, viñetas (estructuras cortas que no son oraciones) u otras estructuras que no son oraciones. Este porcentaje no es necesariamente el porcentaje de todo el envío.)

Dos cambios anunciados en agosto de 2023 movieron el límite más lejos. Uno dice que la prosa de formato largo dentro de tablas ahora se procesa; el otro dice que un error que a veces resaltaba escritura con IA dentro de una bibliografía fue corregido y las bibliografías están ahora excluidas del procesamiento. Ambas notas de versión terminan de la misma manera, diciéndote que vuelvas a enviar un trabajo existente antes de que cualquiera de los cambios se aplique a él.

Así que la bibliografía en la que pasaste dos noches alineando y los criterios de inclusión escritos como viñetas cortas que no son oraciones se sientan fuera del conjunto puntuado. Las tablas son condicionales: la prosa de formato largo dentro de ellas puede procesarse, mientras que las celdas numéricas, fragmentos y otro contenido de tabla que no son oraciones pueden permanecer fuera de la prosa calificativa. El porcentaje por lo tanto no necesita describir todo el envío. Esa es también la razón mecánica por la que puede discrepar con la cantidad de texto coloreado frente a ti, que desmontamos línea por línea en cómo leer un informe de escritura con IA de Turnitin.

Muy poco de esto trata sobre cómo escribes, y la mayoría trata sobre cuánto peso puede llevar el número.

• Sonar menos capaz es el único movimiento a descartar. Todo lo anterior argumenta en contra, y el intercambio está desequilibrado de manera ordinaria: las marcas de un examinador aterrizan con certeza, mientras que el efecto en la puntuación es algo que nadie ha medido y usualmente no se te permite observar.
• Pregunta qué pasajes, no qué número. Los resaltados te dicen dónde aterrizó el clasificador. El porcentaje te dice en cuánto del texto calificativo aterrizó, que es una cantidad diferente de cuánto de tu ensayo.
• Espera que un documento corto se mida toscamente. Las palabras del proveedor: "In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap." (En documentos más cortos donde solo hay unos pocos cientos de palabras, la predicción será mayormente 'todo o nada' porque estamos prediciendo en un solo segmento sin la oportunidad de superposición.) La frase que le sigue es la que importa: "This means that some text that is a mix of AI-generated and original content could be flagged as entirely AI-generated." (Esto significa que algún texto que es una mezcla de contenido generado por IA y original podría ser marcado como enteramente generado por IA.) Por debajo de 300 palabras de texto calificativo, los requisitos de archivo dicen que no hay informe para leer en absoluto.
• Si tu prosa es convencional porque el género lo exige, verifica para quién está escrito el consejo del proveedor. Esa frase está dirigida a quien sea que lea el porcentaje, no a ti. Vale la pena saberlo antes de concluir que el trabajo es la cosa que tiene que cambiar.
• Desconfía de cualquier promesa sobre el número resultante, incluida la nuestra. La posición propia de Turnitin es que las predicciones individuales "may not always be explainable in simple feature-by-feature terms" (pueden no ser siempre explicables en términos simples de característica por característica). Nadie fuera de la empresa puede mapear una edición sobre un movimiento en la puntuación.

Nada de esto es un argumento para reescribir. Donde el trabajo es tuyo y estás preparado para decirlo así, el trabajo no es el objeto que debería estar cambiando.

Una reescritura gana su lugar en un punto específico: cuando existe un informe, pasajes particulares están marcados en él, y esos pasajes van a ser revisados de todos modos. Esa es la forma para la que está construido HumanPen. Entrégale el archivo más el informe de IA de Turnitin o iThenticate y los pasajes marcados se convierten en el alcance, con todo lo que está fuera de ellos manteniendo las palabras que escribiste. Nuestra propia página establece la regla de granularidad: "A paragraph is the smallest unit the engine rewrites: if your selection covers only part of one, it is expanded to the full paragraph and shown that way for you to confirm." (Un párrafo es la unidad más pequeña que el motor reescribe: si tu selección cubre solo parte de uno, se expande al párrafo completo y se muestra de esa manera para que lo confirmes.) La facturación cuenta las palabras realmente reescritas, así que un trabajo con alcance cuesta lo que cuesta el alcance en lugar de lo que pesa el archivo.

Si un nuevo informe todavía marca pasajes, los resultados elegibles pueden continuar bajando la IA gratis. Lo que nadie puede darte es la cifra en el siguiente informe. Después de todo lo anterior, una herramienta que te cita un número está citando un número que no tiene.

¿La prosa bien escrita tiene más probabilidad de ser marcada? Esa es una afirmación más grande de lo que el material publicado soporta, y no la estamos haciendo. Lo que está documentado es una lista de tres tipos de texto que Turnitin dice que los falsos positivos pueden incluir, ninguno de los cuales es un juicio de calidad, más un efecto medido en escritores con un rango léxico más pequeño en inglés de una muestra de 2023. Trata la versión amplia como una afirmación en circulación más que como un hallazgo.

¿Usar vocabulario avanzado aumenta mi puntuación de IA? Nada de lo que el proveedor publica habla de ello: "vocabulary" y "word choice" estaban ausentes de las tres páginas de ayuda que buscamos. Un experimento controlado de 2023 movió la elección de palabras directamente y empujó contra la teoría popular en lugar de con ella: los investigadores enriquecieron el wording de ensayos ya marcados, y las marcas cayeron. Eso establece que la elección de palabras no fue inerte en ese experimento. No establece nada sobre tu documento.

Mi escritura se repite a sí misma porque la terminología tiene que ser consistente. Ese es el caso convencional, y responde a un elemento en la propia lista de falsos positivos del proveedor. Su consejo en esa situación está dirigido a la persona que lee el informe: ten en cuenta la naturaleza del texto al mirar el porcentaje.

¿Debo añadir variación de longitud de oraciones a propósito? No como ejercicio de formato. Donde la variación ya estaba llevando significado, restaurarla es revisión ordinaria. Fabricarla en una sección cuyas convenciones requieren uniformidad reemplaza la escritura que tu disciplina pidió con escritura que no pidió, a cambio de un efecto que nadie puede medir desde fuera.

¿Puedo revisar la puntuación yo mismo antes de enviar? Usualmente no. La posición de Turnitin es que el indicador de escritura con IA y el informe son para instructores y administradores, y llega a un estudiante solo si un instructor descarga el informe y se lo pasa. Cualquier consejo que asuma que puedes observar el número moverse está asumiendo un acceso que la mayoría de los estudiantes no tienen.