Cómo saber si un texto, imagen o vídeo está hecho con IA

No hay ninguna forma infalible de saber si un texto está hecho con IA. Los detectores dan una probabilidad, no una prueba, y los estudios independientes muestran que se equivocan en los dos sentidos: dejan pasar texto generado y acusan a personas, sobre todo a quienes escriben en un idioma que no es el suyo. Con imágenes, vídeo y audio hay herramientas más sólidas (marcas de agua como SynthID y credenciales de contenido C2PA), pero solo sirven cuando encuentran la marca: si no aparece, no demuestran nada.

Lo útil es combinar señales: el origen del contenido, sus metadatos, lo que se puede comprobar y, solo al final, un detector como indicio.

Por qué es tan difícil detectar la IA

Un detector de texto no sabe quién escribió algo. Mide lo predecible que es el texto: los modelos de lenguaje eligen palabras probables, así que su texto suele tener baja «perplejidad» y un ritmo muy regular. El problema es que mucha escritura humana también es predecible (un informe técnico, una redacción escolar, alguien que escribe con un vocabulario limitado) y que basta con editar o parafrasear un texto generado para que deje de parecerlo.

Con las imágenes pasa algo parecido. Los fallos que delataban a los primeros generadores (manos con seis dedos, letras sin sentido) aparecen cada vez menos, y una foto real comprimida o retocada puede tener rarezas que parecen artificiales.

Qué dicen los estudios sobre los detectores de texto

El clasificador de OpenAI (2023)

OpenAI lanzó su propio detector y reconoció que solo identificaba el 26 % del texto de IA, mientras marcaba como IA el 9 % del texto humano. Lo retiró en julio de 2023 por su baja precisión.

Weber-Wulff y otros (2023)

Este estudio probó 14 detectores, Turnitin incluido. Ninguno pasó del 80 % de acierto, y con el texto de IA parafraseado el acierto medio cayó al 26 %. Su conclusión: los detectores no son «ni precisos ni fiables».

Liang y otros (2023)

Pasaron redacciones de estudiantes no nativos de inglés por 7 detectores. De media, clasificaron como IA el 61 % de unos textos escritos por personas, y el 97,8 % de las redacciones fue marcado por al menos uno de ellos.

RAID (2024)

Con más de 6 millones de textos y 12 detectores, esta prueba mostró que se engañan con facilidad: basta con cambiar el modelo que genera el texto, sus ajustes de generación o aplicar ataques sencillos.

Jabarian e Imas, Chicago Booth (2025)

Compararon detectores comerciales y abiertos con textos de GPT-4.1, Claude y Gemini. Los mejores comerciales (Pangram, GPTZero y Originality) tuvieron falsos positivos por debajo del 1 % en textos medios y largos, mientras que un detector abierto llegó a acusar a entre el 30 % y el 69 % de los textos humanos. Con un «humanizador» de por medio, GPTZero dejó pasar en torno a la mitad del texto de IA.

AuTexTification (2023), en español

En esta competición académica en inglés y español, el mejor sistema logró una puntuación de 80,9 en inglés y de 70,8 en español, sobre 100. Las personas que hicieron la misma prueba acertaron poco más que al azar.

Dos matices

El estudio de Chicago Booth es de 2025, todavía sin revisión por pares y solo en inglés: muestra que los detectores comerciales han mejorado mucho, pero también que caen cuando el texto pasa por un humanizador. Y las cifras de precisión que publican los propios fabricantes (Pangram, por ejemplo, afirma tener errores 38 veces menores que sus competidores) no son mediciones independientes.

¿Y las personas?

Tampoco lo hacemos mejor por intuición. En seis experimentos con 4.600 participantes publicados en PNAS en 2023, la gente acertó entre el 50 % y el 52 % de las veces si un texto de presentación personal era humano o de IA, lo mismo que tirar una moneda. Se fiaban de pistas falsas, como el uso de la primera persona o las contracciones. La excepción son los usuarios muy habituales de ChatGPT: en un estudio de 2025, el voto mayoritario de cinco de ellos solo falló en uno de 300 artículos.

Falsos positivos: el error que más daño hace

Un detector que deja pasar un texto generado es un problema menor. Uno que acusa a una persona que escribió su trabajo es otra cosa.

Turnitin, el más usado en universidades, reconoce una tasa de falsos positivos de alrededor del 4 % por frase, y de menos del 1 % por documento cuando el texto tiene al menos un 20 % de IA. Por eso, desde 2024, cuando el resultado está entre el 1 % y el 19 % ya no muestra la cifra, solo un asterisco.

Un 1 % parece poco hasta que se multiplica. La Universidad de Vanderbilt desactivó el detector de Turnitin en agosto de 2023 con esta cuenta: de los 75.000 trabajos que se le enviaron en 2022, un 1 % de error habrían sido unos 750 trabajos marcados como IA por equivocación. La Universidad de Waterloo, en Canadá, dejó de usarlo en septiembre de 2025, y la australiana Curtin lo desactivó el 1 de enero de 2026.

Señales útiles en un texto

Ninguna de estas señales demuestra nada por sí sola, pero juntas orientan:

• Datos que no existen. Es la pista más sólida. Si un texto cita estudios, sentencias o libros que no aparecen por ninguna parte, alguien ha copiado una respuesta de IA sin revisar. Por qué pasa, en por qué la IA se inventa cosas.
• Restos del chat. Frases que se quedan pegadas al copiar: «¡Claro! Aquí tienes…», «Como modelo de lenguaje…», corchetes del tipo «[nombre de la empresa]» sin rellenar.
• Un cambio brusco de estilo respecto a lo que esa persona escribe normalmente, en vocabulario, longitud o estructura.
• Generalidades sin experiencia. Mucho texto correcto y ninguna anécdota, dato propio o detalle que solo conocería quien estuvo allí.
• Falta de proceso. Un trabajo largo que aparece entero de golpe, sin borradores ni versiones intermedias.

Lo que no sirve: las palabras sueltas «típicas de IA», los guiones o la puntuación. Cualquier persona las usa, y los modelos cambian de manías con cada versión.

Imágenes: lo que todavía delata a la IA

Investigadores de la Universidad Northwestern publicaron en 2024 una guía con cinco tipos de pistas para distinguir imágenes generadas de fotografías:

En detalle: dedos de más, de menos o fundidos, pupilas irregulares y dientes extraños; piel demasiado brillante y un detalle excesivo; objetos que no podrían funcionar, palabras inexistentes y logotipos deformados; sombras que no coinciden con la luz y reflejos que no corresponden a lo que hay delante; y situaciones, ropa o lugares que no encajan con la época o la cultura.

Los propios autores avisan de que estas pistas no siempre están presentes y de que las fotos reales también pueden tenerlas. Los retratos con el fondo desenfocado son de los más difíciles.

Con las caras, el ojo humano ya no es fiable. En un estudio publicado en PNAS en 2022, 315 personas acertaron el 48,2 % de las veces al distinguir caras reales de caras generadas, y además puntuaron las artificiales como algo más dignas de confianza.

Marcas de agua y credenciales de contenido

Si el contenido viene marcado de origen, la comprobación es mucho más fiable que cualquier detector. Hay dos sistemas principales.

SynthID, de Google

SynthID mete una marca invisible en el texto, las imágenes, el audio y el vídeo que generan los modelos de Google. Según Google, en mayo de 2026 llevaba marcados más de 100.000 millones de imágenes y vídeos y el equivalente a 60.000 años de audio, y empresas como OpenAI y ElevenLabs están empezando a usarlo en su propio contenido.

Para comprobarlo, sube la imagen o el vídeo a la app de Gemini y pregúntale si está generado con IA: Google lo permite con imágenes desde noviembre de 2025 y con vídeos de hasta 90 segundos desde diciembre. El límite es claro: solo reconoce las marcas de SynthID. Que no la encuentre no significa que la imagen sea real, solo que no la hizo una herramienta que use SynthID.

En texto, la marca de SynthID está descrita en Nature y es de código abierto, pero los propios autores reconocen que se debilita si el texto se edita o se parafrasea con otro modelo. OpenAI llegó a desarrollar una marca de agua para el texto de ChatGPT y en 2024 decidió no publicarla, entre otros motivos porque traducir o reescribir el texto con otro modelo la elimina.

C2PA o credenciales de contenido

C2PA es un estándar abierto que añade al archivo un registro firmado de su origen y de sus ediciones: qué cámara o qué programa lo creó, qué se cambió y si intervino la IA. En su comité directivo están Adobe, Amazon, BBC, Google, Meta, Microsoft, OpenAI, Sony y TikTok, entre otros. Ya lo incorporan cámaras como la Leica M11-P y, según Google, el Pixel 10 fue el primer móvil en añadirlo a las fotos de su cámara.

Para comprobarlo, sube el archivo al verificador de Content Credentials. Su punto débil: la información va en los metadatos, y una captura de pantalla o el reenvío por algunas aplicaciones la elimina. Como con SynthID, encontrarla es una prueba; no encontrarla, no.

Las marcas visibles se quitan

Sora 2, el generador de vídeo que OpenAI lanzó en 2025 y retiró en 2026, ponía una marca de agua visible en cada vídeo. A la semana de su lanzamiento ya había media docena de webs que la borraban en segundos. Un logotipo en una esquina no es una garantía.

Vídeo y audio: los deepfakes

Para vídeo y audio no hay atajo. Un estudio de 2025 con material real que circuló en redes durante 2024 puso a prueba 22 detectores comerciales: el mejor acertó el 78 % de las veces en vídeo, el 89 % en audio y el 82 % en imagen, y ninguno llegó al 90 %. Los detectores de código abierto rindieron mucho peor que en las pruebas de laboratorio.

En la práctica, el contexto vale más que el detector. Si un audio o una videollamada de alguien conocido te pide dinero o datos con prisa, cuelga y llámale tú al número que ya tienes guardado.

Cómo comprobarlo paso a paso

1. Busca el origen. Para una imagen, usa la búsqueda inversa de Google Lens, que muestra cuándo y dónde apareció por primera vez, o TinEye. Si la primera aparición es una cuenta de arte con IA, ya tienes la respuesta.
2. Mira las credenciales. Pasa el archivo original por el verificador de Content Credentials.
3. Pregunta a Gemini si la imagen o el vídeo tiene la marca de SynthID.
4. Revisa las pistas visuales de la tabla de arriba, sobre todo manos, texto, sombras y reflejos.
5. En un texto, comprueba lo comprobable: citas, cifras, nombres y referencias. Si usas un detector, prueba con dos o tres y tómalo como indicio, nunca como veredicto.
6. Valora el contexto: quién lo publica, cuándo, y si alguna fuente fiable cuenta lo mismo.

Qué dice la ley sobre el etiquetado

Desde el 2 de agosto de 2026, el reglamento europeo de IA obliga a los proveedores de herramientas generativas a marcar su contenido en un formato que las máquinas puedan detectar, y a quien publica deepfakes a avisar de que lo son (los sistemas que ya estaban en el mercado tienen hasta el 2 de diciembre de 2026). La Comisión publicó en junio de 2026 la versión final de un código de buenas prácticas para hacerlo. Quién está obligado, a qué y con qué excepciones, en qué obliga ya el reglamento europeo de IA.

Por dónde seguir

• Para entender qué hay detrás de estos contenidos: qué es la IA generativa.
• Para conocer el vocabulario (marca de agua, deepfake, C2PA): el glosario de inteligencia artificial.
• Para saber qué herramientas generan cada tipo de contenido: las mejores herramientas de IA para cada tarea.