NodoHub

La pregunta aparece cada vez más: en un trabajo de clase, en una reseña de producto, en un correo que suena raro, en una foto que circula por redes.

Conviene empezar por la conclusión honesta: no existe un método fiable al 100%, y quien te venda lo contrario te está engañando. Pero sí hay señales útiles y, sobre todo, hay una forma sensata de plantearse la pregunta.

Por qué los detectores automáticos no funcionan bien

Esto es lo más importante del artículo, porque hay gente tomando decisiones serias basándose en ellos.

Los detectores de texto miden cosas como la previsibilidad de las palabras o la uniformidad de las frases. El problema es doble:

• Falsos positivos frecuentes. Un texto escrito por una persona que redacta de forma clara, ordenada y con estructura regular puntúa como «generado por IA». Se han documentado sesgos contra quienes escriben en un idioma que no es su lengua materna, precisamente porque usan construcciones más simples y previsibles.
• Falsos negativos triviales de conseguir. Basta con pedirle a la IA otro estilo, o reescribir cuatro frases a mano, para que el detector deje de señalarlo.

Un detector que acusa a inocentes y deja pasar a los que se molestan un poco no sirve como prueba. Como indicio orientativo, quizá; como base para acusar a alguien, no.

Señales en un texto

Ninguna es concluyente por sí sola. Lo que cuenta es la acumulación.

• Estructura demasiado simétrica: párrafos de longitud casi idéntica, siempre tres ejemplos por apartado, una regularidad que la escritura humana rara vez tiene.
• Ausencia de detalle concreto. Es la señal más útil. El texto habla de todo sin mencionar nada específico: ninguna anécdota real, ninguna cifra verificable, ningún nombre propio comprometido.
• Cero fricción. No hay dudas, ni matices incómodos, ni «esto no lo tengo claro». Todo encaja demasiado bien.
• Cierres circulares: conclusiones que repiten la introducción sin añadir nada.
• Vocabulario uniformemente pulido, sin las irregularidades, muletillas o giros propios de una voz personal.
• Datos plausibles pero falsos. Si el texto cita estudios, cifras o referencias, compruébalas: las invenciones con formato impecable son un clásico, como explicamos en este artículo sobre alucinaciones.

Señales en una imagen

Aquí las pistas clásicas (manos con seis dedos, texto ilegible) han ido desapareciendo con los modelos recientes. Lo que sigue funcionando:

• Los detalles del fondo, no el sujeto principal. La atención del modelo va al centro; los bordes suelen tener objetos deformes, personas con anatomía imposible o patrones que se deshacen.
• La física de la luz: sombras que apuntan a direcciones distintas, reflejos que no corresponden con la escena, o un objeto brillante que no refleja lo que tiene delante.
• La simetría fallida: pendientes distintos en cada oreja, patas de gafas que no coinciden, estampados que cambian de un lado a otro de la misma prenda.
• Texturas repetidas: multitudes donde varias caras se parecen sospechosamente, o ladrillos y hojas que se repiten en patrón.
• Una perfección extraña: piel sin poros, iluminación de estudio en una escena cotidiana, ausencia total del desorden que tiene la realidad.

Métodos que sí aportan algo

Búsqueda inversa de imagen

Más útil que cualquier detector: si la imagen es real, probablemente aparezca en otros sitios con contexto, fecha y autoría. Si no aparece en ninguna parte y se presenta como una foto de un evento reciente, es motivo de sospecha.

Metadatos y marcas de procedencia

Las fotos de cámara suelen llevar información técnica incrustada (modelo, fecha, ajustes). Su ausencia no prueba nada por sí sola, porque las redes sociales eliminan esos datos al subir la imagen, pero su presencia coherente sí es señal de autenticidad.

La industria está impulsando además estándares de procedencia que incrustan de forma verificable el origen del contenido. Es la vía más prometedora a medio plazo, aunque todavía no está generalizada.

La conversación (el método definitivo para textos)

Si el contexto lo permite, esto supera a cualquier herramienta: pregunta por el contenido. Pide que amplíe un punto, que explique por qué eligió ese enfoque, que dé un ejemplo propio.

Quien ha escrito y entendido algo puede defenderlo. Quien solo lo ha copiado, no. Y esto tiene además la ventaja de centrarse en lo que de verdad importa: si la persona domina el tema.

La pregunta que quizá deberíamos hacernos

En muchos contextos, «¿lo ha hecho una IA?» no es la pregunta más útil. Un texto escrito íntegramente por una persona puede estar lleno de errores, y uno generado con IA y revisado a fondo por un experto puede ser correcto y valioso.

Preguntas que suelen llevar más lejos: ¿es cierto lo que dice? ¿está verificado? ¿hay alguien que responda de esto?

La excepción son los casos donde la autoría es el objeto mismo de la evaluación (un examen, un concurso literario) o donde alguien pretende engañar sobre el origen de una imagen para desinformar. Ahí la pregunta sí es exactamente esa.

Preguntas frecuentes

¿Puedo fiarme de un detector si da un 99%?

No como prueba concluyente. Esos porcentajes transmiten una precisión que la herramienta no tiene. Trátalo como un indicio que justifica mirar con más atención, nunca como un veredicto.

¿Es ilegal usar IA para generar contenido?

En general no, pero hay contextos con normas propias (centros educativos, algunas publicaciones, ciertos concursos) y ámbitos regulados donde se exige transparencia. La normativa europea sobre IA avanza hacia obligaciones de etiquetado en determinados casos.

¿Y los vídeos deepfake?

Las señales suelen estar en el parpadeo poco natural, la sincronía entre labios y sonido, los bordes del rostro al girar la cabeza y la iluminación de la cara respecto al resto de la escena. Aun así, la calidad avanza rápido: ante un vídeo impactante y sin fuente clara, la mejor defensa sigue siendo comprobar si lo publican medios fiables.