Escribes un informe, pides a una IA que lo revise y publicas la versión corregida. Si un detector encuentra una marca de agua, ¿ha demostrado que la máquina escribió tus ideas? Esa es una de las preguntas que dejan los anuncios de y .
Una marca de agua en texto es una señal estadística introducida al generarlo. Puede aportar evidencia de que intervino un modelo compatible, pero no mide cuánto trabajo intelectual hizo la persona. Conviene separar esa señal de la autoría y de la calidad del contenido.
anunció el 5 de octubre de 2026 que incorporará marcado invisible al texto elegible de y en la UE durante las próximas semanas. ya había explicado su sistema en agosto. Hemos contrastado ambos anuncios, sus documentos técnicos y el debate en X. Fuentes consultadas el 6 de octubre de 2026.
Qué anunció OpenAI y qué había anunciado Anthropic
La publicación oficial de OpenAI distingue dos vías: despliegue en y en la UE, y activación voluntaria para ciertos modelos de la API en todo el mundo. No anuncia que todos los textos estén ya marcados.
Su tecnología se llama textGrain. El detector de texto abre inicialmente solicitudes a investigadores y organizaciones expertas aprobadas; no es un comprobador público disponible para cualquier usuario.
publicó su explicación el 14 de agosto y actualizó la información del detector el 1 de septiembre. Utiliza una variante de SynthID-Text y también mantiene la detección en una vista previa privada.
La diferencia de alcance importa: la documentación de Claude describe marcado mundial para los modelos compatibles, incluida la API y Code. El soporte depende del modelo; no debe atribuirse a todo sin comprobarlo. empieza con un despliegue regional en sus productos y una opción voluntaria en la API.
Cómo funciona una marca de agua en texto de IA
Un modelo genera , unidades que pueden ser palabras o fragmentos. Cuando varias continuaciones resultan plausibles, el procedimiento de selección puede dejar una relación estadística con una clave. El detector comprueba esa relación a lo largo del pasaje.
El informe técnico de textGrain describe un método para regular cuánto azar condiciona el marcado. El detector necesita texto y clave; no necesita conocer el ajuste de intensidad usado al generarlo. y textGrain no son el mismo algoritmo.
aclara que no añade caracteres ocultos. Por tanto, buscar caracteres de ancho cero no comprueba esta marca. La investigación de SynthID-Text distingue este marcado durante la generación de los detectores que después intentan clasificar un texto por su estilo.
Tampoco es lo mismo que C2PA. Las Content Credentials son metadatos de procedencia asociados a archivos compatibles. Una etiqueta de metadatos y un patrón en las palabras requieren comprobaciones distintas.
Detectar una huella no demuestra quién hizo el trabajo
La ficha de Claude explica que la marca no identifica al usuario y no distingue entre generación y edición. Una corrección ligera puede dejar poca señal; una reescritura amplia permite que el modelo elija más palabras.
Para una empresa, eso cambia cómo interpretar un resultado. Una persona puede investigar, contrastar fuentes y redactar el argumento, y usar después una IA para reorganizarlo. El detector observa una huella de ese proceso, no la responsabilidad editorial ni el origen de cada idea.
Un resultado negativo también deja preguntas abiertas: qué modelo se utilizó, si admitía marcado, cuánto texto queda y qué transformaciones sufrió. Tratar “no detectado” como “escrito por una persona” exige información que el resultado no contiene.
Cuánto resiste textGrain a la edición
publica un ensayo con respuestas en inglés de 400 tokens: la detección pasó de aproximadamente el 92 % al 66 % al sustituir un 10 % de las palabras por sinónimos, y al 17 % al sustituir el 25 %. Son tasas de ese ensayo, no la probabilidad de que un documento concreto lo haya escrito una IA.
Los textos cortos y con pocas alternativas de redacción plantean más dificultades. Esta gráfica no compara con ni permite trasladar el resultado al español. La conservación de la señal depende del contenido, de la transformación y del detector.
dice que no observa diferencias de rendimiento significativas en sus evaluaciones con . Los autores de SynthID-Text tampoco encontraron diferencias significativas en el feedback de un experimento con unos veinte millones de respuestas de . Son evaluaciones de sus respectivos sistemas; no sustituyen una prueba de tu tarea y configuración.
Qué se cuestiona de las marcas de agua
Se cuestiona la utilidad del sistema frente a sus limitaciones y a la regulación europea. El debate pone el foco en el beneficio obtenido si la señal se debilita al editar el texto. Conviene distinguir el despliegue anunciado de uno completado: habla de las próximas semanas y no establece que cualquier traducción o reescritura elimine siempre toda señal.
Se expresa otra objeción: que un requisito de detección influya en las palabras que elige una herramienta de escritura. La caída del 92 % al 17 % citada en el debate procede del ensayo de . La cifra está respaldada para esas condiciones; el desacuerdo con el diseño y sus costes no demuestra por sí solo una pérdida de calidad.
Estas objeciones parten del mismo anuncio y aportan perspectivas sobre el debate, sin constituir mediciones independientes del sistema.
Qué exige el AI Act y qué conviene hacer al publicar
El artículo 50.2 del AI Act exige marcado legible por máquina del contenido sintético y recoge excepciones para funciones de edición estándar o sin alteración sustancial. No prescribe textGrain. El artículo 50.4 y el resumen de la Comisión tratan aparte la divulgación de texto sobre asuntos de interés público, con una excepción vinculada a revisión o control editorial y responsabilidad por la publicación.
La marca técnica del proveedor y la obligación de informar del uso de IA son cuestiones distintas. Un detector no resuelve por sí solo cómo se aplica la norma a una publicación concreta.
Nuestro criterio práctico para un informe o un artículo es conservar el borrador, registrar para qué se usó la IA y guardar los cambios y la revisión final. Si alguien cuestiona la autoría, ese expediente aporta contexto que una etiqueta binaria no cuenta. El ejemplo visual es ficticio; no hemos ejecutado ningún detector.
Antes de adoptar uno, pide qué marcas reconoce, sus condiciones de evaluación y cómo permite revisar un resultado dudoso. Separa esas respuestas de las promesas comerciales de “detectar cualquier IA”.
Puedes explorar las herramientas de IA de LetBrand para organizar tu trabajo. Al publicar, elige el modelo por la tarea y mantén una revisión que puedas explicar: fuentes comprobadas, cambios trazables y una persona responsable del resultado.