La encuesta de EDUCAUSE: un detector de IA ve solo un lado del examen
EDUCAUSE, la asociación estadounidense sin ánimo de lucro que estudia cómo las universidades usan la tecnología, publicó el 1 de junio de 2026 «The Impact of AI on Learning Assessment». El informe se basa en una encuesta a 438 profesores y personal universitario. Zoom, socio de la asociación en 2026, lo patrocinó.
La mayoría del profesorado encuestado usa IA al diseñar y aplicar evaluaciones. La mayoría cree que los estudiantes usan IA al realizar esa evaluación.
Es el mismo examen. Alguien que usó un modelo está a ambos lados de la mesa. El trabajo que pasa por un detector de contenido IA es el del estudiante — un patrón que también aparece en casos universitarios de trampa con IA.
Dos hallazgos más explican qué mantiene este arreglo. El profesorado quiere conservar el derecho a decidir por sí mismo cuándo el uso de IA es apropiado. Los estudiantes reportan que carecen de políticas claras que expliquen cuándo se permite la IA. El lado que no se comprueba conserva su discreción. El lado que sí se comprueba recibe la ausencia de una regla clara.
Peer review: los revisores caen en una trampa, no en un detector de IA
En la publicación académica, quien se comprueba es el autor. El manuscrito pasa por herramientas de detección de IA, se revisa por plagio y se entrega con una declaración obligatoria sobre el uso de IA. El revisor que lee ese manuscrito se comprueba de otra forma.
Un manuscrito en revisión no está publicado y se trata como confidencial, por lo que NeurIPS prohíbe a los revisores subir los artículos que evalúan a chatbots de IA. Para descubrir quién ignora la prohibición, los organizadores ocultaron instrucciones dentro de los artículos enviados a revisión. Una persona que lee el manuscrito no las ve. Un modelo de lenguaje las sigue, y la revisión vuelve con las frases implantadas.
ICML 2026 usó primero la misma táctica, inyectando prompts ocultos en cada artículo enviado. Nihar Shah, responsable de integridad científica de la conferencia, dice que el esfuerzo identificó cientos de revisores que incumplieron la política, y sus revisiones fueron rechazadas. ICML rechazó en mesa casi 500 artículos por violaciones de esa política, alrededor del 2 % de todo lo enviado (The Transmitter, 1 de julio de 2026).
El autor se comprueba con un procedimiento establecido del que conoce de antemano. Los revisores fueron atrapados por una trampa de la que nadie les había informado.
Sören Auer, informático en la Universidad Leibniz de Hannover, encontró él mismo los prompts ocultos mientras revisaba para NeurIPS, porque convierte PDF a Word y eso hace visibles algunos. Rechazó el primer artículo que revisó. Supuso que sus autores habían implantado el prompt, y retiró la señal solo al encontrar el mismo texto en un segundo manuscrito.
Un autor estuvo a punto de perder un artículo por una trampa construida para revisores. La objeción de Auer, publicada en LinkedIn, merece leerse dos veces:
No se construye una cultura de revisión sana tratando a los revisores como sospechosos.
— Sören Auer, Universidad Leibniz de Hannover, 2026
Tiene razón. Nadie lo dice cuando el autor es el sospechoso por defecto.
La retractación del Journal of Medical Ethics: se retiró el artículo, no el proceso de revisión
El 28 de mayo de 2026, el Journal of Medical Ethics, una publicación de BMJ, retractó un artículo que había publicado en línea en septiembre de 2025 — en la misma línea que 764 artículos retractados por IA. La revista comprobó las referencias y encontró que varias no existen. El autor había usado un modelo de lenguaje para encontrar y leer las fuentes que citaba, y no las verificó antes de enviar el trabajo. El aviso de retractación, el documento público en el que una revista explica qué salió mal, también cita evidencia de manipulación del peer review.
Así, la revista dejó constancia de dos problemas: referencias inventadas y un proceso de revisión manipulado en el mismo artículo. El artículo fue retractado. La revista dice que informará a la institución del autor. El proceso de revisión sigue funcionando.
Sentencias judiciales: el juez está en la misma lista que el litigante
Damien Charlotin, investigador en el Smart Law Hub de HEC París, mantiene una base de datos abierta de casos judiciales en los que alguien citó un precedente inventado por un modelo de lenguaje. La base etiqueta cada caso según quién usó la IA. Los litigantes en representación propia van primero, con amplio margen. Les siguen los abogados. Los jueces están en la misma lista (AI Hallucination Cases Database).
El más reciente de esos casos llegó al Tribunal Supremo de India. Las disputas corporativas allí las escucha el NCLT, un tribunal especializado en asuntos societarios; sus resoluciones se apelan ante el NCLAT, el tribunal de apelación del mismo sistema; por encima solo está el Tribunal Supremo. El 2 de julio de 2026, el Tribunal Supremo conoció Pooja Ramesh Singh v. Jammu and Kashmir Bank Ltd. y anuló las resoluciones de ambos tribunales. Ambos habían basado su razonamiento en precedentes que no existen y en párrafos atribuidos a sentencias reales. Un modelo de lenguaje los generó — del lado del tribunal. El Tribunal Supremo calificó esto de subversión del estado de derecho y declaró tolerancia cero (Tribunal Supremo de India) — uno entre muchos casos de alucinaciones de IA en tribunales.
Ordenó al Bar Council of India que estableciera las medidas disciplinarias. El Bar Council licencia y disciplina a los abogados. El error en este caso no lo cometieron abogados.
Qué dicen los cuatro documentos sobre la detección de IA
En ninguno de los cuatro casos el lado que controla usa menos IA que el lado controlado. EDUCAUSE lo dice directamente. Los otros tres, a través de la infracción.
Una comprobación que va en una sola dirección no mide honestidad. Mide cuál de los dos no puede negarse.
Eso convierte a un detector de IA en instrumento de integridad solo cuando la institución también somete a revisión su propia documentación. La consigna del examen, no solo el trabajo escrito contra ella. La revisión, no solo el manuscrito. Pasar el trabajo del estudiante por It's AI y nunca los propios materiales del curso significa haber aprendido algo sobre los estudiantes y nada sobre usted mismo. Una detección de IA justa en educación empieza exactamente ahí.
Nada de esto es caro. La declaración de uso de IA de un revisor es una línea en un formulario. El obstáculo no es técnico.
Qué hacer hoy ante una detección de IA unilateral
Si usted es quien se comprueba, pida la política por escrito antes de entregar:
- qué usos de IA están permitidos
- cuáles no
- con qué detector de IA se le comprueba
- cómo puede impugnarse un resultado
Una regla que no existe por escrito no puede seguirse de antemano. Aun así puede usarse para explicar una decisión a posteriori — como en casos de acusaciones de IA y recursos.
Si usted es quien comprueba, someta su propio documento al mismo procedimiento. La consigna, la rúbrica, la revisión. Una comprobación que no aplicará a su propio texto no dice nada sobre el de nadie más.
Preguntas frecuentes: detección de IA en la práctica
¿Cómo detectar texto generado por IA?
La detección de escritura con IA funciona de forma estadística, no forense. Un detector mide cuán predecible es cada palabra dado lo anterior, porque los modelos de lenguaje eligen continuaciones de alta probabilidad con más consistencia que las personas. El resultado es una probabilidad, no un veredicto. La puntuación por frase y por párrafo importa más que una sola puntuación del documento, ya que un documento mixto promedia y oculta los pasajes generados dentro de los humanos. Nada del método depende de quién escribió el documento o qué rol ocupa. El mismo procedimiento que corre sobre un ensayo estudiantil corre sobre una consigna de examen, una revisión por pares o un borrador de sentencia.
¿Qué precisión tiene la detección de IA en texto editado por un humano?
La precisión de la detección de IA es mayor en la salida cruda del modelo y baja cuando una persona reescribe. La edición cambia exactamente lo que mide el detector: elección de palabras, longitud de frase y previsibilidad de cada continuación. Los borradores de IA muy revisados son el caso más difícil, al igual que los textos de hablantes no nativos, cuyo vocabulario suele ser más predecible que el de un hablante nativo. Cualquier resultado presentado como un sí o no rotundo exagera lo que el método puede hacer. Lea la puntuación como evidencia que invita a conversar, no como prueba, y pregunte qué umbral trata la institución como hallazgo.
¿Es un detector de IA lo mismo que un detector de plagio?
No. Un detector de plagio compara su texto con un corpus de documentos existentes y reporta coincidencias. Un detector de IA compara su texto con la forma en que escribe un modelo de lenguaje y reporta probabilidades. Un pasaje puede ser totalmente original y aun así puntuar como generado por IA, y un pasaje puede copiarse palabra por palabra de una fuente humana y puntuar como humano. Las instituciones suelen ejecutar ambos y reportar un veredicto combinado, y ahí empiezan la mayoría de las disputas. Pregunte cuál de los dos produjo la cifra que le muestran.
¿Puede aplicarse un detector de IA a la tarea de un profesor o al informe de un revisor?
Sí. Un detector de IA para profesores, estudiantes, revisores y editores es la misma herramienta; el texto no lleva el cargo del autor. Nada técnico impide que una institución someta una consigna de examen, una rúbrica de calificación o un informe de peer review al mismo procedimiento que aplica al trabajo entregado. Donde no se hace, es una decisión de política, no una limitación del método. Una política escrita que indique qué documentos se comprueban y cuáles no es la forma más rápida de saber qué tipo de decisión ha tomado su institución.
¿Se puede impugnar el resultado de una comprobación de detección de IA?
Depende de lo que diga la política, razón por la cual conviene pedirla por escrito antes de entregar nada. Solicite el informe completo, no solo el porcentaje del titular, incluidas puntuaciones por párrafo y el umbral que la institución trata como hallazgo. Pregunte qué detector lo produjo y cuándo se actualizó por última vez, ya que la salida de los modelos cambia y los detectores se reentrenan. Pregunte si se aplicó el mismo procedimiento al documento que le entregaron. Una comprobación a la que solo está sujeta una parte es difícil de defender como evidencia.
