Hay evidencia de que sí ocurre al escribir en inglés como segunda lengua, aunque es más limitada de lo que suele contarse y no se ha medido para el español. Esta página explica qué encontraron los estudios exactamente, dónde no llegan, por qué el efecto existe y cómo defenderte si te afecta.
El dato que todo el mundo cita viene de un estudio de Stanford de 2023 (Liang y otros). Pasó 91 ensayos escritos por personas que preparaban el TOEFL por siete detectores de la época. Los marcaron como generados por IA en un 61,2% de los casos de media; uno de los siete llegó al 97,8%. Sobre ensayos de estudiantes angloparlantes nativos, la tasa de error fue del 5,2%.
Ahora la parte que casi nunca se cuenta, y que conviene conocer antes de usar el dato en una apelación. La muestra eran 91 textos de una sola fuente, un foro chino de preparación del TOEFL, así que quienes escribieron eran en su mayoría hablantes de chino. No fue un estudio sobre varias lenguas maternas, y no permite afirmar nada concreto sobre hispanohablantes. Además probó detectores de 2023, varios de los cuales funcionaban por perplejidad y ya no existen en esa forma.
¿Se ha repetido? Dos veces, con resultados distintos. En 2026, el mayor estudio en inglés hasta la fecha (unos 41.700 ensayos, 16 sistemas) encontró que los textos de estudiantes de inglés como segunda lengua sí se marcan más, pero midió esa condición en bloque, sin separar por lengua materna. Ese mismo año, una réplica en checo no encontró ningún sesgo, y sus autores concluyeron que el efecto depende de la lengua y probablemente de su morfología.
Conclusión honesta: el sesgo al escribir en inglés como segunda lengua está razonablemente documentado, no es uniforme entre idiomas, y nadie ha publicado todavía tasas de error separadas por lengua materna. Para el español no hay una cifra propia. Cuando alguien te dé un porcentaje concreto para hispanohablantes, pídele la fuente.
Lo que sí está sólido y sirve más en una apelación: la Universidad de Texas encontró que alrededor del 11% de los trabajos marcados resultaron falsos positivos al revisarlos. La propia Turnitin advierte en su documentación que su puntuación no debería usarse como base única para tomar medidas contra un estudiante. Y Vanderbilt desactivó la detección de IA en 2023 explicando el motivo por escrito: con 75.000 trabajos al año y la tasa de error declarada, calcularon unos 750 trabajos mal marcados cada año.
Muchos detectores se apoyan en una idea llamada perplejidad: una medida de lo predecible que resulta un texto. Si cada palabra es la que un modelo de lenguaje habría elegido, el texto es poco sorprendente y se parece a algo generado. Si aparecen giros inesperados, expresiones idiomáticas raras o construcciones poco frecuentes, el texto resulta menos predecible y se lee como humano.
Ahí está el problema. Quien aprende inglés como segunda lengua suele escribir con un vocabulario más contenido, estructuras más regulares y frases de longitud parecida. Es lo que enseña cualquier curso de preparación: claridad, orden, construcciones seguras. Ese estilo cuidadoso es justamente el que un modelo estadístico considera predecible.
Dicho de otro modo: el detector no está detectando IA. Está detectando escritura regular y previsible. Un modelo de lenguaje produce ese estilo por diseño, y una persona que aprendió el idioma de forma metódica lo produce por formación. El sistema no distingue una cosa de la otra porque nunca midió autoría, midió estilo.
Lo mismo afecta a otros grupos: personas que redactan textos técnicos, gente que traduce a su segunda lengua, y quienes escriben en un registro académico muy formal. La escritura pulida es la que más riesgo corre.
El sesgo lingüístico es el mejor documentado, pero no es el único. El patrón de fondo se repite: cualquier persona cuya escritura sea regular y predecible corre más riesgo, escriba en su lengua materna o no.
Quien redacta textos técnicos. Un informe de laboratorio, una memoria de ingeniería o una documentación de producto exigen frases uniformes, vocabulario controlado y estructura repetida. Es buena escritura técnica y, a la vez, es exactamente el perfil que un detector considera sospechoso.
Quien traduce a una segunda lengua. Una traducción tiende a seguir la estructura del original y a elegir opciones seguras. El resultado es correcto y algo plano, que es el terreno donde más se confunden los detectores.
Quien escribe en registro académico formal. Las convenciones de una tesis empujan hacia la impersonalidad y la construcción ordenada. Cuanto más se ajusta alguien a esas convenciones, más se parece su prosa a la de un modelo entrenado con miles de textos iguales.
Quien ha aprendido a escribir con plantillas. Mucha gente aprendió con esquemas fijos: introducción, tres argumentos, conclusión. Esa regularidad se nota estadísticamente.
Ninguno de estos grupos está haciendo nada malo. El problema es que la herramienta mide una propiedad del texto, la previsibilidad, y le pone la etiqueta de otra cosa, la autoría. Son cosas distintas y conviene no confundirlas.
Guarda el proceso, no solo el resultado. El historial de versiones de Google Docs o el control de cambios de Word es la prueba más sólida que existe, y es mucho más convincente que cualquier porcentaje. Muestra cómo creció el texto: los borradores, las frases que descartaste, las horas de trabajo. Un texto generado de golpe no tiene ese rastro. Actívalo antes de empezar, no después.
Comprueba tu texto antes de entregarlo. Pasar el trabajo por un detector propio te dice qué verá quien lo evalúe. Si el resultado es alto, sabes que conviene llevar preparada la evidencia del proceso. TextSight es un detector más y también es probabilístico, así que trátalo igual: como una señal para revisar, nunca como una prueba.
Si te acusan, pide revisión humana. No discutas con la herramienta, habla con la persona. Explica cómo trabajaste, enseña los borradores y ofrece hablar del contenido en voz alta. Quien ha escrito un texto puede defender sus argumentos; quien lo ha generado, normalmente no.
Menciona los datos, con cuidado. Si la conversación se pone formal, el estudio de Stanford y la advertencia de la propia Turnitin son argumentos legítimos. No sirven para negar sin más, pero sí para pedir que el porcentaje no sea la única prueba.
Una advertencia honesta para cerrar: ningún detector puede demostrar que no usaste IA. Demostrar un negativo no está a su alcance. Lo máximo que aporta una segunda opinión es un dato adicional; la evidencia fuerte sigue siendo tu proceso de escritura.
Buscando sobre este tema aparecen muchas páginas que prometen dejar tu texto indetectable. Nosotros no vamos por ahí, y conviene explicar por qué, porque no es solo una cuestión de principios.
No funciona de forma estable. Los detectores se reentrenan. Lo que hoy pasa desapercibido puede no pasarlo en la próxima versión, y el texto ya está entregado. Construir una estrategia sobre eso es frágil.
Estropea la escritura. Las técnicas habituales para bajar una puntuación (meter sinónimos raros, romper frases sin criterio, añadir errores a propósito) dejan un texto peor. Si te evalúan por el contenido, has empeorado justo lo que se calificaba.
No es tu problema. Si escribiste el trabajo tú, no necesitas disfrazarlo. Necesitas poder demostrar el proceso. Son dos caminos distintos y el segundo es el que aguanta una revisión seria.
Dicho esto, hay algo legítimo y útil: escribir con más variedad natural. Alternar frases largas y cortas, incluir un ejemplo propio, contar algo concreto de tu experiencia. Eso baja la probabilidad de falso positivo porque hace el texto genuinamente menos predecible, y de paso lo mejora. La diferencia con lo anterior es que aquí no estás ocultando nada, estás escribiendo mejor.
Si algún día el porcentaje deja de importar, esa segunda vía te habrá servido igual. La primera no.
Qué hacer en el momento en que aparece el aviso, paso a paso.
Cómo revisar un trabajo antes de entregarlo, sin dramas.
Qué mira el detector y cómo leer el resultado frase por frase.
Todas las guías en español: detector, humanizador y puntuación.
Gratis para probar. Sin tarjeta. Mira qué frases se marcan y por qué.