Son dos preguntas distintas y conviene separarlas: pasar un detector de IA y quitar una marca de agua no es lo mismo.
Sobre los detectores, hay estudios publicados: uno de Stanford de 2023 encontró que unas instrucciones sencillas de reescritura bastaban para esquivar los siete que analizó, y otro del mismo año, de Weber-Wulff y otros autores, estudió si la traducción automática y las técnicas de ofuscación afectan a la detección. Sobre la marca de agua, una reescritura a fondo la degrada, pero comprobarlo con el texto de un modelo concreto exige un detector que no está abierto al público.
Un detector de IA mira el texto y estima. Analiza patrones —qué tan predecibles son las palabras, cómo varía la construcción de las frases— y devuelve una probabilidad. No sabe nada del origen del texto: lo deduce.
Un detector de marca de agua hace algo completamente distinto. Comprueba si el patrón de elección de palabras responde a una clave criptográfica concreta. Su respuesta también es de probabilidad: según la documentación de Google, el detector de SynthID puede devolver tres estados —marcado, no marcado o incierto—, y se ajusta con dos umbrales para fijar cuántos falsos positivos y falsos negativos se aceptan.
| Detector de IA | Detector de marca de agua | |
|---|---|---|
| Qué mira | Patrones generales del texto | La huella de una clave concreta |
| Qué devuelve | Una probabilidad | Marcado, no marcado o incierto |
| Se puede equivocar | Sí, y bastante | Sí, sobre todo si el texto se reescribe a fondo o se traduce |
| Necesita algo del fabricante | No | Sí, la clave |
| ¿Existe hoy para el público? | Sí, muchos | No, para texto: solo acceso restringido |
Esa última fila es la que lo cambia todo, y volveremos a ella.
El estudio de Stanford no probó humanizadores. Midió los propios detectores, y fallaban solos.
Lo publicaron Liang y otros autores en 2023, como artículo de opinión en la revista Patterns, de Cell Press: en 91 ensayos del examen TOEFL, escritos en inglés por personas no nativas, los siete detectores dieron una tasa media de falsos positivos del 61,3%. El detalle del estudio y sus límites están en la comparativa de detectores.
Lo que acerca ese trabajo a la pregunta de este artículo es otro resultado: unas instrucciones sencillas de reescritura bastaban para esquivar aquellos detectores, sin ninguna herramienta especializada. Los autores cierran pidiendo cautela ante su uso en contextos evaluativos o educativos.
No es el único trabajo sobre el tema. Weber-Wulff y otros autores publicaron en 2023, en el International Journal for Educational Integrity, un estudio con doce herramientas de detección públicas y dos comerciales, Turnitin y PlagiarismCheck, que analiza si la traducción automática y las técnicas de ofuscación afectan a la detección. Y en 2024 se presentó en la conferencia ACL RAID, un banco de pruebas compartido para evaluar la robustez de los detectores de texto generado por máquina.
Con los resultados de Stanford, lo que dijeran aquellos detectores en 2023 no probaba nada, ni al acusar ni al absolver. Que un humanizador «pase» un detector significa poco: en aquel estudio, para esquivarlos bastaba con pedir una reescritura.
La marca de agua no es indestructible, y lo reconoce el propio Google en su documentación técnica: la confianza del detector se reduce mucho cuando el texto se reescribe a fondo o se traduce a otro idioma. Un estudio independiente sobre SynthID Text, publicado en arXiv, llega a lo mismo y añade la paráfrasis y la traducción de ida y vuelta.
La respuesta técnica corta es que una reescritura profunda degrada la marca. Está en qué empresa marca el texto y qué no, con las fuentes.
Google y Anthropic marcan texto. OpenAI lo ha anunciado para ChatGPT en la Unión Europea, y su ayuda ya lo describe como marcado. Ninguna de las tres tiene un detector de marca para texto abierto al público. Anthropic tiene el suyo en fase privada desde el 14 de agosto de 2026, y el acceso se solicita: lo pueden pedir reguladores, policía, medios, verificadores, investigadores, centros educativos, organizaciones de la sociedad civil y empresas con obligaciones según la ley europea. OpenAI abrió el 5 de octubre solicitudes de acceso a su detector; de momento, solo para investigadores y organizaciones expertas que aprueba.
Google abrió a cualquiera el 7 de octubre, en inglés, su portal de detección de SynthID. Según synthid.com, comprueba imagen, vídeo y audio, no texto. Y el código que Google liberó en abierto solo sirve para comprobar texto marcado con una clave propia, no con las de producción.
La consecuencia: cuando una herramienta promete quitar la marca de agua, la pregunta es con qué lo ha comprobado. Sí se puede medir cómo resiste el método en general —el estudio de arXiv lo ha medido, y el código abierto de SynthID permite repetirlo con una clave propia—. Pero eso habla de la técnica, no del texto concreto de Claude o de Gemini que un cliente quiere limpiar, y para ese texto el detector es de acceso restringido.
Los textos no caducan. Lo que se publica esta semana seguirá publicado mañana, y reguladores, medios o centros educativos ya pueden solicitar acceso al detector de Anthropic, aunque el público no.
No todos los modelos de Claude marcan el texto. A 24 de octubre, la tabla de su centro de ayuda se la da a nueve: Fable 5.1, Fable 5, Mythos 5.1, Opus 5.5, Opus 5, Opus 4.8, Sonnet 5.5, Sonnet 5 y Haiku 5.5. Los nueve la ponen en la app, en la API y en las nubes de terceros (AWS, Google Cloud y Microsoft Foundry). En Amazon Bedrock, Fable 5, Opus 4.8 y Sonnet 5 llevan una nota en esa ayuda: su despliegue terminaría, a más tardar, el 23 de octubre, y la ayuda aún no decía que hubiera terminado.
Otros, como Sonnet 4.6 o Haiku 4.5, todavía no la ponen. Según la misma página, Anthropic está añadiendo la marca a lo que generan los modelos lanzados antes del 2 de agosto de 2026, sin dar fecha. De los que lance en la Unión Europea desde el 2 de agosto, dice que llevarán marcado legible por máquina desde su lanzamiento. Su tabla ya marca el texto de los cinco lanzados desde esa fecha. Nada de eso habla del texto que ya está publicado.
La marca no va en los metadatos: va en las palabras. Un texto publicado con ella la sigue llevando mientras nadie lo toque. Con retoques ligeros, según Anthropic, probablemente no se borra del todo; una reescritura en la que se cambie cada palabra sí la quita, y entre medias, como se ha visto arriba, la detección se degrada. Y quien lo compruebe dentro de un año no estará mirando lo que se sabía en 2026, sino lo que se pueda medir entonces.
El supuesto de que nadie va a mirar ya no se sostiene hoy.
El riesgo que mide el estudio de Stanford no es que los detectores dejen pasar textos de máquina: es que acusan a personas.
Si te pasa —en la universidad, en un cliente, en una revista— tres cosas ayudan:
Una recomendación práctica, nuestra: escribe en algo que guarde historial de versiones. Si algún día hay que enseñar cómo se hizo un texto, un historial con días de trabajo, cambios pequeños y fechas cuenta el proceso mejor que el documento terminado.
Todo lo anterior da por bueno un supuesto que conviene mirar de frente: que hay algo que esconder.
La marca de agua y la obligación de etiquetar son dos cosas distintas. El artículo 50.2 del reglamento europeo se dirige a los proveedores de sistemas de IA: les pide que lo que genera el sistema salga marcado en un formato legible por máquina y detectable como artificial. Etiquetar depende del 50.4: afecta al texto generado o manipulado por un sistema de IA que se publica con la finalidad de informar al público sobre asuntos de interés público, y no se aplica si ese texto ha pasado por revisión humana o control editorial y una persona física o jurídica asume la responsabilidad editorial. La marca no figura entre esas condiciones. Está desarrollado en a quién obliga de verdad la ley de etiquetado.
El humanizador tiene sentido, sobre todo, cuando se publica sin revisar y se prefiere que no se note. Y ahí el problema no es la marca de agua: es el texto.
Y hay un coste más. Un humanizador reescribe sin entender lo que reescribe. Puede cambiar una cifra, invertir un matiz o suavizar una afirmación que era exacta, y el resultado seguirá sonando bien. Si nadie lo relee después, acabas publicando algo que ni la IA escribió ni tú revisaste.
Un texto que ha pasado por un humanizador y no por una persona es más frágil que el original, no menos.
Contra los detectores de IA, el estudio de Stanford de 2023 encontró que unas instrucciones de reescritura sencillas ya bastaban para esquivar los siete que analizó, así que pasar un detector demuestra poco; el de Weber-Wulff y otros, del mismo año, estudió cómo influyen en la detección la traducción automática y la ofuscación. Contra la marca de agua, una reescritura a fondo la degrada; un estudio en arXiv lo ha medido con SynthID, pero comprobarlo con el texto concreto de Claude o de Gemini exige un detector de acceso restringido.
Es un riesgo medido. En el estudio de Stanford de 2023, los siete detectores dieron de media un 61,3% de falsos positivos con 91 ensayos escritos en inglés por personas no nativas.
La marca de agua no es una de las condiciones del artículo 50.4. Ese artículo habla del texto generado o manipulado por un sistema de IA —y un humanizador es un sistema de IA que manipula texto— que se publica con la finalidad de informar al público sobre asuntos de interés público. Su excepción exige que el contenido publicado haya pasado revisión humana o control editorial y que una persona asuma la responsabilidad editorial.
No. Para recomendar uno haría falta medir humanizadores concretos contra detectores concretos, y contra la marca de agua, comprobar el resultado con el texto de Claude o de Gemini exige un detector de acceso restringido. Esa medición no la tenemos.