Los detectores de IA prometieron ayudarnos a descubrir si un trabajo había sido escrito por un estudiante o por una máquina. Pero mientras seguimos intentando responder esa pregunta, la inteligencia artificial está haciendo que tengamos que formular otra bastante más importante: ¿qué hizo, qué entendió y qué puede defender el alumno por sí mismo?
Un docente recibe treinta trabajos. Abre el primero y está impecable, bien escrito, buenos argumentos, estructura clara, fuentes ordenadas. Quizás demasiado impecable, y entonces aparece una duda que hace dos o tres años prácticamente no existía: ¿esto lo escribió el alumno o lo hizo con inteligencia artificial?
La reacción fue bastante lógica. Si la IA puede producir un ensayo, resolver un problema o mejorar enormemente un texto, necesitamos alguna forma de saber cuándo intervino, y es por eso que aparecieron detectores, porcentajes de “contenido generado por IA”, historiales de versiones y distintas estrategias para intentar reconstruir qué pasó antes de que ese trabajo llegara al escritorio del docente.
El problema es que estamos intentando resolver una situación nueva con una pregunta demasiado binaria, porque entre “lo hizo el alumno” y “lo hizo la IA” hoy existen muchísimas posibilidades. Un estudiante pudo haber usado IA para buscar ideas, entender un concepto, pedir una explicación, revisar un argumento, corregir la redacción, cuestionar una conclusión o generar directamente buena parte del trabajo. En todos esos casos hubo IA, pero claramente no ocurrió el mismo aprendizaje.
Los detectores de IA intentan responder una pregunta que cada vez es más difícil
Los detectores de inteligencia artificial no funcionan como un detector de plagio que encuentra una coincidencia entre un texto y una fuente existente. Analizan determinadas características del contenido y estiman la probabilidad de que haya sido generado por IA. Esa diferencia importa porque estamos hablando de una inferencia, no de una prueba directa.
La discusión sobre sus limitaciones ya lleva tiempo, pero durante 2026 aparecieron nuevas investigaciones y recomendaciones institucionales que vuelven a ponerla sobre la mesa. Un artículo publicado este año en Journal of Higher Education Policy and Management, por ejemplo, cuestiona su uso para tomar decisiones educativas por los problemas de confiabilidad, falsos positivos y justicia procedimental. La University of Kentucky también recomienda no utilizar detectores de IA con fines de evaluación y advierte que su eficacia cambia a medida que evolucionan los propios modelos generativos.
Hay además un problema conceptual: un texto ya no necesariamente es humano o artificial, puede ser ambas cosas.
Un alumno puede escribir un borrador, pedir feedback a una IA, aceptar dos sugerencias, rechazar otras tres, reescribir una parte, pedir ayuda con una fuente y después modificar nuevamente el resultado. Intentar reducir todo ese proceso a un porcentaje que diga “82% IA” no nos cuenta demasiado sobre lo que realmente ocurrió.
Un buen trabajo ya no necesariamente demuestra por sí solo todo lo que creemos
Durante muchísimo tiempo usamos el producto final como una de las principales evidencias de aprendizaje. Si un estudiante podía escribir un buen ensayo, resolver correctamente un problema o producir una presentación sólida, asumíamos razonablemente que detrás de ese resultado había determinadas capacidades.
La inteligencia artificial vuelve esa inferencia bastante más compleja. Un alumno puede entregar un excelente texto sin poder explicar su argumento. Otro puede utilizar IA durante todo el proceso y, sin embargo, haber investigado, comparado, cuestionado, corregido y aprendido muchísimo mientras trabajaba.
Por eso el problema no se resuelve simplemente prohibiendo la herramienta ni intentando determinar si estuvo presente.mLo que necesitamos recuperar es visibilidad sobre el proceso.
Si queremos saber qué aprendió un alumno, empieza a ser mucho más relevante entender cómo llegó a ese resultado: qué sabía al comienzo, qué decisiones tomó, dónde se equivocó, qué ayuda necesitó, qué cambió después de recibir feedback y qué puede explicar o defender cuando el trabajo ya está terminado.
Esto no significa documentar cada tecla que presiona un estudiante ni convertir la escuela en un sistema de vigilancia. De hecho, una investigación reciente sobre detectores advierte que exigir registros exhaustivos del proceso también puede generar problemas y modificar la manera en la que los estudiantes trabajan por miedo a ser acusados. La diferencia entre hacer visible el aprendizaje y vigilar al alumno importa muchísimo.
Si la IA está permitida, saber que se usó es apenas el comienzo
Imaginemos una actividad en la que la escuela permite utilizar inteligencia artificial.
Un alumno entrega un trabajo y sabemos con certeza que usó IA.¿Y ahora qué? Todavía no sabemos si la utilizó para reemplazar todo el trabajo o para mejorar algo que había pensado previamente. No sabemos si aceptó automáticamente cada respuesta o si cuestionó algunas. Tampoco sabemos si podría explicar la conclusión a la que llegó, defender sus decisiones o resolver mañana un problema similar sin el mismo nivel de ayuda.
Por eso creemos que una evaluación adaptada a la era de la IA necesita combinar distintas evidencias.
Un borrador inicial puede mostrar desde dónde partió el alumno; una entrega intermedia puede hacer visible cómo evolucionó una idea; una breve reflexión puede explicar qué ayuda pidió y qué decisiones tomó; una conversación con el docente puede revelar si entiende aquello que presentó.
En algunos casos servirá un portfolio, en otros una defensa oral, una actividad presencial o simplemente una pregunta adicional después de la entrega.
No se trata de sumar burocracia a cada tarea, sino de elegir, según lo que queremos enseñar, qué evidencia necesitamos para saber si ese aprendizaje efectivamente ocurrió.
Esta conversación ya está apareciendo en universidades. La University of Michigan, por ejemplo, propone incorporar momentos del proceso, como propuestas, bibliografías comentadas, borradores y reflexiones breves, para que el pensamiento del estudiante no aparezca únicamente representado por el producto final.
Para nosotros, ahí está uno de los cambios más importantes que trae la IA a la evaluación: el resultado sigue importando, pero cada vez necesita más contexto.
La industria también está empezando a cambiar la lógica: de detectar a marcar el origen
Hay otra transformación interesante ocurriendo fuera de las escuelas.
Hasta ahora, gran parte de la conversación giró alrededor de tomar un contenido terminado e intentar determinar después si había sido generado con inteligencia artificial. Pero algunas empresas están empezando a incorporar señales de procedencia desde el momento en que el contenido se genera.
Anthropic, por ejemplo, implementó en modelos compatibles de Claude marcas de agua legibles por máquina en el texto generado y Credenciales de Contenido C2PA en determinados archivos. La marca puede viajar con un texto cuando se copia y pega, mientras que los archivos compatibles pueden incorporar metadatos firmados sobre su procedencia.
La propia compañía aclara algo que para educación es fundamental: detectar una de esas marcas puede indicar que el contenido fue procesado por Claude, pero no demuestra quién tuvo la idea original, cuánto modificó una persona después ni qué parte del trabajo intelectual hizo cada uno.
Ahora bien, la ausencia de una marca tampoco permite concluir automáticamente que no hubo IA, es una distinción muy útil.
Podemos empezar a resolver mejor el problema de saber de dónde salió un contenido. El desafío educativo es más grande: entender qué pasó durante el proceso de construirlo.
En Auroria creemos que el docente NO debería tener que jugar a ser detective
Esta problemática también forma parte de cómo diseñamos Auroria.
Cuando un estudiante trabaja con Auroria y luego descarga o copia el contenido generado durante esa interacción, ese contenido lleva una marca verificable que permite al docente identificar que fue realizado con intervención de la plataforma.
La lógica detrás de esta decisión es bastante simple: si una escuela decide incorporar inteligencia artificial, la propia tecnología debería ser transparente sobre su participación. No tiene demasiado sentido darle al alumno una herramienta y después obligar al docente a intentar adivinar si la utilizó.
Pero para nosotros esa trazabilidad resuelve solamente una parte del problema. Saber que Auroria intervino no demuestra que el alumno aprendió, del mismo modo que saber que utilizó un libro, una calculadora o recibió ayuda de un docente tampoco lo demuestra automáticamente.
Lo que sí hace es eliminar una parte de la incertidumbre para que podamos concentrarnos en una pregunta pedagógicamente mucho más interesante: ¿qué hizo el alumno con esa ayuda?
Ahí aparece nuevamente una diferencia importante entre diseñar una IA para producir resultados y diseñarla desde la educación. No alcanza con pensar qué puede generar la herramienta. También tenemos que pensar qué información necesita el docente, qué decisiones queremos hacer visibles y cómo preservamos su capacidad para interpretar el proceso de aprendizaje.
Evaluar con IA no significa evaluar como si la IA no existiera
Quizás durante los primeros años de inteligencia artificial generativa tenía sentido concentrar buena parte de la energía en descubrir quién la estaba usando. Era una tecnología nueva, las reglas todavía no estaban claras y muchas instituciones estaban intentando entender qué hacer.
Pero estamos entrando en otra etapa. La IA ya puede formar parte legítima de una actividad, y por eso la evaluación no puede seguir dependiendo únicamente de una división entre “trabajo humano” y “trabajo hecho con IA”.
Para un docente, empieza a ser mucho más útil poder responder otras preguntas:
- ¿el alumno entiende lo que entregó?
- ¿puede explicar cómo llegó hasta ahí?
- ¿qué decisiones tomó?
- ¿qué ayuda necesitó?
- ¿qué sugerencias aceptó y cuáles rechazó?
- ¿puede aplicar lo aprendido en otro contexto?
- ¿qué parte todavía no puede hacer sin asistencia?
No hace falta convertir cada evaluación en una investigación forense. Hace falta volver a poner la evidencia al servicio de aquello que realmente queremos conocer.
La escuela no necesita saber solamente si hubo IA, necesita entender qué hizo el estudiante, qué entendió y qué parte del camino todavía necesita aprender a recorrer.
Y quizás ahí esté el cambio más interesante: dejar de utilizar toda nuestra energía para intentar descubrir si una máquina participó del resultado y empezar a diseñar experiencias en las que el aprendizaje del alumno vuelva a ser visible.
Sobre Auroria
Auroria es una plataforma argentina de inteligencia artificial pedagógica diseñada para acompañar a estudiantes, docentes, equipos directivos y familias.
La construimos desde la lógica de la escuela, por eso no pensamos solamente en qué puede hacer la inteligencia artificial frente al alumno, sino también en qué necesita saber el docente para acompañar su proceso. Cuando un estudiante copia o descarga contenido realizado con Auroria, ese contenido incorpora una marca verificable que permite identificar la intervención de la plataforma.
Para nosotros, la transparencia sobre el uso de IA no reemplaza la evaluación pedagógica. La hace posible desde un lugar mucho más informado: menos adivinación sobre si hubo inteligencia artificial y más visibilidad para entender qué hizo y qué aprendió el estudiante.
---
Preguntas frecuentes sobre detectores de IA y evaluación
¿Los detectores de IA pueden saber con certeza si un alumno usó ChatGPT u otra inteligencia artificial?
No. Los detectores de IA suelen analizar características estadísticas o lingüísticas del texto y estimar la probabilidad de que haya sido generado por inteligencia artificial. Sus resultados pueden incluir falsos positivos y falsos negativos, por lo que distintas investigaciones e instituciones educativas desaconsejan utilizarlos como prueba concluyente de autoría o conducta académica.
¿Cuál es la diferencia entre un detector de IA y una marca de procedencia?
Un detector analiza un contenido terminado e intenta inferir si fue generado con IA. Una marca de procedencia se incorpora al contenido desde la propia herramienta que participó en su generación o procesamiento. Por ejemplo, modelos compatibles de Claude incorporan marcas de agua en texto y credenciales C2PA en determinados archivos.
¿Una marca de agua demuestra que un alumno no hizo el trabajo?
No. Una marca puede aportar información sobre la intervención de una herramienta, pero no demuestra cuánto del razonamiento, las ideas o la edición corresponden al estudiante. Anthropic, por ejemplo, advierte expresamente que una marca de Claude no confirma por sí sola la procedencia completa de un contenido. En Auroria partimos de esa misma distinción: nuestra marca permite verificar que la plataforma intervino, pero esa información no reemplaza la evaluación que hace el docente sobre qué entendió, decidió y produjo el alumno.
¿Cómo puede un docente saber si un alumno aprendió cuando utilizó IA?
No existe una única evidencia suficiente para todos los casos. Según el objetivo de aprendizaje, pueden utilizarse borradores, entregas parciales, reflexiones sobre el proceso, conversaciones con el docente, defensas orales, portfolios o actividades en las que el estudiante deba explicar y aplicar aquello que presentó. Por eso una IA diseñada para educación no debería limitarse a producir respuestas: también debería ayudar a que el proceso de aprendizaje siga siendo visible para el docente.
¿Conviene pedir siempre historial de versiones para comprobar si un alumno hizo el trabajo?
No necesariamente. El historial puede aportar información sobre el proceso, pero no debería tratarse como prueba infalible de autoría. Investigaciones recientes señalan además que herramientas de IA pueden generar y editar documentos progresivamente, y que una supervisión excesiva del proceso puede afectar la confianza y la experiencia educativa.
¿Usar IA en un trabajo significa que hubo trampa?
No necesariamente. Depende de la política de la institución, de las reglas establecidas para esa actividad y del uso concreto que haya hecho el estudiante. La IA puede estar permitida para investigar, recibir feedback, practicar o revisar un trabajo, por ejemplo. Por eso las consignas deberían dejar claro qué usos están permitidos, qué debe seguir haciendo el alumno y qué evidencia de aprendizaje espera observar el docente.
¿Cómo verifica Auroria si un contenido fue realizado con su plataforma?
Cuando un estudiante copia o descarga contenido generado durante una interacción con Auroria, el material incorpora una marca verificable que permite al docente identificar que hubo intervención de la plataforma. La intención no es vigilar al estudiante, sino hacer transparente la participación de la IA y darle al docente una información que puede interpretar junto con otras evidencias del proceso de aprendizaje.
¿Qué debería cambiar en la evaluación escolar con la llegada de la IA?
Además del producto final, las escuelas pueden incorporar evidencia del proceso cuando sea relevante para el objetivo pedagógico: razonamiento, decisiones, revisiones, explicaciones y capacidad de aplicar o defender lo aprendido. La llegada de la IA no debería empujarnos a vigilar más, sino a diseñar mejores maneras de hacer visible el aprendizaje.
Fuentes
Report of MIT’s Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training. MIT, agosto de 2026.
Pearce, B. y Webber, C. Heads we win, tails you lose: AI detectors in education. Journal of Higher Education Policy and Management, 2026.
University of Kentucky, Center for the Enhancement of Learning and Teaching. AI Detectors: Evidence and Recommendations for Use in Education.
University of Michigan, Learning and Teaching Consulting. If ChatGPT Writes it, Did the Student Learn It? 4 Practical Ways to Keep Essay Assessment Authentic, 2026.
Anthropic. Cómo Claude marca el contenido generado por IA, documentación oficial actualizada en septiembre de 2026.
