Plumas NCC | Autenticidad y metamorfosis de la escritura con inteligencia artificial

Por: Mtro. Rodolfo Guerrero Martínez (México)

Escribir dejó de ser, para muchos, un acto solitario frente al papel en blanco. Entre el primer borrador y la versión que finalmente se publica se ha instalado un tercero silencioso: un modelo de lenguaje que sugiere reformula o directamente produce el texto.

Esta mutación plantea una pregunta que ya no es únicamente literaria, sino jurídica: ¿qué queda de la autoría cuando la mano que redacta es, en parte o en su totalidad, artificial? La respuesta exige mirar simultáneamente dos frentes que hasta hace poco corrían por separado: el régimen normativo que obliga a identificar el contenido generado por sistemas de IA y la experiencia subjetiva de quienes escriben, para quienes la autenticidad ya no se mide por el origen exclusivamente humano del texto, sino por el proceso que lo hizo posible.

(1) La transparencia como respuesta normativa

El artículo 50 de la Ley de Inteligencia Artificial de la Unión Europea, vigente desde el 2 de agosto de 2026, obliga a los proveedores de sistemas que generan contenido sintético de audio, imagen, video o texto a marcar sus resultados en un formato legible por máquina y detectable como producido artificialmente (Ley de Inteligencia Artificial de la UE, 2026).

La norma no exige una etiqueta visible al lector, sino una huella técnica que permita, a quien cuente con las herramientas adecuadas, verificar el origen del contenido; de ahí que la Comisión Europea distinga entre proveedores, obligados a incorporar el marcado desde el diseño del sistema, y desplegadores, responsables de etiquetar los ultrafalsos y los textos generados sobre asuntos de interés público que se publiquen sin revisión editorial (Comisión Europea, 2026).

Para acompañar esta obligación, cerca de 190 organizaciones —entre ellas Anthropic, Google, Meta, Microsoft y OpenAI— suscribieron el Código de Buenas Prácticas sobre Transparencia del Contenido Generado por IA, un instrumento de cumplimiento asistido que detalla medidas de marcado, detección y verificación.

Anthropic (2026) ilustra cómo se traduce esta obligación en ingeniería concreta. Su método consiste en insertar una marca de agua estadística: en cada palabra que un modelo como Claude genera, existen varias opciones igualmente plausibles, y el sistema resuelve esa elección mediante una clave criptográfica en lugar de un número aleatorio ordinario, de modo que la secuencia resultante conserva un patrón imperceptible para el lector, pero verificable por quien posee la clave.

Así mismo, la compañía subraya que esta técnica no añade caracteres ocultos, no incrementa el costo de generación ni altera la calidad del texto, y que no permite rastrear la identidad de quien lo produjo. Y, en paralelo, la empresa reconoció que sus modelos anteriores al 2 de agosto de 2026 aún están en proceso de incorporar esta capacidad, lo que evidencia que la transición regulatoria no es instantánea, sino escalonada (Anthropic, 2026).

(2) Los límites técnicos de marcar y detectar

Conviene no idealizar el marcado como una solución definitiva. La literatura técnica sobre marcas de agua textuales describe un ecosistema todavía inmaduro: los métodos varían en su capacidad de detección, en su impacto sobre la calidad del texto y, sobre todo, en su robustez frente a ataques dirigidos o accidentales, como la paráfrasis, la traducción o la edición humana posterior (Liu et al., 2024).

Una evaluación reciente hecha por Liang et al., (2025) sometió diez de los marcadores más utilizados a doce tipos de ataque confirmó que ninguno resiste de forma uniforme todas las estrategias de remoción, y que las decisiones de diseño —qué tan agresivamente se sesga la elección de palabras— generan una tensión entre robustez y naturalidad del texto. Por consiguiente, el corolario jurídico es incómodo: la obligación de marcar no equivale a la garantía de detectar, y un régimen de transparencia que dependa de una tecnología falible traslada buena parte del riesgo probatorio a quien pretenda impugnar la autenticidad de un documento.

Por otro lado, está el fracaso inverso —los detectores que intentan identificar texto generado por IA sin marca alguna— que es todavía más elocuente. De hecho, en 2023, varias herramientas de detección señalaron fragmentos de la Constitución de Estados Unidos como redactados casi con certeza por inteligencia artificial, un resultado que sus propios creadores atribuyeron a la falta de fiabilidad estructural del método, no a un error aislado (Edwards, 2023).

Por tanto, estos falsos positivos han tenido consecuencias reales en contextos educativos, donde estudiantes fueron acusados de fraude académico con base en herramientas que ni sus desarrolladores recomendaban usar como prueba concluyente tal como refiere Edwards, (2023). Para el derecho probatorio, la lección es muy clara: ni la ausencia ni la presencia de una supuesta marca algorítmica debería, por sí sola, sostener una acusación de autoría fraudulenta.

(3) La autenticidad como experiencia, no como origen

Mientras el derecho regula la trazabilidad técnica del texto, quienes escriben están redefiniendo qué significa que un texto sea propio. Un estudio de Hwang et al., (2025) con escritores profesionales que co-redactaron con herramientas de IA personalizadas y no personalizadas encontró que la autenticidad no se juega en el porcentaje de palabras que provienen de la máquina, más bien en el proceso de construcción de una voz reconocible, en el cual los autores valoraban las herramientas que impulsaban su crecimiento como escritores por encima de las que simplemente producían texto más pulido.

En tal sentido, resulta revelador subrayar que, del otro lado, los lectores encuestados en ese mismo estudio no lograran distinguir el trabajo asistido por IA del escrito en solitario, y que además mostraran una actitud favorable hacia quienes experimentan con estas herramientas (Hwang et al., 2025). La autenticidad, entonces, migra del producto al procedimiento.

Le Guellec (2026) relató su propia dependencia del chatbot para redactar artículos científicos, de cómo, al delegar la escritura, dejó de cuestionar sus propias ideas —la máquina nunca objetaba nada— y terminó produciendo textos que, aunque impecables en la forma, decían poco en el fondo; su regreso deliberado al procesador de texto sin asistencia le devolvió, en sus palabras, la posibilidad de reconocer la autoría de principio a fin.

Esta metamorfosis no es un rechazo de la tecnología, sino una reconfiguración pedagógica, es decir, programas de alfabetización en IA para educación superior muestran que combinar herramientas generativas con métodos de enseñanza reflexivos mejora la capacidad de los estudiantes para evaluar críticamente el aporte y los límites de estos sistemas, en lugar de sustituir sin más el juicio propio (Tzirides et al., 2024).

(4) Una convergencia pendiente

El marco jurídico europeo y la experiencia de quienes escriben convergen en un mismo diagnóstico, aunque lleguen a él por caminos distintos, donde la escritura asistida por IA no puede evaluarse ya bajo la dicotomía humano-máquina, sino bajo un espectro de participación que exige nuevas categorías de imputación y nuevas prácticas de cuidado autoral.

De esta manera, el derecho aporta la exigencia de trazabilidad; la experiencia de los escritores aporta la exigencia de sentido. Ninguna de las dos, por separado, agota la pregunta por la autenticidad. Juntas, sin embargo, sugieren que el futuro de la escritura no dependerá de prohibir la asistencia algorítmica, sino de construir —técnica, normativa y personalmente— los mecanismos que permitan seguir reconociendo, en medio del texto generado, una voz que responde por lo que dice.

Referencias

Anthropic. (2026). Cómo Claude marca el contenido generado por IA. Centro de ayuda de Claude. https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content

Anthropic. (2026). How Claude’s text watermarking works. https://www.anthropic.com/news/claude-text-watermark

Comisión Europea. (2026). Strong backing for the Code of Practice on Transparency of AI-generated Content. https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content

Comisión Europea. (2026). Transparency obligations under Article 50 of the AI Act. AI Act Service Desk. https://ai-act-service-desk.ec.europa.eu/en

Edwards, B. (2023). Por qué no funcionan los detectores de escritura basados en IA. Ars Technica. https://arstechnica.com/information-technology/2023/07/why-ai-detectors-think-the-us-constitution-was-written-by-ai/

Hwang, A. H.-C., Liao, Q. V., Blodgett, S. L., Olteanu, A., & Trischler, A. (2025). «It was 80% me, 20% AI»: Seeking authenticity in co-writing with large language models. Proceedings of the ACM on Human-Computer Interaction, 9(2), Artículo CSCW122. https://doi.org/10.1145/3711020

Le Guellec, B. (2026). Writing the hard way. Science, 738.

Ley de Inteligencia Artificial de la UE. (2026). Artículo 50: Obligaciones de transparencia para proveedores e implantadores de determinados sistemas de IA. https://artificialintelligenceact.eu/es/article/50/

Liang, J., Wang, Z., Ji, S., & Wang, T. (2025). Watermark under fire: A robustness evaluation of LLM watermarking. arXiv. https://arxiv.org/abs/2411.13425

Liu, A., Pan, L., Lu, Y., Li, J., Hu, X., Zhang, X., Wen, L., King, I., Xiong, H., & Yu, P. S. (2024). A survey of text watermarking in the era of large language models. ACM Computing Surveys. https://doi.org/10.1145/nnnnnnn.nnnnnnn

Tzirides, A. O., Zapata, G., Kastania, N. P., Saini, A. K., Castro, V., Ismael, S. A., You, Y., Afonso dos Santos, T., Searsmith, D., O’Brien, C., Cope, B., & Kalantzis, M. (2024). Combining human and artificial intelligence for enhanced AI literacy in higher education. Computers and Education Open, 6, Artículo 100184. https://doi.org/10.1016/j.caeo.2024.100184