La irrupción de la inteligencia artificial generativa ha abierto una nueva disputa sobre la autoría de los contenidos digitales. Textos, imágenes, vídeos y audios pueden ser hoy objeto de sospecha, pero las herramientas disponibles para aclarar su origen siguen teniendo límites importantes: los detectores trabajan con probabilidades, los sellos de autoría humana se apoyan en procesos voluntarios y los sistemas de procedencia ayudan a reconstruir el recorrido de un archivo, sin confirmar por sí solos si lo que muestra es cierto.
Según explica Marina Adami en un artículo publicado en Reuters Institute, el debate ha dejado de ser solo técnico. La sospecha de que un texto pueda estar generado por IA ya provoca acusaciones públicas contra escritores, periodistas, estudiantes o políticos, y puede afectar a su reputación profesional. La autoría se ha convertido en una nueva zona gris del periodismo, especialmente cuando algunos profesionales usan IA para ordenar notas, preparar borradores o acelerar partes del proceso de escritura.
El Reuters Institute recuerda que muchas redacciones han aprobado guías sobre el uso de inteligencia artificial, pero también advierte de que los límites no siempre son claros. Incluso en medios que prohíben expresamente publicar textos generados por IA, sigue siendo difícil para editores y audiencias saber si esa norma se cumple. Además, los rasgos que suelen atribuirse a la escritura sintética —estructuras repetitivas, determinados giros o frases previsibles— también pueden aparecer en textos humanos.
Una de las respuestas más extendidas son los detectores de IA, herramientas que analizan patrones lingüísticos y devuelven una probabilidad sobre el origen de un texto. El artículo cita el caso de Pangram, un sistema que afirma alcanzar una precisión del 99,98% y que suele obtener buenos resultados en evaluaciones independientes. Sin embargo, el Reuters Institute subraya que incluso las herramientas más precisas funcionan de forma probabilística y no pueden “saber” con certeza quién ha escrito un texto.
El problema se agrava cuando estos sistemas se usan para juzgar casos individuales. Alexios Mantzarlis, cofundador de Indicator, realizó una prueba adversarial con 588 muestras generadas por IA diseñadas para explotar debilidades del detector Pangram. Según el análisis citado por el Reuters Institute, el sistema etiquetó erróneamente como humanos textos generados por IA en el 86% de los casos. El riesgo no está solo en el fallo técnico, sino en sus consecuencias personales, especialmente si se emplea para despidos, sanciones académicas o campañas de señalamiento público.
Mantzarlis sostiene que los detectores pueden ser útiles cuando se aplican a grandes volúmenes de contenido, por ejemplo para estimar cuánta producción de una redacción o una universidad podría estar asistida por IA. Pero considera peligroso utilizarlos como prueba única contra una persona concreta. En esos casos, propone combinarlos con otros indicios: comparar el texto con trabajos anteriores, hablar con el autor sobre su proceso de escritura o revisar el historial documental de la pieza.
Otra vía que analiza el Reuters Institute es la certificación voluntaria de autoría humana. Es el caso de ProudlyHuman, una organización fundada por Alan Finkel, exjefe científico de Australia, y Trevor Woods. Su propuesta consiste en certificar obras, textos, materiales académicos, piezas visuales, música o pódcast como contenidos creados por humanos, siempre que superen un proceso de verificación y que el autor declare que no ha usado IA generativa más allá de un nivel mínimo.
El sistema de ProudlyHuman combina comprobaciones de identidad, declaración del autor, análisis mediante herramientas de detección y revisión humana en los casos dudosos. Si el contenido no supera el proceso, la organización no acusa al solicitante de haber usado IA, sino que indica que no ha podido confirmar que la obra sea humana. La certificación busca evitar falsas acusaciones, pero tampoco elimina la incertidumbre, porque depende de normas propias, de tecnología imperfecta y de la confianza en el proceso.
El artículo también menciona otros sellos, como No AI Movement o Books by People, que ofrecen fórmulas para identificar contenidos no generados por IA. Pero la coexistencia de múltiples etiquetas, cada una con sus criterios y niveles de auditoría, puede dificultar que el público entienda qué garantiza realmente cada certificación. Hasta que no exista un estándar ampliamente reconocido, estos sistemas corren el riesgo de ser útiles para nichos concretos, pero poco claros para la audiencia general.
La tercera línea de respuesta es la procedencia del contenido, especialmente en imagen, vídeo y audio. El Reuters Institute analiza el sistema Content Credentials, impulsado por la Coalition for Content Provenance and Authenticity, de la que forman parte empresas y organizaciones como Adobe, Amazon, BBC, Google, Meta, Microsoft y OpenAI. Este sistema incorpora metadatos criptográficos a los archivos para indicar quién los creó, con qué dispositivo, cuándo fueron capturados y qué ediciones han recibido.
Andy Parsons, responsable global de autenticidad de contenidos en Adobe y miembro del comité directivo de C2PA, explica que estas credenciales funcionan como una pieza de información adjunta de forma permanente al archivo. Pueden añadirse desde algunos dispositivos de captura, como determinados teléfonos Pixel de Google o cámaras de fabricantes como Canon, Sony y Leica, y también durante el proceso de edición en herramientas como Photoshop. La procedencia ayuda a evaluar un archivo, pero no prueba que sea verdadero.
El artículo advierte de varias limitaciones. Las credenciales solo aparecen cuando las empresas o dispositivos implicados las incorporan; todavía son poco frecuentes en muchas imágenes online; pueden perderse al subir archivos a determinadas plataformas; y no se transfieren de forma automática si alguien hace una captura de pantalla. Además, una imagen real también puede usarse de forma engañosa si se presenta fuera de contexto, como ocurre cuando fotografías de conflictos anteriores se reutilizan para ilustrar hechos actuales.
El Reuters Institute concluye que los detectores, las certificaciones de autoría humana y los sistemas de procedencia pueden aportar señales útiles, pero no sustituyen al juicio editorial ni a la verificación periodística. Ninguna de estas herramientas ofrece una respuesta simple de sí o no. En un ecosistema donde la IA generativa se integra cada vez más en los procesos de creación, la cuestión central ya no es solo detectar máquinas, sino construir métodos de transparencia que permitan evaluar mejor el origen, el proceso y la fiabilidad de cada contenido.
