El texto engañoso puede difundirse rápidamente, mientras que los lectores a menudo no tienen una forma fiable de saber si un sistema de IA contribuyó a producirlo. Los esfuerzos por marcar con una marca de agua el texto generado por IA para frenar la desinformación ofrecen una manera de hacer detectable parte de la escritura generada por máquinas, pero la señal responde a una pregunta más limitada que la de si una afirmación es verdadera.
El marcado de texto con marcas de agua cobra cada vez más relevancia, ya que la Ley de IA de la UE exige que el texto sintético contemplado por la normativa lleve un marcado legible por máquina y los desarrolladores introducen herramientas destinadas a satisfacer las necesidades de procedencia. Comprender qué puede revelar una marca de agua, cuándo desaparece y cómo se complementa con la verificación de datos ayuda a editores y lectores a utilizarla sin confundir la detección con una prueba.
¿Puede marcarse con una marca de agua el texto generado por IA para frenar la desinformación y ser realmente útil?
El marcado de texto con marcas de agua puede ayudar a identificar contenido generado por un sistema de IA participante. No puede determinar si ese contenido es verdadero, quién es su propietario, por qué se publicó ni si alguien lo modificó después de su generación.
La distinción importa porque la desinformación es un problema de afirmaciones y contexto, no solo de origen. Un pasaje con marca de agua podría resumir con precisión un documento público, repetir una afirmación falsa o combinar ambas cosas. A la inversa, un pasaje sin marca de agua podría ser un reportaje humano riguroso, una respuesta de IA de un sistema que no utiliza marcas de agua o un texto cuya señal detectable se perdió durante la edición.
Una marca de agua útil proporciona a investigadores y plataformas una pista adicional sobre la procedencia. Si un detector compatible identifica una señal, quien esté revisando una publicación sospechosa puede tener motivos para preguntar de dónde procede el texto y si se presentó de forma honesta. Eso no equivale a etiquetar automáticamente la publicación como engañosa ni a tratarla como prueba de que una persona concreta la escribió.
El Instituto Nacional de Estándares y Tecnología de EE. UU. (NIST, por sus siglas en inglés) incluye las marcas de agua entre varios enfoques técnicos para abordar los riesgos del contenido sintético, junto con el seguimiento de la procedencia, la detección y las pruebas. Este planteamiento más amplio es práctico: ningún marcador técnico por sí solo puede examinar las pruebas subyacentes de cada afirmación de un pasaje. El resultado de una detección es más útil cuando orienta un proceso de revisión en lugar de sustituirlo.
- Pregunta sobre la procedencia: ¿Contiene el texto una señal detectable asociada a un proceso de generación concreto?
- Pregunta sobre la autenticidad: ¿Se ha mantenido intacto el texto y describe su presentación con precisión su procedencia?
- Pregunta sobre la exactitud: ¿Están respaldadas sus afirmaciones fácticas por pruebas fiables en el contexto pertinente?
Estas preguntas pueden tener respuestas distintas para una misma publicación. Pensemos en un anuncio inventado que incluye texto auténtico generado por IA, pero afirma falsamente proceder de una institución pública. Una marca de agua podría ayudar a determinar que un sistema de IA generó o procesó parte del texto. Aun así, es necesario comprobar las comunicaciones oficiales de la institución para resolver la cuestión de la autoridad de la fuente.
Ese es el argumento más sólido para utilizar las marcas de agua como medida contra la desinformación: pueden reducir la incertidumbre sobre cómo se produjo cierto contenido. No convierten la procedencia en un veredicto sobre la exactitud o la intención.
Cómo funciona una marca de agua invisible en el texto
A diferencia de una etiqueta visible que diga «generado por IA», una marca de agua de texto puede integrarse en la elección de palabras o fragmentos de palabras del modelo. Para el lector, el resultado parece prosa corriente, mientras que un detector compatible busca un patrón a lo largo del texto. El método requiere disponer de suficiente texto adecuado para evaluar ese patrón.
La redacción, no los caracteres secretos
OpenAI denomina textGrain a su método de marcado de texto con marcas de agua. En sus directrices sobre procedencia, explica que el método ajusta sutilmente la forma en que un modelo elige al azar entre palabras o fragmentos de palabras posibles, dejando un patrón detectable a lo largo de un pasaje. OpenAI afirma que no se trata de un sistema que inserte caracteres ocultos, espacios invisibles o signos de puntuación inusuales en la respuesta.
Ese detalle de implementación tiene una consecuencia práctica. Buscar espacios sospechosos en un documento no es una forma significativa de comprobar este tipo de marca de agua. Tampoco revela un marcador secreto copiar el texto en un editor de texto sin formato. La detección requiere una herramienta adecuada que sepa evaluar la señal que deja el método de generación.
El NIST describe la mayoría de los métodos propuestos de marcado de texto con marcas de agua como «de cero bits». En esa terminología, la señal indica si el texto tiene una marca de agua, pero no contiene por sí misma información adicional, como la identidad del autor, la instrucción o un historial detallado de las ediciones. Por eso, una marca de agua de texto es distinta de un registro de documento que contiene información explícita sobre quién manipuló un archivo.
Qué significa el resultado de un detector
Lo más adecuado es interpretar un resultado positivo como prueba de que se ha detectado una señal en las condiciones de funcionamiento del detector, no como un relato completo de cómo se produjo el texto. OpenAI afirma que su detector está diseñado para indicar si detecta una marca de agua de OpenAI sin revelar instrucciones, conversaciones ni la identidad de un usuario. La empresa señala que investigadores aprobados y organizaciones especializadas pueden solicitar acceso; eso no significa que cualquier lector pueda comprobar cada párrafo sospechoso con un detector público.
Google ofrece otro ejemplo de trabajo en este ámbito. Su Responsible GenAI Toolkit incluye SynthID Text, descrito como una herramienta para marcar con marcas de agua y detectar texto generado por IA, con acceso para desarrolladores a través del kit y de Hugging Face. La existencia de varios sistemas no implica que un detector creado para una marca de agua vaya a reconocer otra. Quienes diseñen un flujo de verificación deben saber qué sistemas generaron el contenido y qué herramientas de detección pueden examinarlo.
Incluso cuando la detección funciona, su respuesta es limitada: se encontró una señal en el texto enviado. El paso siguiente es interpretar ese resultado teniendo en cuenta las afirmaciones de la publicación y las pruebas disponibles fuera del detector.
Qué cambia la Ley de IA de la UE para el texto generado por IA
La Ley de IA de la UE establece que los proveedores de sistemas de IA que generen texto sintético deben garantizar que los resultados estén marcados en un formato legible por máquina y puedan detectarse como generados o manipulados artificialmente. Esto ayuda a explicar por qué el marcado de texto con marcas de agua ha pasado de ser un tema de investigación a formar parte de los debates sobre productos y cumplimiento normativo. El texto legal se refiere a la detectabilidad de los resultados contemplados; no debe reducirse a la promesa de que cada texto escrito con ayuda de IA en internet llevará una insignia legible.
El 5 de octubre de 2026, OpenAI anunció que ofrecería voluntariamente el marcado de texto con marcas de agua a clientes de API de todo el mundo y, durante las semanas siguientes, para el texto de ChatGPT y Codex que cumpliera los requisitos, solo en la UE. Esas condiciones importan. Una oferta opcional para API, un despliegue de producto limitado a determinados usuarios y una implementación específica para la UE no equivalen al marcado universal de todos los resultados en todas partes.
El Parlamento Europeo también ha respaldado las marcas de agua digitales como herramienta de transparencia y protección de derechos. En su resolución del 10 de marzo de 2026, describe el marcado digital con marcas de agua como una herramienta innovadora y sólida para proteger los derechos de autor y otros derechos conexos en textos, imágenes, vídeos y audio. Una resolución que respalda una herramienta y una obligación legal de marcado tienen objetivos distintos; ninguna convierte una marca de agua en un certificado automático de derechos de autor.
Preguntas para los equipos que publican en la UE
Si una organización distribuye texto generado por IA, un buen punto de partida es trazar cómo se crea y publica ese texto. ¿Aplica un proveedor una señal legible por máquina al resultado? ¿La reescribe un flujo de trabajo editorial? ¿Muestra un sistema de gestión de contenidos una declaración? Las respuestas influyen en lo que los lectores o investigadores posteriores pueden detectar realmente, incluso cuando un proveedor ha implementado una función de marcado.
- Identificar qué sistemas de IA generan texto en el flujo de trabajo y si sus funciones de marcado están disponibles y activadas para el uso pertinente.
- Preguntar qué entiende el proveedor por un resultado detectable, por ejemplo, si el acceso al detector está restringido y si el texto editado sigue dentro de los casos de uso probados.
- Conservar las declaraciones editoriales visibles y los registros cuando aporten un contexto que la señal legible por máquina no proporciona.
Estos pasos son una lista de comprobación operativa, no un sustituto de la interpretación de los requisitos de la Ley en un caso concreto. Evitan un error de planificación habitual: tratar una marca de agua aplicada a nivel del modelo como si explicara automáticamente todas las versiones posteriores de un artículo, una publicación o una nota de prensa.
Por qué el texto breve, editado o diseñado para eludir la detección puede escapar a ella
Una marca de agua de texto depende de un patrón presente en el resultado. Si un pasaje es demasiado breve, puede haber muy pocas pruebas para que un detector lo evalúe de forma fiable. Si alguien revisa, parafrasea o traduce el texto, el patrón puede cambiar. OpenAI señala expresamente que puede ser difícil detectar de forma fiable textos breves, editados o traducidos generados con sus herramientas.
Esto es especialmente relevante para combatir la desinformación. Un lector puede encontrarse con un pie de foto recortado, una frase, un mensaje breve o una cita extraída de una publicación más extensa, en lugar del resultado original completo. Comprobar ese fragmento y no encontrar una marca de agua no demostraría que la IA no participó en la creación del material original.
La edición habitual y la eliminación deliberada son problemas distintos
Una edición legítima puede debilitar una señal sin que exista intención de engañar. Un editor puede recortar un borrador para reducir su extensión, sustituir una frase poco natural, traducirlo para otro público o combinar resultados de IA con reportajes humanos. En esos casos, el texto final puede ser más útil o preciso que el primer borrador y, al mismo tiempo, resultar más difícil de clasificar basándose únicamente en la redacción.
Un adversario tiene un incentivo distinto: mantener el mensaje convincente y dificultar la detección de su origen. Un estudio de 2024 sobre ataques adversarios contra marcas de agua sostiene que su rendimiento debe evaluarse frente a ataques de eliminación, no solo con resultados intactos. La consecuencia para su implementación es clara: una marca de agua que funciona con muestras sin modificar puede ofrecer menos protección frente a alguien que modifica deliberadamente una publicación engañosa.
El rendimiento con textos breves y la resistencia a los ataques también son prioridades de investigación. En sus comentarios al NIST, Microsoft pidió que se investigaran métodos de divulgación para el texto generado por IA que resistieran los ataques y funcionaran con textos breves. Esta petición refleja la brecha práctica entre detectar una respuesta larga y sin cambios de un modelo y evaluar los mensajes concisos que la gente suele compartir.
- Texto insuficiente: Puede que un fragmento breve no contenga suficiente información del patrón para permitir una detección fiable.
- Reescritura sustancial: Una nueva redacción puede dificultar la detección en la versión final de una marca presente en el borrador original.
- Traducción: Reformular un pasaje en otro idioma puede alterar la redacción que contenía la señal.
- Autoría mixta: Un documento compuesto por texto humano y de IA puede no permitir una conclusión sencilla sobre el documento en su conjunto.
La regla no es descartar los detectores, sino interpretar tanto los resultados positivos como los negativos teniendo en cuenta las condiciones en las que se probaron. No debe presentarse un resultado negativo como una declaración de autoría humana, especialmente cuando el texto es breve o ha pasado por manos desconocidas.
Por qué la procedencia de la IA no es una etiqueta de veracidad
Una señal detectable del origen y una afirmación fáctica verificada son tipos de información distintos. Las directrices de OpenAI sobre procedencia indican que esas señales no garantizan que el contenido sea preciso, no se haya editado, tenga un propietario legal o se presente en el contexto adecuado. Una marca de agua puede indicar que un sistema de OpenAI generó o procesó parte de un texto sin determinar si sus afirmaciones son correctas.
Imaginemos un resumen con marca de agua de un informe auténtico que omite una salvedad esencial. La marca de agua podría detectarse correctamente, aunque el resumen siguiera induciendo a error a los lectores. Pensemos ahora en una publicación escrita por una persona que afirma falsamente citar ese mismo informe. La ausencia de una marca de agua de IA sería irrelevante para determinar si la afirmación es verdadera. En ambos casos hay que comprobar la fuente, no emitir un veredicto sencillo basado en el origen.
La calidad también debe formar parte de la evaluación
Hay otra cuestión que deben plantearse los proveedores de modelos: ¿añadir una marca de agua cambia la calidad de la respuesta? Un artículo de arXiv de 2026 titulado Tinta invisible, mentiras visibles afirma que el marcado con marcas de agua puede inducir o agravar errores fácticos incluso cuando el contexto incluye pruebas. El artículo denomina a este efecto «alucinación por marcado con marcas de agua». Es una advertencia de investigación, no una base para afirmar que todos los sistemas de marcado con marcas de agua provoquen errores en cualquier situación.
La respuesta adecuada es evaluar tanto el rendimiento factual como el de detección. En un sistema que se utiliza para resumir pruebas, esto implica comprobar si los resultados con y sin marca de agua conservan los mismos hechos pertinentes, matices y citas ante instrucciones realistas. Una alta capacidad de detección no compensaría un deterioro medible del contenido en el que confían las personas.
Los editores también deben evitar expresiones que exageren el significado de una señal de origen. «Un detector encontró una marca de agua asociada a un sistema de IA» es una afirmación más limitada que «la IA fabricó esta noticia». La primera se refiere a la señal; la segunda añade juicios sobre la veracidad, la intención y la creación de toda la noticia que la señal por sí sola no puede respaldar.
Cuando una afirmación importa, compruébala con las pruebas subyacentes. Utiliza una señal de procedencia para orientar la investigación, no para darla por terminada.
Este enfoque protege frente a errores en ambas direcciones. Desaconseja descartar material preciso solo porque la IA ayudó a redactarlo y evita que el material sin marca de agua goce de una presunción de veracidad que no merece. Al responder a la desinformación, estas distinciones no son menores: determinan si la atención se centra en las pruebas o en una etiqueta potencialmente engañosa.
Marcas de agua frente a etiquetas visibles, registros de procedencia y verificación de datos
El marcado de texto con marcas de agua resulta más eficaz como parte de un sistema de transparencia más amplio. Otros enfoques responden a preguntas que un patrón de elección de palabras no puede resolver. La elección depende de si la necesidad principal es alertar al lector, conservar el historial de un contenido, evaluar una afirmación concreta o investigar una señal de generación por IA.
Utiliza la señal que corresponda a la pregunta
- Marcas de agua invisibles: Añaden una pista detectable por máquina a los resultados de modelos que cumplen los requisitos, sin depender de una insignia visible en el texto. Su utilidad depende del acceso al detector, de que se conserve la señal y del tipo de texto que se comprueba.
- Declaración visible: Informa directamente al lector de que la IA contribuyó a una obra. Puede explicar el papel humano, por ejemplo, si un editor revisó un borrador, pero quien vuelva a publicar el texto puede eliminar la declaración o presentarla de forma inexacta.
- Registros de procedencia: Registran afirmaciones sobre el origen o la manipulación del contenido en un formato diseñado para su verificación. Su valor depende de la implementación y de que la información pertinente siga disponible a medida que el contenido circula.
- Verificación de datos: Compara una afirmación concreta con las pruebas. Aborda la exactitud, algo que una marca de agua no hace, pero exige revisar la afirmación y su contexto.
C2PA es una iniciativa para crear infraestructura de procedencia en todo el ecosistema de contenidos. Sus directrices de implementación hacen referencia explícita a las acciones c2pa.watermarked.bound y a las declaraciones correspondientes que describen los algoritmos de marcado con marcas de agua utilizados en el contenido. Esto muestra una forma de describir las acciones relacionadas con las marcas de agua dentro de un marco de procedencia más amplio; no significa que todo texto con marca de agua cuente con un historial completo y verificable.
Los anuncios de C2PA de 2026 también muestran la participación de grandes plataformas, como la incorporación de TikTok a su Comité Directivo en julio de 2026 y la participación anterior de OpenAI. La participación de todo el ecosistema importa porque la procedencia resulta más útil cuando los productores y distribuidores pueden gestionar información compatible. No debe confundirse con una adopción universal en todas las plataformas y formatos de contenido.
OpenAI ha descrito un enfoque que combina estándares abiertos como C2PA, señales duraderas de marcado con marcas de agua como SynthID y herramientas de verificación para distintos tipos de contenido. La lección práctica no es elegir un único mecanismo y dar por concluido el trabajo. Un editor puede necesitar una declaración visible para los lectores, un registro para una auditoría interna y una señal legible por máquina para los flujos de detección compatibles.
Esta combinación es especialmente importante cuando el contenido cambia de formato. Una publicación en redes sociales puede incluir una cita recortada de un artículo más extenso; un boletín puede adaptar un borrador elaborado con ayuda de IA; una imagen puede mostrar una captura de pantalla de un texto. Los mecanismos disponibles para examinar cada elemento pueden ser distintos. Aun así, quien verifica los datos debe rastrear la afirmación relevante hasta una fuente subyacente fiable.
Cómo utilizar las marcas de agua de texto en un flujo de publicación
Para los editores, el objetivo no es simplemente activar una función. Se trata de hacer afirmaciones precisas sobre cómo se produjo el contenido y preservar suficiente contexto para revisarlo más adelante. Un flujo de trabajo que registre las decisiones en cada etapa resulta más útil que una insignia cuyo significado nadie en el equipo sabe explicar.
- Definir qué debe divulgarse. Diferenciar entre textos totalmente generados y usos de IA para la investigación, la edición o el formato. Si se añade una declaración junto al contenido final, debe describir la contribución real en lugar de tratar todos los usos como si fueran idénticos.
- Identificar las señales disponibles del proveedor. Preguntar si las herramientas utilizadas admiten el marcado de texto con marcas de agua, si la opción está activada, qué contenido abarca y quién puede utilizar un detector compatible. Si la función no está disponible, no afirmar que el texto resultante lleva una marca de agua.
- Conservar un historial interno. Guardar suficiente información sobre los borradores, las revisiones y las aprobaciones para explicar cómo se desarrolló el texto publicado. Ese historial puede responder a preguntas que una marca de agua de cero bits no puede resolver, sin incluir instrucciones privadas ni datos de usuarios en una etiqueta pública.
- Revisar las afirmaciones de forma independiente. Comprobar las afirmaciones importantes con el material subyacente antes de publicar. Una señal de participación de la IA no sustituye una revisión editorial de la exactitud.
- Probar el formato publicado. Considerar si los recortes, la traducción o una edición profunda cambian lo que un detector puede evaluar razonablemente. Describir la capacidad de detección en función del elemento final, no solo de una respuesta del modelo sin modificar.
- Preparar un procedimiento de corrección. Si se cuestiona una publicación, conservar la versión objeto de controversia, revisar sus afirmaciones y corregir el registro público cuando corresponda. El resultado de un detector puede contribuir a la investigación, pero no debe ser la única base de una corrección o acusación.
Esta secuencia también aclara las responsabilidades. Un proveedor de modelos puede implementar un mecanismo de marcado, mientras que el editor sigue siendo responsable de lo que una publicación afirma a sus lectores. Quien distribuye contenido y decide si marca una publicación afronta otra tarea: evaluar la señal sin revelar información privada ni dar a entender que el origen en la IA demuestra por sí solo que hubo una conducta indebida.
OpenAI señala que investigadores aprobados y organizaciones especializadas pueden solicitar acceso al detector y que la detección no revela la identidad del usuario ni sus instrucciones. Este límite en materia de privacidad es valioso, pero también significa que el detector no sirve para identificar a una persona al investigar una cuenta anónima. Los equipos deben evitar prometer a los investigadores información que el sistema no está diseñado para proporcionar.
Por último, hay que evaluar el texto después de introducir cualquier método de marcado con marcas de agua. Si el texto resulta más difícil de entender, pierde matices o contiene afirmaciones sin respaldo, el flujo de producción no ha tenido éxito por el mero hecho de que el detector reconozca la señal. La transparencia y la exactitud deberían mejorar a la vez o, al menos, medirse por separado para que una no oculte un problema en la otra.
Qué deben hacer los lectores y los investigadores ante el resultado de una marca de agua
Cuando circula un pasaje sospechoso, empieza por la afirmación que se pide creer a la gente. Localiza la publicación original si es posible, observa si la versión compartida es un fragmento o una traducción e identifica los documentos o declaraciones que podrían confirmar la afirmación. Este trabajo previo importa antes de enviar el texto a cualquier herramienta de detección, porque la forma del pasaje influye en lo que puede significar el resultado.
Si un detector adecuado informa de la presencia de una marca de agua, describe el resultado con precisión. Puede respaldar la conclusión de que un sistema de IA participante generó o procesó parte del texto. Por sí solo, no identifica a la persona que publicó el pasaje, no demuestra que cada frase se haya escrito con IA ni prueba que el supuesto acontecimiento haya ocurrido.
Si el detector no encuentra una marca de agua, evita llegar a la conclusión contraria. Puede que el material sea demasiado breve, esté editado o traducido, lo haya producido otro sistema o quede fuera del ámbito del detector. Una medida útil sería examinar el historial de publicación, los registros que lo corroboran y la fuente original de la afirmación, en lugar de buscar repetidamente un veredicto técnico que el texto disponible no puede ofrecer.
Orden práctico de revisión
- Guardar la redacción exacta y el contexto en que apareció la afirmación, incluido si se presenta como una cita, un resumen o un reportaje original.
- Encontrar la primera versión accesible y anotar las diferencias importantes entre ella y la copia que se está revisando.
- Utilizar un detector compatible solo si su cobertura y condiciones de acceso se ajustan al material examinado.
- Describir cualquier resultado de detección con precisión y, después, verificar la afirmación de fondo mediante pruebas independientes.
Este orden ayuda a evitar un error habitual: responder «¿Intervino la IA?» y dejar sin resolver «¿Es verdad?». También permite reconocer la incertidumbre. Un hallazgo puede ser útil sin ser concluyente, y una explicación pública responsable puede indicar con precisión qué pregunta se respondió y cuál sigue pendiente de investigación.
El marcado con marcas de agua ofrece una pista significativa sobre la procedencia, especialmente cuando un proveedor participante marca el texto y un detector compatible puede examinar una parte suficiente de la redacción original. Sus limitaciones son más importantes en los contenidos breves, revisados y compartidos repetidamente, precisamente donde suelen preocupar más los problemas de desinformación.
Para utilizar bien esta tecnología, combina las señales legibles por máquina con declaraciones claras, buenas prácticas de procedencia y comprobaciones de las afirmaciones subyacentes. Trata la marca de agua como el punto de partida para formular una mejor pregunta sobre el origen, no como la respuesta definitiva sobre la veracidad.
