Los laboratorios de inteligencia artificial han comenzado a implementar sistemas de marcas de agua en textos generados por modelos de lenguaje, como parte del cumplimiento con regulaciones de transparencia en contenido generado por IA. Esta medida, que responde al Código de Buenas Prácticas sobre Transparencia del Contenido Generado por IA de la Unión Europea, utiliza algoritmos que modifican la selección de palabras de manera imperceptible para lectores humanos, pero detectable mediante claves matemáticas específicas.
La tecnología detrás de estas marcas de agua se basa en versiones de SynthID-Text, un algoritmo desarrollado por investigadores en inteligencia artificial que funciona mediante elecciones de bajo riesgo entre palabras igualmente válidas. El sistema modifica la aleatoriedad con la que el modelo selecciona términos, utilizando una clave matemática que crea un patrón indetectable para el lector promedio, pero reconocible para quienes poseen la clave de decodificación. Cada plataforma utiliza su propia clave, lo que impide la existencia de detectores universales y diferencia los patrones entre distintos modelos de lenguaje.
Desde la perspectiva de implementación técnica, estos sistemas no generan latencia adicional ni costos incrementales en tokens o en las APIs. Tampoco almacenan datos personales del usuario ni información organizacional durante las sesiones de chat. Sin embargo, la efectividad de la detección depende significativamente de la longitud del texto: en textos cortos resulta difícil establecer un patrón confiable debido a la cantidad limitada de palabras disponibles. En casos de código o correcciones, la marca de agua no puede incrustarse debido a la falta de libertad en la selección de palabras, donde la precisión técnica es obligatoria.
Un aspecto crítico para directivos es que la marca de agua no funciona como una afirmación categórica, sino como una probabilidad. La detección de un patrón indica que el texto "probablemente" fue generado por el modelo, pero la ausencia de marca no garantiza que el contenido haya sido escrito por una persona. Esta limitación tiene implicaciones importantes para estrategias de verificación de contenido y cumplimiento normativo. Las organizaciones que dependen de detectar contenido generado por IA deben considerar que las traducciones incluirán marcas (dado que cada palabra es seleccionada por el modelo), pero que ciertos tipos de contenido técnico o altamente estructurado pueden evadir esta detección por razones arquitectónicas inherentes al funcionamiento de los modelos de lenguaje.
