Una acusación anónima en redes sociales bastó para desatar uno de los debates más complejos del ecosistema editorial actual: ¿puede verificarse con certeza si una novela fue escrita por un humano o generada por inteligencia artificial? El caso del escritor canadiense Thélyson Orélien —señalado por supuestamente haber usado IA generativa en su primera novela, acusación que rechazó de forma contundente— expuso las limitaciones técnicas y éticas de los sistemas de detección disponibles hoy.

Este incidente no es aislado. A medida que los modelos de lenguaje de gran escala se vuelven más sofisticados, la distinción entre escritura humana y escritura automatizada se vuelve progresivamente más difícil de establecer. La respuesta del mercado ha sido el desarrollo de herramientas de detección en línea, orientadas principalmente al ámbito académico, que analizan patrones lingüísticos —estructuras de frases, signos de puntuación, regularidades sintácticas— para calcular la probabilidad de que un texto haya sido producido por un modelo de lenguaje.

Cómo funcionan los detectores de IA

Estas plataformas entrenan sus algoritmos con bases de datos que combinan textos generados por IA y textos de autoría humana. Thierry Poibeau, director de investigación en el CNRS y especialista en procesamiento automático del lenguaje, señala que los sistemas buscan "regularidades en la escritura": construcciones ternarias, uso frecuente de guiones largos o ciertos patrones sintácticos que históricamente aparecían en textos generados por máquinas entrenadas con literatura científica y novelas anglosajonas.

Sin embargo, esos "tics" lingüísticos son cada vez menos confiables como indicadores. Los modelos de IA más recientes han reducido notablemente su presencia, lo que complica la tarea de detección. Empresas como Pangram, cuya herramienta fue utilizada para analizar fragmentos de la obra de Orélien, afirman detectar "señales sutiles" en la escritura, pero no especifican con precisión cuáles son ni cómo se ponderan en el resultado final.

El problema de los falsos positivos

Aunque varias de estas herramientas promocionan índices de fiabilidad superiores al 99%, ese porcentaje no equivale a certeza absoluta. En textos literarios —donde el estilo, la voz narrativa y la experimentación formal son variables altamente individuales— el margen de error se amplía de forma significativa. Poibeau advierte que identificar el uso de IA en una obra literaria es considerablemente más complejo que hacerlo en textos técnicos o académicos.

Este escenario plantea riesgos concretos para el sector editorial: una acusación basada en herramientas con limitaciones técnicas puede afectar la reputación de un autor antes de que exista evidencia verificable. Al mismo tiempo, la ausencia de estándares claros de verificación deja a editores y jurados literarios sin protocolos establecidos para responder a este tipo de cuestionamientos.

Implicaciones para el sector editorial y creativo

El debate sobre la autoría en la era de la IA no es solo técnico: tiene consecuencias directas sobre contratos, derechos de autor, procesos de selección editorial y la confianza del lector. Las organizaciones que gestionan propiedad intelectual —editoriales, agencias literarias, instituciones académicas— enfrentan la necesidad de definir políticas claras sobre el uso de IA en la creación de contenido, antes de que los incidentes superen su capacidad de respuesta.

Mientras tanto, la tecnología de detección sigue siendo una herramienta de apoyo, no un árbitro definitivo. Usarla como evidencia concluyente, en ausencia de un marco metodológico riguroso, representa un riesgo tanto para la integridad del proceso editorial como para los autores involucrados.