por Cuando se habla de una marca de agua en un texto de IA, es fácil imaginar una etiqueta escondida dentro del archivo. Algo parecido a los datos de una fotografía, pero pegado a cada respuesta de un chat. En algunos sistemas no funciona así: la señal está en cómo se eligen las palabras, no en una línea invisible que podamos encontrar con el editor.
Esto importa porque estamos mezclando preguntas diferentes. Una es si un proveedor dejó una señal reconocible en su salida. Otra es si un detector sospecha que un texto parece generado. Y otra, bastante más difícil, es quién redactó, revisó y se responsabiliza del documento que estamos leyendo.
No utilizaría una de esas respuestas como sustituto automático de las otras.
Una marca estadística no es una palabra secreta
Un modelo puede tener varias continuaciones razonables para una frase. Un sistema de marcado puede introducir un patrón en determinadas decisiones de generación y comprobar después si una secuencia encaja con él. La señal no tiene que ser visible como un sello al final del párrafo.
La documentación de SynthID Text y su implementación pública describen un enfoque de marcado durante la generación. La configuración y el detector forman parte del sistema. No basta con buscar un carácter particular en el resultado.
Podemos pensar en dos textos que comunican los mismos datos y utilizan palabras distintas. Que una elección encaje en un patrón de generación no implica que su significado sea diferente. El problema de verificación consiste en acumular evidencia suficiente, no en encontrar una única palabra que delate todo el documento.
Por eso no tendría sentido afirmar que una frase con «sin embargo» contiene una marca. Ese conector lo utilizan personas y modelos, y no es una clave universal de procedencia.
Qué ha explicado Anthropic sobre Claude
Anthropic publicó una explicación de su marcado de texto en agosto de 2026. Describe una variante de SynthID Text, sin caracteres añadidos, y aclara que su señal no identifica a una persona o conversación concreta.
También distingue esa comprobación de los detectores que no disponen de la clave del sistema. La descripción del proveedor tiene un alcance concreto: no demuestra que todos los textos de todas las versiones o servicios se puedan verificar de la misma forma.
Antes de utilizar una afirmación sobre un proveedor, miraría qué versión, formato y procedimiento está describiendo. No extrapolaría una característica de Claude a cualquier texto producido por otra herramienta.
Marcas de agua, metadatos y C2PA
En una imagen o un archivo podemos encontrar datos de procedencia. Los metadatos pueden indicar herramientas utilizadas, actuaciones sobre el archivo o información asociada a su creación. Una marca embebida en el contenido es otra cosa, aunque ambas técnicas puedan combinarse.
C2PA establece mecanismos para registrar y verificar credenciales de contenido. Esas credenciales permiten comprobar determinadas afirmaciones y su integridad. No convierten automáticamente en verdadera una escena, una noticia o cada frase de un documento.
Una fotografía auténtica puede mostrar algo fuera de contexto. Una imagen generada puede utilizarse como ilustración correctamente identificada. La procedencia ayuda a entender el recorrido del archivo, pero sigue haciendo falta interpretar lo que representa.
También debemos comprobar qué datos incluye una credencial concreta. No todos los formatos, emisores y herramientas registran lo mismo. La ausencia de una credencial no demuestra que un archivo sea falso, y su presencia no resuelve por sí sola quién tiene derechos sobre él.
Un detector de IA no comprueba necesariamente una marca
Un servicio que devuelve una puntuación de «texto generado» puede estar analizando patrones de estilo o características estadísticas sin verificar una señal introducida por el modelo. Eso es diferente de disponer de un mecanismo de marcado y del detector adecuado para ese mecanismo.
La distinción no es sólo una cuestión de nombres. Si el sistema estima similitud con una clase de textos, su resultado debe interpretarse como una estimación dentro de las condiciones de esa herramienta. No podemos convertirlo en una prueba universal simplemente cambiando el porcentaje por la palabra «certeza».
Un texto técnico con vocabulario repetido, una traducción o una explicación escolar muy estandarizada pueden parecerse a otros documentos por razones distintas. Para evaluar un detector tendríamos que conocer cómo se comporta con ese tipo de material, no sólo ver una demostración con un párrafo escogido.
Me parece especialmente importante cuando una puntuación se utiliza para acusar a alguien de entregar trabajo ajeno. Ahí no basta con una captura de una página que diga que el texto «parece IA».
Qué debería preguntar antes de confiar en un resultado
Primero, qué está comprobando la herramienta. ¿Verifica una marca de un proveedor concreto, lee una credencial de archivo o clasifica el estilo del texto? Si esa pregunta no tiene respuesta, el porcentaje por sí solo aporta poco.
Después, qué significa un resultado positivo y uno negativo en ese sistema. Una señal compatible con cierta generación no reconstruye todas las ediciones que ha recibido un documento. Un resultado negativo tampoco demuestra necesariamente que todo lo haya escrito una persona.
Y finalmente, con qué materiales se ha evaluado. Idioma, longitud, género del texto y condiciones de uso importan para interpretar la evidencia. No daría por válida una conclusión sobre documentación técnica en español porque el servicio muestre ejemplos de redacciones largas en otro idioma.
Para trabajos importantes, conservar el historial, los datos y las fuentes utilizadas puede aportar mucho más contexto. Un borrador, una revisión y los archivos de una prueba permiten explicar cómo se ha construido el contenido. Una puntuación aislada no cuenta ese recorrido.
Escribir con naturalidad no significa perseguir al detector
Los guiones, las frases demasiado simétricas o las conclusiones que repiten el índice pueden hacer que un texto suene artificial. Corregirlos puede mejorar la lectura, pero no equivale a verificar o eliminar una marca estadística.
Si un párrafo está inflado, lo acortamos porque sobra texto. Si una explicación no tiene un ejemplo útil, lo añadimos porque ayuda al lector. Si un comando está mal, lo corregimos porque no funcionaría. Son decisiones editoriales con valor propio, no una estrategia para convencer a una página de clasificación.
Me preocuparía más un tutorial con una prueba inventada que uno redactado con ayuda y revisado de verdad. La herramienta utilizada no nos da permiso para fingir que hemos medido un resultado, ni la ausencia de una marca vuelve cierto un dato falso.
¿Puede afectar a un blog y a su SEO?
No confundiría detectar procedencia con decidir la calidad de una página. La orientación de Google Search sobre contenido de IA insiste en precisión, utilidad y revisión, y advierte del contenido producido a escala sin valor añadido.
Esa documentación no establece una regla universal según la cual una marca de agua específica determine por sí sola la posición de un artículo. Tampoco nos garantiza que utilizar una herramienta u otra mejore el posicionamiento.
Para un blog, las comprobaciones que podemos hacer son bastante más concretas: resolver la pregunta del lector, verificar las fuentes, conservar ejemplos reproducibles, revisar las imágenes y evitar publicar variantes de la misma respuesta sólo para tener más páginas.
Si la entrada dice que un programa funciona de cierta manera, lo importante es que ese comportamiento esté bien explicado y contrastado. Añadir una fecha reciente, alargar la conclusión o cambiar signos de puntuación no arregla un procedimiento incorrecto.
Lo que conservaría al trabajar con estos contenidos
Guardaría las fuentes consultadas, el texto revisado y el alcance de las pruebas, sin incluir credenciales o información de otras personas. Para imágenes y capturas, conservaría también su origen y sus condiciones de uso. No necesitamos mostrar todos esos archivos dentro del artículo para mantener un proceso verificable.
Separaría igualmente una traducción, una corrección de estilo y la generación de un documento nuevo. Son formas de intervención distintas y no tiene sentido describirlas todas con la misma etiqueta sin más contexto.
Las marcas de agua y las credenciales pueden ser herramientas útiles. El error está en pedirles que demuestren cosas para las que no están diseñadas. Saber de dónde puede venir una salida es una parte de la evaluación, no el final de la conversación sobre su calidad o responsabilidad.
