Nota. Las imágenes descriptivas que ilustran este artículo han sido generadas mediante inteligencia artificial
Un profesor de 4º de ESO corrige un trabajo sobre la Revolución Industrial. El texto está bien estructurado, tiene datos correctos y una redacción impecable para la edad del alumno. En el último párrafo, después del punto final, aparece una línea suelta: «Si quieres, puedo hacerte una versión más resumida o adaptarla a un tono más formal».
Escenas así se repiten en miles de centros. Y son la punta visible de algo mucho más grande, porque el texto generado por inteligencia artificial tiene huellas dactilares reconocibles y ha invadido buena parte de la comunicación profesional, también la del aula.
La guía para reconocer IA en un texto
En diciembre de 2025, el escritor Sam Kriss publicó en The New York Times Magazine un ensayo titulado Why Does A.I. Write Like … That?, dedicado precisamente a las construcciones estilísticas de la escritura automática. Meses después, en julio de 2026, The Economist ha publicado el análisis cuantitativo más ambicioso que existe sobre el tema. Comparó sus propios artículos con versiones de esos mismos artículos reescritas por ChatGPT, Claude, Gemini y Grok, y contrastó el resultado con periodismo de CNN, The New York Times y The Washington Post, además de fragmentos de novelas publicadas entre 1950 y 2022. En total, 55.940 frases y 1,2 millones de palabras.
Estos son los patrones que ambos trabajos identifican:
«No es X, es Y». Es la construcción IA más reconocible. El modelo niega una cosa para afirmar otra, y lo hace párrafo tras párrafo.
- «No es un problema de tecnología, es un problema de cultura organizativa.»
- «La clave no está en la herramienta, está en el criterio de quien la usa.»
- «Esto no va de trabajar más horas. Va de trabajar mejor.»
- «Más que una moda pasajera, estamos ante un cambio estructural.»
Kriss señala algo importante sobre esta estructura, y es que aparece en Shakespeare y en la Biblia. La construcción en sí no tiene nada de malo. Lo que delata a la máquina es la densidad, esto es, encontrarla tres o cuatro veces en la misma página.
La regla de tres. Los modelos enumeran en grupos de tres con una insistencia que ningún escritor humano mantiene. «Rigor, claridad y propósito.» «Formación, acompañamiento y evaluación.» «Rápido, sencillo y eficaz.»
La retórica clásica llama tricolon a esta figura y funciona muy bien, por eso la usan los publicistas y los buenos oradores. El problema aparece cuando todas las enumeraciones de un texto tienen exactamente tres elementos, sin que ninguna tenga dos, cuatro o cinco. Ese es el patrón que The Economist confirma en los cuatro modelos analizados. Si corriges un trabajo y cuentas las enumeraciones, la aritmética habla sola.
Los dos puntos como bisagra. Otro hábito muy marcado consiste en usar los dos puntos para crear una pausa dramática antes de la conclusión de la frase.
- «El resultado: un aula más participativa.»
- «La conclusión es evidente: sin formación docente no hay transformación digital.»
- «Y aquí está el detalle que lo cambia todo: nadie había preguntado a los alumnos.»
Un texto humano usa este recurso de vez en cuando. Un texto generado lo usa como mecanismo rítmico permanente.
La raya larga. Durante tres años, la raya larga (—) fue el indicio más popular. Ese indicio ha caducado.
El estudio de The Economist encontró que, tras las últimas actualizaciones de los modelos, solo Claude usa la raya larga con más frecuencia que los escritores humanos. ChatGPT la usa bastante menos que cualquier otro autor analizado, humano o artificial. Quien siga buscando solo rayas largas para detectar IA está usando un mapa de 2024 en el territorio de 2026.
Vocabulario inflado. The Economist detectó una preferencia clara por palabras polisílabas («significativo», «cada vez más», «consecuencias»), por términos infrecuentes («interdependencia», «reindustrialización»), por vocabulario científico fuera de contexto («parámetro», «metodología») y por nominalizaciones, es decir, sustantivos construidos a partir de verbos. Gemini y Claude son los que más incurren en ello.
Es lo que George Orwell llamaba dicción pretenciosa. Vestir una idea sencilla con ropa cara para que parezca más seria.
Frases de la misma longitud. Los humanos alternamos. Una frase larga y sinuosa da paso a otra de cuatro palabras. Los modelos producen frases largas y de longitud uniforme, lo que genera párrafos compactos, sin relieve, con una cadencia de metrónomo. Este es probablemente el indicio más difícil de falsificar y el más fiable de todos.
El residuo de la conversación. Y luego está el caso del alumno del principio. El copia y pega sin leer deja restos evidentes, como el ofrecimiento de una versión resumida, el «Claro, aquí tienes» inicial o la pregunta final sobre si quiere que se adapte el tono.
Pero esto no es un problema exclusivo del alumnado. En agosto de 2023, Genbeta recogió el caso de artículos aceptados en revistas académicas que empezaban literalmente con «As an AI language model, I can…». Ocurre en trabajos de instituto y ocurre en publicaciones científicas con revisión por pares.
La epidemia de LinkedIn
Si alguien quiere ver el fenómeno concentrado, solo tiene que abrir LinkedIn.
La empresa de detección Originality lleva desde 2024 midiendo la proporción de publicaciones largas escritas con IA en la plataforma. Su primer análisis, sobre 8.795 publicaciones de más de 100 palabras difundidas entre enero de 2018 y octubre de 2024, situó la cifra en el 54%. En enero de 2026 publicó una actualización con 3.368 publicaciones de 99 perfiles influyentes durante 2025, con un resultado del 53,7%. En julio de 2026, con una metodología distinta basada en búsquedas temáticas sobre 5.000 publicaciones públicas, la cifra fue del 81,2%.
Pangram Labs, una empresa competidora, llegó a conclusiones parecidas analizando más de un millón de publicaciones en redes sociales. Detectó que más del 40% del contenido largo de LinkedIn (por encima de 250 palabras) era íntegramente generado por máquina, y que las publicaciones principales tenían 1,35 veces más probabilidad de ser IA que los comentarios
El estudio de Originality añadió un análisis de interacción por sectores. En siete de los once analizados, las publicaciones humanas obtuvieron más interacción que las clasificadas como probablemente IA, con brechas de hasta el 80%. La excepción llamativa es el contenido motivacional y de liderazgo, donde las publicaciones con IA rindieron un 75% mejor.
LinkedIn ha reaccionado. A finales de julio de 2026, la plataforma empezó a desplegar un botón que permite denunciar una publicación como “seems like AI slop”, algo así como “esto parece generado por IA”. Aparece en el menú de tres puntos, junto a “No me interesa” y “Denunciar publicación”. Al pulsarlo, el contenido se oculta.
Hari Srinivasan, director de producto de LinkedIn, explicó públicamente el movimiento diciendo que la definición de contenido basura es difícil y cambiante, y que estas señales de los usuarios les permiten ajustar sus modelos y mejorar el feed. En paralelo, la compañía quiere retirar su propia función de “mejorar tu publicación” con IA. Antes de esto, en mayo de 2026, la vicepresidenta Laura Lorenzetti confirmó que las publicaciones marcadas como generadas por IA no se eliminan, pero sí ven reducida su distribución algorítmica.
Un catálogo con fecha de caducidad
Aquí conviene ser honestos sobre los límites de todo lo anterior.
Los modelos cambian rápido. El caso de la raya larga lo demuestra, porque en dos años ha pasado de ser la prueba definitiva a ser una pista falsa. Cualquier lista de indicios que enseñemos hoy en un claustro tendrá agujeros dentro de doce meses. Enseñar la lista sirve. Enseñarla como si fuera una tabla de verdad, no.
Y hay un riesgo mayor. Los detectores automáticos de IA no son fiables. El trabajo de Weixin Liang y su equipo de la Universidad de Stanford, publicado en la revista Patterns en 2023, encontró que siete detectores comerciales clasificaron erróneamente como generados por IA una media del 61,3% de los ensayos escritos por estudiantes no nativos de inglés, mientras acertaban casi siempre con los textos de alumnos estadounidenses de secundaria. Traducido al aula, esos sistemas penalizan de forma sistemática al alumnado que aprende en una lengua que no es la suya.
Acusar a un estudiante de copiar basándose en un porcentaje de una herramienta comercial es un error pedagógico y también un error de rigor.
Del castigo al acompañamiento
Aquí es donde el tema deja de ser lingüístico.
Antes de la IA, los trabajos se copiaban de Wikipedia. Antes de internet, de la enciclopedia del salón o de la biblioteca. Parte del profesorado tuvo con internet la misma tentación inicial, que fue prohibir la herramienta, y aquella prohibición acabó fracasando. Lo que funcionó fue enseñar a usarla, con criterios de contraste de fuentes, con citas y con una conversación explícita sobre qué significa entender algo.
La diferencia es que ahora empezamos a tener evidencia sobre qué distingue un uso que enseña de un uso que atrofia.
El equipo de Nataliya Kosmyna, del MIT Media Lab, publicó en junio de 2025 el estudio Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. Repartieron a 54 participantes en tres grupos para escribir ensayos, uno usando ChatGPT, otro usando un buscador y otro sin ninguna herramienta, y registraron su actividad cerebral con electroencefalografía a lo largo de cuatro meses. La conectividad neuronal escaló de forma sistemática con la cantidad de apoyo externo. El grupo sin herramientas mostró las redes más fuertes y amplias, el del buscador una activación intermedia y el de ChatGPT el acoplamiento más débil. Sus participantes también recordaban peor lo que acababan de escribir y expresaban menos sensación de autoría sobre su propio texto.
Hasta aquí, el dato que ha circulado por todos los titulares. Lo interesante está en la cuarta sesión, donde 18 participantes cambiaron de condición, y ahí el estudio se vuelve mucho más útil para un docente.
Los que llevaban tres sesiones apoyándose en ChatGPT y tuvieron que escribir sin él mantuvieron una conectividad baja. Pero los que habían escrito solos durante tres sesiones y recibieron ChatGPT por primera vez mostraron mayor recuerdo de lo escrito y una reactivación amplia de redes occipito-parietales y prefrontales. Los mismos autores llaman deuda cognitiva al primer caso. El segundo sugiere algo distinto, y es que la secuencia importa. Pensar primero y delegar después no produce el mismo cerebro que delegar desde el minuto cero.
Y funciona igual que otras descargas cognitivas que hemos aceptado sin discutirlas. Antes desplegábamos un mapa sobre la mesa para planificar un viaje y construíamos una representación mental del territorio. Ahora escuchamos una voz que nos dice dónde girar y llegamos sin saber bien por dónde hemos pasado. Antes buscábamos una palabra en el diccionario y de camino leíamos otras cuatro. Ahora la pegamos en un traductor. La diferencia está en si mantenemos algún tipo de control sobre el proceso.
Hay datos que apuntan en la misma dirección entre profesionales. El Work Trend Index 2026 de Microsoft, publicado en mayo a partir de una encuesta a 20.000 trabajadores del conocimiento que ya usan IA, identificó un grupo al que llama Frontier Professionals, el 16% de usuarios más avanzados. Ese grupo declara con mucha más frecuencia que el resto dos hábitos concretos, que son hacer parte del trabajo deliberadamente sin IA para no perder práctica (43 % frente a 30 %) y detenerse antes de empezar para decidir qué corresponde a la máquina y qué a la persona (53 % frente a 33 %). También son los que más partido le sacan, porque el 80 % afirma estar produciendo trabajo que no habría podido producir un año antes, frente al 58 % del resto de usuarios.
Conviene leer estas cifras con cierta cautela, ya que la categoría se construye a partir de lo que los propios encuestados dicen sobre sus prácticas. Aun así, el patrón encaja con lo que ve cualquiera que dé formación en centros. Quien decide qué delega sigue pensando. Quien lo delega todo por defecto deja de hacerlo.
Cómo se traduce esto en una tarea de investigación
Una propuesta concreta para sustituir la prohibición.
- Declarar el uso. El alumno entrega, junto al trabajo, las conversaciones que ha tenido con la IA. Sin penalización por usarla. Con penalización por ocultarlo.
- Separar las fases. La IA puede ayudar a explorar el tema y a organizar el guion. La redacción del texto final la hace el alumno. Esto es lo que el estudio del MIT sugiere que protege el aprendizaje.
- Verificar dos fuentes. Cada dato que aporte la IA debe aparecer citado con su fuente primaria localizada por el alumno. Si no la encuentra, el dato se cae.
- Defender oralmente. Cinco minutos de preguntas sobre el contenido. Es la evaluación más resistente al copia y pega que existe, y no necesita ningún detector.
- Analizar las construcciones IA. Pedir al alumnado que localice en su propio borrador las construcciones descritas en este artículo y las reescriba. Es una actividad de estilo excelente que además les enseña a leer con desconfianza.
El correo a la familia
El mismo debate afecta al profesorado, aunque casi nadie lo plantea en voz alta de la misma manera.
Muchos docentes usan ya la IA para redactar comunicaciones a familias, informes de tutoría o circulares. Ahorra tiempo y energía, y ese ahorro es legítimo en una profesión que va sobrada de carga administrativa. No hay ningún problema en pedir un borrador.
El problema aparece cuando el borrador sale tal cual. Un correo a la familia de un alumno con dificultades no es un trámite administrativo, es un acto de confianza, y la IA todavía no puede reproducir cómo hablas tú a esa familia concreta, con la que llevas dos cursos y con la que compartes un historial que no cabe en ningún prompt. Ese registro es tuyo.
La regla práctica es sencilla. La IA puede darte la estructura y sacarte del folio en blanco. El criterio sobre qué se dice, qué se calla y con qué tono, pasa por ti. Conocer las construcciones descritas más arriba es una forma muy eficaz de revisar ese borrador, porque te da un checklist mental para detectar dónde el texto ha dejado de sonar a ti. Pero el criterio debe seguir siendo humano.
Cómo pedir a la IA que escriba más humano
Se puede configurar. Todas las herramientas principales permiten guardar instrucciones permanentes, y en ChatGPT son las instrucciones personalizadas y los proyectos, en Claude los proyectos y las habilidades, y en Gemini los Gems. Basta con escribir las reglas una vez y aplicarlas a todas las conversaciones.
Un bloque de reglas que funciona bien:
No uses la construcción «no es X, es Y» ni ninguna variante como «más que X, Y». No uses rayas largas. Sustitúyelas por comas, puntos o paréntesis. No uses los dos puntos para introducir la conclusión de una frase. Evita las enumeraciones de tres elementos. Usa dos, cuatro o cinco. Varía la longitud de las frases. Alterna frases largas con frases de menos de diez palabras. Usa comas, punto y coma y paréntesis con normalidad. Prefiero palabras cortas y de uso común frente a tecnicismos y nominalizaciones. No cierres el texto con una frase inspiradora ni con una llamada a la acción genérica. No me ofrezcas versiones alternativas al final salvo que te lo pida.
Funciona bastante bien, aunque no del todo. Los modelos arrastran estos hábitos desde su entrenamiento y tienden a recaer en textos largos, sobre todo si la conversación se alarga. Sirve para reducir el ruido del borrador, no para saltarse la revisión.
Que es, al final, la única conclusión sólida de todo esto. El texto que sale de una máquina necesita a alguien que lo lea entero, que reconozca lo que suena prestado y que ponga encima su propio criterio. En un correo a una familia y en un trabajo de 4º de ESO. La diferencia entre usar la IA y ser usado por ella cabe entera en ese gesto.