El detector de IA señala como artificial al 61% de los textos humanos escritos por no-nativos de inglés. La tasa equivalente en autores nativos: 5.1%.

Ese no es un margen de error. Es una brecha estructural.

Liang et al. (Cell/Patterns, 2023) lo documentaron: las herramientas de detección de IA penalizan sistemáticamente el estilo de escritura académica de investigadores que no aprendieron a escribir ciencia en inglés. Frases más cortas. Vocabulario más formal. Construcciones más directas. Características que los detectores leen como “generado por máquina” y que son, en realidad, marcas de escribir en una segunda lengua con disciplina.

────

¿Qué pasa cuando una universidad enadopta uno de estos detectores para evaluar la integridad académica de sus estudiantes de posgrado?

Que reproduce — con apariencia de objetividad técnica — una desventaja que ya existía.

El investigador colombiano que escribe en inglés para publicar en una revista indexada ya enfrenta una carga que sus pares en instituciones anglófonas no tienen. Escribe, revisa, traduce, ajusta el tono, negocia con los editores. Si además su texto es marcado como “sospechoso” por un algoritmo que no fue diseñado ni validado para su contexto lingüístico, la desventaja se formaliza.

No como prejuicio. Como política institucional.

────

Esto no es un argumento en contra de salvaguardas para la integridad académica. Es un argumento en contra de herramientas que miden algo distinto de lo que dicen medir — y que se adoptan sin evaluación crítica porque tienen una interfaz limpia y una cifra de confianza.

Para decanos, coordinadores de posgrado y equipos de gestión del conocimiento en universidades latinoamericanas:

Los detectores de IA no son árbitros neutros. Son modelos entrenados con supuestos lingüísticos específicos, con tasas de error que varían dramáticamente según el perfil del autor.

Antes de implementar, vale preguntar: ¿qué está midiendo realmente esta herramienta en el contexto de nuestra comunidad académica? ¿Quiénes serán más afectados por sus errores?

La equidad en la evaluación académica no se resuelve con tecnología que promete objetividad. Se resuelve con políticas que reconocen que la objetividad tiene supuestos — y que esos supuestos no son neutros.

{hashtag|#|EducaciónSuperior} {hashtag|#|IntegridadAcadémica} {hashtag|#|IAenEducación} #LATAM