Anthropic afirma que los modelos de IA están incorporando marcas de agua al texto: ¿lo notarás?
Anthropic afirma que todos los futuros modelos Claude marcarán el texto generado, aunque los usuarios no puedan ver la señal. Los modelos de IA están incorporando marcas de agua al texto mediante sutiles patrones de selección de palabras, en lugar de etiquetas visibles o caracteres ocultos. El cambio busca ayudar a los detectores autorizados a estimar si Claude contribuyó a producir un fragmento.
La decisión responde a las normas de transparencia de la Unión Europea que entraron en vigor el 2 de agosto de 2026. Google ya utiliza tecnología relacionada en Gemini, mientras que OpenAI afirma que pretende ampliar las señales de procedencia al texto. Lo que comenzó como una propuesta de investigación se está convirtiendo en infraestructura estándar para los principales productos de IA.
La cuestión central no es si los lectores detectarán una frase extraña o un estilo de redacción alterado. Probablemente no lo harán. La pregunta más difícil es si los proveedores pueden hacer detectable una marca de agua sin limitar las mejores respuestas del modelo, especialmente en textos breves, factuales, traducidos o muy editados.
Qué está añadiendo Anthropic a los futuros modelos Claude
Anthropic está convirtiendo la procedencia del texto de un experimento opcional en una característica predeterminada de las futuras respuestas de Claude.
La empresa anunció que los futuros modelos Claude generarán texto con marca de agua. Su explicación sobre las marcas de agua indica que el sistema estima la probabilidad de que Claude haya participado en la elaboración de un fragmento.
Esta distinción es importante. Un resultado positivo no establecería quién redactó el documento final, por qué se creó ni si sus afirmaciones son exactas. Indicaría que Claude probablemente seleccionó al menos parte del lenguaje.
Anthropic también afirma que la marca de agua no contiene información sobre un usuario, organización, cuenta o conversación. Quien la detecte no debería poder recuperar un prompt ni rastrear el fragmento hasta un cliente concreto.
No se añade nada visible a la respuesta. No hay logotipo de Claude, frase de divulgación, carácter Unicode inusual ni campo de metadatos adjunto al texto ordinario. Por tanto, copiar la respuesta en otro editor debería preservar la señal, siempre que las palabras permanezcan sustancialmente intactas.
La marca de agua funciona durante la generación. Los modelos de lenguaje producen tokens, que son palabras o fragmentos de palabras procesados como unidades individuales. En cada paso, un modelo asigna probabilidades a varios posibles tokens siguientes.
Muchas opciones tienen un significado similar. Un modelo podría elegir razonablemente “cubierto”, “nublado” o “gris” al terminar una frase sobre el tiempo. La incorporación de marcas de agua utiliza elecciones repetidas de bajo riesgo para crear un patrón estadístico.
Anthropic afirma que su sistema cambia la fuente de aleatoriedad utilizada para seleccionar entre candidatos aceptables. Una clave secreta ayuda a orientar esas elecciones. Un detector que posea esa clave puede comprobar posteriormente si la secuencia es inusualmente coherente con el proceso marcado.
El método no impone un vocabulario fijo. Tampoco significa que cada respuesta de Claude contenga hábitos verbales reconocibles. La evidencia se acumula a través de múltiples elecciones, lo que hace que los textos largos sean más fáciles de evaluar que las respuestas breves.
El detector de Claude tendrá inicialmente disponibilidad limitada. Anthropic afirma que ofrece una API de detección en vista previa privada a reguladores, investigadores, medios de comunicación, verificadores de hechos, instituciones educativas, organismos policiales y determinadas empresas que cumplan los requisitos.
Ese acceso controlado tiene dos objetivos. Puede reducir los intentos de aplicar ingeniería inversa a la señal y proporciona a las organizaciones con obligaciones legales una forma de verificar contenido. Sin embargo, la detección restringida también implica que los lectores comunes no pueden comprobar de forma independiente cada fragmento que encuentren.
Los modelos Claude más antiguos ocupan una posición intermedia temporal. Anthropic afirma que está trabajando para añadir marcas de agua a los modelos lanzados antes del 2 de agosto, con un despliegue previsto durante los meses siguientes.
La empresa aplica el sistema globalmente desde el lanzamiento porque considera que la separación regional todavía no es suficientemente sólida. Por tanto, un requisito europeo de cumplimiento afectará a los usuarios de Claude mucho más allá de Europa.
Ese es el primer gran cambio. La UE no solo está influyendo en una pantalla de divulgación regional. Está cambiando la forma en que un modelo de lenguaje desplegado globalmente elige las palabras.
Por qué la Ley de IA de la UE impulsa un cambio global
La presión inmediata procede de la regulación, pero el resultado práctico es una nueva capa técnica en los servicios internacionales de IA.
El artículo 50 de la Ley de IA de la UE exige que los proveedores de sistemas generativos hagan que el audio, las imágenes, el vídeo y el texto sintéticos sean legibles por máquina y detectables. La guía oficial de transparencia se aplica incluso a proveedores fuera de Europa cuando la salida de sus sistemas se utiliza dentro de la UE.
Las normas entraron en vigor el 2 de agosto de 2026. Los sistemas ya comercializados antes de esa fecha reciben un período de gracia limitado para las obligaciones de marcado y detección hasta el 2 de diciembre de 2026.
La ley no prescribe una única marca de agua universal. Exige marcas eficaces, fiables, interoperables y robustas cuando sea técnicamente viable. Los proveedores pueden utilizar marcas de agua, metadatos, métodos criptográficos de procedencia, huellas digitales o combinaciones de estos enfoques.
Esta flexibilidad refleja una realidad difícil. El texto no transporta información de procedencia tan naturalmente como un archivo de imagen, una grabación de audio o un contenedor de vídeo. Las personas copian habitualmente texto en correos electrónicos, documentos, aplicaciones de mensajería, sitios web y editores de código, eliminando los metadatos convencionales en el proceso.
Una marca de agua estadística sobrevive a la copia porque reside en la secuencia de palabras. Sin embargo, comunica menos contexto que los metadatos firmados. Un detector puede informar de una probable participación del modelo, pero no puede reconstruir un historial completo de creación.
La ley también separa el marcado del proveedor de la divulgación del editor. Los proveedores de modelos deben incorporar señales legibles por máquina en las salidas cubiertas. Las personas u organizaciones que publiquen determinado material de interés público generado por IA pueden enfrentarse a obligaciones adicionales de etiquetado visible.
La revisión humana importa en esa segunda categoría. La guía de la UE indica que el texto de interés público que recibe una revisión humana sustancial y control editorial puede tratarse de manera diferente a la salida no revisada. Una comprobación superficial de ortografía o gramática no se considera una revisión significativa.
Varias excepciones reducen la obligación de los proveedores. La guía excluye el código fuente, las cadenas cortas de números o símbolos, algunas salidas de máquina a máquina y determinados flujos de trabajo industriales cerrados. La asistencia de edición estándar también puede quedar fuera del requisito de marcado.
Estas distinciones coinciden con los límites técnicos. El código exacto, las ecuaciones, las citas y las respuestas factuales ofrecen pocos tokens intercambiables. Una marca de agua no puede redirigir con seguridad un modelo hacia una elección diferente cuando solo una elección es correcta.
La Comisión Europea afirma que las autoridades nacionales de vigilancia del mercado se encargarán de gran parte de la aplicación. Dependiendo de la infracción, las multas pueden alcanzar los 15 millones de euros o el 3 % de la facturación anual mundial.
Esta exposición da a los desarrolladores de modelos una razón clara para actuar. Anthropic también se unió a otras organizaciones en un código voluntario de transparencia destinado a ofrecer una vía de cumplimiento predecible.
El resultado presiona a todos los principales proveedores que prestan servicio en Europa. Una empresa puede mantener sistemas de generación regionales separados, retirar las funciones afectadas o adoptar mecanismos de procedencia en todos sus productos. Anthropic eligió el despliegue global porque el aislamiento regional no era lo bastante fiable.
Para los usuarios, esto significa que la geografía ya no define la experiencia. Un redactor en Canadá, un desarrollador en Singapur y un analista en Estados Unidos pueden recibir texto moldeado por normas redactadas para el mercado europeo.
Por tanto, la regulación está acelerando un estándar del sector antes de que usuarios, centros educativos, editores y empleadores hayan acordado cómo deben interpretarse los resultados de detección. La tecnología llega primero. Las normas sociales que la rodean siguen sin resolverse.
Los modelos de IA incorporan marcas de agua al texto mediante elecciones de tokens
La marca de agua es una huella estadística, no un sello visible, y su fiabilidad depende de la libertad que tenga el modelo al redactar.
El enfoque de Claude se basa en la investigación SynthID-Text de Google. Google introdujo el marcado de agua de texto en Gemini antes de que Anthropic anunciara su adopción, lo que proporcionó a la técnica una prueba de producción a gran escala.
El mecanismo básico comienza con una distribución de probabilidades. Cuando un modelo de lenguaje prepara su siguiente token, varios candidatos pueden recibir puntuaciones similares. Un proceso de muestreo elige un candidato y repite el proceso hasta completar la respuesta.
SynthID-Text modifica ese proceso de muestreo. Añade un patrón de puntuación basado en una clave a la selección de candidatos, al tiempo que intenta preservar la distribución original de respuestas de alta calidad.
La clave permite a un detector autorizado calcular puntuaciones para la secuencia terminada. Si suficientes tokens seleccionados se ajustan al patrón esperado, el detector puede informar de evidencia de que un modelo compatible generó el fragmento.
Esto se parece más a comprobar si una moneda produjo una secuencia inusual que a encontrar un mensaje oculto. Una elección demuestra poco. Una serie larga proporciona evidencia estadística más sólida.
El estudio revisado por pares sobre SynthID-Text de Google evaluó casi 20 millones de respuestas de Gemini con y sin marca de agua. Los comentarios de los usuarios no mostraron diferencias estadísticamente significativas de calidad entre los dos grupos.
El estudio también evaluó 3.000 respuestas con calificadores humanos. Estos no hallaron diferencias significativas de preferencia en calidad gramatical, relevancia, corrección, utilidad y calidad general.
La sobrecarga computacional se describió como insignificante en el entorno de producción. Dado que el sistema modifica el muestreo en lugar de añadir texto explicativo, no requiere inherentemente más tokens de salida.
Anthropic hace afirmaciones similares. Indica que las pruebas internas no encontraron efectos prácticos en el contenido, la legibilidad o la creatividad de Claude. También afirma que el sistema tiene una latencia insignificante y no incrementa el coste de servir una respuesta.
Estos resultados respaldan la idea de que una marca de agua cuidadosamente configurada puede pasar desapercibida durante el uso típico de un chatbot. No demuestran que todos los posibles niveles de intensidad sean neutros para la calidad.
La investigación describe configuraciones tanto no distorsionantes como distorsionantes. Un diseño no distorsionante busca preservar la calidad de salida a la vez que ofrece una detectabilidad útil. Una configuración más fuerte mejora la detección, pero acepta cierta pérdida de calidad.
Incluso la configuración no distorsionante implica decisiones de diseño. Restricciones de preservación más estrictas pueden reducir la detectabilidad o aumentar la complejidad computacional. Restricciones más laxas pueden reducir la calidad y diversidad del texto.
El experimento en producción de Gemini ofrece evidencia valiosa porque cubre prompts reales en lugar de un pequeño referente de laboratorio. Aun así, las tasas agregadas de votos positivos y negativos pueden ocultar debilidades específicas.
Una marca de agua podría funcionar bien en ensayos, correos electrónicos, resúmenes y respuestas creativas, pero ofrecer evidencia más débil para código, citas o respuestas factuales concisas. Las puntuaciones generales de satisfacción no revelarían necesariamente esas diferencias.
Por eso, que “los modelos de IA están incorporando marcas de agua al texto” no significa que cada respuesta del modelo pase a ser igualmente detectable. La intensidad de la detección cambia según la longitud, el idioma, la edición, la configuración del modelo y el número de elecciones razonables de palabras.
También explica por qué los usuarios no deben esperar una señal visual. Si la implementación funciona según lo previsto, un lector no puede identificar la señal de forma fiable fijándose en adjetivos favorecidos, ritmos de las frases o puntuación.
Un detector de IA tradicional funciona de otra manera. Utiliza un clasificador, un sistema entrenado para identificar patrones asociados a la escritura generada. Esta herramienta infiere a partir del estilo observado sin poseer la clave secreta del proveedor.
La detección de marcas de agua, en cambio, busca un patrón incorporado intencionadamente. Esto puede ofrecer evidencia más sólida sobre la procedencia cuando la señal sobrevive, pero solo funciona con los modelos y las claves de marca de agua compatibles con el detector.
No existe automáticamente un detector universal. Claude, Gemini y los futuros sistemas de OpenAI pueden utilizar claves, configuraciones o capas de procedencia diferentes. La interoperabilidad requiere estándares técnicos, gobernanza y acuerdos de acceso que van más allá del propio método de generación.
La Disyuntiva de Calidad Aparece en los Resultados Más Difíciles
La mayor incertidumbre no está en la calidad media de la prosa, sino en lo que ocurre cuando la precisión deja al modelo con pocas opciones aceptables.
Una respuesta factual suele tener menor entropía, lo que significa que el modelo dispone de menos tokens siguientes plausibles. “París” debería seguir a una pregunta sobre la capital de Francia. Elegir otra ciudad para reforzar una marca de agua haría que la respuesta fuera incorrecta.
El código genera la misma presión. Los nombres de funciones, operadores, sintaxis, llamadas a bibliotecas y sangría suelen tener formas limitadas. Un ajuste de muestreo debe apartarse cuando un token alternativo rompería el programa.
Anthropic afirma que la marca de agua no se aplica cuando la exactitud determina la respuesta. Aun puede aparecer en comentarios o elecciones flexibles de nombres, pero esas oportunidades pueden ser demasiado escasas para una detección fiable.
La corrección de textos también deja poco margen. Si Claude cambia dos comas y corrige un verbo en un documento humano extenso, casi todas las palabras restantes proceden del usuario. Un detector no debería tratar ese documento como un pasaje que Claude redactó desde cero.
Estos casos revelan la disyuntiva central. Preservar la corrección exige una señal más débil o dispersa. Reforzar la señal exige influir en más decisiones, lo que puede reducir la diversidad o afectar a la calidad.
Un análisis técnico independiente destacó esta tensión en pasajes cortos. El investigador Vinu Sankar Sadasivan sostuvo que una publicación breve puede necesitar una proporción inusualmente alta de elecciones de palabras favorecidas para una detección fiable.
El mismo análisis informó de que la detección en los resultados publicados por Google alcanzó alrededor del 95 por ciento en condiciones favorables, pero cayó por debajo del 50 por ciento en algunas respuestas cortas. Estas cifras describen configuraciones experimentales específicas, no una puntuación garantizada para Claude.
Anthropic no ha divulgado públicamente todos los parámetros de implementación. Su explicación pública establece el mecanismo general, pero las personas externas no pueden evaluar por completo cómo equilibra la fuerza de detección frente a la flexibilidad de respuesta en todos los casos de uso.
Esa brecha no refuta las afirmaciones de la empresa sobre calidad. Limita el alcance con el que deberían interpretarse esas afirmaciones. “Sin impacto práctico” en pruebas agregadas no equivale a impacto cero en todos los casos límite.
La reescritura profunda crea otra debilidad. Las ediciones ligeras pueden conservar suficiente patrón de tokens para la detección, mientras que sustituir la mayoría de las palabras puede destruirlo. La traducción realizada por un sistema independiente también puede reducir considerablemente la confianza.
La descripción técnica de Google reconoce que la detección funciona mejor en respuestas largas y variadas. Se vuelve menos eficaz tras una reescritura o traducción extensas.
Un operador motivado puede aprovechar esta limitación. Alguien que intente ocultar el uso de un modelo puede pedir a un segundo modelo que parafrasee la primera salida, traducirla dos veces o reescribirla sección por sección.
OpenAI planteó previamente esa preocupación al evaluar la procedencia del texto. Su resumen de investigación indicó que las transformaciones globales podrían hacer trivial la elusión de las marcas de agua para actores decididos.
OpenAI también advirtió sobre las consecuencias sociales. Señaló que la aplicación de normas basada en marcas de agua podría estigmatizar a las personas que usan asistencia de escritura con IA, incluidos quienes no son hablantes nativos de inglés.
Esta preocupación se vuelve seria cuando las instituciones confunden procedencia con conducta indebida. Una marca de agua puede mostrar una probable participación de un modelo. No puede establecer que un estudiante hizo trampa, que un empleado incumplió una política o que un autor renunció a su responsabilidad editorial.
Los falsos positivos y falsos negativos añaden más riesgo. Todo detector estadístico opera con umbrales. Elevar un umbral puede reducir las acusaciones falsas, pero pasar por alto más texto generado, mientras que reducirlo puede detectar más contenido y señalar más pasajes no relacionados.
Las muestras cortas merecen especial cautela porque aportan evidencia estadística limitada. Un detector debería comunicar el nivel de confianza, las limitaciones de la muestra y los modelos compatibles, en lugar de devolver una etiqueta de “IA” sin explicación.
Las organizaciones también necesitan procedimientos de apelación. Un responsable de contratación, docente, editor o responsable de cumplimiento nunca debería imponer una sanción grave basándose en una puntuación opaca.
El mejor uso es investigativo. El resultado de una marca de agua puede suscitar preguntas sobre el proceso, la divulgación, las fuentes o la revisión. No debería sustituir esas preguntas.
Anthropic, Google y OpenAI Convergen de Forma Desigual
Los principales proveedores avanzan hacia la procedencia, pero no han acordado una única señal, un único detector ni una única interpretación.
Google estableció el precedente más claro para las marcas de agua de texto. Implementó SynthID-Text en Gemini y publicó investigaciones que describen su comportamiento en producción.
Anthropic adoptó una versión de ese enfoque para futuros modelos de Claude. La empresa también está añadiendo credenciales C2PA a archivos compatibles, incluidas imágenes y documentos producidos o procesados por Claude.
C2PA es un estándar para un historial de contenido firmado criptográficamente. Puede registrar qué herramienta gestionó un archivo y determinadas acciones realizadas sobre él. A diferencia de una marca de agua de texto, reside en los metadatos y no en la redacción en sí.
Los metadatos pueden contener información más rica, pero las plataformas y conversiones de archivos pueden eliminarlos. Una marca de agua estadística de texto sobrevive a la copia ordinaria, aunque normalmente revela menos sobre la cadena de creación.
OpenAI está desarrollando varias capas de procedencia. Su actual documentación sobre procedencia describe marcas de agua SynthID para imágenes y audio compatibles, además de credenciales C2PA para imágenes compatibles.
OpenAI afirma que pretende ampliar las señales de procedencia al texto. Se trata de una dirección declarada, no de la confirmación de que cada respuesta actual de ChatGPT lleve una marca de agua de texto.
La diferencia importa porque los usuarios con frecuencia suponen que un detector de IA funciona en todos los sistemas. Un detector específico de Claude no puede identificar de forma fiable una salida de ChatGPT sin marca de agua. Tampoco puede identificar cada pasaje de Gemini solo porque ambos proveedores utilicen investigaciones relacionadas.
Incluso una detección positiva tiene un significado limitado. Anthropic afirma que su marca de agua no puede distinguir entre “Claude escribió esto” y “Claude editó esto de forma sustancial”. Ambas actividades pueden dejar lenguaje seleccionado por Claude.
Para los trabajadores del conocimiento, esa ambigüedad refleja cómo se utiliza realmente la IA. Una persona puede esbozar un informe, pedir a Claude que lo reorganice, reescribir varios párrafos, restaurar la redacción original y completar una edición final humana.
Asignar una única etiqueta binaria de autor a ese proceso resulta engañoso. La procedencia puede mostrar la participación de una herramienta, mientras que la autoría depende de la contribución, el criterio, la responsabilidad y la política institucional.
Aquí es donde las buenas prácticas de conocimiento cobran valor. Mantener notas de fuentes, historial de borradores y registros de decisiones proporciona un contexto que una marca de agua no puede ofrecer. Un segundo cerebro estructurado puede preservar la evidencia detrás de un documento terminado.
Los desarrolladores afrontan otro problema. Las aplicaciones creadas con API de modelos pueden transformar las respuestas tras su generación. Las plantillas, los sistemas de recuperación, los filtros de seguridad, los servicios de localización y las ediciones de los usuarios pueden alterar el patrón detectable.
Por ello, un equipo de producto debe comprender dónde entra la marca de agua en su flujo de trabajo y qué operaciones posteriores la debilitan. El cumplimiento no puede limitarse a seleccionar un proveedor de modelos.
Las empresas también necesitan políticas que cubran el acceso a detectores. La API de vista previa privada de Anthropic pone la verificación en manos de instituciones seleccionadas y empresas obligadas. Ese enfoque puede proteger la clave de la marca de agua, pero concentra la autoridad interpretativa.
Los investigadores independientes necesitarán acceso suficiente para probar las tasas de error en distintos idiomas, dominios y versiones de modelos. Sin validación externa, los compradores deben confiar en gran medida en evaluaciones realizadas por los proveedores.
Los organismos de normalización pueden ayudar a alinear la terminología y la presentación de informes. Un resultado útil debería identificar el proveedor compatible, el nivel de confianza, la longitud de la muestra, las transformaciones conocidas y la versión del detector.
Un resultado escueto de “marca de agua detectada” es insuficiente. No dice nada sobre precisión factual, permiso, derechos de autor, originalidad o si una persona aprobó el contenido.
Los proveedores están convergiendo en la procedencia como una obligación. Aún están lejos de un sistema compartido que los lectores comunes puedan utilizar de forma coherente.
Qué Deberían Vigilar los Usuarios a Continuación
La próxima fase pondrá a prueba si las marcas invisibles se convierten en una infraestructura de procedencia fiable o en otra puntuación de detección disputada.
La primera señal es el despliegue de Anthropic en modelos Claude más antiguos. El período de gracia de la UE finaliza el 2 de diciembre de 2026 para los sistemas comercializados antes del 2 de agosto.
Los usuarios deberían vigilar qué modelos reciben marcas de agua, si el comportamiento de la API difiere de la interfaz de Claude para consumidores y cómo Anthropic gestiona las implementaciones empresariales existentes. Una documentación clara a nivel de versión reforzaría el argumento de transparencia de la empresa.
La segunda señal es un acceso más amplio a la API de detección de Claude. Los reguladores y las instituciones seleccionadas pueden probarla durante la vista previa privada, pero sigue siendo esencial una evaluación independiente más amplia.
Los estudios útiles deberían medir las tasas de falsos positivos y falsos negativos en ensayos largos, publicaciones cortas, traducciones, respuestas factuales, código y documentos mixtos de humanos e IA. También deberían probar flujos de trabajo de edición comunes, no solo ataques deliberados.
Si los resultados se mantienen estables en esas categorías, la marca de agua se parecerá más a una infraestructura fiable. Si la precisión varía bruscamente sin advertencias claras, las organizaciones necesitarán límites más estrictos para su uso.
La tercera señal es la implementación de texto de OpenAI. OpenAI ahora describe su intención de extender las señales de procedencia a distintas modalidades, pero su documentación pública no afirma que toda la salida de texto ya esté marcada.
Su diseño final mostrará si la industria converge en SynthID-Text o se divide entre marcas de agua, metadatos firmados y clasificadores. Un enfoque compartido facilitaría la verificación, mientras que los sistemas incompatibles requerirían varias herramientas específicas de cada proveedor.
Los usuarios también deberían vigilar cómo las plataformas conservan estas señales. Una marca de agua puede sobrevivir mejor al copiar y pegar que los metadatos, pero una reescritura extensa puede borrarla. Las redes sociales, editoriales, suites de documentos y escuelas aún necesitan normas para presentar los resultados de detección.
Para los escritores individuales, no se requiere ningún ajuste visual inmediato. La salida de Claude debería verse normal y la marca de agua no debería exponer información de la cuenta.
El ajuste práctico es procedimental. Conserve las fuentes originales, documente las ediciones importantes, revise las afirmaciones factuales y divulgue el uso de IA cuando una política lo exija. Estas medidas protegen a autores y lectores, tanto si una marca de agua sobrevive como si no.
Los empleadores y las instituciones educativas deberían actualizar sus políticas antes de implementar detectores. Las políticas deberían definir la asistencia permitida, distinguir la edición de la generación completa, exigir revisión humana y ofrecer un mecanismo para impugnar los resultados.
Los lectores deberían considerar la procedencia como una señal entre varias. Una marca de agua detectada puede indicar que participó un modelo compatible. No puede determinar si el texto es verdadero, engañoso, plagiado, revisado cuidadosamente o publicado de forma responsable.
Ese límite determinará si las marcas de agua generan confianza. Si se usan con cuidado, pueden ayudar a rastrear contenido sintético sin alterar la experiencia de lectura. Si se emplean como un veredicto automático, pueden reproducir los fallos asociados con los anteriores detectores de textos escritos por IA.
Los modelos de IA están incorporando marcas de agua al texto porque los reguladores y los proveedores quieren mecanismos de rendición de cuentas legibles por máquinas. La marca seguirá siendo invisible para la mayoría de los lectores, pero las políticas construidas a su alrededor serán fáciles de advertir.
La cuestión práctica para los próximos meses es, por tanto, la siguiente: ¿publicarán los proveedores suficientes pruebas, acceso a detectores y salvaguardas para que esa señal invisible sea justa? Los lectores, desarrolladores, educadores y compradores empresariales deberían exigir esas respuestas antes de tratar cualquier resultado de una marca de agua como prueba.
