La tecnología que sustenta estas marcas de agua, denominada "textGrain" por OpenAI, funciona mediante la incrustación de una señal estadística sutil e imperceptible en las elecciones de palabras realizadas por el modelo. Este método busca crear una huella digital discreta que, en teoría, permitiría a detectores especializados identificar si un texto ha sido producido por IA. Si bien la implementación automática de estas marcas será exclusiva para la UE en un principio, OpenAI ha extendido la opción a sus clientes de la API a nivel global, permitiéndoles activar esta función para modelos seleccionados desde octubre de 2026, aunque por defecto permanecerá desactivada fuera de la UE. Además, la compañía ha abierto las solicitudes para acceder a su detector de marcas de agua, restringiendo inicialmente el acceso a investigadores y organizaciones expertas aprobadas, lo que subraya la naturaleza experimental y en desarrollo de esta tecnología.
Marcas de Agua: Solución Técnica vs. Desafío Práctico
La propuesta de OpenAI para las marcas de agua de texto emerge como una respuesta pragmática a la creciente necesidad de distinguir entre contenido generado por humanos y por máquinas, un debate cada vez más relevante en un mundo inundado de información digital. La Ley de IA de la UE, con su alcance extraterritorial, ejerce presión sobre los desarrolladores de IA para que integren mecanismos de transparencia. Sin embargo, la efectividad y la fiabilidad de las marcas de agua como solución definitiva son objeto de un intenso escrutinio por parte de la comunidad experta.
Los defensores de esta tecnología argumentan que las marcas de agua aumentan la transparencia, permitiendo a los lectores discernir si el contenido que consumen proviene de un chatbot o de un autor humano. En un contexto donde la desinformación y el uso malintencionado de la IA son preocupaciones crecientes, cualquier herramienta que contribuya a la atribución y la responsabilidad es bienvenida. No obstante, OpenAI misma ha sido cautelosa, reconociendo que las marcas de agua de texto son una tecnología incipiente con limitaciones inherentes. La principal preocupación radica en la capacidad de estas marcas para resistir la edición humana, que es una práctica común y esperable una vez que el texto generado por IA es tomado por un usuario.
Expertos y analistas han alzado la voz, expresando serias dudas sobre la viabilidad de confiar plenamente en las pruebas internas proporcionadas por las propias empresas de IA. Advierten que, si bien una marca de agua puede indicar la intervención de un modelo de IA, no mide la contribución humana real, no establece la propiedad intelectual, no asigna responsabilidad por el contenido, ni identifica al usuario final que generó el texto. Mucho menos verifica la precisión o veracidad de lo escrito. Incluso, la ausencia de una marca de agua no es prueba de autoría humana exclusiva. Hay temores legítimos de que una implementación imperfecta de estas marcas pueda degradar la calidad general de las salidas de IA o, peor aún, generar problemas éticos y profesionales en entornos de alto riesgo, como el académico, legal o periodístico, donde la identificación errónea de texto generado por IA podría tener consecuencias negativas significativas. La tensión entre la necesidad regulatoria de transparencia y las realidades técnicas de la IA generativa sigue siendo un punto crítico.
Los datos hablan: Limitaciones y Falsos Positivos
Las pruebas internas de OpenAI sobre su tecnología "textGrain" revelan claramente las limitaciones de las marcas de agua actuales. La edición del texto emerge como un factor crítico que reduce drásticamente la capacidad de detección. Por ejemplo, en pasajes de aproximadamente 400 tokens (equivalente a unas 300 palabras), reemplazar tan solo el 10% de las palabras provocó una caída en la tasa de detección del 92% al 66%. Cuando se reemplazó el 25% de las palabras, la tasa de detección se desplomó a un alarmante 17%. Estos datos subrayan que cualquier modificación sustancial por parte de un usuario puede, en la práctica, neutralizar la efectividad de la marca de agua.
La longitud del texto también juega un papel crucial. La detección es consistentemente menos fiable en textos más cortos. En pasajes de 200 tokens, por ejemplo, la tasa de detección rondaba el 80% con una tasa de falsos positivos del 1%. Sin embargo, esta fiabilidad mejoraba para pasajes más largos, alcanzando un 95% para textos de 400 tokens. Esta variabilidad implica que las marcas de agua podrían ser menos útiles para fragmentos cortos, como mensajes de redes sociales o respuestas concisas. Además, OpenAI reportó que los resultados de detección fueron “sustancialmente más bajos” para contenido matemático. Esto se atribuye a la menor flexibilidad en la elección de palabras en textos con alta especificidad o restricciones lingüísticas, lo que dificulta la incrustación de la señal estadística de la marca de agua sin alterar el significado o la corrección técnica.
Estas cifras son un recordatorio de que, si bien la tecnología de marcas de agua es prometedora, aún está en sus primeras etapas de desarrollo y no es infalible. Los riesgos de falsos positivos (identificar texto humano como IA) o falsos negativos (no detectar texto de IA) persisten, lo que plantea serias dudas sobre su aplicación en situaciones donde la certeza es primordial. La comunidad de investigación tiene un papel fundamental en la validación independiente de estas tecnologías para asegurar que su implementación no genere más problemas de los que resuelve.
Qué significa para Latam: El "Efecto Bruselas" y la Adopción Regional
Para América Latina, la decisión de OpenAI de implementar marcas de agua en la UE tiene múltiples resonancias. La región, caracterizada por un avance regulatorio de la IA que es heterogéneo pero en constante evolución, observa de cerca las dinámicas globales. Países como Brasil, México, Colombia, Argentina y Chile han mostrado un alto nivel de adopción de plataformas como ChatGPT, reflejando el entusiasmo regional por la inteligencia artificial. De hecho, en julio de 2025, Brasil lideró el uso de ChatGPT en la región, acaparando el 5.8% del tráfico global, seguido de México (4.1%), mientras que en Colombia, el 32.4% de los usuarios de internet mayores de 16 años habían utilizado la herramienta en el último mes de 2025. Argentina, con un 1.3% del tráfico global, también muestra una adopción significativa.
Este panorama de alta penetración de la IA en la vida cotidiana y profesional contrasta con una regulación aún incipiente en muchos lugares. Es aquí donde el llamado "efecto Bruselas" entra en juego. La Ley de IA de la UE, con su enfoque basado en riesgos, está sirviendo de inspiración para proyectos regulatorios en varios países latinoamericanos, incluyendo a Brasil y Chile. Esto significa que, aunque la implementación de marcas de agua no sea obligatoria de inmediato en la región, la presión por la transparencia y la identificabilidad del contenido generado por IA podría eventualmente materializarse en futuras normativas locales, influenciadas por el estándar europeo.
Además, para las numerosas empresas tecnológicas y profesionales latinoamericanos que operan o prestan servicios en Europa, la Ley de IA de la UE tiene un alcance extraterritorial directo. Esto implica que deberán cumplir con las obligaciones de marcado de contenido generado por IA si sus sistemas se dirigen a usuarios en el bloque comunitario, o si el impacto de sus servicios tiene lugar allí. Este cumplimiento no es opcional y requerirá una adaptación proactiva. La región también presenta particularidades únicas, como el reconocimiento de neuroderechos en algunas de sus normativas, lo que podría añadir capas de complejidad y oportunidades para un marco regulatorio de la IA con identidad propia, pero siempre en diálogo con las tendencias globales lideradas por Europa y Estados Unidos.
