¿Detecta Turnitin Claude, Copilot o Gemini?

Las versiones de Claude y de Gemini aparecen en una lista de modelos de los que el detector en inglés de Turnitin dice que «can detect content from» (puede detectar contenido). Copilot no se menciona en las cinco páginas que revisamos, pero eso no es una exención ni prueba de que una entrega concreta hecha con Copilot vaya a ser detectada. Product Updates y las notas de versión generales también nombran modelos en actualizaciones por idioma, así que las preguntas frecuentes no son la única fuente pública de nombres de modelos de Turnitin. Ninguno de los materiales revisados ofrece una tabla estable de probabilidades por modelo. La documentación del informe describe, en cambio, probabilidades calculadas sobre pasajes de texto superpuestos, con un resultado clasificado como probablemente humano o probablemente generado por IA.

Las fuentes son cinco páginas concretas leídas el 18 de agosto de 2026: la guía del AI Writing Report, las preguntas frecuentes sobre detección, el registro de cambios del modelo de detección de escritura con IA, las notas de versión generales de Turnitin y Product Updates. Las conclusiones de abajo se limitan a esas páginas y a los apartados citados. No pretenden agotar el sitio web de Turnitin, y el artículo no publica recuentos de caracteres ni de coincidencias de palabras de páginas que se actualizan en el mismo sitio.

Una cosa que este texto no sostiene: que cambiar de modelo no sirva de nada. Las fuentes revisadas no dan ninguna cifra que permita predecir esa comparación, y nosotros tampoco.

La lista está en las preguntas frecuentes de Turnitin sobre detección de escritura con IA, y aparece dos veces en esa página: una dentro de la respuesta a «How does it work?» (¿Cómo funciona?), y otra bajo la pregunta «Which AI writing models can Turnitin's technology detect?» (¿Qué modelos de escritura con IA puede detectar la tecnología de Turnitin?). Las dos copias empiezan igual.

«Currently, Turnitin's AI writing detection model for English submissions can detect content from GPT-4o (released 2024-05) ...» (Actualmente, el modelo de detección de escritura con IA de Turnitin para entregas en inglés puede detectar contenido de GPT-4o (publicado en 2024-05) ...)

El verbo merece una segunda mirada. «Can detect content from» (Puede detectar contenido) es una afirmación sobre cobertura. No es una nota sobre lo que alguna vez pasó una prueba, y mucho de lo que se escribe sobre este tema la suaviza en silencio hasta convertirla en lo segundo. El 18 de agosto de 2026 la frase nombraba varias versiones de GPT, Gemini y Claude, junto con entradas de LLaMA, Mistral, Deepseek, Nova y Grok más o1-mini. Es una instantánea fechada de las familias presentes, no un total permanente.

Cada entrada lleva una fecha de lanzamiento entre paréntesis. Ignóralas. Las dos copias de la misma lista en la misma página discrepan en al menos dos de las fechas, y seguían discrepando cuando lo comprobamos el 18 de agosto de 2026, así que leas cual leas, la propia página te está diciendo que las fechas no se mantienen.

La frase cierra entonces con «and tools based on these LLMs as well» (y también las herramientas basadas en estos LLM), y la frase siguiente dice que Turnitin «continue to expand our detection capabilities to other models in the future» (seguirá ampliando nuestras capacidades de detección a otros modelos en el futuro).

La gente suele buscar con un nombre de producto en lugar de un nombre de modelo. En las cinco páginas mencionadas no encontramos ninguna declaración de cobertura, cifra de precisión o predicción de resultado específica de Copilot. Es un hallazgo acotado a esas páginas, no una afirmación sobre todas las páginas de Turnitin.

Las preguntas frecuentes cierran su lista de modelos con «and tools based on these LLMs as well» (y también las herramientas basadas en estos LLM). Esa cláusula general puede ser pertinente cuando una herramienta usa un modelo de la lista, pero este artículo no ha establecido qué modelo usaban un producto, un modo y una fecha concretos de Copilot. Sin ese mapa, la cláusula no puede decirnos si una entrega hecha con Copilot será marcada. La ausencia del nombre del producto no demuestra ni la exención ni la detección.

Las preguntas frecuentes en inglés nombran modelos en una declaración de cobertura, pero esa respuesta no asocia a cada entrada una tasa de detección, una cifra de precisión ni un orden de dificultad. La única cifra que sí asocia a la detección es un objetivo general de falsos positivos: «under 1% for documents with over 20% of AI writing» (por debajo del 1 % en documentos con más de un 20 % de escritura con IA). La cifra se aplica al detector en su conjunto; no enfrenta a Claude con Gemini ni con ningún otro par.

Otras páginas de Turnitin sí publican nombres de modelos. Product Updates nombró versiones de GPT y Gemini en su actualización del modelo en español del 5 de mayo de 2026. Las notas de versión generales de Turnitin añadieron el 18 de agosto de 2026 una actualización del modelo en árabe que nombra versiones de varias familias. El registro de cambios independiente del modelo de detección de escritura con IA resume algunos lanzamientos con menos detalle. Esas páginas desmienten directamente la idea de que las preguntas frecuentes sean el único lugar público donde Turnitin nombra modelos.

Lo que esas actualizaciones con nombres siguen sin ofrecer es una tabla estable de probabilidades por modelo para una entrega arbitraria. Una nota de cobertura de un lanzamiento y una predicción para un archivo concreto son afirmaciones distintas.

Las preguntas frecuentes describen el proceso en un solo párrafo, y es lo bastante corto para leerlo entero:

«When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated. Each qualifying sentence within these segments inherits the segment's score.» (Cuando se envía un trabajo a Turnitin, las oraciones de la entrega se extraen y se dividen en secciones superpuestas para el análisis de predicción. Cada sección es clasificada por el modelo de detección de IA y recibe un valor entre 0 y 1, que indica la probabilidad de que el texto sea probablemente humano o generado por IA. Cada oración calificable dentro de esas secciones hereda la puntuación de la sección.)

Dos categorías en esa última cláusula. Probablemente humano, probablemente generado por IA. Diga lo que diga cualquiera sobre un detector que reconoce la huella de un modelo concreto, esta es la explicación del propio proveedor sobre lo que emite su clasificador, y en ella no hay una tercera casilla. Turnitin también dice que su modelo no se construye a partir de métricas con nombre: «is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions» (no está programado explícitamente para evaluar señales concretas como 'burstiness,' o 'perplexity,' u otras métricas individuales que a veces se mencionan en debates públicos), y «instead, it learns statistical patterns from our training data» (en cambio, aprende patrones estadísticos de nuestros datos de entrenamiento). Lo que esa distinción cambia en la práctica se desarrolla en qué miden los detectores de IA.

Si te imaginabas un banco de detectores, uno entrenado por cada generador, las preguntas frecuentes describen la dirección contraria en la frase inmediatamente posterior a la lista de modelos:

«In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model. This update improves and simplifies the AI writing report, maintaining a less than 1% false positive rate.» (En julio de 2026 actualizamos la arquitectura de nuestro modelo para consolidar un conjunto de varios modelos en un único modelo. Esta actualización mejora y simplifica el informe de escritura con IA, manteniendo una tasa de falsos positivos inferior al 1 %.)

Las preguntas frecuentes describen un único clasificador que produce probabilidades a nivel de texto. Por separado, publican una declaración de cobertura de modelos. La frase sobre la arquitectura de julio aparece en las preguntas frecuentes pero no en el registro de cambios del modelo de detección de escritura con IA. Esa discrepancia muestra por qué hay que nombrar el tipo de página en lugar de tratar cualquier página de actualizaciones como un historial de lanzamientos exhaustivo.

El 4 de agosto de 2026 Turnitin fusionó dos categorías del informe en una sola. El resaltado morado, que marcaba el texto generado por IA que además había sido parafraseado con IA, dejó de mostrarse. El razonamiento que dio en su página de actualizaciones de producto es lo más directo que la empresa ha publicado sobre la atribución de herramientas, y describe a sus propios usuarios:

«Reduce the risk of unwarranted academic misconduct reviews by removing distinctions that could be read to imply more certainty about the specific tool or workflow used to produce a submission» (Reducir el riesgo de revisiones injustificadas por mala conducta académica eliminando distinciones que podrían leerse como una mayor certeza sobre la herramienta o el flujo de trabajo concretos utilizados para producir una entrega)

Una distinción que el proveedor añadió en 2024 desapareció en 2026 porque los lectores sacaban la identidad de la herramienta de un informe que no podía llevarla. Fíjate en lo que no cambió. La nota de versión que anuncia la fusión dice que el modelo «will continue to detect likely AI generated content that may have been further modified by AI paraphrasers or bypassers» (seguirá detectando contenido probablemente generado por IA que pueda haber sido modificado después por parafraseadores o evasores de IA). Menos colores en la interfaz, la misma afirmación de detección debajo.

Esto tiene una consecuencia práctica. Si estás mirando una captura de pantalla con morado, ese informe no se generó con las reglas actuales, porque Turnitin dice que la actualización se aplica a los archivos recién enviados y que las entregas existentes deben volver a enviarse para obtener el informe actualizado. Ponle fecha a un informe antes de razonar a partir de él. Cómo leer un informe de escritura con IA de Turnitin explica qué incluye la cifra actual.

La extensión, por ejemplo, y en una dirección que sorprende. Los textos cortos no obtienen resultados más seguros, sino más bastos:

«In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap. This means that some text that is a mix of AI-generated and original content could be flagged as entirely AI-generated.» (En documentos más cortos, donde solo hay unos cientos de palabras, la predicción será sobre todo «todo o nada» porque estamos prediciendo sobre una sola sección sin oportunidad de solapamiento. Esto significa que parte del texto que mezcla contenido generado por IA y contenido original podría marcarse como enteramente generado por IA.)

Eso es una propiedad del documento, no de quien lo redactó. Lo mismo vale para las propiedades que nombra Turnitin al describir sus propios errores:

«Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas.» (A veces los falsos positivos, es decir marcar erróneamente como generado por IA un texto escrito por una persona, pueden incluir contenido con poca variación estructural, texto que se repite literalmente o texto que se ha parafraseado sin desarrollar ideas nuevas.)

Variación estructural, repetición, ideas que no se desarrollan. Cada elemento es algo que se podría medir con la fuente oculta. Ninguno es un proveedor. Todo eso no equivale a decir que «cambiar de modelo no sirve de nada», y sería deshonesto presentarlo como tal, porque las páginas sencillamente no abordan esa comparación. Sí significa que la variable en la que la gente más tiempo invierte es aquella sobre la que su propia documentación menos dice. Si te han marcado algo que escribiste tú, preparar una respuesta es una forma mejor de pasar una tarde.

Vendemos una herramienta de reescritura de documentos, así que lee esta sección con eso presente. No prometemos un resultado de detección, y no es por modestia. Los sistemas de detección se actualizan. La página pública Product Updates recoge el cambio del informe del 4 de agosto, que basta para mostrar que el propio informe puede cambiar sin que eso diga nada sobre quién recibió un aviso aparte.

El alcance y el coste sí se pueden describir con honestidad, y eso es lo que describe La herramienta HumanPen. Un informe de Turnitin o iThenticate es en el fondo una lista de coordenadas, y entregarlo junto con el archivo confina la reescritura a esas coordenadas; las oraciones que quedan fuera conservan la redacción que les diste. Los créditos cuentan cuánta prosa se cambió, no el tamaño del archivo. Los pasajes que cumplen los requisitos pueden volver a procesarse sin coste.

También hay un caso real para no usar nada de este tipo, y está expuesto por separado en cuándo una herramienta de reescritura de documentos completa es la herramienta equivocada. Seis situaciones, cada una citada de nuestras propias páginas, en las que la respuesta honesta son tus propias manos.

Copilot no aparece. ¿Eso ayuda? Las cinco páginas revisadas no dan una conclusión específica sobre Copilot. La cláusula general de las preguntas frecuentes sobre «tools based on these LLMs» (herramientas basadas en estos LLM) puede aplicarse cuando una herramienta usa un modelo de la lista, pero no establecimos qué modelo había detrás de un producto, un modo y una fecha concretos de Copilot. Un nombre ausente no puede predecir el resultado de una entrega.

¿Algún modelo de la lista es más seguro que los demás? Las páginas revisadas no ofrecen un ranking estable por modelo. Product Updates y las notas de versión a veces nombran modelos al describir cambios de cobertura, pero eso no es una tabla de probabilidades para el siguiente archivo. Un porcentaje sacado de las entregas de alguien es otro tipo de evidencia y conviene leerlo como tal. La versión general de esto está en por qué el mismo texto puntúa distinto en cada detector.

¿Todo esto se aplica a una entrega en español o en japonés? Esas usan modelos de detección distintos, y el detalle publicado varía según la página. Product Updates nombra versiones de GPT y Gemini en su actualización del español del 5 de mayo de 2026, mientras que el registro de cambios independiente del modelo de detección resume ese lanzamiento sin la misma lista. Las notas de versión generales de Turnitin son una tercera fuente, no otro nombre de ninguna de las dos páginas. Más sobre los límites por idioma, en puede Turnitin detectar IA en entregas que no están en inglés.

¿Puede ver quien corrige qué modelo usé? La documentación actual del informe que revisamos describe resultados de probablemente humano y probablemente IA, no un campo con el nombre del modelo. Desde el 4 de agosto de 2026 el informe muestra una sola categoría de generado por IA, y la razón que la empresa dio para la fusión fue eliminar distinciones «that could be read to imply more certainty about the specific tool or workflow used to produce a submission» (que podrían leerse como una mayor certeza sobre la herramienta o el flujo de trabajo concretos utilizados para producir una entrega).

Usé una versión anterior de un modelo que está en la lista. ¿Resultado distinto? Las páginas revisadas no nos permiten predecirlo. Las versiones aparecen por separado en la lista de las preguntas frecuentes, cada una con una fecha entre paréntesis, pero las dos copias se contradicen en algunas fechas y no asocian ninguna cifra de resultado a cada versión. Una actualización de cobertura fechada tampoco predeciría un archivo concreto.