Cómo leer un AI Writing Report de Turnitin

Es la cifra del informe que más se malinterpreta. Turnitin la define como la proporción de qualifying text —o sea, el texto calificable—, y qualifying text significa oraciones en prosa en un formato de escritura de largo aliento: oraciones dentro de párrafos, en algo con la forma de un ensayo, una tesis doctoral o un artículo.

Todo lo demás queda fuera del cálculo. Turnitin afirma que el modelo no detecta de forma fiable la escritura con IA fuera de la prosa, y menciona la poesía, los guiones y el código, además de los textos breves o poco convencionales: viñetas, tablas, bibliografías comentadas.

Un 30 % en un trabajo que es la mitad tablas y listas no significa «30 % de tu trabajo». Son 30 % de la prosa que Turnitin estuvo dispuesto a evaluar, que bien puede ser un tercio de lo que entregaste.

También hay un mínimo. Una entrega necesita al menos 300 palabras de prosa en formato largo para que se genere un informe. Por debajo de eso no hay porcentaje: no uno bajo, sino ninguno. Y también hay un techo: el informe de IA se detiene en 30 000 palabras, así que una tesis completa no recibe un único informe que la cubra entera.

Los requisitos actuales de archivo añaden más límites: el archivo debe pesar menos de 100 MB, ser un DOCX, PDF, TXT o RTF admitido y estar escrito en uno de los idiomas compatibles. Turnitin añadió el árabe estándar moderno el 18 de agosto de 2026, con lo que la lista llega a cuatro; dos de sus propias páginas en inglés siguen mostrando tres, así que la página en la que aterrices puede no haberse puesto al día. Que un Similarity Report salga bien no significa automáticamente que la entrega cumpla los requisitos de un AI Writing Report; los dos sistemas tienen fines y requisitos distintos.

Un ejemplo con el denominador aclara la distinción. Supón que un informe de laboratorio de 4 000 palabras contiene 1 600 en tablas, listas con viñetas, código y referencias: quedan 2 400 palabras de prosa calificable. Un 25 % mostrado se refiere a aproximadamente una cuarta parte de esas 2 400 palabras según la clasificación del modelo, no a una cuarta parte de las 4 000. El informe no ofrece información suficiente para reconstruir un recuento exacto de palabras a simple vista, así que toma esa aritmética como una explicación del denominador, no como un total reconstruido al revés.

Antes de interpretar el porcentaje, hazte dos preguntas: ¿cumplía los requisitos el archivo? y ¿qué parte de él contó como prosa calificable?

Quien lee estos informes suele notar que los pasajes resaltados no parecen sumar el porcentaje indicado y concluye que algo está roto. Nada está roto. Turnitin lo dice sin rodeos: un documento que contiene varios tipos de escritura distintos sí va a producir una diferencia entre el porcentaje y los resaltados.

El porcentaje se calcula sobre el texto calificable. Los resaltados están en un documento que además contiene texto no calificable. Los denominadores son distintos, así que no vas a hacerlos cuadrar a simple vista: confrontar uno con el otro es esfuerzo perdido.

Para lo que sí sirven los resaltados es para ver la distribución. Dónde cae una marca te dice más que cuánta cantidad hay.

Lee el informe en tres pasadas. Primero, identifica el estado del indicador. Turnitin documenta siete, y solo dos ponen un porcentaje en pantalla: un 0 % y una cifra a partir de 20. Un asterisco, un informe aún cargando, un error de procesamiento, un archivo que no cumplió los requisitos y una detección desactivada en el momento de entregar te dan algo que no es un número. Segundo, lee el desglose de la entrega. Hasta el 4 de agosto de 2026 separaba el texto generado por IA del texto generado por IA que había sido parafraseado; desde entonces Turnitin ha unido ambos en una sola categoría azul, así que los informes de antes y después de esa fecha no llevan la misma leyenda. Tercero, revisa los pasajes resaltados en contexto, incluidas las oraciones sin resaltar de antes y de después. Saltar directamente a un párrafo muy encendido elimina el contexto necesario para valorarlo.

• Un grupo en la metodología o en fórmulas fijas puede reflejar un lenguaje muy convencional y merece compararse con las plantillas o los protocolos exigidos.
• Un límite entre pasajes redactados de forma distinta merece revisar las oraciones de alrededor, porque la clasificación no es necesariamente precisa en el borde.
• Un patrón disperso también debería cotejarse con el historial de versiones y con las fuentes; la dispersión visual no sustituye a la procedencia.
• Ningún resaltado junto a un asterisco es el comportamiento previsto en el rango bajo oculto, no una prueba de que la interfaz no llegó a cargar.

No cuentes líneas resaltadas y las dividas por la longitud de la página. La maquetación, el tamaño de letra, las referencias y los tipos de texto excluidos hacen que ese cálculo no tenga relación con el denominador de texto calificable de Turnitin. Usa los resaltados para localizar pasajes que revisar, no para auditar el porcentaje como si fuera una medida de superficie impresa.

El informe divide su porcentaje en dos tipos de detección.

• AI-generated only — texto que el modelo considera probablemente salido de un modelo de lenguaje grande, quizás modificado después por una herramienta de evasión.
• AI-generated text that was AI-paraphrased — texto que se juzga probablemente generado por IA y después probablemente pasado por lo que Turnitin llama «an AI paraphrasing tool or AI word spinner» (una herramienta de parafraseo con IA o un girador de palabras con IA). Turnitin menciona QuillBot como ejemplo.

La segunda categoría merece que te detengas en ella. El paso del parafraseador no es invisible para el modelo: pasar texto de IA por un reescritor es un patrón que el detector se construyó para reconocer precisamente como tal, no un atajo para esquivarlo. Si alguna vez te has preguntado por qué parafrasear no bajó una puntuación, esta es la razón documentada.

También explica una decepción frecuente. El modelo lee el esqueleto de la oración, así que una corrección que deja intacto ese esqueleto deja intacto lo que se lee —un punto que conviene leer junto con qué miden realmente los detectores—.

Las etiquetas describen la clasificación del modelo, no una cadena de custodia comprobada. «AI-generated only» no identifica ni un modelo, ni un prompt, ni una persona; «AI-paraphrased» no demuestra que se usara un servicio concreto. La propia Turnitin dice que su modelo puede identificar mal el texto escrito por humanos, el generado por IA y el parafraseado por IA. Las categorías ayudan a quien evalúa a organizar la revisión, pero no convierten un resultado probabilístico en una procedencia forense.

Hay también una limitación de idioma fácil de pasar por alto: la guía actual de Turnitin dice que la detección de parafraseo con IA y de herramientas de evasión solo está incluida en el detector en inglés. Los informes en español y en japonés no incluyen hoy esas capacidades. Por eso una captura de pantalla del desglose por categorías necesita su contexto de idioma antes de poder compararse con otro informe.

Desde el 8 de julio de 2024, cuando el modelo sitúa un resultado en el rango de 1–19 %, el informe muestra un asterisco y no atribuye ningún porcentaje numérico ni ningún resaltado. Un resultado sin texto calificable es un estado distinto, y un error de procesamiento también lo es.

La razón que da Turnitin es que sus pruebas encontraron una mayor incidencia de falsos positivos en los porcentajes bajos y que ocultar la cifra concreta reduce las posibilidades de mala interpretación. El asterisco significa, por tanto, «un resultado distinto de cero por debajo del umbral de informe, con fiabilidad reducida», y no «0 %», «seguro» ni «falta académica».

La regla trata de lo que la interfaz muestra; no es un umbral institucional de falta académica. Un 19 % numérico en un informe generado antes del 8 de julio de 2024 y un asterisco en un informe más reciente pueden representar la misma banda bajo reglas de visualización distintas. Anota la fecha del informe antes de compararlos.

Un 0 % visible tampoco demuestra que no existiera ningún proceso con apoyo de IA. Significa que el modelo, con esa versión y esa configuración, no identificó texto calificable como probablemente perteneciente a sus categorías de detección. La detección tiene falsos negativos además de falsos positivos, y el contenido no admitido o excluido queda fuera del porcentaje por completo.

Turnitin afirma que su modelo puede identificar mal el texto escrito por humanos, el generado por IA y el parafraseado por IA, y que no debe usarse como única base para una medida adversa contra un estudiante. Aporta datos para que el profesorado los valore junto con la política institucional y otras pruebas. La cifra es un insumo para el juicio humano, y eso lo dice la propia empresa en la guía del informe.

Es lo más útil que puedes saber si te toca recibir uno. La pregunta no es «cómo bajo esta cifra», sino «para qué se está usando esta cifra y qué dice la política de mi institución que significa».

• No es el Similarity Score. El texto que coincide con fuentes ya existentes y el texto clasificado como IA son análisis separados; uno no explica el otro.
• No es una constatación de plagio. La autoría, la atribución y la ayuda permitida son cuestiones de las reglas de evaluación y de las pruebas.
• No es un mapa de probabilidad palabra por palabra. Los resaltados señalan pasajes asignados a categorías; no dan a cada palabra un valor de confianza propio.
• No es estable entre versiones. Los requisitos de admisión, el comportamiento del modelo y las reglas de visualización pueden cambiar, así que conserva el informe original en lugar de volver a generarlo más tarde y suponer que equivale.

Si tienes que hablar de un informe, lleva la entrega original, el informe completo, las reglas de uso de IA de la tarea y pruebas del proceso, como borradores o notas. Ese conjunto responde a cuatro preguntas distintas: qué se entregó, qué marcó la herramienta, qué ayuda estaba permitida y cómo se produjo el documento. El porcentaje por sí solo responde únicamente a la segunda, y solo dentro de los límites del detector.