¿Por qué cambió mi porcentaje de IA cuando volví a enviar el mismo trabajo?

Cuando el mismo trabajo vuelve con un porcentaje de IA distinto la segunda vez que lo envías, la causa más frecuente no es que tu texto haya cambiado, sino que ha cambiado el detector. Turnitin actualiza su modelo de detección de escritura con IA de forma continua, y en cada nota de versión aparece la misma frase: «This release will not retroactively update previously-generated AI writing reports.» (Esta versión no actualiza retroactivamente los informes de escritura con IA generados antes.) Un informe es una medición hecha por el modelo que estaba vigente el día en que se generó. Si una actualización del modelo cae entre tu primer y tu segundo envío, las dos puntuaciones provienen de versiones distintas del detector, y nada en ninguno de los dos documentos te dice cuánto de la diferencia se debe a tus cambios y cuánto al modelo.

Se tiende a suponer que «Turnitin» es un instrumento fijo que siempre lee igual. Las notas de versión cuentan otra historia. La página del modelo de detección de escritura con IA registra actualizaciones el 14 de octubre de 2025, el 12 de febrero de 2026 y el 5 de mayo de 2026. Cada una de esas entradas dice:

«This release will not retroactively update previously-generated AI writing reports. To view the AI writing score generated by this update, existing submissions must be resubmitted.» (Esta versión no actualiza retroactivamente los informes de escritura con IA generados antes. Para ver la puntuación de escritura con IA que genera esta actualización, los envíos existentes deben volver a enviarse.)

Las notas de febrero y de octubre apuntan además en la misma dirección: «We have updated our AI writing detection model to improve recall while maintaining a low false positive rate.» (Hemos actualizado nuestro modelo de detección de escritura con IA para mejorar la cobertura manteniendo una baja tasa de falsos positivos.) Las preguntas frecuentes añaden que, a medida que el modelo itera, «it is likely that our detection capabilities will also change, affecting the AI percentage.» (es probable que nuestras capacidades de detección también cambien, lo que afecta al porcentaje de IA). Turnitin lo dice sin rodeos. El detector es un blanco en movimiento, y una puntuación atada a una fecha no es una propiedad del documento. Es una propiedad del documento tal como esa versión del modelo lo leyó ese día.

Las preguntas frecuentes registran además un cambio de arquitectura más reciente: «In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model.» (En julio de 2026 actualizamos la arquitectura de nuestro modelo para consolidar un conjunto de varios modelos en uno solo.) Según las preguntas frecuentes, esta actualización mantiene una tasa de falsos positivos inferior al 1 %. Lo señalamos porque alguien que envió su trabajo en junio y volvió a enviarlo en agosto puede haber cruzado una frontera entre modelos mayor que la de una actualización incremental habitual.

Supongamos que tu primer informe dio 28 por ciento, que revisaste algunas frases y que la nueva comprobación marca 42. El instinto es preguntar qué salió mal en la revisión. La primera pregunta que conviene hacer, en cambio, es si entre las dos comprobaciones cae alguna fecha de lanzamiento.

Si es así, en la diferencia están mezclados tus cambios y un cambio de modelo, y en ninguno de los dos informes hay nada que los separe. Catorce puntos no son catorce puntos de revisión. Son catorce puntos de revisión más un modelo, y la mitad que aporta el modelo ni es mérito tuyo ni es culpa tuya. Comparar los dos informes en vez de las dos cifras es todo el método que se explica en seguir marcado tras una nueva comprobación de Turnitin. Para una comparación honesta hay que anotar tres cosas: la fecha del primer informe, la fecha del segundo y qué notas de versión caen entre ambas. Turnitin las publica todas en su página del modelo de detección de escritura con IA.

Las notas de versión que mencionamos comparten una frase: «improve recall while maintaining a low false positive rate.» (mejorar la cobertura manteniendo una baja tasa de falsos positivos). La cobertura es la proporción de texto escrito con IA que el detector atrapa. Mejorarla significa que el modelo se ajusta para detectar más, no menos. Las preguntas frecuentes explican la contrapartida que eso crea: «In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document.» (Para mantener esta baja tasa del 1 % de falsos positivos, existe la posibilidad de que pasemos por alto parte del texto escrito con IA en un documento.) Y también: «if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing.» (si identificamos que el 50 % de un documento probablemente fue escrito por una herramienta de IA, podría contener hasta un 65 % de escritura con IA.)

La dirección importa. Una actualización del modelo que mejora la cobertura puede subir el porcentaje de IA de un trabajo que no ha cambiado en absoluto. Eso no es un fallo. Es el modelo haciendo aquello para lo que se actualizó. Y al contrario: una reescritura que bajó la puntuación pudo verse favorecida por una actualización que, por casualidad, leyó tu texto de otra manera, no por los cambios en sí. Sin las fechas no puedes saber cuál de las dos cosas ocurrió. La versión de esto con la que más gente se topa es editar un trabajo y ver cómo sube la puntuación de IA.

Una cosa más que sorprende a la gente: el porcentaje de IA y el de similitud son independientes. Turnitin lo afirma: «The Similarity score and the AI writing detection percentage are completely independent and do not influence each other.» (La puntuación de similitud y el porcentaje de detección de escritura con IA son completamente independientes y no se influyen entre sí.) Un cambio en uno no permite predecir un cambio en el otro. Si tu puntuación de similitud bajó pero la de IA subió, no hay contradicción. Son dos sistemas que leen señales distintas en el mismo texto. Hemos escrito sobre esta distinción con más detalle en nuestra guía AI Writing Report frente a Similarity Report.

En resumen, esto es lo que hemos visto:

• Los informes antiguos no se vuelven a puntuar cuando el modelo se actualiza. Una puntuación es una instantánea, no una propiedad permanente.
• Si una actualización del modelo cae entre dos envíos, las dos puntuaciones fueron producidas por versiones distintas del detector.
• Las actualizaciones recientes han mejorado la cobertura, lo que significa que el mismo texto puede recibir una puntuación más alta con un modelo más nuevo.
• El porcentaje de IA y el de similitud son independientes y no se mueven juntos.

El paso práctico es anotar la fecha de cada informe y cotejarla con las notas de versión antes de comparar dos cifras. Si necesitas revisar un trabajo marcado, importa tu informe de Turnitin y trabaja sobre los pasajes concretos que se marcaron. Los pasajes que cumplen los requisitos pueden volver a procesarse sin coste.