¿GPTZero es fiable? GPTZero vs Turnitin vs ZeroGPT, comparados

¿GPTZero es fiable? Las pruebas independientes dicen que menos de lo que sugieren sus propias cifras, y lo mismo vale para ZeroGPT y Turnitin. Un motivo de más peso por el que los tres dan veredictos distintos a un mismo párrafo es que no miden lo mismo. Turnitin informa de una proporción de tu prosa, GPTZero da una probabilidad sobre el documento completo, Originality.ai deja que el usuario decida cuánta IA tolerar, y cada herramienta traza su línea en un lugar distinto, con una extensión mínima distinta, con un modelo entrenado con datos distintos y actualizado según su propio calendario.

Eso no prueba que ninguna herramienta esté rota. Es lo que ocurre cuando varios clasificadores probabilísticos deciden por separado sobre un texto realmente ambiguo, como suele serlo la prosa académica formal.

No informan de la misma cifra

La forma más rápida de ver por qué difieren las puntuaciones es leer qué dice cada proveedor que significa su cifra principal. La tabla siguiente usa solo las páginas públicas de los propios proveedores, y las cifras de error son afirmaciones suyas, no nuestras.

Compara dos de ellos. GPTZero explica que "4% AI" no significa que el 4 % de tu documento contenga IA; es la probabilidad que asigna el modelo a que el documento esté escrito por IA en su totalidad. El 40 % de Turnitin es una afirmación sobre qué parte de tu prosa parece generada por IA. Ambos son porcentajes y responden a preguntas distintas. Sapling hace la misma advertencia sobre sus propios resaltados: pueden diferir de la puntuación global.

Los umbrales son decisiones de política

Todo detector convierte una puntuación continua en una etiqueta, y dónde se sitúa ese corte es una decisión de diseño. Los textos humanos y los de IA producen distribuciones de puntuación que se solapan. Si mueves el umbral a la derecha, marcas a menos personas pero se te escapa más IA; si lo mueves a la izquierda, ocurre lo contrario.

• Texto escrito por personas
• Texto generado por IA

Ilustrativo, no son datos de ningún detector concreto

Los proveedores dicen abiertamente hacia qué lado se inclinan. Turnitin oculta las puntuaciones entre el 1 % y el 19 % y acepta que un documento con un 50 % pueda contener más IA que eso. GPTZero describe una correspondencia de resultados que inclina el detector hacia los falsos negativos antes que hacia los falsos positivos, y dice que cuando no está seguro tiende en general hacia "humano". Originality.ai deja ahora parte de la decisión al usuario mediante su ajuste AI Allowance, y Copyleaks ofrece una sensibilidad ajustable. Dos herramientas pueden coincidir en la señal de fondo y aun así discrepar en la etiqueta.

La extensión y la segmentación cambian el veredicto

Los detectores necesitan texto suficiente para medir. Turnitin no puntúa menos de 300 palabras de prosa y dice que los documentos breves se puntúan casi como un único bloque. Sapling dice que su detector es mucho más preciso a partir de unas 50 palabras. GPTZero señala que su predicción puede depender de patrones en el grueso del texto, de modo que editar unas pocas frases resaltadas puede mover la puntuación menos de lo que esperas.

Es el problema de la frase frente al documento que tratamos en la detección de IA a nivel de frase. Una herramienta que puntúa ventanas solapadas, otra que puntúa el documento completo y otra que puntúa frase a frase pueden leer el mismo párrafo de forma distinta.

We recruited 214 first-year nursing students across two campuses in spring 2024. The findings highlight the importance of resilience in shaping academic outcomes. Resilience scores rose most among students who had previously failed a clinical placement. These results contribute to a growing body of literature on student wellbeing.

Ejemplo ilustrativo. Las frases de encuadre genéricas tienden a puntuar como IA; las frases concretas y con datos tienden a puntuar como humanas. Una herramienta a nivel de documento puede promediarlas en un único veredicto.

Distintos datos de entrenamiento, distintos puntos ciegos

Cada clasificador aprende de su propia mezcla de texto humano y de máquina, y de un conjunto concreto de generadores. Turnitin publica la lista de modelos que su detector en inglés está entrenado para captar. El registro de cambios de Sapling muestra el mismo patrón de ir añadiendo nuevas familias de modelos con el tiempo. Un párrafo producido o pulido por un modelo con el que un proveedor ha entrenado y otro no, no se puntuará igual. Analizamos esa cobertura en ¿Turnitin detecta ChatGPT, Claude y Gemini?

Los benchmarks independientes muestran cuánto importa esto. RAID, un benchmark compartido de Dugan et al. presentado en ACL 2024, probó 12 detectores con más de 6 millones de generaciones de 11 modelos en 8 dominios, con 11 ataques adversarios y 4 estrategias de decodificación. Los autores encontraron que los detectores se dejaban engañar fácilmente por los ataques, por cambios en la estrategia de muestreo, por las penalizaciones por repetición y por modelos generativos no vistos.

Un estudio anterior en el International Journal for Educational Integrity, Weber-Wulff et al. (2023), probó 14 herramientas y no encontró ninguna que llegara al 80 % de precisión según su puntuación, con tendencia a clasificar el texto como humano. Resultados como estos conviven con cifras de proveedores del 98 % o el 99 % porque usan conjuntos de prueba, tipos de texto y definiciones de precisión distintos.

Los ciclos de actualización mueven la portería

Los detectores cambian a menudo. Turnitin publicó actualizaciones de su modelo en octubre de 2025 y febrero de 2026 y consolidó su arquitectura en julio de 2026; los informes antiguos no se recalculan, pero los archivos reenviados sí. El registro de cambios de Sapling recoge una actualización de septiembre de 2026. Originality.ai retiró sus modelos clásicos ese mismo mes. Una puntuación que viste en primavera es la lectura de un instrumento distinto del que usa tu editor en otoño.

¿GPTZero es fiable? ¿Y ZeroGPT?

Ambos proveedores publican cifras contundentes: GPTZero dice que mantiene su tasa de falsos positivos en no más del 1 %, y ZeroGPT afirma una precisión de detección del 98,4 %. Las pruebas independientes encontraron resultados más bajos y menos uniformes, aunque las dos pruebas de abajo son anteriores a las versiones actuales de estas herramientas.

• En el estudio de 2023 de Weber-Wulff y sus colegas, GPTZero clasificó correctamente el 54 % de 54 documentos de prueba con la puntuación más estricta, frente al 59 % de ZeroGPT y el 76 % de Turnitin. GPTZero fue también la excepción en acusaciones falsas: en la mitad de los 18 documentos escritos por personas, su resultado podría haber dado pie a una. ZeroGPT no produjo ninguna.
• En el benchmark RAID (2024), GPTZero alcanzó un 66,5 % de precisión con una tasa de falsos positivos del 5 % y apenas se movió ante un ataque con homoglifos que perjudicó a la mayoría de los demás detectores. La tasa de falsos positivos de ZeroGPT no pudo bajarse del 16,9 % en las pruebas de umbral de RAID.

Entonces, ¿GPTZero es tan fiable como Turnitin? El único estudio de los citados aquí que probó ambos situó a Turnitin por delante a principios de 2023, y las dos herramientas se han actualizado desde entonces. Toma la puntuación de cualquiera de ellas como una lectura más, no como un veredicto.

Entonces, ¿cuál es el detector de IA más preciso?

No hay una única respuesta válida para todos los tipos de texto, extensiones, idiomas y generadores, y quien te dé una está citando un conjunto de prueba. Las cifras de precisión de los proveedores proceden de sus propias evaluaciones. Los benchmarks independientes informan de cifras más bajas y más variables. La pregunta más útil es qué detector usan realmente quienes evalúan tu trabajo y cómo se comporta tu texto con varias herramientas.

Ese es el argumento para comprobar con más de un detector:

• La coincidencia es informativa. Si cinco herramientas leen una frase como humana y una la marca, esa marca probablemente es ruido. Si las seis marcan la misma transición genérica, vale la pena reescribirla con tus propias palabras.
• La discrepancia señala texto fronterizo. Las frases que cambian de veredicto según la herramienta suelen ser formulaicas: arranques hechos, frases de resumen, tópicos valorativos. Consulta por qué la prosa formal puede parecer escrita por IA.
• Ninguna herramienta es el juez final. Turnitin, GPTZero y Sapling dicen que su resultado no debe ser la única base de una decisión sobre una persona.

Comprobar varios detectores con Academic Humanizer

Academic Humanizer está validado con los seis detectores anteriores: Turnitin, GPTZero, ZeroGPT, Copyleaks, Sapling y Originality.ai. Humanizer analiza tu borrador en busca de frases que marcan los detectores, reescribe solo esas y deja las frases que ya se leen como humanas exactamente como las escribiste, y el AI Detection Report integrado compara la proporción de frases leídas como humanas antes y después. No puede garantizar cómo puntuará un detector concreto una versión futura de tu texto, y precisamente por eso el informe muestra su trabajo frase a frase y deja la lectura final en tus manos.