Lo que denominamos marcas de agua, aplicadas a textos generados mediante modelos de inteligencia artificial, son señales estadísticas introducidas durante el proceso de generación. Su objetivo es permitir que el proveedor del modelo, o un sistema autorizado que disponga del mecanismo de detección correspondiente, pueda estimar con cierta probabilidad si un texto procede de un determinado sistema de inteligencia artificial. No se trata de una firma o marca visible añadida al documento ni de metadatos que acompañen al archivo. La señal se encuentra integrada en las propias decisiones estadísticas que realiza el modelo al seleccionar unas palabras en lugar de otras.
La normativa europea obliga a que el contenido sintético lleve un marcado legible por máquina y detectable, y el marcado estadístico del texto es una de las técnicas disponibles para cumplirlo, junto a los metadatos firmados y otros mecanismos de procedencia. Esta obligación pone en primer plano una cuestión sobre la que se viene debatiendo desde la generalización de estos modelos: qué grado de intervención debe tener la inteligencia artificial en la redacción de un texto para cuestionar su autoría intelectual: un texto puede haber sido generado íntegramente por un modelo con una intervención humana mínima, o ser el resultado final de un proceso mucho más complejo en el que una persona investiga, selecciona las fuentes, desarrolla las ideas, organiza la estructura y utiliza varios sistemas de IA como herramientas de investigación, redacción, corrección o revisión. La presencia de una marca de agua indica algo sobre el proceso de generación. No necesariamente sobre la autoría del contenido.
Hasta hace poco esta era una discusión sobre posibilidades técnicas. Desde el 2 de agosto de 2026 pasa a ser una situación real. Con este artículo pretendemos arrojar un poco de luz, aunque como siempre cuando se habla de IA, refiriéndonos a la situación actual, septiembre de 2026.
Cómo se insertan las marcas de agua generativas
Las técnicas más conocidas de marcado de texto son generativas. Esto significa que la señal se genera durante la fase de inferencia, es decir, mientras el modelo está generando la respuesta. El modelo no modifica posteriormente un texto ya terminado: la señal se incorpora durante el proceso de selección de cada nuevo token.
Un token puede ser una palabra completa, una parte de una palabra o un signo de puntuación. En cada paso de generación, el modelo calcula los tokens estadísticamente más probables y selecciona uno de ellos. Las técnicas de marcado aprovechan precisamente ese proceso, con el objetivo de introducir una pequeña desviación estadística sin afectar de forma perceptible a la calidad, coherencia o significado del texto.
El coste computacional es marginal. El marcado no altera el modelo ni añade una segunda pasada. En las mediciones publicadas por Google DeepMind con un modelo de 7.000 millones de parámetros, el tiempo por token pasó de 15,527 a 15,615 milisegundos, un 0,57 % más, y esa proporción disminuye a medida que crece el modelo. Tampoco se generan tokens adicionales, de modo que el precio por consulta no varía. La verdadera dificultad para llevar estos sistemas a producción no fue la latencia o el coste, sino hacerlos compatibles con el muestreo especulativo, la técnica con la que los sistemas comerciales aceleran la generación.
Existen dos familias de soluciones que siguen siendo la referencia.
Sistemas de listas verde y roja
El mecanismo más citado en la literatura fue propuesto en 2023 por Kirchenbauer y otros investigadores de la Universidad de Maryland, y suele identificarse por las iniciales de sus autores, KGW. Su funcionamiento general puede resumirse así:
El modelo calcula las probabilidades de los diferentes tokens candidatos.
Utilizando el contexto anterior y una clave secreta, el vocabulario se divide de forma pseudoaleatoria en dos grupos.
Uno de esos grupos recibe una preferencia estadística durante la selección.
El modelo genera el siguiente token utilizando esa distribución ligeramente modificada.
Por convención, estos grupos se denominan lista verde y lista roja. El lector no percibe ninguna señal concreta, pero a lo largo de un texto suficientemente extenso puede producirse una desviación medible: aparecen más tokens del grupo favorecido de los que cabría esperar en una generación no marcada. Un detector que conozca la clave puede reconstruir la clasificación y calcular si esa desviación resulta estadísticamente significativa.
La idea fundamental es sencilla: cada decisión individual apenas revela información, pero la acumulación de cientos o miles de decisiones puede producir una señal detectable. El problema es que sí altera la distribución original del modelo, aunque con una degradación de calidad pequeña si los parámetros están bien elegidos.
Sistemas basados en funciones pseudoaleatorias
La segunda familia se remonta a una propuesta de Scott Aaronson de 2022, desarrollada después junto a Hendrik Kirchner como muestreo exponencial o Gumbel-max. La diferencia con el enfoque anterior es de fondo: aquí no se premia a un grupo de tokens, sino que se sustituye la fuente de aleatoriedad que decide entre candidatos igualmente válidos.
Anthropic propone el siguiente ejemplo: cuando un modelo escribe "el tiempo hoy estaba frío y", la siguiente palabra difícilmente será "azucarado", pero puede ser "nublado" o "gris" sin que el significado cambie. En condiciones normales esa elección la resuelve un número aleatorio. El marcado sustituye ese número por un valor derivado de una clave secreta y de las palabras anteriores. Las palabras siguen siendo, a todos los efectos, aleatorias, pero quien tenga la clave puede comprobar después si la secuencia es compatible con las decisiones que habría tomado el modelo usando esa clave. Sería, sigue explicando Anthropic, como jugar al Monopoly sin usar dados, obteniendo los movimientos a partir de una secuencia de decimales de pi tomada aleatoriamente. Para los jugadores no cambia nada, la partida es igual de aleatoria, pero alguien que conozca el valor de pi puede examinar después la secuencia de tiradas y deducir de dónde salieron.
A esta familia pertenece SynthID-Text, el sistema publicado por Google DeepMind en Nature en 2024, que añade un procedimiento de torneo entre candidatos para conservar la diversidad de la generación. Su principal ventaja es que no sesga la distribución del modelo: este continúa eligiendo entre opciones que ya resultaban plausibles según su propia estadística. Por esa razón, una marca bien diseñada debería ser invisible para el lector y no producir patrones lingüísticos identificables sin disponer del sistema de detección adecuado.
Junto a los sistemas generativos, otros sistemas se basan en una capa añadida con metadatos de procedencia, que acompañan al archivo y desaparecen en cuanto alguien reconvierte el formato, hace una captura de pantalla o simplemente copia el contenido como texto plano.
Una señal estadística, no una firma individual
Este punto es esencial para comprender las limitaciones de estas tecnologías. Una marca de agua generativa no funciona como una firma digital convencional. Una firma digital puede demostrar criptográficamente que una determinada clave participó en la firma de un documento concreto; una marca de agua estadística proporciona un resultado probabilístico.
El detector no encuentra una secuencia concreta que diga "este texto fue generado por el modelo X". Lo que encuentra es una desviación estadística compatible con el proceso de marcado utilizado durante la generación. Los detectores de SynthID, de hecho, devuelven tres estados posibles: con marca, sin marca o resultado incierto.
Su eficacia depende de varios factores: la longitud del texto disponible para el análisis, la intensidad de la señal introducida, las modificaciones realizadas posteriormente, el método concreto de detección y las claves disponibles para realizar la comprobación. Cuanto más corto sea el fragmento analizado, más difícil resulta obtener una señal concluyente.
A efectos de privacidad, debe recalcarse que, conforme a la información divulgada por los desarrolladores, el texto marcado no incorpora información sobre la identidad de la persona u organización que generó el texto.
Qué modelos marcan hoy sus textos
El 2 de agosto de 2026 empezaron a aplicarse las obligaciones de transparencia del artículo 50 del Reglamento europeo de inteligencia artificial, que exigen a los proveedores marcar el resultado generado en un formato legible por máquina y detectable como artificial. La Comisión publicó las directrices finales el 20 de julio y dio por válido el Código de buenas prácticas sobre transparencia del contenido generado por IA, firmado ese mismo mes por alrededor de 190 organizaciones, entre ellas Anthropic, Google, Meta, Microsoft, Mistral y OpenAI. El incumplimiento puede sancionarse con hasta 15 millones de euros o el 3 % de la facturación mundial anual.
En el caso de Anthropic, todos los modelos lanzados a partir de esa fecha insertan una señal estadística en el texto que generan, y lo hacen en todo el mundo, no solo para usuarios europeos: la compañía explica que todavía no dispone de una forma fiable de limitar el marcado por región. El mecanismo es una versión de SynthID-Text y se aplica a nivel de modelo, de manera que afecta por igual a la aplicación de consumo, a la API, a las herramientas de desarrollo y a las versiones servidas desde plataformas de terceros. Para los ficheros que genera, como .png, .jpg o .svg, utiliza en cambio credenciales C2PA: metadatos firmados criptográficamente que no modifican el contenido del archivo.
A esta fecha, por lo tanto, los dos modelos que usa la mayoría de la gente y de los equipos de pago, siguen sin marcar el texto (Sonnet 5 salió el 30 de junio y Opus 5 el 24 de julio). En la práctica el marcado se aplica a los textos generados por Fable 5.1, lanzado el 1 de septiembre, y Mythos 5.1,este de uso restringido. Los modelos anteriores al 2 de agosto se acogen a un periodo transitorio y el marcado se les añadirá progresivamente.
Google aplica SynthID en la aplicación de Gemini desde 2024, aunque no en su API. OpenAI marca imágenes y audio, y combina C2PA con marcas de agua en las imágenes, pero ha reconocido que el marcado de texto resulta más difícil de desplegar a escala. Copilot (Microsoft) enruta las consultas entre varios modelos de distintos proveedores, así que la propiedad de llevar marca o no la hereda cada respuesta del modelo que la produjo, no es un atributo fijo del producto. En el caso de AIx (Grok), no firmó el Código de buenas prácticas sobre transparencia del contenido generado por IA, aunque sí firmó el capítulo de seguridad del Código general de IA de propósito general.
Queda un tercer grupo: los modelos abiertos que cualquiera puede alojar por su cuenta, sin sistema de marcado alguno. La implementación de SynthID-Text es código abierto y está disponible en Hugging Face Transformers, pero nada obliga a activarla en una instalación privada.
De ahí la conclusión que más importa al lector: la ausencia de marca no demuestra que un texto haya sido escrito por un ser humano. Solo indica que el sistema utilizado no aplicaba ese mecanismo concreto.
A quién sirve la marca de agua
Si el mecanismo para determinar el origen del documento depende de una clave secreta, el detector necesita conocer la forma exacta en que se introdujo la señal. La comprobación queda por tanto en manos del proveedor y de quien este autorice.
No es, por tanto, una herramienta para que un profesor compruebe la originalidad del trabajo de sus alumnos, para que un editor examine la procedencia de un texto que le llega firmado, o para que un escritor defienda su autoría frente a una acusación. El acceso a la comprobación, al menos en el caso de Anthropic, no es un derecho: es un permiso. Se concede en preview privada, mediante un formulario, sin criterios publicados, sin plazo, sin garantía de volumen y sin mecanismo de recurso si se deniega. La capacidad de verificar está centralizada en quien fabrica el modelo, que además decide quién puede ejercerla.Y la lista de organizaciones elegibles no nace de un diseño pensado para profesores y editores. Nace de una obligación: Anthropic la enmarca como exigida por la legislación europea. Es cumplimiento normativo, no producto.
Sí existe una verificación abierta y gratuita, pero solo para ficheros de imagen: Anthropic mantiene un comprobador público donde se sube una imagen y se consulta si lleva credenciales C2PA firmadas y si ha sido manipulada.
También conviene separar dos actividades distintas. Detectar una marca de agua consiste en comprobar la presencia de una señal introducida deliberadamente, y para hacerlo con fiabilidad hace falta la clave. Adivinar si un texto fue escrito por una IA es otra cosa: los detectores comerciales existentes examinan la regularidad estadística, el vocabulario, la estructura de las frases y la repetición de patrones, y emiten una conjetura. La paradoja es notable, el sistema fiable no está al alcance de quien lo necesita, y el accesible es el que se basa en conjeturas.
¿A quién sirve entonces la marca de agua? Sirve al regulador, que obtiene una infraestructura de trazabilidad que antes no existía. Sirve al proveedor del modelo, que documenta el cumplimiento del artículo 50 y evita sanciones millonarias. El profesor, el editor, el escritor, el lector no son beneficiarios directos del sistema. En la arquitectura técnica son terceros que, en el mejor de los casos, reciben una consulta autorizada.
¿Puede eliminarse una marca de agua?
La resistencia de la señal estadística depende del sistema concreto y de la transformación aplicada. Copiar el texto de una aplicación a otra no altera los tokens que lo componen, de modo que la marca viaja con el contenido. Corregir algunas erratas, sustituir unas pocas palabras o cambiar la puntuación puede reducir su intensidad sin eliminarla, porque la señal está distribuida a lo largo de todo el texto.
A partir de ahí funciona como una degradación progresiva. Un parafraseo parcial debilita la señal en proporción al texto que permanece intacto. Una reescritura profunda, que modifique el vocabulario, la estructura y el orden de las ideas, puede conservar el significado sin conservar las decisiones estadísticas de la generación original. El propio proveedor lo admite: una reescritura completa en la que se sustituya cada palabra elimina la marca, aunque en ese caso sería discutible seguir considerando el resultado un texto generado por IA. Las traducciones sucesivas o de ida y vuelta, o la redacción por una persona desde cero a partir de un texto utilizado solo como borrador, producen un efecto equivalente.
Hay además un aspecto poco comentado. La señal solo puede generarse donde el modelo tenía libertad para elegir. En un pasaje factual reducido, con nombres propios, citas, cifras o una única continuación correcta, no hay elección posible. Lo mismo ocurre con el código fuente de programación, donde la exactitud es obligatoria y el marcado se limita en la práctica a los comentarios, o con la corrección de estilo sobre un texto ya escrito por una persona: si casi todas las palabras son suyas, apenas hay decisiones a las que agarrarse.
El problema de la autoría
Supongamos que una persona escribe un artículo sobre inteligencia artificial. Investiga el tema, selecciona las cuestiones que considera relevantes, propone sus propias ideas y argumentos, utiliza un modelo para producir un borrador, introduce nuevas ideas y corrige errores, recurre a otro modelo para mejorar la redacción, reescribe personalmente determinadas partes y decide finalmente qué se publica.
El resultado puede contener fragmentos generados mediante uno o varios modelos, e incluso conservar una señal asociada a alguno de ellos. ¿Qué demuestra exactamente esa señal? Demuestra, en el mejor de los casos, que un determinado sistema participó en la producción de una parte del texto. No demuestra quién desarrolló las ideas, quién realizó la investigación ni quién seleccionó los argumentos, y no permite establecer por sí sola quién debe considerarse autor intelectual del contenido.
No es una interpretación forzada del funcionamiento técnico: es lo que sostiene la propia empresa que aplica la marca. Anthropic reconoce que su sistema solo permite estimar que Claude estuvo probablemente implicado en algún momento, que no distingue entre haber escrito un texto y haberlo editado a fondo, y que no altera la propiedad ni la autoría del resultado ni los derechos del usuario.
Conviene descartar de entrada a quien no es autor. El desarrollador del modelo no reclama la autoría de los textos que produce su sistema, y sus propias condiciones de uso atribuyen los resultados al usuario. Otra cosa es el reparto del mérito cuando la máquina hace una aportación intelectual sustantiva, una discusión que dejó de ser teórica este mismo mes: el 8 de septiembre de 2026 OpenAI anunció que un modelo interno había demostrado la formación de una singularidad en las ecuaciones de Navier-Stokes, con casi 10.000 agentes trabajando en paralelo durante 88 horas y verificación formal en Lean. Horas después, el matemático Tristan Buckmaster acusó públicamente a la compañía de mala praxis académica, sosteniendo que él y Levent Alpöge llevaban meses en la misma vía, apoyados a su vez en una idea previa de los españoles Diego Córdoba y Luis Martínez-Zoroa. La disputa sigue abierta y merecería un artículo aparte, pero ilustra el problema mejor que cualquier ejemplo: cuando hay que repartir el crédito entre quien tuvo la idea, quien la llevó al final y quien puso la máquina, la máquina es el único participante cuya intervención puede medirse con precisión.
Una marca de agua puede convertirse en prueba de la intervención de una herramienta, pero confundir la utilización de una herramienta con la ausencia de participación humana sería una simplificación excesiva. Utilizamos correctores ortográficos, editores de texto, buscadores y programas de traducción sin considerar que se conviertan automáticamente en autores del resultado. La inteligencia artificial introduce una diferencia cuantitativa evidente por su capacidad para generar contenido, pero eso no elimina la necesidad de analizar cuál ha sido realmente la intervención humana.
Lo que la norma responde y lo que esquiva
El problema al que aludimos no es técnico sino reputacional. Si académicamente se rechaza por no original un trabajo elaborado con IA, si en el ámbito artístico se rechazan las obras generadas con IA y si en el periodístico se perciben como de menor calidad las noticias redactadas con IA, la pregunta que interesa es a partir de qué momento el texto deja de ser tuyo.
El artículo 50 reparte la carga en dos niveles. El proveedor del sistema debe marcar el contenido sintético en un formato legible por máquina, obligación que decae en la medida en que la IA cumpla una función de apoyo a la edición estándar o no altere sustancialmente el texto que le entrega el usuario. Quien despliega el sistema tiene una obligación distinta y añadida: si publica un texto generado o manipulado con IA con la finalidad de informar al público sobre asuntos de interés público, debe declararlo. Y aquí aparece la excepción que interesa a cualquier redacción: no hay que declararlo cuando el contenido ha pasado por un proceso de revisión humana o de control editorial y existe una persona física o jurídica que asume la responsabilidad editorial de la publicación.
La norma no responde a la pregunta de cuándo el texto deja de ser tuyo. Sustituye la autoría por la responsabilidad editorial, que es una figura mucho más fácil de determinar y de exigir.
Conclusión
Las marcas de agua generativas aplicadas a textos son mecanismos estadísticos incorporados durante la selección de tokens. Introducen una señal sin añadir elementos visibles y sin modificar el documento a posteriori. Su principal limitación es precisamente su naturaleza estadística: la detección depende del sistema utilizado, de la cantidad de texto disponible, de la libertad que tuviera el modelo al escribirlo y de las transformaciones posteriores. Una modificación superficial conserva la señal; una reescritura profunda la debilita o la elimina.
Una marca de agua puede aportar información sobre el origen técnico de un fragmento de texto. No puede determinar por sí sola quién tuvo las ideas, quién dirigió el proceso creativo ni quién debe considerarse autor intelectual del resultado. Y quien más necesitaría esa información es, hoy, quien menos posibilidades tiene de consultarla.
