Informe del Harvard Crimson: detectar el uso de IA en trabajos estudiantiles en Harvard se vuelve cada vez más difícil

Un reportaje del Harvard Crimson documenta el uso extendido de LLMs entre estudiantes de Harvard y cómo muchos han aprendido a evadir contramedidas técnicas de los docentes, lo que complica la detección y la aplicación de políticas de integridad académica.

Un informe del Harvard Crimson revela que estudiantes de Harvard usan modelos de lenguaje a gran escala de forma generalizada y están aprendiendo a esquivar las contramedidas técnicas que aplican algunos profesores, lo que dificulta demostrar uso de IA en trabajos académicos y pone en tensión los procesos disciplinarios.

Entre las tácticas docentes citadas en el reportaje figuran el uso de texto oculto diseñado para marcar entregas generadas por IA y solicitudes formales del historial de versiones de Google Docs. Varios profesores, según el texto, han dejado de remitir casos sospechosos al consejo de honor porque «no hay una forma real de probar cuándo se usó IA». Un sílabo reproducido en el informe añade que si una entrega «parece» trabajo de IA, el alumno deberá rehacerla por completo.

El artículo recoge señales concretas que la comunidad ha asociado a la escritura artificial: tendencias tipográficas como el uso excesivo de guiones largos y un razonamiento con postura equidistante — descrita como «on the one hand / on the other hand»—. Esas pautas han reforzado la convicción entre docentes y usuarios en redes sociales de que es posible «sentir» cuándo un texto procede de IA.

Sin embargo, el reportaje documenta que esas mismas señales son fáciles de replicar o eliminar mediante instrucciones sencillas al modelo: con ajustes en el prompt es posible introducir adverbios, oraciones más largas, errores tipográficos intencionados o un tono más individualizado. Además, las plataformas de IA ofrecen mecanismos para adaptar la voz y las preferencias comunicativas, lo que reduce drásticamente la fiabilidad de indicadores superficiales. Como resultado, algunos profesores han cambiado de estrategia: en lugar de intentar probar el uso de IA ante el consejo de honor, piden entregas en la «voz única» del estudiante o exigen rehacer tareas en clase, donde la aparición en tiempo real y la supervisión directa sirven como pruebas alternativas de autoría.

Esa aproximación basada en la impresión o el estilo complica la aplicación coherente de políticas de integridad académica: confiar en juicios estilísticos dificulta la estandarización de sanciones y plantea retos probatorios cuando una acusación llega a procesos formales. El informe sugiere que los métodos de detección amateur y los rastros estilísticos probablemente no bastarán a largo plazo; instructores y desarrolladores de herramientas de evaluación deberán repensar cómo medir competencias y qué evidencias son admisibles para sostener una acusación de uso de IA, pues la dependencia de señales superficiales puede dar resultados poco fiables y generar conflictos disciplinarios.