La irrupción de la inteligencia artificial generativa está planteando nuevas preguntas sobre el origen y la trazabilidad de los contenidos que consumimos. A medida que estas herramientas se integran en ámbitos profesionales como la traducción, también cobra importancia saber cuándo un texto ha sido generado por IA y qué ocurre con esa señal cuando el contenido se traduce o se modifica. En este contexto, las marcas de agua se presentan como uno de los mecanismos destinados a aportar transparencia, aunque su funcionamiento y sus limitaciones plantean interrogantes especialmente relevantes para quienes trabajamos con el lenguaje.
El pasado 2 de agosto entró en vigor el Reglamento de Inteligencia Artificial en la Unión Europea. En su artículo 50 introduce obligaciones específicas para proveedores de sistemas de IA generativa: a partir de ahora deberán implementar mecanismos que permitan detectar si el contenido ha sido generado o manipulado de forma artificial.
Estos mecanismos no son necesariamente etiquetas visibles, sino señales técnicas integradas en el contenido y legibles por máquina. El objetivo es permitir que las personas tomen decisiones informadas y luchar contra la desinformación cuando la ciudadanía consume contenido generado por IA.
Sin embargo, entre quienes trabajamos con idiomas surge una pregunta crítica: ¿qué ocurre con una marca de agua cuando un texto marcado es traducido o poseditado? ¿La señal sobrevive? ¿Se puede modificar o eliminar mediante la intervención humana?
¿Pero qué es exactamente una marca de agua en este contexto?
Una marca de agua de texto es una señal estadística integrada en el proceso de generación del contenido, en ningún momento estamos hablando de un símbolo visible. Por lo tanto, el ojo humano no la puede percibir, pero sí es detectable mediante análisis estadísticos.
Para entender cómo se incrusta la marca de agua, primero es importante repasar cómo generan textos los modelos de lenguaje. Para generar un texto, un modelo de lenguaje selecciona unidades llamadas tokens (palabras, fragmentos o signos de puntuación) de forma secuencial. En cada posición, el modelo calcula qué tokens podrían aparecer después y asigna probabilidades a cada opción. Aunque una opción es típicamente más probable, suele haber varias alternativas válidas.
Ahí es donde entran en juego tecnologías como SynthID (de Anthropic), que aprovecha este margen para introducir pequeñas modificaciones estadísticas en las probabilidades, sin alterar el significado del texto. Por ejemplo, si podemos continuar una frase con varios verbos, SynthID introduce una pequeña preferencia estadística entre esas opciones, lo que provoca que el modelo siga eligiendo la palabra más natural, pero con una sutilísima preferencia incorporada.
Es como si estuviéramos ante un escritor con un acento literario imperceptible que un sistema estadístico puede reconocer si dispone para ello de suficiente texto que analizar.
Aquí nos encontramos ya con una de las limitaciones cruciales de estas marcas de agua. Para que un texto pueda incluir marca de agua, debe haber opciones lingüísticas disponibles. En textos técnicos, legales o muy breves, el margen de elección es menor. Cuando existe una única forma correcta de expresar algo, el sistema tiene poco margen para introducir su señal sin poner en riesgo la precisión.
Asimismo, una marca de agua como SynthID-Text no es visible ni localizable en un documento. Para detectarla, es necesario utilizar un sistema de detección específico compatible con la tecnología que generó el texto. Y aquí nos encontramos con otra gran limitación: no existe un detector universal. Si un texto fue generado con una tecnología específica de marcado, necesitaremos un mecanismo capaz de reconocer esa señal. Además, el acceso a estos sistemas puede estar limitado a determinadas organizaciones o plataformas. En consecuencia, que un texto esté marcado no significa que cualquier persona pueda verificarlo. La marca crea la posibilidad de verificación, pero esa posibilidad depende de que el interesado tenga acceso a los medios.
¿Y qué implica todo esto en el sector de la traducción?
Llegados a este punto, puede que te hayas preguntado qué sucede cuando se posedita un texto marcado.
Primero, una aclaración importante: que un motor de traducción automática utilice un LLM no implica que su resultado esté marcado. El proveedor debe haber implementado explícitamente un mecanismo de marcado. Hay una distinción crucial entre usar un LLM interno y usar uno que incorpore marcado de contenido.
Si el motor sí tiene marca de agua, surgen dos escenarios:
- En el primer escenario, se lleva a cabo una posedición significativa. El traductor modifica el output automático durante la corrección. Cada cambio (sustituciones, reformulaciones, correcciones) puede alterar la señal estadística original. Dependiendo del alcance de los cambios, la marca puede debilitarse o desaparecer.
- En el segundo escenario, el output es perfecto y no necesita modificaciones. Un motor genera una traducción impecable. El traductor la revisa y la entrega sin apenas cambios. Si la marca sobrevive, estaría presente en el texto final, porque no ha habido intervención tangible posterior que la elimine.
¿Entonces qué cabe esperar realmente de esta medida?
Sin embargo, no debemos olvidar que la finalidad de estas medidas no es señalar ni estigmatizar a quienes utilizan la IA como herramienta de trabajo, algo que, en ámbitos como la traducción, puede formar parte legítimamente del proceso profesional. Su objetivo es mucho más concreto: dar visibilidad al usuario sobre el origen del contenido para que pueda valorar la información que tiene delante con conocimiento de causa.
Esto resulta especialmente relevante cuando un contenido generado por IA se presenta como si hubiera sido producido íntegramente por una persona y puede influir en las decisiones, opiniones o juicios de quien lo recibe. La marca de agua, por tanto, no pretende determinar si alguien ha utilizado IA como herramienta, sino hacer visible el origen artificial de un contenido para que el usuario pueda valorarlo con conocimiento de causa, especialmente cuando dicho contenido se presenta como si no hubiera sido generado mediante IA y puede influir en su juicio o en sus decisiones.
Referencias
Anthropic. (2026, 11 de agosto). How Claude’s text watermarking works. Recuperado de https://www.anthropic.com/news/claude-text-watermark
Al Ghanim, M., Xue, J., Hastuti, R. P., Zheng, M., Solihin, Y., & Lou, Q. (2025). Evaluating the robustness and accuracy of text watermarking under real-world cross-lingual manipulations. Findings of the Association for Computational Linguistics: EMNLP 2025. Recuperado de https://arxiv.org/pdf/2502.16699
Dathathri, S., See, A., Ghaisas, S., Huang, P.-S., McAdam, R., Welbl, J., Bachani, V., Kaskasoli, A., Stanforth, R., Matejovicova, T., Hayes, J., Vyas, N., Al Merey, M., Brown-Cohen, J., Bunel, R., Balle, B., Cemgil, T., Ahmed, Z., Stacpoole, K., … Kohli, P. (2024). Scalable watermarking for identifying large language model outputs. Nature, 634(8035), 818–823. https://doi.org/10.1038/s41586-024-08025-4
Unión Europea. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 on artificial intelligence. Official Journal of the European Union, L 198. Recuperado de https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Antonio Leal Fernández
Soy Language Solutions and Technology Manager en Globalingua.
Me licencié en Traducción e Interpretación en la Universidad de Vigo y llevo más de 10 años en el sector de la traducción, la localización y la gestión de proyectos lingüísticos.
Me encantan la tecnología y los idiomas. Me apasiona la época de cambios en la que vivimos y la infinidad de aplicaciones prácticas que surgen cada día para mejorar la forma en que trabajamos, nos comunicamos y entendemos el mundo.
