¿Cómo funcionan las marcas de agua de los textos generados por LLM's?
Hay conceptos tecnológicos que entran en los mercados con un nombre demasiado sencillo para el lío que llevan dentro y “marca de agua” puede ser uno de ellos. La expresión suena casi a señal oculta, a huella, a algo que se puede encontrar si se mira con la herramienta adecuada, y en imágenes o vídeos, más o menos, la intuición funciona, pero en texto generado por modelos de lenguaje, bastante menos.
La marca de agua de un LLM no es un carácter invisible, ni una etiqueta escondida en el archivo, ni un metadato que desaparece al pegar el texto en un documento limpio. En las implementaciones conocidas se trata de una señal estadística distribuida en la forma en que el modelo elige los tokens. Dicho de otra forma, no se marca el texto después de escribirlo sino que se “sesga” ligeramente el proceso de escritura mientras ocurre. En cada punto en el que el modelo va a generar un nuevo token, se toma parte del contexto anterior, se combina con una clave secreta y de ahí se obtiene una semilla pseudoaleatoria. Esa semilla permite dividir el vocabulario en grupos de tokens y dar un pequeño empujón probabilístico a unos frente a otros. La clave está en que esos grupos no son fijos: cambian según el contexto, precisamente para que el patrón no sea trivialmente observable desde fuera ni degrade demasiado la naturalidad del lenguaje.
Esto es importante porque desmonta una de las confusiones habituales: no estamos hablando de “quitar la marca” borrando algo visible sino de alterar una correlación estadística, y eso es algo que no se borra con un botón: se debilita, se rompe o se sustituye si se reescribe el texto lo suficiente.
Google DeepMind publicó en Nature su sistema SynthID-Text, descrito como un método de watermarking para identificar outputs de grandes modelos de lenguaje. El paper explica que evaluaron el sistema en un experimento en producción con casi 20 millones de respuestas de Gemini y concluyeron que preservaba la calidad percibida del texto. Google DeepMind también afirma que SynthID funciona mejor en respuestas largas y variadas —por ejemplo, ensayos, guiones o variaciones de un email—, algo bastante lógico: cuanto más texto hay, más oportunidades existen de acumular señal estadística. La parte menos intuitiva de SynthID-Text es que no depende simplemente de un sistema bruto de “tokens verdes” y “tokens rojos”. Según la explicación técnica de Google DeepMind, el sistema utiliza un esquema más sofisticado que introduce una señal detectable en la secuencia de tokens sin alterar de forma apreciable la experiencia del usuario. Es algo que podemos describir como un método de “torneo”, en el que varios tokens candidatos compiten y la clave secreta permite reconstruir después la puntuación de marca. La idea central es la misma: la huella no está en una palabra concreta, sino en un patrón acumulado.
Para quienes trabajamos en publicidad digital, esto tiene una consecuencia práctica inmediata: vemos textos que “parecen escritos por IA” y esa etapa primitiva del debate ya deberíamos pasarla (la del detector que acusa con porcentajes y la del redactor que se indigna porque escribe demasiado ordenado). Ahora, si el proveedor del modelo puede demostrar, con su propia clave y su propio detector, que ese texto salió de su sistema, empieza el problema institucional.
Como ya adelantamos, el artículo 50 de la AI Act exige que los proveedores de sistemas de IA que generen contenido sintético en audio, imagen, vídeo o texto se aseguren de que los outputs estén marcados en un formato legible por máquina y sean detectables como generados o manipulados artificialmente, en la medida técnicamente posible. La Comisión Europea señala que las obligaciones de transparencia son aplicables desde el 2 de agosto de 2026, con un periodo de gracia hasta diciembre de 2026 para la obligación de marcado de sistemas generativos puestos en el mercado antes del 2 de agosto de 2026. Esto ha provocado una carrera de cumplimiento: Anthropic anunció que los nuevos modelos de Claude incorporarían marcas de agua en texto y archivos generados, en respuesta a las obligaciones europeas de transparencia; medios como Business Insider recogieron que los modelos lanzados desde el 2 de agosto soportarían el marcado desde su lanzamiento y que la compañía trabajaba en añadirlo a modelos anteriores. Pero como ya dijimos, conviene ser precisos: no todo texto generado por cualquier versión anterior de Claude lleva ya necesariamente una marca de agua y el momento clave para los modelos existentes se sitúa dentro del periodo de adaptación hasta el 2 de diciembre de 2026, no como una aplicación instantánea a todo output pasado o presente.
Ahora bien, que exista una marca de agua no significa que exista una verdad perfecta: los textos cortos ofrecen menos superficie estadística. Los textos de baja entropía (código, cláusulas legales, fórmulas muy previsibles) pueden ser más difíciles de marcar sin afectar a su forma. El parafraseado agresivo puede degradar o incluso romper parte de la señal, aunque hacerlo sin perder precisión, tono o significado no es necesariamente trivial. Es decir, reescribir “lo suficiente” puede debilitar la marca, pero si se revuelve demasiado el texto también se puede dañar el mensaje original. Para las marcas, agencias y medios, esto hará que el cumplimiento no pueda descansar solo en los detectores; el detector puede ser una pieza, pero no debería ser la política completa. La política tendrá que incluir registro interno de herramientas usadas, criterios de revisión humana, trazabilidad de versiones, etiquetado cuando corresponda y responsabilidad editorial clara. Sí, todo muy aburrido, como casi todo lo que evita problemas reales.
También habrá una tensión evidente entre verificación pública y seguridad del sistema. Si Google, Anthropic u otros proveedores abren sus detectores sin restricciones, pueden facilitar la auditoría externa, pero también dar más información a quienes quieren evadir la marca. Si no los abren, el mercado queda dependiendo de verificaciones opacas, APIs limitadas o acuerdos con grandes organizaciones. La Comisión Europea pide transparencia; los proveedores tienen incentivos para no publicar demasiado ergo bienvenidos al equilibrio habitual entre compliance, seguridad y poder de plataforma.
Para nosotros y para cualquier medio que use IA en procesos editoriales, la lección no es “dejar de usar IA”, ya hemos comentado que esa lectura es perezosa, pero la lección es documentar mejor cuándo se usa, para qué se usa y quién revisa el resultado. En publicidad y comunicación, la cuestión no es si hubo una máquina en el proceso, sino si se puede explicar el proceso sin esconderse detrás de una probabilidad, porque una marca de agua textual no resuelve por sí sola la confianza, solo añade una señal, y una señal, como bien sabemos en programática, vale exactamente lo que valen el sistema que la genera, el incentivo de quien la interpreta y la capacidad de alguien independiente para cuestionarla.
En el sector llevamos años hablando de transparencia como si fuera una propiedad del mercado y quizá la IA nos está recordando algo más incómodo: la transparencia no aparece por defecto, se diseña, se documenta y se gobierna y si no lo hacemos nosotros, lo hará una API cerrada con una clave secreta que nadie fuera del proveedor puede ver.
Puntos clave:
Una marca de agua textual en un LLM no suele ser una etiqueta visible, sino una señal estadística distribuida en la elección de tokens.
SynthID-Text de Google DeepMind muestra que este tipo de marcado puede funcionar a gran escala sin impacto apreciable en la percepción de calidad, según sus propios experimentos.
El verdadero debate para medios, marcas y agencias no es técnico, sino operativo: cómo demostrar autoría, uso de IA y responsabilidad editorial sin depender de detectores cerrados o pruebas probabilísticas.
Este resumen lo ha creado una herramienta de IA basándose en el texto del artículo, y ha sido chequeado por un editor de PROGRAMMATIC SPAIN.
