SynthID-Text funciona en Gemini y en Claude. Sigue sin haber una API de detección.

Dos de los tres mayores proveedores de modelos de lenguaje ya marcan con una filigrana el texto que generan. Google lo hace en Gemini desde 2024. Anthropic lo activó para Claude el 14 de agosto de 2026. Ambos usan el mismo método, SynthID-Text, publicado en Nature por Google DeepMind.

Si quiere comprobar si un párrafo concreto lleva alguna de esas marcas, no puede. Ni con una API, ni con un portal, ni con una herramienta de código abierto. La marca está ahí, en principio es legible por máquina, y las únicas máquinas capaces de leerla pertenecen a las dos empresas que la pusieron.

Ese hueco pesa más que hace un año, porque el Reglamento de IA ya tiene un plazo de marcado con fecha concreta, y porque bastante gente ha empezado a comprar herramientas que dicen cerrarlo y no lo cierran.

Qué hace realmente SynthID-Text

Conviene ser preciso, porque casi todo lo que se escribe sobre filigranas de texto con IA se equivoca de la misma manera.

SynthID-Text no añade nada al texto. Ni caracteres de ancho cero, ni Unicode raro, ni marcadores invisibles, ni puntuación delatora, ni tokens de más. Anthropic lo dice con esas palabras, y vale para el método en general. Si alguna vez ha leído el consejo de eliminar caracteres invisibles para burlar una filigrana de IA, ese consejo apunta a algo que aquí no existe.

Lo que hace, en cambio, es cambiar cómo elige las palabras el modelo.

Cuando un modelo de lenguaje genera texto, produce una distribución de probabilidad sobre el siguiente token y muestrea de ella. SynthID-Text interviene justo en ese paso de muestreo. Una ventana deslizante sobre los últimos tokens, normalmente cuatro, se combina mediante hash con una clave secreta de filigrana y produce una semilla. Esa semilla alimenta un conjunto de funciones de puntuación pseudoaleatorias, las funciones g. El algoritmo extrae tokens candidatos y los pasa por varias capas de torneo: cada capa puntúa a los candidatos con una función g y el ganador avanza. El token que gana el torneo es el que se emite.

El resultado es que, a lo largo de un pasaje suficientemente largo, los tokens emitidos se correlacionan con los valores g de una forma que la elección humana de palabras no produciría. La detección es entonces una prueba estadística: se recalculan los valores g sobre el texto y se pregunta si la media supera lo que el azar permitiría. Los detectores publicados vienen en tres variantes, una media simple, una media ponderada y un detector bayesiano entrenado con muestras marcadas y sin marcar, que es el más potente de los tres.

De este diseño se derivan dos propiedades que explican casi todo lo demás.

Primera: la detección no necesita el modelo. No hace falta ejecutar Gemini para comprobar texto de Gemini. Eso es lo que abarata el esquema lo suficiente para desplegarlo, y es un avance real frente a los clasificadores a posteriori.

Segunda: la detección sí necesita la clave. Las funciones g se siembran con ella. Sin la clave de filigrana, los valores g que usted calcule no guardan relación con los usados al generar, y la prueba devuelve ruido. No es una carencia de implementación que alguien vaya a resolver. Es la propiedad de seguridad que impide falsificar la marca de Google sobre texto que Google nunca escribió.

Todo el problema de la detección vive en esa segunda propiedad.

Quién marca texto hoy

El panorama en agosto de 2026, limitado a lo que los propios proveedores confirman:

Google Gemini. Marcado desde el artículo de Nature que describía el primer despliegue a gran escala, en Gemini y Gemini Advanced. Personal de Google confirmó en el foro oficial de desarrolladores que el texto generado a través de la API de Gemini, Google AI Studio y Antigravity también lleva filigrana. Esa respuesta llegó después de una primera respuesta incorrecta en sentido contrario, lo que da buena medida de lo poco documentado que está.

Anthropic Claude. Activo en todo el mundo desde el 14 de agosto de 2026, en los modelos Claude lanzados el 2 de agosto de 2026 o después, con los modelos anteriores por llegar. Anthropic lo describe como una versión del enfoque SynthID-Text y remonta la idea a una propuesta de Scott Aaronson de 2022. Anthropic adjunta además credenciales C2PA firmadas a los archivos de imagen generados, que es un mecanismo distinto.

OpenAI. Sin filigrana de texto. OpenAI construyó una, según el Wall Street Journal en 2024 con alta precisión, y la dejó guardada. Los reparos declarados fueron que aguantaba mal la traducción y la reescritura global, y que podía señalar de forma desproporcionada a quienes no tienen el inglés como lengua materna. OpenAI sí adjunta Content Credentials de C2PA a las imágenes que genera.

Todos los demás. Los modelos de pesos abiertos no llevan filigrana salvo que quien los ejecute añada una, y nada le impide quitarla. Este es el agujero estructural que el propio artículo de Nature señala: la filigrana solo funciona donde los proveedores cooperan, y a los modelos abiertos no se les puede obligar a cooperar.

Que los dos despliegues se alineen con el 2 de agosto de 2026 no es casualidad. Es la fecha en que el artículo 50 del Reglamento de IA pasó a ser aplicable.

Las herramientas que existen y para qué sirve cada una

Esta parte merece exactitud, porque los resultados de búsqueda sobre el tema están muy contaminados.

google-deepmind/synthid-text en GitHub. La implementación de referencia del artículo de Nature, con licencia Apache 2.0. Marca y detecta, e incluye el código de entrenamiento del detector bayesiano. Soporta Gemma y GPT-2 mediante clases mixin. El README dice sin rodeos que esto sirve para reproducibilidad de la investigación, que los mixins no están pensados para producción y que la función de hash no ofrece garantía criptográfica alguna. Útil, honesto, y no es un detector para el texto de terceros.

Hugging Face Transformers. La vía apta para producción a la que apunta Google. SynthIDTextWatermarkingConfig y SynthIDTextWatermarkLogitsProcessor permiten generar texto marcado desde un modelo que usted controla, pasando una lista de claves y una longitud de n-grama. Quien tiene las claves, detecta. Es el único camino por el que hoy un equipo de ingeniería normal consigue una filigrana de texto de extremo a extremo, y solo cubre el texto que ha generado su propio sistema.

MarkLLM. Un conjunto de herramientas académico de THU-BPM que implementa muchos algoritmos de filigrana tras una sola interfaz, incluidos KGW, Unigram, EXP y SynthID-Text con sus detectores de media, media ponderada y bayesiano. Si está evaluando esquemas en lugar de desplegar uno, empiece aquí.

El portal SynthID Detector. La herramienta de subir y comprobar de Google, abierta a probadores tempranos en el I/O de mayo de 2026 mediante una lista de espera para periodistas, investigadores y profesionales de medios. La propia documentación de ayuda de Google sobre verificación habla de imágenes, vídeo y audio. El texto no está en la lista, y el hilo del foro de desarrolladores sobre la filigrana en la API afirma con claridad que el portal no lo acepta.

La Content Detection API de Google. En vista previa durante 2026 en la plataforma Gemini Enterprise para socios concretos, entre ellos Shutterstock, Snap, Canva y Fox Sports. Solo imágenes, JPEG, PNG y WebP. Sin texto, sin fecha de disponibilidad general, sin precios publicados.

La API de detección de Anthropic. Anunciada como próxima, sin calendario ni detalles de implementación. Cuando llegue, previsiblemente responderá por el texto de Claude y por nada más.

Content Credentials de C2PA. No es una filigrana, y es complementaria más que competidora. Son metadatos de procedencia firmados criptográficamente: quién hizo esto, con qué herramienta, cuándo, y si intervino un sistema de IA, registrado en un campo digitalSourceType. La versión 2.3 añadió manifiestos para documentos de texto plano, lo cual es nuevo y relevante. Su debilidad es la imagen invertida de la de la filigrana: los metadatos desaparecen al copiar y pegar, que es justo como viaja el texto.

Y luego está lo que no es una herramienta.

Un buen número de sitios posiciona para «SynthID detection API» y describe un producto que se activaría en la consola de Google Cloud, con precio por petición y latencia de texto por debajo del segundo. Ese producto no aparece en la documentación de Google Cloud. Al menos uno de esos sitios es marketing de contenidos de un servicio de eliminación de filigranas. Aparte, los sitios que ofrecen comprobar texto en busca de SynthID ejecutan detectores estadísticos de IA, que no leen la filigrana ni pueden hacerlo, porque no tienen la clave. Puntúan la escritura por previsibilidad y ritmo. Es otra cosa vestida con la misma palabra.

Qué tal funciona

La respuesta honesta es que funciona bien con texto largo, sin editar y de alta entropía, y se degrada deprisa fuera de esas condiciones. Los números son públicos y no favorecen.

Longitud. La detección es una prueba estadística, así que la evidencia se acumula con los tokens. Un análisis teórico de SynthID-Text publicado en 2026 sitúa la detección en torno a 0,3 de tasa de verdaderos positivos con un 1 por ciento de falsos positivos en textos de 50 tokens, y realiza sus propios experimentos con secuencias de 100 a 400 tokens. Un mensaje en redes, una descripción de producto o una respuesta de soporte no son texto suficiente.

Entropía. La filigrana vive de la libertad de elección del modelo. Donde solo hay una respuesta correcta, no queda sitio para codificar nada. Anthropic lo dice sin rodeos: la marca es más escasa en pasajes factuales y en código, donde la sintaxis y la aritmética deben ser exactas. Pida a un modelo que corrija su gramática y la filigrana solo puede alojarse en el puñado de correcciones, que pueden ser demasiado pocas para registrarse.

Parafraseo. Este es el punto débil. Una evaluación de robustez halló que la tasa de verdaderos positivos de SynthID cae de 0,998 en texto limpio a 0,498 con parafraseo moderado. El SRI Lab de la ETH de Zúrich informó de más del 90 por ciento de éxito en el borrado con parafraseo estándar, cerca del 100 por ciento con ayuda de robo de filigrana, y observó que el muestreo por torneo, pensado como medida de seguridad, hace que el refuerzo de tokens sea más sensible a las reescrituras y, por tanto, menos robusto que esquemas más simples. Una evaluación de 2026 frente a estándares forenses midió un 98,3 por ciento de borrado con parafraseo que conserva el significado, manteniéndose la similitud semántica en torno a 0,83.

Falsos positivos. Esa misma evaluación forense midió una tasa de falsos positivos del 5,4 por ciento sobre texto humano limpio, con un 93,6 por ciento de inestabilidad del veredicto ante pequeños cambios del umbral de detección, y encontró que una frase estándar de prueba de mecanografía cruzaba el umbral. Su conclusión: ninguno de los tres métodos analizados, KGW, Unigram y SynthID-Text, satisface más de dos de los cinco factores Daubert para prueba pericial.

Suplantación. Aquí SynthID-Text aguanta mejor que las alternativas. El trabajo del SRI Lab reporta un 4 por ciento de éxito en suplantación con parámetros por defecto, frente al 80 por ciento o más de los esquemas rojo-verde, si bien el éxito subió al 15 por ciento al pasar las consultas del atacante de 30.000 a 90.000. El mismo trabajo mostró además que la presencia de la filigrana es detectable mediante consultas de caja negra, así que mantener el despliegue en secreto no es una opción.

En conjunto: un resultado positivo sobre un pasaje largo es evidencia significativa. Un resultado negativo no significa casi nada, porque es igual de compatible con escritura humana, con un modelo sin filigrana, con una muestra corta o con una paráfrasis. Quien construya un flujo de trabajo sobre esto necesita haber interiorizado esa asimetría antes de diseñar la interfaz.

Qué pide la ley

Tres regímenes exigen ya algo en este terreno, y ninguno encaja del todo con lo desplegado.

Reglamento de IA, artículo 50, apartado 2. Los proveedores de sistemas de IA que generan contenido sintético de audio, imagen, vídeo o texto deben marcar las salidas en un formato legible por máquina que permita detectarlas como generadas artificialmente. El marcado debe ser eficaz, interoperable, robusto y fiable en la medida en que sea técnicamente viable. El artículo 50 pasó a ser aplicable el 2 de agosto de 2026, y los requisitos de marcado y etiquetado llegan el 2 de diciembre de 2026, fecha en la que también expira el periodo de gracia para los sistemas ya introducidos en el mercado antes del 2 de agosto de 2026. El código de buenas prácticas apunta a un enfoque por capas que combina metadatos, filigrana y registro. No nombra a C2PA, aunque describe sus propiedades con suficiente precisión como para que los observadores señalen que C2PA es a día de hoy la única tecnología desplegada que encaja. El panorama general del artículo 50 lo tratamos en nuestra guía de transparencia del Reglamento de IA.

Fíjese en la palabra interoperable. Una filigrana que solo puede leer su autor casa de forma extraña con ese requisito, y esa tensión sigue sin resolverse.

China. Las Medidas de etiquetado de contenido sintético generado por IA entraron en vigor el 1 de septiembre de 2025 y son las más concretas de las tres. Exigen tanto una etiqueta explícita, visible para el usuario, como una etiqueta implícita en los metadatos del archivo. El texto está incluido. Las plataformas deben ofrecer funciones de etiquetado, y quien publique contenido generado por IA debe declararlo.

California. La AI Transparency Act, SB 942 modificada por AB 853, es aplicable desde el 2 de agosto de 2026 a proveedores con más de un millón de usuarios mensuales. Exige una herramienta de detección gratuita, una divulgación visible y una divulgación latente incrustada con el nombre del proveedor, el nombre y la versión del sistema, la marca temporal y un identificador único. Lea el ámbito con atención: la obligación de divulgación latente alcanza a imagen, vídeo y audio. El texto no está. Desde el 1 de enero de 2027, las grandes plataformas en línea deberán mostrar los datos de procedencia y no podrán eliminarlos a sabiendas.

El patrón es el mismo en los tres casos. La ley pide marcas que puedan detectarse, y las marcas de texto desplegadas solo las pueden detectar sus autores. O se abre la detección, o las obligaciones sobre texto acaban satisfechas con metadatos al estilo C2PA que casi nunca sobreviven a un copiar y pegar.

Qué implica esto si desarrolla software

La mayor parte de esto no es un proyecto de cumplimiento. Son un puñado de decisiones de ingeniería que son baratas ahora y caras de reajustar después.

No compre un detector como veredicto. Si un proveedor afirma detectar SynthID en texto arbitrario, no puede, y debería pedirle la clave. Si ya aplica detección de IA a lo que envían los usuarios, trate la puntuación como triaje que deriva a revisión humana, nunca como conclusión. La evidencia contra un uso con consecuencias es sólida: un estudio de Stanford halló que los detectores clasificaban erróneamente como generados por IA más de la mitad de los ensayos TOEFL de autores no nativos, y una lista creciente de universidades ha desactivado estas herramientas tras señalar trabajos humanos con un 100 por cien de confianza. Construir una política sobre eso es un riesgo legal, no un control.

Deje de eliminar los metadatos de procedencia. Es la herida autoinfligida más común. Las cadenas de imágenes recodifican, redimensionan y normalizan de forma rutinaria, y la mayoría descarta por el camino los manifiestos C2PA y el XMP. Bajo el artículo 50, apartado 2, eso es usted retirando el marcado que la ley quiere conservar, y desde enero de 2027 en California es una obligación de plataforma. Audite la cadena, conserve el manifiesto o vuelva a firmar tras la transformación. Ahora que C2PA 2.3 admite documentos de texto plano, la misma disciplina está a punto de aplicarse al texto.

Lleve su propio registro de procedencia. Esta es la parte que de verdad funciona. Haga lo que haga la filigrana, su sistema sabe qué modelo generó qué, cuándo, con qué prompt y quién lo revisó. Guárdelo como un campo del registro. Es la prueba de la exención por revisión humana del artículo 50, es lo que entrega a un regulador o a un cliente, y no depende de que nadie publique una API.

Si se autoaloja, tiene el ciclo completo. Un equipo que ejecuta su propio modelo sobre Hugging Face Transformers puede marcar en la generación y detectar después, porque posee las claves. Si genera contenido en volumen y necesita reconocer su propia salida más adelante, esto está disponible hoy y nadie se lo está vendiendo.

Haga a los proveedores la pregunta correcta. No «¿ponen filigrana?», cuya respuesta ya suele ser sí y no dice nada. Pregunte si la marca es legible por usted o solo por ellos, qué le ocurre con la edición y la traducción, si se adjuntan metadatos C2PA y a qué formatos, y qué se comprometen contractualmente a afirmar sobre el artículo 50, apartado 2, después del 2 de diciembre de 2026.

Hacia dónde va esto

La tecnología es real y el resultado de Nature es una pieza de ingeniería seria: una filigrana que cuesta medio por ciento de latencia, que supera una evaluación sobre unos 20 millones de respuestas reales de Gemini sin alterar de forma medible la satisfacción del usuario, y que se detecta sin tocar el modelo. Eso no es poco.

El despliegue, por ahora, también es cerrado. Dos proveedores marcan texto, ninguno deja que otro lea la marca, el tercero construyó una y la guardó, y los modelos abiertos quedan enteramente fuera del sistema. La brecha entre lo que piden las normas de marcado y lo que alguien ajeno a esas empresas puede verificar de verdad es el problema interesante, y no es técnico.

Nuestro consejo a los clientes es gastar cero en detección y algo en procedencia. Una detección que no puede ejecutar ni creer no es un control. Un registro limpio de lo que han generado sus propios sistemas, y una cadena de activos que deje de destruir los metadatos ya adjuntos, es trabajo que usted controla, y es lo que el plazo del 2 de diciembre de 2026 toca realmente. Para situarlo entre todo lo demás que llega de aquí a 2028, vea nuestra guía de cumplimiento digital de la UE 2026.

Integramos funciones de IA en productos de empresas que operan en Europa, lo que significa que los campos de procedencia, las cadenas de activos que conservan credenciales y los registros de auditoría forman parte de la entrega normal y no de un ejercicio aparte. Si quiere revisar por dónde entra el contenido generado por IA en su producto y qué pasa con su procedencia al salir, escriba a office@c9group.dev.

Somos ingenieros, no abogados. Si una obligación concreta le alcanza como proveedor o como responsable del despliegue es cuestión para su asesoría jurídica. Nosotros nos ocupamos de que el sistema se ajuste a la respuesta.