Marcas de agua en ChatGPT: impacto del AI Act en la empresa
OpenAI activa textGrain en la UE. Analizamos por qué las marcas de agua no bastan frente al AI Act y cómo gestionar la trazabilidad real en tu empresa.

Confiar en las marcas de agua de ChatGPT para cumplir con la normativa vigente es un error de cálculo estratégico. Muchos equipos directivos asumen que este mecanismo automatizado blinda su responsabilidad legal, ignorando que cualquier sistema de reescritura puede anularlo en instantes. El pasado 5 de octubre de 2026, OpenAI implementó textGrain en la Unión Europea para alinearse con el artículo 50 del AI Act. Se trata de un avance técnico relevante, sí, pero insuficiente como pilar de gobierno corporativo. Nuestra auditoría técnica de textGrain demuestra que esta protección pasiva sirve a los intereses del proveedor ante el regulador, dejando a las empresas vulnerables frente a sus clientes y auditores. Construir una estrategia de cumplimiento delegada exclusivamente en terceros genera una deuda de contexto peligrosa.

Qué ha ocurrido exactamente (hechos, no interpretación)
Separa primero lo verificado de lo especulativo, porque en este tema se están mezclando ambas cosas en la prensa generalista.
Los hechos confirmados por OpenAI son estos: la compañía ha comenzado a desplegar textGrain, un sistema de marcado de agua estadístico para las salidas de texto de ChatGPT y Codex, específicamente en la Unión Europea, como vía de cumplimiento con los requisitos de transparencia del AI Act OpenAI. La activación es automática y por defecto para usuarios de ChatGPT en suscripciones europeas. Para clientes de la API, en cambio, el sistema se mantiene como opción voluntaria (opt-in) a nivel global, no activada por defecto Agencia EFE.
Esto es importante: textGrain no inserta caracteres invisibles, espacios ocultos ni metadatos adjuntos al archivo. El mecanismo opera dentro del propio proceso de generación, introduciendo un sesgo estadístico sutil en la probabilidad de selección de tokens durante el muestreo. El texto se lee con normalidad; la marca vive en la distribución de palabras, no en el documento.
Lo que no está confirmado, y que conviene no repetir como si lo estuviera, es que competidores como Anthropic apliquen ya una trazabilidad global y por defecto equivalente en sus modelos de texto. No existe, a fecha de este análisis, documentación técnica pública que sostenga esa equivalencia. Tampoco existe una cifra única y oficial de degradación de detección ante cualquier tipo de edición: OpenAI advierte de forma general sobre la fragilidad del sistema frente a paráfrasis o traducción, pero no publica un porcentaje fijo válido para todos los escenarios de reescritura The Tech Outlook.
La decisión que esto obliga a tomar en tu empresa
Si tus equipos usan ChatGPT o Codex para redactar informes, contratos, propuestas comerciales o código que luego firmas como propio, cada entregable generado en la UE desde una cuenta estándar lleva, por defecto, la huella de textGrain. No lo decide tu departamento legal. Lo decide la configuración regional de OpenAI. Esto convierte la gestión del watermarking en una decisión empresarial urgente, no en un detalle técnico que se resuelve solo.
Cómo funciona textGrain por dentro
La arquitectura técnica merece una lectura despacio, porque de ella depende cuánto puedes (o no puedes) confiar en el sistema como mecanismo de control.
textGrain actúa sobre los logits del modelo durante la decodificación. En cada paso de generación, el sistema divide el vocabulario en listas pseudoaleatorias de tokens «verdes» y «rojos», y favorece ligeramente la selección de los primeros. El sesgo es lo bastante sutil como para no degradar la coherencia semántica del texto en pasajes de longitud estándar, pero lo bastante consistente como para que un detector, con la clave criptográfica correspondiente, pueda identificar el patrón estadístico.
El propio detector oficial de OpenAI reporta las siguientes tasas, con una tasa de falsos positivos fijada en el 1 %:
| Longitud del fragmento | Tasa de detección | Fuente |
|---|---|---|
| 200 tokens (~150 palabras) | 80 % | OpenAI |
| 400 tokens (~300 palabras) | 95 % | OpenAI |
La lectura práctica es directa: en párrafos cortos, propios de correos, resúmenes ejecutivos o fragmentos de código aislado, uno de cada cinco textos generados por IA pasa sin ser detectado. En documentos largos la fiabilidad sube, pero sigue dejando un margen de error del 5 % que un auditor externo no va a aceptar como garantía absoluta.
Por qué la robustez es el problema real
El propio diseño de textGrain asume un escenario de uso ingenuo: texto generado y entregado tal cual. En cuanto interviene una edición manual, una reescritura con otro modelo de lenguaje, una traducción o incluso la eliminación selectiva de fragmentos, la señal estadística se diluye. No existe una cifra única publicada por OpenAI para cuantificar esa caída en todos los escenarios posibles, pero la compañía reconoce abiertamente esta vulnerabilidad como una limitación estructural del método, no como un caso marginal.
Traducido a la mesa de dirección: cualquier empleado medianamente diligente, con o sin intención de ocultar el origen del texto, puede neutralizar el watermarking sin saber que lo está haciendo. Pedirle a otro asistente que "mejore la redacción" de un informe ya generado es, en la práctica, un lavado de marca de agua accidental.
El falso sentido de control
Aquí está el núcleo del análisis que hacemos desde el laboratorio de NextAI. Una marca de agua estadística responde a una pregunta que no es la tuya: ¿puede OpenAI demostrar ante un regulador que su modelo deja rastro? Sí. La pregunta que de verdad te importa como empresa es otra: ¿puedo yo demostrar ante un cliente, un auditor o un tribunal qué proceso generó este documento, quién lo validó y bajo qué control de calidad salió? A esa pregunta textGrain no responde, porque no fue diseñado para hacerlo.
La marca de agua de OpenAI protege la responsabilidad del proveedor del modelo. No sustituye la gobernanza interna que tu empresa necesita para responder de sus propios entregables.
Esta distinción conecta directamente con lo que en NextAI llamamos Cerebro Empresarial: una arquitectura de memoria corporativa basada en RAG y grafos de conocimiento que registra, versiona y hace trazable cada pieza de información que entra y sale de los procesos de una organización, de forma independiente a lo que haga o deje de hacer el proveedor del modelo subyacente. Cuando la trazabilidad vive en tu propia infraestructura, no dependes de que un detector externo acierte el 80 % o el 95 % de las veces: tienes el log completo, inmutable, de quién generó qué y con qué validación humana.
La alternativa a la detección pasiva no es ignorar el problema. Es construir el control en el punto donde realmente puedes gobernarlo: la capa de orquestación interna, antes de que el entregable salga de la empresa. Esto es precisamente el terreno de lo que llamamos Superagentes: agentes que no solo generan contenido, sino que se hacen cargo de un proceso completo —incluida su propia trazabilidad, validación y registro de auditoría— bajo supervisión humana explícita en los puntos críticos.
Esta lógica de gobierno activo frente a parches regulatorios no es nueva en el debate sobre IA y transparencia. Ya la vimos con la privacidad biométrica en el caso de las gafas con IA y la moratoria noruega, y se repite con la autenticidad de contenidos en los procedimientos de registro de voz ante la EUIPO frente a deepfakes. El patrón es siempre el mismo: la normativa obliga al proveedor tecnológico a dar un paso mínimo, y la empresa que se conforma con ese mínimo asume un riesgo que podría haber gestionado con sus propios medios.
Comparativa de enfoques de trazabilidad
Antes de diseñar tu política interna conviene situar textGrain en el mapa de enfoques que existen hoy para marcar contenido generado por IA. No todos resuelven el mismo problema ni con la misma fiabilidad.
| Enfoque | Proveedor | Activación por defecto | Ámbito declarado | Mecanismo |
|---|---|---|---|---|
| textGrain | OpenAI | Sí, en ChatGPT UE | Unión Europea (API en opt-in global) | Sesgo estadístico en logits de decodificación |
| SynthID for text | No confirmado para este análisis | Citado solo como referencia comparativa | Técnica de marcado estadístico similar, sin cifras verificadas en nuestro dossier |
No vamos a inventar tasas de detección para SynthID for text ni para ningún otro sistema que no figure en la documentación oficial de OpenAI. Lo relevante no es qué proveedor marca mejor su texto, sino que ambos enfoques comparten la misma limitación de fondo: dependen de que el documento llegue intacto al detector. Ningún sistema de marcado estadístico conocido públicamente resiste de forma garantizada una reescritura intencionada.
La tasa de detección de textGrain, según la longitud del fragmento, se visualiza así:
| Longitud del fragmento | Detección (FPR 1%) | Visualización |
|---|---|---|
| 200 tokens (~150 palabras) | 80% | ████████░░ 80% |
| 400 tokens (~300 palabras) | 95% | █████████▓ 95% |
Leyenda: cada bloque █ representa un 10% de tasa de detección sobre 100%. A menor longitud del fragmento, mayor es la proporción de texto que escapa al detector sin que haya mediado ninguna manipulación deliberada.
La lectura para un comité de dirección es simple: en comunicaciones cortas —el correo que cierra un acuerdo, el párrafo que resume una propuesta— la marca de agua falla una de cada cinco veces por diseño, no por fallo técnico.
Perspectivas pendientes: economía, riesgo y operación real
Perspectiva económica: coste total y retorno
Confiar en la detección pasiva como mecanismo de control de calidad tiene un coste que rara vez se contabiliza como tal. Cada vez que un cliente o un auditor pone en duda la autoría de un entregable, alguien de tu organización tiene que revisarlo manualmente, reconstruir el proceso de generación y justificar su validez. Ese coste de revisión reactiva crece con el volumen de documentos generados con IA, y no hay forma de automatizarlo si no existe un registro interno previo.
La alternativa es invertir en una capa de orquestación propia —lo que en NextAI articulamos como Cerebro Empresarial más Superagentes supervisados— que registre en el momento de la generación quién, cómo y con qué validación se produjo cada documento. El desembolso inicial es real y no despreciable. Pero convierte un pasivo contingente (reprocesamiento, litigios, pérdida de confianza comercial) en un coste de infraestructura previsible y amortizable. La pregunta que debe hacerse un director financiero no es cuánto cuesta implantar gobierno de IA, sino cuánto cuesta no tenerlo el día que un cliente exige explicaciones.
Perspectiva de riesgo, seguridad y gobierno
El artículo 50 del AI Act obliga a los proveedores de modelos a marcar contenido generado por IA en formatos legibles por máquina. Esa obligación recae sobre OpenAI, no sobre tu empresa. Pero el riesgo reputacional y contractual sí recae sobre ti: si un cliente descubre, mediante un detector público o privado, que un informe presentado como elaboración propia lleva la huella de textGrain, el problema ya no es regulatorio, es de confianza comercial y, potencialmente, de incumplimiento contractual.
Esto obliga a revisar dos frentes a la vez. Primero, los contratos B2B: hay que especificar con claridad qué nivel de intervención humana y de uso de IA generativa se exige en los entregables, y qué estándar de transparencia se compromete frente al cliente. Segundo, el cumplimiento del RGPD en paralelo al AI Act: cualquier registro interno de trazabilidad que implante tu empresa debe diseñarse con minimización de datos y base jurídica clara, no como un sistema de vigilancia opaco sobre tus propios empleados.
Operación real en medianas empresas españolas
La práctica habitual en muchas pymes españolas es el uso de ChatGPT y Codex mediante cuentas individuales, fuera de cualquier gobierno corporativo. Es lo que llamamos shadow AI: empleados que generan informes, contratos o fragmentos de código con sus propias suscripciones, sin que el departamento de sistemas ni el de cumplimiento tengan visibilidad alguna. En ese escenario, los documentos legales y el código entregado a clientes en la UE llevan por defecto la marca textGrain, sin que nadie en la organización lo sepa ni lo haya decidido.
La solución operativa no es prohibir el uso de IA generativa —ninguna empresa competitiva puede permitírselo hoy— sino migrar ese consumo a accesos API gobernados, donde el watermarking se parametriza conscientemente y queda registrado en el log de la organización, no en la nube de OpenAI.
Qué significa para tu empresa
La respuesta correcta depende del tipo de organización y de lo que hay en juego en cada entregable.
Si eres una consultora o firma de servicios profesionales, cada informe que sale con tu membrete es un activo de reputación. No puedes permitirte que un cliente descubra una marca de agua en un documento que facturaste como análisis propio. Aquí el gobierno activo no es opcional.
Si trabajas con Codex y generación de código, el riesgo se traslada al producto: código con huella estadística integrado en un repositorio de cliente puede generar disputas de propiedad intelectual. Migrar a acceso API gobernado, con registro de qué fragmentos se generaron, revisaron y validaron por un humano, es la única forma de blindar ese flujo.
Si eres un despacho legal, la exposición es máxima: un escrito o dictamen con marca de agua detectable pone en cuestión la autoría profesional ante un tribunal o un colegiado. El control debe ser previo a la entrega, nunca posterior.
Si eres una pyme industrial, probablemente el volumen de uso de IA generativa sea menor, pero la falta de visibilidad sobre quién usa qué herramienta es igual de alta. Aquí el primer paso es medir antes de invertir: el IMAN (Índice de Madurez AI-Native) es la herramienta que usamos en NextAI para diagnosticar en qué punto está tu organización en cinco ejes —datos, memoria, razonamiento, agencia y gobierno— antes de decidir qué arquitectura necesitas construir.
Esta misma lógica de gobierno aplica más allá del texto generado por IA. La vimos en movimientos corporativos como la compra de PTC por parte de Schneider Electric, donde el control de la trazabilidad del software industrial es parte central de la operación, y se repite en comunicación corporativa, donde programas de Employee Advocacy en LinkedIn con IA exigen el mismo cuidado sobre qué contenido generado por IA sale en nombre de la marca.
Pasos concretos para decidir qué hacer esta semana:
- Identifica qué departamentos usan ChatGPT o Codex con cuentas individuales no gobernadas.
- Clasifica los entregables por nivel de riesgo: legal, contractual, código de cliente, comunicación externa.
- Define qué nivel de trazabilidad interna necesitas para cada categoría, sin depender del detector del proveedor.
- Evalúa si necesitas migrar a acceso API gobernado antes de fin de trimestre.
- Actualiza las cláusulas de tus contratos B2B sobre uso de IA generativa y estándar de transparencia.
Metodología y fuentes
El laboratorio de NextAI ha analizado este caso cruzando la documentación técnica oficial publicada por OpenAI con la cobertura de medios generalistas y especializados, separando en todo momento los hechos confirmados de las interpretaciones o extrapolaciones que circulan sin respaldo técnico equivalente. Las cifras de detección citadas proceden exclusivamente de la fuente primaria del proveedor del modelo.
Fuentes consultadas: OpenAI - Our approach to EU text provenance rules, Agencia EFE, The Tech Outlook.
Preguntas frecuentes
¿Qué es la marca de agua de ChatGPT y cómo funciona?
Es textGrain, un sistema de OpenAI que introduce un sesgo estadístico en la probabilidad de selección de palabras durante la generación de texto, sin añadir caracteres invisibles. Se activa por defecto en ChatGPT para usuarios de la UE y permite a un detector oficial identificar, con cierta probabilidad, si un texto fue generado por el modelo.
¿Las marcas de agua de textGrain son obligatorias por el AI Act?
El artículo 50 del AI Act obliga a los proveedores de IA a marcar el contenido generado de forma legible por máquina. OpenAI responde a esa obligación con textGrain en la UE, pero la norma recae sobre el proveedor del modelo, no exime a tu empresa de establecer su propia política de transparencia frente a clientes y reguladores.
¿Se puede eliminar o evadir la marca de agua de ChatGPT?
OpenAI reconoce que el sistema es vulnerable frente a paráfrasis, traducción o edición manual del texto, sin publicar una cifra única de degradación para todos los casos. En fragmentos cortos, de menos de 200 tokens, la tasa de detección ya baja al 80% incluso sin ninguna manipulación intencionada.
¿Qué debe hacer mi empresa ante las marcas de agua en ChatGPT y Codex?
Auditar de inmediato qué departamentos usan cuentas individuales de ChatGPT o Codex, migrar el consumo crítico a acceso API gobernado y construir una capa interna de trazabilidad —tipo Cerebro Empresarial— que no dependa del detector del proveedor para demostrar la autoría y validación de tus entregables.
Qué hacer con esto
El despliegue de textGrain no exime a tu organización de su responsabilidad. Es imperativo auditar ahora los procesos internos que dependen de modelos de lenguaje para identificar brechas de trazabilidad. Los flujos de alta criticidad requieren migrarse hacia accesos API gobernados y parametrizados. Implementa una arquitectura de logs inmutables para blindar la autoría y validación humana de cada entregable, además de revisar tus contratos B2B bajo la nueva realidad regulatoria. Antes de invertir en infraestructura, evalúa tu madurez digital con rigor. Solicita una Auditoría Digital con experto de una hora, enfocada estrictamente en tu operativa interna y sin presentaciones comerciales.
