Libro Blanco — Veracitas
y el Veracitas

Resumen Ejecutivo

La irrupción masiva de los grandes modelos de lenguaje (LLMs) en los últimos años ha alterado de forma estructural la cadena de valor de la edición literaria y de la evaluación académica. Texto generado por máquina, indistinguible para un lector humano no entrenado, convive con texto genuinamente humano en flujos editoriales, tesis universitarias, opiniones jurídicas y reportajes periodísticos.

El daño reputacional y legal de no poder distinguir uno de otro es asimétrico: un humano acusado falsamente de usar IA pierde una obra, un autor o una nota; una IA confundida con un humano contamina un catálogo, un repositorio universitario o un archivo público.

Dos principios rectores

Veracitas es un sistema de detección de IA en español de grado de producción, diseñado en torno a dos principios rectores:

El programa Veracitas opera sobre ese motor para emitir certificaciones editoriales públicamente verificables ("Obra sin IA Detectada") asociadas al hash criptográfico SHA-256 del manuscrito original.

Resultados observados sobre cohortes de validación

Nota metodológica. Las cifras siguientes corresponden al benchmark del 12 de agosto de 2026: 401 manuscritos generados por API con cinco familias de modelos de lenguaje y dos intensidades de reescritura evasiva, más 922 manuscritos humanos de repositorios institucionales españoles. Filtrado anti-contaminación por identificador documental y por huella de contenido; auditoría de integridad previa a la evaluación. Todas las proporciones se publican con intervalo de confianza del 95 % y su tamaño muestral. Las cifras son representativas pero no constituyen garantía contractual de rendimiento sobre cualquier manuscrito futuro: el comportamiento real depende del tipo de texto, su longitud, su género y el estado del arte de los modelos generativos.

Cómo leer estas cifras. La más importante para un autor o una editorial es el PPV del 99,7 %: de las 392 veces que Veracitas ha afirmado que un texto es IA, se equivocó una — un diario de rodaje dentro de la cohorte de novela. Sobre trabajo académico humano no ha señalado a nadie en 207 documentos. El sistema sigue calibrado para proteger al autor humano por delante de todo, pero ya no paga ese seguro con detección: encuentra el 97,5 % de los manuscritos de IA y deriva sólo un 1,9 % a revisión humana. Subir el umbral de 65 a 86 lleva los falsos positivos a cero y deja la detección en 86,8 %: es dónde ponemos el listón, no lo que el modelo da de sí.

Veracitas combina (a) modelos fundacionales nativos en español desarrollados por instituciones públicas españolas, (b) un ensemble neuronal con múltiples capas de veto, (c) calibración estadística por longitud y por género literario, y (d) un registro criptográfico trazable y reproducible.

Contexto y Problema

El cambio de paradigma

En los últimos años, la generación de texto por LLMs ha pasado de artefacto detectable a oficio especializado. Tres dinámicas han desactivado la mayor parte de los detectores de primera generación:

• Humanización adversarial. Herramientas que reescriben la salida de un LLM para que pierda los marcadores estilísticos típicos.
• Modelos multilingües más grandes. Producen castellano fluido que ya no comparte la "huella" de los detectores anglocéntricos entrenados sobre modelos antiguos en inglés.
• Edición humana parcial. El caso más frecuente es un texto parcialmente IA con intervención humana posterior. Cualquier detector que tome una decisión binaria sobre la obra completa fracasa cuando una parte es IA y otra no.

Asimetría de costes para una editorial

Para una editorial, los dos tipos de error tienen consecuencias muy distintas:

Esta asimetría justifica que el sistema esté deliberadamente sesgado a no certificar en caso de duda.

Asimetría de costes para una universidad

En el flujo universitario la asimetría es la opuesta: el coste de no detectar un TFG generado con IA es mayor que el coste de pedir una revisión humana sobre un caso dudoso. Por eso el sistema expone dos modos operativos con criterios distintos: uno de alta sensibilidad para uso académico y otro de alta especificidad para emisión de sello.

Impacto Cuantitativo: ¿Por qué es necesario el Sello?

Para justificar la necesidad del Sello Veracitas, el siguiente desglose muestra el impacto real y la dilución del ecosistema literario que enfrentan los autores y profesionales del sector debido al volumen inasumible de contenido generado por IA y la ausencia de herramientas públicas de verificación:

1 El hueco de mercado: Obligación sin verificación

La paradoja actual del ecosistema

2 El Tsunami Generativo vs La Edición en España

El volumen inasumible frente al mercado tradicional

3 El mecanismo del daño: Dilución de ingresos

La IA no vende más, diluye la oferta

4 Daño medible a los oficios del libro

Encuesta de The Society of Authors (Reino Unido, ~12.500 socios)

5 Fraude de identidad en plataformas

Suplantación de autores

Fuentes: Federación de Gremios de Editores de España (FGEE, 2024) · NBER (Reimers & Waldfogel) · Society of Authors · The Authors Guild

Solución: Veracitas y el Sello Veracitas

Veracitas (motor)

Veracitas es un motor de detección que combina varias capas complementarias:

• Análisis neuronal con modelos nativos en español, fine-tuneados específicamente para detección de IA frente a corpus humano de referencia.
• Detectores de patrones lingüísticos sobre fenómenos documentados que distinguen escritura humana de escritura generada (tipografía, vocabulario, retórica, estructura, hedging, caracteres invisibles, anomalías de lengua, densidad formal).
• Análisis estadístico del texto (variabilidad de longitud de frases, diversidad léxica, uniformidad sintáctica).
• Inspector de metadatos de PDF y DOCX (autor declarado, herramienta de creación, fechas de producción).
• Calibración estadística por longitud y por género para que el comportamiento del sistema sea fiable en contextos muy distintos.
• Decisión tri-estado: humano / inconcluso / IA. El estado intermedio existe precisamente para no forzar decisiones en zona gris.

Veracitas (certificación)

El Sello Veracitas es un programa de certificación criptográfica construido encima del motor, con criterios deliberadamente más estrictos que el modo académico:

Principios de Diseño

Los siguientes principios guían cada decisión técnica del sistema:

1. Verum in dubio pro humano

Ante la duda, el sistema no marca el texto como IA. Las cohortes literarias de control (clásicos españoles, TFG humanos verificados) se usan para fijar el umbral hasta que los Falsos Positivos caen a niveles residuales.

2. Trazabilidad por encima de magia algorítmica

Cada cifra del sistema está trazada a una versión concreta de modelo y a un conjunto de pesos firmado. No publicamos métricas que no podamos reproducir.

3. Defensa en profundidad

Ningún componente decide solo. La certificación exige el acuerdo de varios análisis independientes. Si cualquiera detecta indicios, no hay sello —aunque los otros aprueben.

4. Adversarialidad anticipada

El corpus de entrenamiento incluye textos generados por los principales LLMs comerciales modernos en español y sus variantes humanizadas (light y heavy) para simular las herramientas de evasión que un atacante real usaría.

5. Auditabilidad legal

El registro de auditoría es el ancla probatoria del sistema. Está diseñado para que reescribir entradas pasadas invalide automáticamente todas las posteriores y se detecte en una pasada de verificación.

6. Honestidad sobre los límites

Lo que el sello no garantiza está explícitamente documentado (sección 8). No prometemos detectar modelos generativos futuros ni distinguir una corrección ortográfica de una asistencia masiva.

Arquitectura del Sistema (Vista General)

Pipeline conceptual

Decisión tri-estado

El estado inconcluso es una decisión deliberada de no decidir. Es preferible delegar al juicio humano que emitir una falsa garantía.

Análisis granular por segmentos

Para manuscritos extensos (libros, tesis), el sistema segmenta el texto en bloques y aplica el análisis completo a cada bloque, agregando posteriormente los resultados con criterios estadísticos robustos. Esto permite detectar el caso real más frecuente: un manuscrito mayoritariamente humano con uno o varios capítulos generados por IA.

El criterio de agregación evita rechazar una obra entera por un único bloque anómalo: el veto exige acuerdo de varios segmentos antes de activarse.

Validación y Resultados

Cohortes de validación

El sistema se valida sobre cohortes independientes construidas a partir de manuscritos públicos de repositorios institucionales españoles (descarga vía OAI-PMH), garantizando mediante hash SHA-256 que ningún manuscrito del benchmark estuviera presente en el corpus de entrenamiento:

• Cohorte académica humana. Trabajos de fin de grado y máster defendidos antes de la generalización de los LLMs, recogidos de dos universidades politécnicas públicas (varias disciplinas técnicas).
• Cohorte de manuscritos largos académicos. Tesis doctorales y libros publicados por repositorios universitarios y por un organismo público de investigación de ciencia básica.
• Cohorte humanística y literaria. Libros, tesis y manuscritos de literatura clásica española, poesía, teatro del Siglo de Oro, tratados religiosos históricos, historia del arte, crítica cinematográfica y leyendas — recogidos de un repositorio universitario público de gran biblioteca histórica.
• Cohorte adversarial IA. Textos generados con LLMs comerciales modernos no presentes en el corpus de entrenamiento del motor, en sus variantes original, light humanización y heavy humanización.
• Cohorte mixta. Textos parcialmente IA con intervención humana posterior.

Resultados clave (12 agosto 2026)

Validación sobre 401 manuscritos de IA —cinco familias de modelos, tres niveles de reescritura evasiva— y 635 manuscritos humanos, evaluados contra el motor de producción. Todas las proporciones se publican con su intervalo de confianza del 95 %:

Detección por registro literario

Efecto de la reescritura evasiva

Interpretación

Primera lectura: cuando acusamos, casi siempre acertamos. El PPV del 99,7 % significa que en 392 dictámenes de «IA» ha habido un error: un diario de rodaje dentro de la cohorte de novela. Sobre trabajo académico humano el sello no ha señalado a nadie en 207 documentos, lo que acota ese riesgo por debajo del 1,8 % con un 95 % de confianza.

Segunda: el umbral es una decisión, no un límite técnico. El corte de acusación está en 65 sobre 100 y da 97,5 % de detección con un solo falso positivo. Subirlo a 86 lleva los falsos positivos a cero y deja la detección en 86,8 %. Se puede mover por cliente: una editorial paga más caro un falso positivo que una universidad. Para uso universitario el sistema expone un modo más sensible que devuelve inconcluso en zona gris en lugar de humano.

Tercera, y la que más nos exige: la novela contemporánea sigue siendo el punto débil, pero ya no por detección. El motor encuentra narrativa generada por IA en el 97,3 % de los casos —antes era el 47,8 %—, así que la brecha de registro se ha cerrado. Lo que queda es del otro lado: de 51 novelas humanas publicadas entre 1994 y 2022, una fue acusada y cinco quedaron en «inconcluso»; sobre trabajo académico humano, ninguna de 207. Con 51 obras medidas no podemos afirmar que el riesgo en novela esté por debajo del 10 % aunque lo observado sea el 2 %. Dicho sin rodeos: un sello «Obra sin IA Detectada» sobre una tesis sigue significando más que sobre una novela. Ampliar esa cohorte es la línea de trabajo prioritaria y no la vamos a ocultar tras una media.

Gobernanza, Auditoría y Trazabilidad

Audit log inmutable

Toda decisión —positiva o negativa— produce una entrada en un registro mensual append-only. Cada entrada contiene:

• Identificador único de la certificación (cert_id).
• Timestamp UTC ISO-8601.
• Decisión final.
• Género literario declarado.
• Metadatos del autor / título / ISBN (declarados por la editorial).
• Hash criptográfico SHA-256 del texto del manuscrito.
• Recuento de palabras.
• Versiones de modelos y calibración activos en el momento.
• Resumen del análisis (estadísticas agregadas por bloque).
• Hash de la entrada anterior (encadenamiento criptográfico).
• Firma HMAC-SHA256 sobre la entrada canónica.

Garantías criptográficas

Verificación pública

Cualquier tercero puede verificar la autenticidad de un sello sin acceso al log completo:

• Consulta del cert_id en el endpoint de verificación pública.
• Comparación del SHA-256 del manuscrito actual contra el SHA-256 registrado en el momento de emisión.
• Consulta del estado de integridad del registro mensual.

La verificación devuelve la entrada original más los eventos de override posteriores (revocaciones, apelaciones aceptadas), de modo que el estado público de un sello refleja siempre la última decisión auditada.

Procedimiento ante una disputa legal

1. Localización del cert_id en el log mensual correspondiente.
2. Verificación integral del archivo mensual completo para descartar manipulación.
3. Reproducibilidad: el campo model_versions permite recargar exactamente la combinación de pesos que produjo la decisión. El campo text_sha256 permite verificar que el manuscrito presentado en juicio es el mismo que el sistema evaluó.
4. Re-evaluación con esos pesos. Si los scores coinciden, la decisión queda probada como producto determinista del sistema en esa fecha.

Marco Legal del Sello

Naturaleza del Sello

El Sello Veracitas es una declaración técnica firmada sobre el resultado de un análisis automatizado. No es un dictamen pericial notarial ni una declaración jurada sobre la autoría última del texto. Su valor probatorio reside en la trazabilidad criptográfica y la reproducibilidad del análisis, no en una garantía absoluta de "escrito por humano".

Qué DECLARA el sello

Qué NO garantiza el sello

1. No garantiza que la obra haya sido escrita íntegramente por un humano sin asistencia menor (correctores ortográficos, búsqueda de sinónimos, traducción puntual). El sello es sobre detección automatizada, no sobre autoría notarial.
2. No garantiza inmunidad frente a modelos generativos futuros. La evaluación se hace bajo el estado del arte de la fecha de emisión.
3. No sustituye el juicio editorial humano en casos inconcluso o premium_required.

Procedimiento de apelación

Existen dos vías documentadas:

• Apelación de denegación. El autor o la editorial solicitan reconsideración aportando evidencias (borradores previos, historial de versiones, capturas, drafts).
• Solicitud de revocación. La editorial retira un sello previamente emitido (auto-denuncia o detección de manipulación posterior).

Revocación

Un sello puede revocarse en los siguientes casos:

1. Manipulación post-emisión: el SHA-256 del texto actual no coincide con el registrado, indicando alteración del manuscrito después de obtenido el sello.
2. Auto-denuncia editorial.
3. Hallazgo posterior: revisión humana o auditoría externa demuestra que el sello fue emitido sobre un manuscrito que no debería haberlo recibido.

El estado revocado queda en el registro con su cert_id original y es visible públicamente en la verificación.

Casos de Uso

Editoriales

Flujo típico:

1. La editorial sube el manuscrito final junto con metadatos del autor, título, ISBN y género literario.
2. El sistema analiza, aplica los criterios de veto y devuelve un identificador único de certificación.
3. Si el resultado es positivo, la editorial incorpora el identificador en el colofón del libro y/o en la ficha web. Cualquier lector, librero, biblioteca o investigador puede verificar la autenticidad de forma pública.
4. Si el resultado es negativo o inconcluso, se abre el procedimiento de revisión humana y, en su caso, apelación.

Beneficios:

• Diferenciador comercial verificable frente a la sospecha generalizada del lector.
• Marco claro para responder a denuncias de uso de IA en el catálogo.
• Trazabilidad legal en caso de disputa con autor o tercero.

Universidades

Flujo típico:

1. El estudiante o el sistema de gestión académica sube el TFG / tesis.
2. El sistema produce un informe con anotaciones por segmento, scores por sección y decisión tri-estado.
3. El tribunal o el director revisa el informe; los segmentos inconcluso o IA son objeto de conversación con el alumno.

Beneficios:

• Material concreto para defender una decisión académica.
• Reducción del coste de revisión: el evaluador llega ya al fragmento sospechoso.
• Trazabilidad para procedimientos disciplinarios.

Auditoría editorial post-publicación

Una editorial, un medio o un instituto literario pueden auditar una obra publicada sometiéndola al sistema y comparando contra el identificador de certificación original, detectando manipulaciones posteriores a la emisión del sello.

Integración B2B vía API

Todos los endpoints del sistema son consumibles programáticamente. Los flujos típicos incluyen integración con CMS editoriales, plataformas académicas y marketplaces de libros (filtros "con Veracitas").

Comparativa con Alternativas

Detectores anglocéntricos

Detección manual por experto

Impacto Medioambiental y Consumo Energético

A diferencia de los modelos generativos de IA (como ChatGPT o Claude) que requieren enormes cantidades de energía y agua tanto para su entrenamiento continuo como para la generación masiva de texto, Veracitas es un sistema puramente analítico (de inferencia). Esto reduce drásticamente su huella ecológica.

Coste energético por libro verificado

Nuestra infraestructura se ejecuta bajo demanda utilizando instancias de cálculo altamente eficientes (NVIDIA T4 en el entorno Modal). Una GPU NVIDIA T4 tiene un consumo máximo (TDP) de 70W.

Considerando un volumen medio de procesamiento de 5 libros completos al día, con un tiempo de análisis exhaustivo de aproximadamente 30 a 60 minutos por obra (dependiendo de la extensión), el cálculo de consumo promedio es el siguiente:

• Consumo eléctrico (GPU + Overhead Datacenter): ~100W a 120W por hora.
• Energía por libro completo: ~0.10 kWh. (Equivalente a mantener encendida una bombilla LED estándar durante 10 horas).
• Consumo de agua (Refrigeración del Datacenter): Con un promedio industrial de 1.8 litros por kWh consumido, procesar un libro requiere apenas ~0.18 Litros de agua (menos de un vaso de agua normal).

Limitaciones Conocidas

Falsos positivos residuales en literatura clásica

Algunos autores con registro formal denso del español pre-1930 producen scores elevados incluso post-calibración. Gestión: umbrales de género más permisivos en literatura y criterio de veto robusto que exige acuerdo de varios segmentos; revisión humana en casos límite.

Humanización adversarial extrema en textos cortos

Texto IA reescrito pesadamente por humano en obras cortas tiende a caer en inconcluso. Esto es comportamiento deseado (no certificar en duda), no un fallo a corregir.

PDFs escaneados sin OCR

El sistema rechaza con error explícito cualquier documento del que se extraigan menos de un mínimo de palabras. No realizamos OCR.

Cobertura lingüística

El sistema está calibrado para español peninsular y americano contemporáneos. No está validado para catalán, gallego, euskera ni para variantes históricas anteriores al siglo XIX.

Modelos generativos futuros

El detector está calibrado contra los LLMs conocidos a la fecha de emisión de cada sello. Un modelo generativo significativamente distinto podría requerir un re-entrenamiento. Por eso cada sello incluye la versión del modelo y el timestamp: la garantía está acotada al estado del arte en el momento del análisis.

Roadmap

Glosario

Accuracy

Proporción de predicciones correctas sobre el total.

Audit log

Registro append-only inmutable de cada decisión, firmado criptográficamente.

cert_id

Identificador único de cada decisión emitida por el Sello, verificable públicamente.

Decisión tri-estado

humano / inconcluso / IA. El estado intermedio existe para forzar revisión humana en zona gris.

FNR (False Negative Rate)

Proporción de textos IA clasificados como humanos. Medida del riesgo de "se nos cuela un IA".

FPR (False Positive Rate)

Proporción de textos humanos clasificados como IA. Medida del riesgo reputacional para una editorial.

Hash-chain SHA-256

Secuencia de hashes donde cada entrada incluye el hash de la anterior. Modificar una entrada antigua invalida toda la cadena posterior.

HMAC-SHA256

Código de autenticación de mensaje basado en hash, firmado con una clave secreta. Garantiza autenticidad.

Humanización

Técnica adversarial que reescribe texto IA para evadir detectores. Puede ser light o heavy.

NPV (Negative Predictive Value)

Precisión del predictor cuando predice "humano". Métrica crítica para el Sello: cuando decimos "humano", queremos que lo sea de verdad.

Veto multi-componente

Criterio de certificación que exige que todos los análisis independientes aprueben. Cualquiera puede bloquear.