El despliegue de textGrain por parte de OpenAI responde directamente al requisito de la Ley de IA de la UE de que los resultados generativos puedan identificarse de forma legible por máquina. En términos conceptuales, textGrain orienta la selección de tokens del modelo para que la secuencia resultante contenga un patrón estadístico detectable. La marca de agua es invisible para los lectores y está diseñada para que un detector pueda recuperarla; OpenAI concederá acceso a este de forma selectiva. Para los equipos de producto y cumplimiento, la conclusión inmediata es clara: ya existe un mecanismo de nivel industrial para señalar la intervención de un modelo en un texto, pero sus características y su valor jurídico son limitados y dependen del contexto.

Las evaluaciones empíricas muestran que textGrain funciona bien en condiciones ideales: las tasas de detección aumentan cuanto más extenso es el texto y más flexible el vocabulario. Con un umbral conservador de falsos positivos, la detección se acerca al 95 % en textos largos y sin restricciones, pero baja a alrededor del 80 % en pasajes más breves, de 200 tokens, y es considerablemente menor en ámbitos con pocas opciones de vocabulario, como las matemáticas. La edición y la reescritura parcial reducen drásticamente la detectabilidad: sustituir una proporción moderada de palabras por sinónimos puede hacer que la detección pase de alta a baja. Estas características generan puntos ciegos previsibles en el uso cotidiano y el cumplimiento normativo.

El plan operativo de OpenAI busca equilibrar las obligaciones normativas con la cautela técnica. Los clientes de la API de todo el mundo pueden optar por recibir resultados con marca de agua, mientras que la empresa añadirá textGrain automáticamente a los resultados aptos de ChatGPT y Codex dentro de la UE. En lugar de abrir el detector al público, OpenAI concederá inicialmente acceso a investigadores aprobados y organizaciones expertas para estudiar su rendimiento y sus limitaciones. Este modelo de acceso restringido refleja el riesgo de que los falsos positivos o las marcas de agua que no se detecten induzcan a error a quienes aplican las normas o moderan plataformas, y subraya que los resultados del detector deben interpretarse junto con otras señales.

En la práctica, establecer la procedencia de un texto es más difícil que hacerlo con imágenes o audio, porque el lenguaje se edita, comprime, traduce y parafrasea con facilidad, y estas operaciones degradan rápidamente una señal estadística. Las marcas de agua de imágenes y las credenciales de los archivos pueden sobrevivir a la eliminación de metadatos o a la recompresión; el texto, en cambio, no tiene un «contenedor» fijo y su significado puede reformularse sin dejar una capa de procedencia persistente. Para quienes toman decisiones, la conclusión es que las marcas de agua deben formar parte de una estrategia de procedencia por capas: los metadatos, la información proporcionada por el usuario, las señales de comportamiento y los controles de la plataforma siguen siendo complementos necesarios de textGrain.