Un estudio de Copyleaks, publicado en febrero de 2024, destapó que más del 60% de las respuestas de GPT-3.5, el modelo de OpenAI que popularizó ChatGPT, contenían algún tipo de plagio. La firma, especializada en detectar texto no original, analizó miles de respuestas del modelo GPT-3.5 de OpenAI y encontró que el 45,7% incluía fragmentos idénticos a fuentes existentes, un 27,4% presentaba cambios menores sobre el texto original y un 46,5% recurría al parafraseo.
Copyleaks mide la originalidad con lo que llama «puntaje de similitud»: 0% significa que todo el contenido es propio, 100% que no hay nada original. Con GPT-3.5, ese puntaje se disparó en ciencias de la computación (100%), física (92%) y psicología (88%). En el otro extremo, teatro (0,9%), humanidades (2,8%) y lengua inglesa (5,4%) salieron mejor paradas, señal de que al modelo le costaba más generar contenido genuinamente propio en materias técnicas que en las que dependen de interpretación o creatividad.
El hallazgo llegó en plena ofensiva legal contra la IA generativa. Autores y medios como The New York Times ya litigaban entonces por el uso de material con derechos de autor en el entrenamiento de estos sistemas, y en algunos casos denunciaban que los modelos devolvían copias casi literales de sus textos.
OpenAI respondió a Copyleaks defendiendo que sus modelos «aprenden conceptos y resuelven problemas nuevos» en lugar de memorizar contenido, aunque admitió que la «regurgitación» de texto puede darse como un «error raro» en sus sistemas.
GPT-3.5 lleva tiempo retirado del catálogo comercial de OpenAI, sustituido primero por GPT-4o y después por la familia GPT-5, con mejor rendimiento y, según la compañía, menor tendencia a copiar literalmente sus datos de entrenamiento. El debate de fondo que abrió aquel estudio de Copyleaks, sin embargo, sigue vivo: un tribunal de EE. UU. legitimó en 2025 el uso de obras con copyright para entrenar IA en un caso concreto, mientras que casi 400 medios locales y regionales demandaron a OpenAI y Microsoft por entrenar sus modelos con noticias protegidas. Dónde acaba el aprendizaje y empieza la copia sigue sin resolverse en los tribunales.
Preguntas frecuentes
¿Qué es Copyleaks y cómo midió el plagio en GPT-3.5?
Copyleaks es una empresa dedicada a la detección de plagio mediante IA. Para el estudio analizó miles de respuestas de GPT-3.5 y comparó su texto con fuentes existentes en internet, clasificando cada respuesta según el grado de coincidencia.
¿Qué significa el «puntaje de similitud» del estudio?
Es una escala del 0 al 100 que mide cuánto del contenido generado coincide con texto ya existente. Un 0% indica originalidad total; un 100%, que ninguna parte del texto es propia del modelo.
¿Por qué GPT-3.5 plagiaba más en unas materias que en otras?
En áreas técnicas como ciencias de la computación o física, las respuestas correctas suelen tener una única forma de expresarse, lo que facilita la coincidencia literal. En materias como teatro o humanidades, con más margen interpretativo, el modelo generaba texto más variado.
¿Cómo respondió OpenAI a las acusaciones de plagio?
La compañía defendió que sus modelos están diseñados para aprender conceptos, no para memorizar textos, aunque reconoció que la reproducción literal de contenido puede ocurrir como fallo puntual.
¿Sigue en uso GPT-3.5 hoy en día?
No como modelo principal. OpenAI lo retiró de su oferta comercial y lo sustituyó por versiones más avanzadas, primero GPT-4o y después la familia GPT-5.
¿Qué otras demandas por copyright enfrenta OpenAI actualmente?
Además del litigio histórico con The New York Times, OpenAI afronta una demanda de casi 400 medios locales y regionales de EE. UU. por el uso de sus noticias en el entrenamiento de modelos.
vía: AXIOS
