El octógono que no sabemos dibujarThe Octagon We Don't Know How to Draw
Analista de Transfer Pricing. Investigador en gobernanza algorítmica aplicada al cumplimiento fiscal internacional. Creador del Sistema TRIA.Transfer Pricing Analyst. Researcher in algorithmic governance applied to international tax compliance. Creator of Sistema TRIA.
La Ley 27.642 de Promoción de la Alimentación Saludable, sancionada en 2021, intentó resolver un problema de información asimétrica con una herramienta que se presentó como simple: un octógono negro en el envase cuando un alimento supera un umbral definido de azúcares, sodio, grasas o calorías. En la práctica, no lo logró. Buena parte de los consumidores no entiende qué mide realmente cada sello, el criterio nutricional detrás del umbral es objetable, y el resultado termina distorsionando la percepción tanto como informándola. Cinco años después, con la aplicación del Artículo 50 del AI Act desde agosto de 2026, la Unión Europea intenta resolver un problema estructuralmente parecido —cómo saber si algo fue producido por una máquina— con una herramienta que falla por una razón distinta, pero igual de seria.Argentina's Law 27.642 on Healthy Eating Promotion, passed in 2021, tried to solve a problem of asymmetric information with a tool presented as simple: a black octagon on the package when a food exceeds a defined threshold of sugars, sodium, fats, or calories. In practice, it didn't succeed. Much of the population doesn't understand what each seal actually measures, the nutritional criterion behind the threshold is contestable, and the result ends up distorting perception as much as informing it. Five years later, with Article 50 of the AI Act taking effect in August 2026, the European Union is trying to solve a structurally similar problem — how to know if something was produced by a machine — with a tool that fails for a different reason, but an equally serious one.
Dos formas distintas de fallarTwo Different Ways of Failing
El etiquetado frontal argentino se apoya en un umbral cuantificable: un producto tiene X gramos de azúcar agregada por cada 100 gramos, o no los tiene. Que el disparador sea un número no lo vuelve, por eso, un buen instrumento de información. El modelo de perfil de nutrientes que adoptó la Ley 27.642, desarrollado originalmente por la OPS para evaluar la calidad nutricional de la dieta en su conjunto, se aplica a productos individuales — un uso para el que no fue diseñado. El resultado es un sistema de umbrales móviles que buena parte de la población no interpreta correctamente, que iguala bajo el mismo símbolo productos con perfiles nutricionales muy distintos, y que —según la crítica técnica que sostiene buena parte del debate por su eventual derogación en 2026— termina comunicando menos de lo que promete y distorsionando más de lo que aclara.
Argentina's front-of-package labeling rests on a quantifiable threshold: a product has X grams of added sugar per 100 grams, or it doesn't. That the trigger is a number doesn't, by itself, make it a good information tool. The nutrient profile model adopted by Law 27.642, originally developed by PAHO to assess the nutritional quality of an overall diet, is applied to individual products — a use it wasn't designed for. The result is a system of moving thresholds that much of the population doesn't correctly interpret, that groups products with very different nutritional profiles under the same symbol, and that — according to the technical critique underlying much of the 2026 debate over its possible repeal — ends up communicating less than it promises and distorting more than it clarifies.
Esta nota no toma el etiquetado frontal argentino como un modelo a imitar. Todo lo contrario: es un ejemplo de cómo un criterio mal calibrado puede desinformar incluso teniendo un número detrás. Lo que interesa para la comparación es otra cosa: el octógono, con todos sus defectos de diseño y comunicación, al menos parte de una variable medible sobre la que se puede debatir si está bien o mal calibrada. El Artículo 50 del AI Act ni siquiera llega a ese punto de partida — no tiene una variable cuantificable que discutir. Son dos fallas distintas, y la segunda es, en cierto sentido, más profunda que la primera: al menos del etiquetado de alimentos se puede decir en qué está mal. Del criterio de "IA generada vs. asistida" todavía no se puede decir ni eso.
This piece doesn't hold up Argentina's front-of-package labeling as a model to imitate. Quite the opposite: it's an example of how a poorly calibrated criterion can misinform even with a number behind it. What matters for the comparison is something else: the octagon, for all its design and communication flaws, at least starts from a measurable variable that can be debated as well- or poorly-calibrated. Article 50 of the AI Act doesn't even reach that starting point — it has no quantifiable variable to debate. These are two different failures, and the second is, in a sense, deeper than the first: at least one can say what's wrong with food labeling. About the "AI-generated vs. assisted" criterion, that much can't even be said yet.
Por qué el Artículo 50 no tiene ni ese pisoWhy Article 50 Doesn't Even Have That Floor
El Artículo 50 del AI Act, que empezó a aplicarse el 2 de agosto de 2026, exige que los proveedores de sistemas de IA generativa marquen el contenido sintético que producen en formato legible por máquina, y que ciertos usos —deepfakes, contenido dirigido al público, interacción con chatbots— se informen de forma explícita. Pero el artículo explícitamente no establece una obligación general de etiquetar cualquier contenido en el que haya intervenido una herramienta de IA. Distingue entre contenido "generado íntegramente por IA" y contenido "asistido por IA", con requisitos de divulgación distintos para cada categoría — pero no define, ni siquiera con la imprecisión discutible de un umbral de gramos, dónde termina uno y empieza el otro.
Article 50 of the AI Act, which took effect on August 2, 2026, requires providers of generative AI systems to mark the synthetic content they produce in a machine-readable format, and requires certain uses — deepfakes, content aimed at the public, chatbot interaction — to be explicitly disclosed. But the article explicitly doesn't establish a general obligation to label any content an AI tool was involved in. It distinguishes between content "fully generated by AI" and content "AI-assisted," with different disclosure requirements for each category — but it doesn't define, not even with the debatable imprecision of a gram threshold, where one ends and the other begins.
Esa es exactamente la pregunta que venimos planteando en esta serie: a partir de qué punto la participación humana deja de ser suficiente para que algo se considere trabajo propio y empiece a requerir divulgación como producto de IA. El AI Act reconoce la distinción como relevante —lo dice explícitamente al separar "generado" de "asistido"— pero no resuelve el criterio que la vuelve operativa. No hay, para IA, ni siquiera el equivalente discutible de un umbral de azúcares mal calibrado. Hay una zona gris del tamaño de toda la creación asistida por IA.
That's exactly the question this series has been raising: at what point does human participation stop being sufficient for something to count as one's own work, and start requiring disclosure as an AI product. The AI Act recognizes the distinction as relevant — it says so explicitly by separating "generated" from "assisted" — but doesn't resolve the criterion that would make it operational. There isn't, for AI, even the debatable equivalent of a poorly calibrated sugar threshold. There's a gray zone the size of all AI-assisted creation.
El caso de los librosThe Case of Books
Esa zona gris ya está generando fricción concreta en el mundo editorial. Plataformas como Amazon exigen a los autores declarar si un libro fue "generado por IA" o "asistido por IA" antes de publicarlo — una autodeclaración sin verificación independiente, aplicando exactamente la misma dicotomía difusa del Artículo 50, sin el equivalente de un laboratorio que pueda confirmar el resultado.
That gray zone is already generating concrete friction in publishing. Platforms like Amazon require authors to declare whether a book was "AI-generated" or "AI-assisted" before publishing — a self-declaration with no independent verification, applying the exact same fuzzy dichotomy as Article 50, without the equivalent of a lab that could confirm the result.
El problema de fondo es que se está aplicando un criterio binario viejo —¿lo escribió una persona o una máquina?— a una herramienta que no opera en esos términos. Un autor puede usar IA para generar un primer borrador completo y luego reescribir cada oración con criterio editorial propio, verificando cada afirmación, ajustando cada argumento a su voz y su responsabilidad — eso es, en los términos que ya desarrollamos, participación humana suficiente. Otro autor puede escribir el 80% del texto a mano y aprobar sin revisar un capítulo entero generado por IA sin verificación alguna. Con el criterio actual, el primero podría terminar etiquetado como "generado por IA" por el volumen de texto que pasó por el modelo en algún momento del proceso, mientras el segundo, con menos intervención humana real mal ejercida, queda libre de esa etiqueta. El criterio mide el momento equivocado del proceso.
The underlying problem is that an old binary criterion — did a person or a machine write it? — is being applied to a tool that doesn't operate in those terms. One author might use AI to generate a full first draft and then rewrite every sentence with their own editorial judgment, verifying every claim, fitting every argument to their voice and accountability — that's, in terms already developed in this series, sufficient human participation. Another author might write 80% of the text by hand and approve an entire AI-generated chapter without any review. Under the current criterion, the first could end up labeled "AI-generated" because of the volume of text that passed through the model at some point in the process, while the second, with less real human judgment poorly exercised, stays free of that label. The criterion measures the wrong moment of the process.
El caso de las universidadesThe Case of Universities
La falta de un umbral confiable no impidió que instituciones con peso institucional real lo adoptaran como si lo tuvieran. Turnitin, la plataforma de integridad académica más usada en el mundo, incorporó desde 2023 un módulo de detección de escritura con IA que hoy aplican miles de universidades, incluidas instituciones españolas y latinoamericanas, como parte de su criterio de evaluación de trabajos, tesis y TFG. La propia Turnitin advierte, en su documentación pública, que la herramienta "podría no ser precisa en todos los casos" y que no debería usarse como prueba única ni definitiva — una salvedad que en la práctica rara vez pesa tanto como el número que arroja el reporte cuando un tribunal evaluador tiene que decidir.
The lack of a reliable threshold hasn't stopped institutions with real institutional weight from adopting one as if they had it. Turnitin, the most widely used academic-integrity platform in the world, added an AI-writing detection module in 2023 that thousands of universities — including Spanish and Latin American institutions — now apply as part of their criteria for evaluating papers, theses, and dissertations. Turnitin itself warns, in its own public documentation, that the tool "may not be accurate in all cases" and shouldn't be used as sole or definitive proof — a caveat that in practice rarely weighs as much as the number the report produces when an evaluation committee has to decide.
El problema no es exclusivo de Turnitin. Detectores como GPTZero y ZeroGPT, sometidos a pruebas independientes, arrojaron resultados que exponen la fragilidad del criterio de fondo: la Constitución de Estados Unidos de 1787 fue calificada como "probablemente escrita en su totalidad por IA" con una confianza cercana al 100%; el Génesis bíblico obtuvo más de 88% de probabilidad de ser texto generado por máquina; "Cien años de soledad" de Gabriel García Márquez fue señalada como 100% de origen artificial. El propio creador de GPTZero explicó el motivo: estos modelos predicen qué tan probable es que un texto haya sido generado por un LLM comparándolo con los patrones que el LLM aprendió — y un texto excepcionalmente bien escrito, con estructura clara y vocabulario preciso, se parece estadísticamente a lo que produciría un buen modelo de lenguaje, precisamente porque esos modelos se entrenaron imitando ese tipo de prosa. La herramienta no distingue escritura generada por IA de buena escritura humana — en muchos casos, confunde una con la otra.
The problem isn't unique to Turnitin. Detectors like GPTZero and ZeroGPT, when subjected to independent testing, produced results that expose how fragile the underlying criterion is: the 1787 United States Constitution was rated as "likely written entirely by AI" with confidence near 100%; the biblical Book of Genesis scored over 88% probability of being machine-generated; Gabriel García Márquez's "One Hundred Years of Solitude" was flagged as 100% artificial in origin. GPTZero's own creator explained why: these models predict how likely it is that a text was generated by an LLM by comparing it to the patterns the LLM learned — and an exceptionally well-written text, with clear structure and precise vocabulary, statistically resembles what a good language model would produce, precisely because those models were trained by imitating that kind of prose. The tool doesn't distinguish AI-generated writing from good human writing — in many cases, it confuses one for the other.
Que universidades incorporen ese tipo de herramienta a su criterio de evaluación, sin que su precisión esté comprobada de forma independiente, es el mismo error de fondo que venimos señalando en el AI Act y en el etiquetado editorial: se está pidiendo a un instrumento sin umbral confiable que resuelva una pregunta binaria —¿lo escribió una persona o una máquina?— en un terreno donde ni siquiera esa pregunta está bien planteada.
That universities are incorporating this kind of tool into their evaluation criteria, with no independently verified accuracy, is the same underlying mistake we've flagged in the AI Act and in publishing's disclosure practice: an instrument with no reliable threshold is being asked to answer a binary question — did a person or a machine write this? — in a domain where even that question isn't well posed to begin with.
Lo que hay detrás del impulso de exponerWhat's Behind the Impulse to Expose
Vale la pena preguntarse por qué existe, con tanta fuerza, el impulso de etiquetar y exponer a quien usa IA, más allá de lo que la norma exige en los hechos. Buena parte de esa presión no viene de un análisis de riesgo real — viene de que muchas personas no comprenden del todo cómo funciona la herramienta, y esa falta de comprensión se traduce en la necesidad de trazar una línea visible entre "lo mío" y "lo de la máquina".
It's worth asking why the impulse to label and expose AI users exists so strongly, beyond what the regulation actually requires. Much of that pressure doesn't come from a real risk analysis — it comes from the fact that many people don't fully understand how the tool works, and that lack of understanding translates into a need to draw a visible line between "mine" and "the machine's."
Eso produce un efecto revelador: quien ya usa corrector ortográfico, traductor automático, autocompletado de código o un buscador que resume resultados no percibe esas herramientas como IA que requiere divulgación — las tiene tan normalizadas que dejaron de contar. Pero la misma persona puede exigir una etiqueta visible para un texto que pasó por un modelo generativo, como si perteneciera a una categoría completamente distinta. No lo es. Es el mismo fenómeno —una herramienta que extiende capacidad humana, como ya planteamos— en un punto más visible y más reciente de su desarrollo. La costura no está entre "herramientas viejas, invisibles y aceptables" y "herramientas nuevas, visibles y sospechosas". Está en si hubo verificación humana sustantiva sobre el resultado, sin importar cuántas ni cuáles herramientas mediaron en el camino.
That produces a telling effect: someone who already uses a spell-checker, a machine translator, code autocomplete, or a search engine that summarizes results doesn't perceive those tools as AI requiring disclosure — they're so normalized they stopped counting. But the same person might demand a visible label for a text that passed through a generative model, as if it belonged to an entirely different category. It doesn't. It's the same phenomenon — a tool that extends human capacity, as already argued — at a more visible and more recent point in its development. The seam isn't between "old, invisible, acceptable tools" and "new, visible, suspicious tools." It's whether there was substantive human verification of the result, regardless of how many or which tools mediated along the way.
El "eso es diferente a lo mío" es, en el fondo, una forma de defender un territorio que no está tan bien delimitado como parece. Nadie exige que un plato indique cuántos electrodomésticos intervinieron en su preparación — la batidora, el horno de precisión no comprometen la autenticidad de una receta, aunque hayan reemplazado tareas que antes se hacían a mano. Exigir la etiqueta específicamente para la IA, y no para cualquier otra herramienta que también reemplazó trabajo manual antes, revela que el reclamo no es solo informativo: es un intento de trazar una frontera categórica —esto es "genuino", esto no lo es— sobre un continuo de producción intelectual que existe desde que cualquier herramienta empezó a mediar entre una persona y su trabajo. Cuanto más difusa es esa frontera, más fuerte se vuelve la necesidad de algunos de trazarla del lado de afuera de su propia práctica.
"That's different from mine" is, at bottom, a way of defending territory that isn't as clearly bounded as it seems. No one demands that a dish disclose how many appliances were involved in preparing it — the blender, the precision oven don't compromise the authenticity of a recipe, even though they replaced tasks once done by hand. Demanding the label specifically for AI, and not for any other tool that also replaced manual work before it, reveals that the demand isn't purely informational: it's an attempt to draw a categorical line — this is "genuine," this isn't — over a continuum of intellectual production that has existed since any tool began mediating between a person and their work. The blurrier that line is, the stronger some people's need to draw it just outside their own practice.
Lo que el paralelo enseñaWhat the Parallel Teaches
El etiquetado frontal de alimentos falla al comunicar, pero al menos falla sobre una variable cuantificable que se puede discutir y recalibrar. Cualquier intento de etiquetado de IA que copie su lógica superficial —medir cuánto texto "tocó" un modelo— fallaría por una razón más profunda: no porque el umbral esté mal calibrado, como en el caso nutricional, sino porque la cantidad de intervención tecnológica no predice la calidad del resultado ni la responsabilidad de quien lo produjo. No es un problema de ajustar el número. Es que el número no es la variable correcta para empezar.
Front-of-package food labeling fails to communicate, but at least it fails on a quantifiable variable that can be debated and recalibrated. Any attempt at AI labeling that copies its surface logic — measuring how much text a model "touched" — would fail for a deeper reason: not because the threshold is miscalibrated, as in the nutritional case, but because the amount of technological intervention doesn't predict the quality of the result or the accountability of whoever produced it. It isn't a matter of adjusting the number. The number isn't the right variable to begin with.
El criterio que sí sería funcionalmente equivalente a un umbral —aunque nunca tan simple de comunicar como un octógono— no es "cuánto generó la IA", sino si hubo verificación humana sustantiva sobre lo que se publicó. Es una variable más difícil de medir desde afuera que el contenido de sodio de un paquete de fideos, pero es, a diferencia del volumen de texto generado, la que efectivamente determina si el resultado es confiable.
The criterion that would be functionally equivalent to a threshold — though never as simple to communicate as an octagon — isn't "how much the AI generated," but whether there was substantive human verification of what got published. It's a variable harder to measure from the outside than the sodium content of a pasta package, but it's, unlike the volume of generated text, the one that actually determines whether the result is trustworthy.
La lectura de fondoThe Bottom Line
Ni el etiquetado frontal de alimentos ni el criterio de "IA generada vs. asistida" logran, hoy, informar bien a quien los lee — el primero porque su criterio nutricional distorsiona más de lo que aclara; el segundo porque directamente no tiene criterio cuantificable que aplicar. Buscar exponer a "quienes usan IA" copiando la estética de un sistema que ya demostró sus propios límites no protege a nadie: multiplica la desinformación en lugar de resolverla, y refuerza una separación entre "trabajo genuino" y "trabajo con IA" que no existe en los hechos. La pregunta que un etiquetado de IA debería responder no es cuánta máquina hay en el texto. Es si hubo alguien, del otro lado, verificando con criterio antes de firmarlo. Esa pregunta no se resuelve con un octógono, bien o mal diseñado, ni con la ansiedad de separar "lo mío" de "lo de la IA". Se resuelve normalizando que la herramienta siempre estuvo ahí, en distintos grados y con distintos nombres, y que lo único que importó — antes y ahora — es lo que se hizo con lo que produjo.
Neither front-of-package food labeling nor the "AI-generated vs. assisted" criterion succeeds, today, at informing whoever reads them well — the first because its nutritional criterion distorts more than it clarifies; the second because it simply has no quantifiable criterion to apply. Trying to expose "AI users" by copying the aesthetics of a system that has already shown its own limits protects no one: it multiplies misinformation instead of resolving it, and reinforces a separation between "genuine work" and "work with AI" that doesn't exist in practice. The question an AI label should answer isn't how much machine is in the text. It's whether someone, on the other side, verified it with judgment before signing off on it. That question isn't resolved by an octagon, well- or poorly-designed, nor by the anxiety of separating "mine" from "the AI's." It's resolved by normalizing that the tool was always there, in different degrees and under different names, and that the only thing that ever mattered — before and now — is what was done with what it produced.