Tipo 1: caracteres Unicode de ancho cero
El tipo más frecuente en las aplicaciones web de IA actuales. Estos son puntos de código Unicode que no tienen glifos visibles y un ancho de avance cero: el cursor se mueve hacia la derecha exactamente cero píxeles. Sobreviven al copiar y pegar del navegador al documento sin ningún rastro visual. Los ejemplos comunes incluyen:
- U+200B — Espacio de ancho cero
- El carácter de marca de agua de IA más común. Insertado entre palabras o letras.
- U+200C — Sin unión de ancho cero
- Legítimo en texto árabe/farsi para suprimir ligaduras. Anómalo en documentos en escritura latina.
- U+200D — Carpintero de ancho cero
- Utilizado en secuencias de emoji. Presente en texto plano sin emoji, siempre es un artefacto.
- U+2060 — Unión de palabras
- Funcionalmente equivalente a un espacio sin interrupciones de ancho cero. A veces se sustituye por U+200B en modelos más nuevos.
- U+FEFF — Marca de orden de bytes
- La lista de materiales UTF-8. Legítima sólo al inicio de un expediente; La colocación a mitad del texto es siempre un artefacto de inserción.
Tipo 2: sustituciones de puntuación
Los modelos de IA se entrenan en corpus ricamente tipográficos y utilizan de forma predeterminada comillas rizadas ("inteligentes") y guiones en lugar de sus equivalentes ASCII. Si bien son Unicode válidos y no causan errores de codificación, están fuera de lugar en códigos, API, bases de datos y campos de CMS que requieren puntuación ASCII directa. Claude está particularmente asociado con la sustitución em-dash.
- U+2013 En guión / U+2014 Em guión
- Se utiliza en lugar de un simple guión ASCII. Un predictor confiable de la autoría de Claude y GPT-4 en conjuntos de entrenamiento de detectores.
- U+00AD — Guión suave
- Invisible en renderizado normal, visible en saltos de línea. Se utiliza como marcador posicional, no como guión real.
- U+2018–U+201D — Cotizaciones rizadas
- Consultas SQL, cadenas JSON y muchas herramientas CLI que requieren comillas rectas, pero tipográficamente correctas.
Tipo 3: espacios irrompibles y especiales
En el texto AI aparecen varios caracteres de espacio fuera de U+0020. Los espacios sin separación (U+00A0) evitan los saltos de línea y causan problemas de diseño en HTML responsivo. Aparecen espacios estrechos sin interrupción (U+202F) alrededor de cierta puntuación en los modelos locales franceses. Los espacios ideográficos (U+3000) aparecen en los resultados del modelo CJK mezclados con texto occidental. Todos son inofensivos semánticamente pero disruptivos en contextos estructurados.
Tipo 4: HTML y huellas digitales de atributos de datos
Cuando exporta o copia desde la interfaz web de ChatGPT, la carga útil del portapapeles incluye etiquetas HTML con atributos de datos propietarios: data-message-id, data-start, data-end y data-scroll-id. Estos atributos identifican de forma única la conversación y la posición de cada token dentro de ella. Pegar en un editor de texto enriquecido o CMS que acepte entrada HTML incorporará silenciosamente estas huellas digitales en el código fuente de su documento.
Tipo 5: marcas de agua de probabilidad de token estadístico
Implementadas a nivel de modelo, las marcas de agua estadísticas funcionan dividiendo el vocabulario del modelo en una "lista verde" y una "lista roja" en cada paso de generación. Los logits del modelo se desplazan para favorecer los tokens de la lista verde. El sesgo es lo suficientemente pequeño como para que la calidad de la producción no se vea afectada, pero en todo un documento el excedente de fichas verdes es estadísticamente detectable con un alto nivel de confianza. Google SynthID para texto utiliza este enfoque. Ningún escáner de caracteres puede detectar o eliminar estas marcas de agua.
Tipo 6: marcas de agua semánticas y resistentes a paráfrasis
Los prototipos de investigación incorporan marcas de agua eligiendo entre sinónimos o reestructuraciones de oraciones que preservan el significado pero contienen una parte oculta. Debido a que la marca de agua está en la semántica más que en la forma superficial, sobrevive a la paráfrasis. Estas marcas de agua aún no se implementan en productos de IA de consumo, pero son objeto de esfuerzos activos de estandarización en virtud de las disposiciones de transparencia de procedencia de la Ley de IA de la UE.