Contenido generado por IA en Europa 2026: adopción y detectabilidad

Conclusiones principales

• El 32,7 % de las personas de 16 a 74 años en la UE utilizó herramientas de IA generativa en los tres meses previos a la encuesta de 2025, y el 63,8 % de las de 16 a 24 años. Las tasas nacionales oscilan entre el 17,8 % (Rumanía) y el 56,3 % (Noruega).
• La proporción de empresas de la UE que utilizan IA para generar texto, voz o código pasó del 1,3 % en 2021 al 8,8 % en 2025. En 2025, primer año en que se midió, el 9,6 % utilizó IA para generar imágenes, vídeo o audio.
• En Francia, el 32,8 % de las personas de 12 años o más ha utilizado IA para crear imágenes, fotos o vídeos, y solo el 21,4 % de los usuarios de IA comprueba siempre sus resultados antes de utilizarlos (Baromètre du numérique 2025).
• La detección de archivos originales es fiable: el 95,6 % del texto de IA sin modificar, el 99,5 % de las imágenes de IA y el 95,2 % de los clips de vídeo de IA, en cada caso con una tasa baja de falsos positivos.
• La detección se debilita con la distribución. En imágenes se mantiene (96,2 % tras la compresión de WhatsApp e Instagram). En vídeo de IA sobre situaciones de crisis cae del 86,9 % al 55,9 % tras una sola recodificación.
• Las imágenes reales rara vez se clasifican erróneamente: el 1,0 % de 1319 clips reales de crisis se marcó como IA.

1. Introducción

El Reglamento de IA de la UE (AI Act) atribuye la obligación de marcar el audio, las imágenes, el vídeo y el texto sintéticos a los proveedores de modelos generativos (artículo 50, apartado 2), y la obligación de divulgar las ultrasuplantaciones (deepfakes) a quienes las publican (artículo 50, apartado 4). Ambas obligaciones son aplicables desde el 2 de agosto de 2026. El marcado funciona cuando el archivo marcado llega sin cambios a su público. En la práctica, el contenido se captura en pantalla, se recodifica, se recorta y se vuelve a publicar, y las marcas legibles por máquina se pierden a menudo por el camino.

Este informe sitúa dos cifras una junto a otra para cada medio: el grado de uso de la IA generativa, según las estadísticas oficiales, y la medida en que su resultado puede reconocerse a posteriori, según los benchmarks de detección. El objetivo es ofrecer a responsables políticos, plataformas y redacciones una imagen sobria de dónde la detección puede tener peso y dónde no.

2. Datos y métodos

2.1 Uso de la IA generativa

Particulares. Tabla de Eurostat isoc_ai_iaiu, procedente de la encuesta comunitaria sobre el uso de las TIC en los hogares y por los particulares, 2025. Recoge la proporción de personas de 16 a 74 años que utilizaron herramientas de IA generativa en los tres meses anteriores, por finalidad y grupo de edad. 2025 es el primer año en que se formularon estas preguntas, por lo que no existe una serie temporal anterior.

Empresas. Tabla de Eurostat isoc_eb_ai, empresas con diez o más empleados, todas las actividades salvo la agricultura, la minería y el sector financiero, de 2021 a 2025. Se utilizan tres indicadores: uso de al menos una tecnología de IA, uso de IA para generar lenguaje escrito o hablado o código, y uso de IA para generar imágenes, vídeo o audio (recogido por primera vez en 2025).

Francia. Baromètre du numérique 2025 (Arcep, Arcom, CGE, ANCT), publicado en data.gouv.fr: 4145 personas de 12 años o más, entrevistadas en línea y por teléfono. Se calcularon proporciones ponderadas a partir de los registros individuales con el factor de ponderación de la encuesta para tres preguntas: con qué frecuencia se utiliza la IA para redactar textos, con qué frecuencia para crear imágenes, fotos o vídeos, y si se comprueba el resultado de la IA antes de utilizarlo.

Luxemburgo. Tabla del STATEC Tecnologías de IA utilizadas en las empresas, publicada en data.public.lu, por actividad económica, de 2021 a 2024.

2.2 Detectabilidad

Se presentan los resultados de tres evaluaciones de los detectores de WasItAIGenerated, cada una realizada con datos con los que los modelos no se entrenaron:

• Texto (septiembre de 2026), detector tropa-3: 2572 textos, incluidos resultados de modelos de lenguaje actuales y de seis herramientas humanizadoras, puntuados por cinco detectores. Los resultados aquí corresponden a los 513 textos que puntuaron todos los detectores.
• Imágenes y vídeo (octubre de 2026): 469 imágenes de 19 generadores de imágenes actuales y 164 clips de 12 modelos de vídeo, frente a fotos y clips reales con licencia libre, cada uno también como copia de WhatsApp, de Instagram y reenviada. Los resultados proceden de la partición oculta del 40 %.
• Vídeo de situaciones de crisis (noviembre de 2026): 17 974 clips de RA-Bench, un benchmark público de vídeos de IA generados por nueve generadores a partir de 1830 clips reales de crisis, con un experimento de recodificación y 633 falsificaciones que engañaron a los cinco revisores humanos.

Las tasas de detección corresponden a la proporción de archivos de IA marcados con una tasa fija de falsos positivos en archivos reales o, cuando así se indica, con el umbral de producción. La metodología completa de cada benchmark se publica junto con él.

3. Resultados

3.1 Una de cada tres personas en Europa utiliza IA generativa

Eurostat isoc_ai_iaiu, 2025, últimos tres meses. Todos los países figuran en el CSV.

3.2 Las empresas ya generan más contenido multimedia que texto

Eurostat isoc_eb_ai, empresas con 10 o más empleados.

En 2025, algo más de empresas de la UE utilizaron IA para generar imágenes, vídeo o audio (9,6 %) que para generar texto (8,8 %). En Alemania la diferencia es mayor: 13,5 % frente a 9,0 %. Finlandia (21,6 %), Suecia (18,7 %) y Dinamarca (17,7 %) encabezan la generación de contenido multimedia. Para la cuestión de la detección, esto significa que el contenido sintético ya no es principalmente un fenómeno de consumo: una parte creciente procede de flujos de trabajo empresariales ordinarios, como el marketing.

3.3 Francia: un tercio crea imágenes o vídeos, pocos comprueban el resultado

Baromètre du numérique 2025, n = 4145, ponderado; cálculo propio a partir de los registros abiertos.

La encuesta francesa también preguntó a los usuarios de IA si comprueban lo que producen las herramientas antes de utilizarlo. El 21,4 % lo hace siempre y el 43,0 %, a menudo; el 29,1 % lo comprueba rara vez y el 6,6 %, nunca. Por tanto, más de un tercio de los usuarios transmite el resultado de la IA en gran medida sin comprobar, y es ahí donde el texto y las imágenes sintéticos entran en circulación sin que nadie los haya examinado de forma crítica. La cifra francesa de uso en general (48,3 %) es superior a la de Eurostat para Francia (37,5 %) porque las preguntas difieren: Eurostat pregunta por los últimos tres meses y por las edades de 16 a 74 años.

3.4 Luxemburgo: el uso de la IA depende en gran medida del sector

STATEC, empresas con 10 o más empleados, economía empresarial no financiera.

En información y comunicaciones, casi la mitad de las empresas luxemburguesas utilizó IA en 2024 y el 28,5 % generó texto o voz con ella, frente al 3,4 % en hostelería. El contenido sintético procede, por tanto, de forma desproporcionada de los sectores que producen la mayor parte del contenido publicado: medios de comunicación, software, consultoría y servicios de marketing.

3.5 Detectable en origen, mucho menos tras su difusión

En texto e imágenes, la detección se mantiene bien, incluso tras la compresión que aplican los servicios de mensajería. El texto reescrito por herramientas humanizadoras es el punto débil evidente (57,7 %). El vídeo de situaciones de crisis es el caso más difícil: una sola recodificación reduce la tasa de detección del 86,9 % al 55,9 %, y si además se reduce la resolución cae al 26 %. A modo de comparación, los siete detectores de investigación evaluados en el artículo de RA-Bench obtuvieron un AUC medio de entre 43,9 y 57,3 por generador en los clips originales, cercano al azar; nuestro detector alcanza de 92,9 a 100 en el mismo emparejamiento.

4. Discusión

El marcado y la detección se necesitan mutuamente. Algunos generadores ya firman su resultado: todos los clips de Seedance 2.0 examinados en RA-Bench contenían un manifiesto C2PA válido que los declaraba generados por IA. Estas credenciales acreditan el origen mientras el archivo no se modifique. La mayoría de los procesos de republicación las eliminan y, en ese mismo paso, la recodificación dificulta también la detección basada en píxeles. Ninguno de los dos enfoques cubre por sí solo la copia redistribuida.

Conservar los originales. Para verificadores de hechos, plataformas e investigadores, la medida más eficaz es obtener la copia más temprana disponible de un archivo. La detección en clips originales (86,9 %) es muy superior a la obtenida en las copias transformadas analizadas (del 26 % al 68 %), y las credenciales, cuando existen, solo se conservan allí.

Comunicar la incertidumbre en lugar de un sí o un no. Las puntuaciones próximas al umbral deben presentarse como «requiere revisión», no como contenido de autoría humana. En RA-Bench, un nivel de revisión entre puntuaciones de 0,5 y 0,8 eleva la proporción de clips de IA que reciben al menos una advertencia del 86,9 % al 94,2 %, mientras que los falsos positivos firmes se mantienen en el 1,0 %.

Medir de forma independiente. La calidad de la detección varía mucho entre herramientas y se degrada a medida que aparecen nuevos generadores. Los benchmarks públicos con puntuaciones brutas publicadas, como RA-Bench y los conjuntos utilizados aquí, son la base para verificar las afirmaciones de los proveedores, incluidas las nuestras.

Los detectores evaluados aquí están disponibles como detector gratuito de deepfakes y vídeos con IA, como comprobador de texto e imágenes con IA y como API de detección de deepfakes. Las cifras más amplias sobre contenido sintético se recopilan en nuestras estadísticas de deepfakes 2026.

5. Limitaciones y conflicto de intereses

• La empresa del autor desarrolla los detectores evaluados aquí. Dos de los tres benchmarks los ha elaborado WasItAIGenerated; RA-Bench se elaboró de forma independiente y nunca se utilizó para el entrenamiento.
• Las cifras de las encuestas son declaradas por los propios encuestados y abarcan a personas de 16 a 74 años y a empresas con diez o más empleados ajenas al sector financiero.
• El informe sitúa la adopción y la detectabilidad una junto a otra. No mide qué parte del contenido en circulación está generada por IA.
• La evaluación de RA-Bench abarca 17 974 de los 25 584 archivos descargables públicamente, seleccionados al azar y equilibrados entre generadores. Las cifras de detección de texto e imágenes proceden de muestras más pequeñas; véanse los tamaños de muestra indicados más arriba.

Disponibilidad de los datos

Todas las tablas de este informe, con todos los países de las tablas de Eurostat y todos los sectores de Luxemburgo, están disponibles como archivo CSV bajo CC BY 4.0. Datos de Eurostat © Unión Europea, reutilizados conforme a la política de derechos de autor y licencias de Eurostat; datos del STATEC bajo CC0. Las cifras francesas se derivan del Baromètre du numérique, publicado bajo la Open Database License, y por ello se publican por separado como archivo CSV bajo ODbL 1.0. Los benchmarks de detección están documentados en la página de investigación de WasItAIGenerated.

Cómo citar

Gerard, P. (2026). AI-generated content in Europe 2026: adoption and detectability [Contenido generado por IA en Europa 2026: adopción y detectabilidad]. Informe de datos de WasItAIGenerated, versión 1.0.https://doi.org/10.5281/zenodo.24145956

Copias archivadas: Zenodo · data.gouv.fr · data.public.lu

Referencias

1. Eurostat (2026). Individuals – use of generative AI tools (isoc_ai_iaiu). Actualizado el 5 de junio de 2026.
2. Eurostat (2026). Artificial intelligence by size class of enterprise (isoc_eb_ai). Actualizado el 15 de junio de 2026.
3. Arcep, Arcom, CGE, ANCT (2026). Baromètre du numérique, encuesta 2025 (datos abiertos, ODbL). data.gouv.fr, actualizado el 9 de febrero de 2026.
4. STATEC (2025). AI technologies in use in enterprises. data.public.lu, CC0.
5. Reglamento (UE) 2024/1689 (Reglamento de Inteligencia Artificial), artículo 50.
6. Autores de RA-Bench (2026). Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination. arXiv:2608.14391.
7. WasItAIGenerated (2026). Pangram vs GPTZero vs ZeroGPT vs tropa-3: AI detector benchmark, septiembre de 2026.
8. WasItAIGenerated (2026). AI image & video detector benchmark, octubre de 2026.
9. Coalition for Content Provenance and Authenticity. C2PA technical specification.