GDC Difusión Científica · Proyectos Especiales
Dos caminos para el producto propio de integridad académica en América Latina
La Propuesta A sigue la línea documental del equipo: una plataforma formativa con cuatro motores. La Propuesta B profundiza en la autoría mediante estilometría y suma una red interuniversitaria de revisores.
Comparativa rápida
| Dimensión | A · Plataforma integral | B · Estilometría + integración social |
|---|---|---|
| Pregunta central | ¿De dónde viene el texto y qué debe aprender el estudiante? | ¿Es consistente con quien dice haberlo escrito? ¿Qué opina un revisor independiente? |
| Diferenciador | Formación, normalización (APA, Chicago, Vancouver…) y reporte unificado | Perfil de escritura longitudinal y red certificada de revisores ciegos |
| Similitud | Licenciada vía API (no se construye índice propio) | Licenciada vía API; la estilometría es propia |
| Veredicto | Viable si se construye lo diferencial y se licencia lo commodity | Viable como triage, no como veredicto; el reto es la precisión, no el cómputo |
| Mayor riesgo | Alcance amplio (62 secciones, 4 motores) y validez psicométrica | Falsos positivos de autoría y gobierno legal de la red |
| Equipo núcleo | ≈15.5 personas | ≈17.5 personas |
| Costo empresa del equipo, 30 meses | MXN 30–48.5 M | MXN 35–58 M |
| Nube a 1 M de estudiantes | USD 25–45 mil/mes | USD 30–55 mil/mes |
| Primer hito | Piloto en producción con el semestre de agosto 2027 | Go/no-go del motor en septiembre 2027 |
Las dos comparten ingesta, identidad, integración con LMS y celdas regionales. Pueden construirse sobre la misma base: A como producto de entrada y B como diferenciador de mayor valor.
Viabilidad frente a la competencia
¿Cuál de las dos propuestas nos da mayor ventaja competitiva?
Hoy el mercado compite por tamaño de base de datos y precisión de detección. Turnitin domina con un índice que no es replicable: más de 70 mil millones de páginas web, más de mil millones de trabajos estudiantiles y 185 millones de publicaciones. Compilatio (el producto que hoy comercializamos) y Copyleaks compiten en el mismo terreno, y los tres ya incluyen detección de IA. El terreno de la autoría también empezó a ocuparse: desde 2025, Turnitin Clarity y Grammarly Authorship registran el proceso de escritura del estudiante (borradores, texto pegado, tiempo activo).
Qué cubre cada uno
| Capacidad | Turnitin | Compilatio | Copyleaks | A · Plataforma integral | B · Estilometría + red |
|---|---|---|---|---|---|
| Índice de similitud propio | Sí, el mayor | Sí | Sí | Licenciado por API | Licenciado por API |
| Detección de IA | Sí | Sí | Sí | Señal vía proveedor | Señal vía proveedor + estilo |
| Autoría | Proceso de escritura (Clarity, complemento) | No | No | Perfil ligero (M2) | Estilometría longitudinal propia |
| Revisión humana independiente | No | No | No | No | Red interuniversitaria ciega |
| Normalización de citas y referencias | No | No | No | Sí (M3: APA, Chicago, Vancouver…) | No |
| Formación con rutas y reevaluación | Parcial (enfoque formativo) | Parcial (materiales de sensibilización) | Parcial (retroalimentación gramatical) | Sí (M4, Lectimus, Perfil Integral) | Cursos de certificación |
| Pedagogía regional (PISA, FARO, español) | No | No | No | Sí | Corpus en español |
Fuente: tabla comparativa del equipo; Turnitin Clarity según Plagiarism Today (2025). «Parcial» indica que el proveedor declara un enfoque formativo, pero no integra diagnóstico, rutas y reevaluación en un solo reporte.
Ventaja de cada propuesta
| Criterio | A · Plataforma integral | B · Estilometría + red |
|---|---|---|
| Espacio libre en el mercado | Alto Ningún competidor integra normalización, comprensión lectora y formación en un solo reporte. | Medio La autoría por proceso ya la ofrecen Turnitin y Grammarly; la red de revisores sí es un espacio vacío. |
| Dificultad de imitación | Media Un competidor grande podría ampliar su capa formativa, pero no con pedagogía regional en español a corto plazo. | Alta La red crece con cada revisor e institución (efecto de red) y el corpus en español académico es propio. |
| Tiempo a ingresos | Rápido Piloto en producción en agosto 2027. | Lento Primero debe pasar el go/no-go de septiembre 2027; ingresos desde 2028. |
| Aprovecha la cartera de Compilatio | Sí Las renovaciones (80 % de las operaciones de 2026) son un canal de migración natural. | En parte Requiere convencer a varias universidades de compartir revisores entre sí. |
| Riesgo técnico y legal | Medio Alcance amplio y validez psicométrica pendiente. | Alto Falsos positivos de autoría, clasificación laboral de revisores y datos entre países. |
| Costo del equipo a 30 meses | Menor MXN 30–48.5 M | Mayor MXN 35–58 M, más pago a revisores |
Recomendación
Mayor ventaja competitiva: A como producto de entrada, con la red de revisores de B como diferenciador en la fase 2
La Propuesta A ocupa un espacio que hoy nadie ocupa y puede venderse desde agosto de 2027 a la cartera existente. La Propuesta B por sí sola compite en el terreno donde Turnitin ya avanza (la autoría por proceso) y no genera ingresos antes del go/no-go. Su pieza más difícil de copiar, la red interuniversitaria de revisores, puede montarse sobre la base de A, porque ambas comparten plataforma.
- Para defender la ventaja: la normalización (M3) y la formación (M4) deben llegar en el MVP, no en fases tardías.
- Lo que no es ventaja: la similitud y la detección de IA son requisitos básicos (commodity); se licencian y no se compite por ellas.
- Riesgo a vigilar: los proveedores de similitud por API (Compilatio, Copyleaks) son también competidores; el adaptador intercambiable y el repositorio institucional propio reducen esa dependencia.
- Requisito para licitar: en la comparativa del equipo solo Turnitin acredita SOC 2 y WCAG; ALETHEIA debe incluirlos en su hoja de ruta para competir.
Este análisis es cualitativo. La viabilidad en cifras (precios de la competencia, disposición a pagar, punto de equilibrio y VPN) sigue pendiente, como se indica abajo.
Pendiente en ambas propuestas · Viabilidad de costos y disposición a pagar del mercado
El costo del equipo a 30 meses (MXN 30–58 M) ya supera la estimación de construcción de $12.05 M de la presentación a Dirección. Esta sección se completará antes de cualquier aprobación de presupuesto.
Propuesta A · Línea documental del equipo
ALETHEIA: plataforma integral de integridad, comprensión y conocimiento
Comprender · Analizar · Crear · Acreditar. Cuatro motores, un modelo pedagógico de cuatro capas y cinco perfiles con gobierno estricto.
Resumen y veredicto
Una plataforma formativa, no un detector más
4
motores: integridad, autoría, normalización y formación
5
perfiles: estudiante, docente, admin institucional, superadmin y contenidos
62
secciones de navegación entre los cinco perfiles
3
fases de producto en 30 meses
Veredicto
Viable si se construye lo que diferencia (formación, normalización, reporte unificado, gobierno) y se licencia lo commodity (el índice masivo de similitud). El análisis de Compilatio muestra VPN negativo para el producto 100 % propio en los tres escenarios.
Diagrama 1
Cómo funciona la solución
Azul: piezas donde se concentra la propiedad intelectual de GDC. Ninguna señal produce una sanción automática.
Arquitectura
Orquestador modular multi-tenant
Canales
Web app (5 perfiles) · LTI 1.3 (Moodle, Canvas, Blackboard, Brightspace) · SSO SAML/OIDC · API pública y webhooks
Identidad y gobierno
IAM · RBAC + ABAC por tenant, unidad y curso · acceso privilegiado puntual con MFA · políticas, consentimiento y retención
Servicios de dominio
Tenants · cursos y entregas · ingesta · orquestador · reporte unificado · rutas formativas · catálogo Lectimus · analítica · auditoría inmutable
Motores
M1 adaptador de similitud + repositorio institucional + Crossref/OpenAlex · M2 perfil ligero · M3 GROBID/AnyStyle + reglas CSL · M4 banco de ítems, rúbricas, TRI, LLM con RAG
Datos
PostgreSQL · object storage cifrado por tenant · OpenSearch (texto + vectores) · warehouse ClickHouse/BigQuery · Kafka/SQS · backups cross-region
IA y plataforma
LLM gateway sin retención · guardrails · Kubernetes (EKS/GKE) con autoescalado · observabilidad · CI/CD + Terraform
Diagrama 2
Infraestructura y recorrido de los datos
Infraestructura LATAM
Celdas regionales con residencia de datos
AWS México Central
Querétaro, operativa desde enero de 2025. México, Centroamérica y Caribe.
AWS Chile (Santiago)
Prevista para finales de 2026. CO, EC, PE, CL y AR; mientras abre, São Paulo o Google Cloud Santiago.
AWS São Paulo
Se abre con la versión en portugués. LGPD.
| Escenario | Estudiantes | Docs/año | Pico docs/s | Almac. nuevo/año | Nube USD/mes |
|---|---|---|---|---|---|
| Piloto (3–5 IES) | 50 mil | 400 mil | 0.2 | 0.1 TB | 4–8 mil |
| Regional (≈3 %) | 1 millón | 8 millones | 4.6 | 2 TB | 25–45 mil |
| Escala (≈10 %) | 3 millones | 24 millones | 13.7 | 6 TB | 60–110 mil |
Supuestos: 8 entregas por estudiante al año, pico de 5×, ≈250 KB por documento. No incluye la licencia de similitud ni los tokens de LLM (USD 0.01–0.03 por documento).
Plan por fases
Tres fases en 30 meses
F0 · Diseño
Recorte del MVP, contrato API de similitud, arquitectura y 2–3 universidades piloto firmadas.
F1 · MVP
Estudiante, docente y admin · reporte unificado · APA/Chicago/Vancouver · LTI Moodle + SSO · celda Norte.
F2 · Ampliación
Autoría · Lectimus · Perfil Integral · superadmin y contenidos · más estilos y LMS · celda Andina.
F3 · Calidad avanzada
Sustento semántico · TRI validada · repositorio federado · portugués y celda Brasil.
Riesgos
Riesgos y mitigación
| Riesgo | Mitigación |
|---|---|
| Dependencia del proveedor de similitud | Adaptador intercambiable, SLA y plan de salida, repositorio institucional propio. |
| Alcance que retrasa el lanzamiento | MVP con 3 perfiles y 2 motores fuertes; resto por módulos y feature flags. |
| Diagnósticos sin validez psicométrica | Solo indicadores validados; los demás como «beta formativa». |
| Falsos positivos de IA | Lenguaje no punitivo, revisión humana obligatoria, umbrales calibrados. |
| Costo de construcción frente al retorno | Licenciar lo commodity y rehacer el modelo financiero con esta arquitectura. |
Pendiente
Viabilidad de costos y disposición a pagar del mercado
Contendrá: tamaño de mercado (TAM/SAM/SOM), precios de referencia por estudiante de Turnitin, Compilatio y Copyleaks, encuestas de disposición a pagar a universidades piloto, modelo de precios, punto de equilibrio, VPN/TIR y análisis de sensibilidad.
Resumen del anexo
Equipo, cómputo y calendario
| Puesto | Personas | Bruto mensual MXN |
|---|---|---|
| Product manager | 1 | 70–110 mil |
| Arquitecto/a de software | 1 | 90–140 mil |
| Backend senior | 3 | 65–95 mil |
| Backend semi-senior | 1 | 40–60 mil |
| Frontend | 2 | 45–80 mil |
| Ingeniero/a NLP / ML | 1 | 70–120 mil |
| DevOps / SRE | 1 | 60–100 mil |
| QA / pruebas | 1 | 30–50 mil |
| UX/UI | 1 | 40–70 mil |
| Especialista en psicometría | 1 | 45–75 mil |
| Diseñador/a instruccional | 2 | 30–50 mil |
| Seguridad y cumplimiento (50 %) | 0.5 | 80–120 mil (t. completo) |
| Costo empresa (bruto × 1.35) | 15.5 | 1.12–1.80 M/mes |
Equipo de cómputo
16 laptops de 32 GB · 16 monitores 4K · 1 estación ML con GPU RTX 4090/5090 · kit de pruebas → MXN 1.0–1.35 M de compra única. Mensual: dev/staging USD 1.5–3 mil, SaaS USD 1–2 mil, LLM de pruebas USD 0.3–1 mil.
Costo del equipo humano a 30 meses
Rampa F0 40 %, F1 80 %, F2–F3 100 % → MXN 30–48.5 M. Supera la estimación de construcción de $12.05 M de la presentación a Dirección.
Calendario por trimestres
Propuesta B · Línea de trabajo propia
Estilometría de alta capacidad + red social de revisión académica
La máquina prioriza, la comunidad juzga y la plataforma forma.
Resumen y veredicto
Viable como triage, no como veredicto
≈0.97
ROC-AUC del mejor verificador en un benchmark multilingüe de 2026
4.8 %
tasa de error igual en textos extralargos (10.4 % en cortos)
≈2,150
revisores activos para 1 millón de estudiantes
1–4
GPU por región para el pico de 1–3 millones de estudiantes
Veredicto
El cómputo no es el cuello de botella: comparar una entrega contra el perfil de su autor es barato y lineal. Los retos son la precisión en textos cortos o de otro género, el arranque en frío y el gobierno legal de una red de revisores.
Diagrama 1
Cómo funciona la solución
Viabilidad algorítmica
Qué dice la evidencia
| Factor | Evidencia (AuthBench, 2026) | Implicación de diseño |
|---|---|---|
| Longitud | EER 10.4 % (corto) → 7.8 % (medio) → 6.0 % (largo) → 4.8 % (extralargo) | Analizar solo ≥1,000 palabras; abstenerse en textos menores |
| Género | Artículos de investigación, lo más fácil; reseñas, lo más difícil | Comparar dentro del mismo género y calibrar por disciplina |
| Idioma | Español en rango medio, comparable al francés | Ajustar con un corpus académico latinoamericano propio |
| Modelos | El mejor recuperador no es el mejor verificador; TF-IDF queda por debajo | Ensamble: rasgos clásicos + embeddings + proceso, calibrado |
Criterios go / no-go (septiembre 2027)
AUC ≥ 0.90 en español académico con ≥3 anclas · FPR ≤ 2 % · abstención ≤ 25 % · acuerdo entre revisores κ ≥ 0.6
Integración social
Red interuniversitaria de revisores
Revisor certificado
Curso base de integridad, paráfrasis y citación, y casos de calibración aprobados.
Revisor disciplinar
Especialidad por área y alto acuerdo con el consenso.
Árbitro
Tercer voto, apelaciones y mentoría.
Reglas
Doble ciego · asignación por disciplina, idioma y país distinto · ≈10 % de casos oro · SLA de 72 h · pago por revisión aprobada.
Economía unitaria (ilustrativa)
2.15 revisiones por caso. Con USD 4 por revisión, un caso cuesta ≈USD 8.60. Variable crítica: el % de entregas escaladas (3 % manejable, >10 % caro).
Diagrama 2
Infraestructura y recorrido de los datos
Infraestructura LATAM
Replicar por celdas regionales
Mismas celdas que la Propuesta A (México Central, Chile y São Paulo), cada una con su propio pool de GPU.
| Escenario | Estudiantes | Docs/año | Pico docs/s | GPU por celda | Casos a la red/año | Revisores activos | Nube USD/mes |
|---|---|---|---|---|---|---|---|
| Piloto | 50 mil | 400 mil | 0.2 | 1 (compartida) | 12 mil | ≈110 | 6–10 mil |
| Regional | 1 millón | 8 millones | 4.6 | 2 (N+1) | 240 mil | ≈2,150 | 30–55 mil |
| Escala | 3 millones | 24 millones | 13.7 | 3–4 | 720 mil | ≈6,450 | 70–130 mil |
No incluye pagos a revisores, licencia de similitud ni tokens de LLM.
Plan por fases
De la investigación al marketplace regional
F0 · Corpus y prueba
Convenios con 2–3 universidades, corpus con consentimiento (≈5,000 estudiantes × 4–6 textos), benchmark de GPU y marco legal.
F1 · Modo sombra
El motor corre sin mostrar resultados; red piloto de 50–100 revisores en 2 países; go/no-go en septiembre.
F2 · Activación
Triage visible, marketplace con pagos y niveles 1–3, en 3–5 países.
F3 · Escala
Clustering anti-ghostwriting, portugués, API para terceros, libros y cursos presenciales.
Riesgos
Riesgos y mitigación
| Riesgo | Mitigación |
|---|---|
| Falso positivo de autoría | Solo triage, abstención, doble revisión humana y apelación. |
| Calidad o colusión de revisores | Casos oro, reputación, rotación y país distinto obligatorio. |
| Reidentificación del estudiante | Anonimización con revisión, fragmentos en lugar del documento, NDA. |
| Clasificación laboral y fiscal | Esquema de contratista por país y plataforma de pagos regional. |
| Percepción de vigilancia | Consentimiento, transparencia, acceso del estudiante a su perfil, borrado verificable. |
| Dependencia del corpus inicial | Convenios en varios países; datos sintéticos solo para pruebas. |
Pendiente
Viabilidad de costos y disposición a pagar del mercado
Contendrá: TAM/SAM/SOM, precios de referencia por estudiante, disposición a pagar por triage y por revisión comunitaria, precio del paquete interuniversitario, pago por revisión, punto de equilibrio, VPN/TIR y sensibilidad al % de casos escalados.
Resumen del anexo
Equipo, cómputo y calendario
| Puesto | Personas | Bruto mensual MXN |
|---|---|---|
| Product manager | 1 | 70–110 mil |
| Arquitecto/a de software | 1 | 90–140 mil |
| Investigador/a NLP / estilometría | 3 | 80–130 mil |
| Ingeniero/a de datos | 1 | 55–90 mil |
| MLOps | 1 | 65–100 mil |
| Backend | 4 | 50–90 mil |
| Frontend / móvil | 2 | 45–80 mil |
| DevOps / SRE | 1 | 60–100 mil |
| Community manager / operación de red | 1 | 30–50 mil |
| Diseño de cursos de certificación | 1 | 30–50 mil |
| Legal y protección de datos (50 %) | 0.5 | 40–70 mil (t. completo) |
| Trust & safety | 1 | 35–55 mil |
| Costo empresa (bruto × 1.35) | 17.5 | 1.33–2.21 M/mes |
Equipo de cómputo
18 laptops de 32 GB · 18 monitores 4K · 2 estaciones ML con RTX 4090/5090 · kit móvil → MXN 1.22–1.67 M. Mensual: GPU en nube para entrenamiento USD 2–6 mil (F0–F2), dev/staging USD 2–4 mil, SaaS USD 1–2 mil.
Costo del equipo humano a 30 meses
Rampa F0 40 %, F1 80 %, F2–F3 100 % → MXN 35–58 M, más pagos variables a revisores.
Calendario por trimestres
Índice de conceptos