Los sistemas actuales de detección de IA a menudo tienen dificultades para distinguir entre el texto escrito por humanos en árabe (HWT) y el texto generado por IA (AIGT) debido a las pequeñas marcas presentes por encima y por debajo del texto árabe, llamadas diacríticos. Este estudio presenta modelos robustos de detección de texto árabe utilizando modelos preentrenados basados en Transformer, específicamente AraELECTRA, AraBERT, XLM-R y mBERT. Nuestro objetivo principal es detectar AIGTs en ensayos y superar los desafíos que plantean los diacríticos que suelen aparecer en textos religiosos árabes. Creamos varios conjuntos de datos novedosos con textos diacríticos y no diacríticos que comprenden hasta 9666 ejemplos de entrenamiento de HWT y AIGT. Nuestro objetivo era evaluar la robustez y efectividad de los modelos de detección en conjuntos de datos fuera de dominio (OOD) para evaluar su capacidad de generalización. Nuestros modelos de detección entrenados en ejemplos diacríticos lograron hasta un 98.4% de precisión en comparación con el 62.7% de GPTZero en el conjunto de datos de referencia AIRABIC. Nuestros experimentos revelan que, si bien incluir diacríticos en el entrenamiento mejora el reconocimiento de los HWT diacríticos, duplicar ejemplos con y sin diacríticos es ineficiente a pesar de la alta precisión lograda. Aplicar un filtro de desdiacritización durante la evaluación mejoró significativamente el rendimiento del modelo, logrando un rendimiento óptimo en comparación con GPTZero y los modelos de detección entrenados en ejemplos diacríticos pero evaluados sin desdiacritización. Aunque nuestro enfoque se centró en el árabe debido a sus desafíos de escritura, nuestra arquitectura de detector es adaptable a cualquier idioma.