Cómo funcionan los detectores de texto con IA y por qué varían los resultados

Un detector de texto de IA es un clasificador. Examina un fragmento y devuelve una probabilidad, una etiqueta o una puntuación de confianza que agrupa el texto con patrones que asocia con contenido generado por máquinas, escrito por personas o situado en una zona intermedia incierta.

Los detectores no consultan un registro oculto de autoría. No pueden saber directamente si una persona, un modelo de IA o ambos contribuyeron a un borrador. Tampoco comparten una única arquitectura. Algunos dependen más de características estadísticas del lenguaje, otros emplean clasificadores entrenados y algunos pueden incorporar señales adicionales cuando están disponibles.

Considera la puntuación de un detector como la estimación de un sistema en un momento concreto, no como un veredicto sobre quién escribió el trabajo.

Algunos detectores pueden analizar combinaciones de previsibilidad de tokens, patrones de frases y párrafos, distribución del vocabulario, repeticiones, sintaxis y características estilométricas. Otros utilizan clasificadores específicos de un modelo, entrenados con ejemplos etiquetados de escritura humana y generada por máquinas.

Cuando un modelo generador admite marcas de agua, algunos sistemas de detección pueden buscar esas señales. Estos métodos no son universales y las técnicas de marca de agua siguen evolucionando. Los metadatos solo son relevantes cuando un sistema concreto tiene acceso a ellos.

Las explicaciones más antiguas suelen destacar la perplejidad, es decir, lo predecible que resulta la siguiente palabra, y la variación en la estructura de las frases. Estas ideas pueden ayudar a los principiantes a entender el concepto general, pero no describen por completo los detectores modernos. Basarse únicamente en una o dos métricas simplificadas ofrece una visión exageradamente limitada del funcionamiento de las herramientas actuales.

Las puntuaciones pueden cambiar aunque el autor no cambie. Entre las razones habituales se encuentran los distintos conjuntos de datos de entrenamiento, los diferentes umbrales de decisión, los textos breves que ofrecen señales débiles, los efectos del ámbito y el género, la edición intensa, la autoría combinada entre personas e IA, las diferencias de idioma y dialecto, y las actualizaciones del modelo de escritura o del detector.

Los géneros muy formulaicos, como los informes basados en plantillas, los textos técnicos muy editados o los fragmentos con citas largas, también pueden parecer inusuales para un clasificador entrenado con otros tipos de prosa. Esta es otra razón por la que dos herramientas pueden discrepar sobre un mismo documento.

Ejemplo ilustrativo, no una puntuación medida: imagina un párrafo breve y pulido sobre la comunicación en el trabajo. El detector A puede clasificarlo como probablemente generado por IA.

El detector B puede devolver un resultado incierto o inclinado hacia la autoría humana. La diferencia entre modelos, umbrales y datos de entrenamiento puede producir esa división sin que ninguna herramienta conozca al verdadero autor.

Un falso positivo es un texto escrito por una persona que se clasifica como generado por IA. Un falso negativo es un texto generado por IA que se clasifica como escrito por una persona. Ambos son importantes, especialmente cuando una puntuación se utiliza en una revisión académica o laboral.

La investigación de Liang y sus colaboradores descubrió que varios detectores de GPT clasificaban erróneamente como generados por IA una gran proporción de ensayos TOEFL escritos por personas no nativas en inglés, mientras clasificaban casi a la perfección un conjunto de ensayos de estudiantes angloparlantes nativos. La misma línea de investigación también mostró que el comportamiento de los detectores puede cambiar cuando se simplifica o enriquece el vocabulario. Estos resultados justifican la cautela: la escritura pulida, formulaica, muy editada, técnica o realizada en una segunda lengua puede clasificarse de forma inconsistente.

El clasificador público de texto de IA de OpenAI ilustró el problema de precisión desde otra perspectiva. En sus evaluaciones, solo identificó correctamente como probablemente escritos por IA alrededor del 26 % de los textos de prueba escritos por IA y clasificó erróneamente textos humanos como generados por IA cerca del 9 % de las veces. OpenAI retiró posteriormente el clasificador debido a su baja precisión.

No. La puntuación de un detector no demuestra quién escribió el texto.

Como mucho, una puntuación puede ser una señal dentro de una revisión más amplia. Las pruebas más sólidas suelen proceder de los borradores, el historial de revisiones, las fuentes, las notas, las citas y la capacidad del autor para explicar el trabajo. Las instituciones educativas y las empresas que investiguen el uso de IA deben seguir sus propios procedimientos en lugar de considerar un único porcentaje como una conclusión.

Esta guía tiene fines educativos. No constituye asesoramiento jurídico ni define políticas institucionales.

No. Ningún método de reescritura ni ningún Humanizer puede garantizar cómo clasificará un detector un fragmento. Cada detector se comporta de forma distinta y sus sistemas pueden cambiar con el tiempo.

La edición puede cambiar la forma en que se lee un fragmento. También puede modificar la respuesta de un detector concreto en un momento determinado. Eso no garantiza una clasificación como texto humano ni una puntuación que se mantenga entre distintas herramientas.

Céntrate en la calidad para el lector, no en las puntuaciones de los detectores.

Verifica los datos. Elimina el relleno. Aclara la idea principal. Añade ejemplos o experiencias reales. Sustituye las afirmaciones genéricas por detalles respaldados.

Mejora las transiciones. Varía la longitud de las frases solo cuando facilite la lectura. Conserva un vocabulario y un tono que correspondan a la persona que realmente escribe. Cita las fuentes. Declara la ayuda de la IA cuando sea obligatorio.

Respeta siempre las políticas sobre uso y declaración de IA de tu institución educativa, empresa, editorial, cliente o plataforma.

Para profundizar en la redacción de prompts, consulta Cómo escribir mejores prompts de IA (con ejemplos).

Ejemplo de mejora de la calidad de escritura:

Antes: Es importante señalar que la comunicación eficaz es fundamental en muchos casos. Además, los equipos pueden utilizar mensajes claros para mantenerse coordinados y obtener mejores resultados en toda la organización.

Después: La comunicación clara importa en el trabajo. Cuando los equipos expresan lo que necesitan con palabras sencillas, las personas pierden menos tiempo haciendo suposiciones y los proyectos avanzan con menos sorpresas.

La versión revisada es más clara y menos repetitiva. No afirma cómo puntuaría el texto ningún detector.

El GetBetterPrompts Humanizer es una herramienta para mejorar la calidad de la escritura. Reduce las expresiones repetitivas, elimina el relleno, mejora la fluidez y suaviza las formulaciones propias de los chatbots mientras intenta conservar el significado. El resultado sigue siendo un borrador que debes revisar, verificar y adaptar a tu propia voz.

El Humanizer es una herramienta de mejora de la escritura, no una garantía sobre el resultado de ningún detector. No promete que un detector vaya a clasificar el texto resultante como escrito por una persona.

Las recomendaciones institucionales advierten cada vez más contra el uso de los resultados de los detectores como pruebas independientes. Por ejemplo, el sitio Teaching Support de la Universidad de Minnesota indica que las herramientas de detección de IA generativa no pueden demostrar la autoría de una IA y que la universidad no recomienda estas herramientas de forma centralizada.

Una práctica responsable suele implicar no depender de una única puntuación, permitir una revisión humana, ofrecer la oportunidad de explicar el trabajo, examinar los borradores y las fuentes, distinguir entre la ayuda de IA autorizada y los usos prohibidos, y publicar políticas claras sobre el uso de IA.

Esta sección no constituye asesoramiento institucional, jurídico ni disciplinario. Se aplica la política local.

Los detectores de IA estiman patrones, pero no demuestran quién escribió un texto. Interpreta sus resultados con cautela, revisa el escrito y las pruebas disponibles, y céntrate en la precisión, la claridad, la transparencia y el cumplimiento de la política correspondiente.