Los detectores de IA analizan patrones estadísticos del texto y los comparan con los patrones típicos de la escritura humana y de la escritura generada por máquinas. La mayoría combina medidas de previsibilidad (lo esperable que es cada palabra) con un clasificador entrenado con grandes conjuntos de ejemplos etiquetados. El resultado es una probabilidad de que el texto, o algunas de sus oraciones, se parezca a la escritura generada por IA, no una prueba de quién lo escribió.
Ese resumen esconde muchos detalles interesantes. Entenderlos te ayudará a leer los resultados de un detector con la dosis justa de confianza.
La idea central: el texto de IA es previsible
Los modelos de lenguaje escriben eligiendo palabras de una en una. En cada paso, el modelo estima qué palabra es más probable que venga después y normalmente elige una de las primeras candidatas. Eso hace que el texto sea fluido, pero también estadísticamente "seguro".
Las personas somos menos constantes. Usamos palabras raras, bromas internas, comentarios repentinos y frases que se van por las ramas. También cometemos errores. Esas manías dejan huellas en las estadísticas de lo que escribimos.
Los detectores de IA intentan medir esa diferencia. En el fondo se preguntan: "¿Cuánto se parece este texto a lo que produciría de forma natural un modelo de lenguaje?".
Señal 1: la perplejidad
La perplejidad es una medida de sorpresa. Toma una oración y pásasela, palabra por palabra, a un modelo de lenguaje. En cada paso, el modelo predice la siguiente palabra. Si la palabra real es la que esperaba, la sorpresa es baja. Si es inusual, la sorpresa es alta.
- Perplejidad baja: el texto está lleno de elecciones previsibles. Ejemplo: "The weather today is sunny and warm." (Hoy hace un día soleado y cálido).
- Perplejidad alta: el texto contiene elecciones inesperadas. Ejemplo: "The weather today is sulking like a teenager." (Hoy el tiempo está enfurruñado como un adolescente).
El texto generado por IA suele tener una perplejidad baja porque el modelo que lo produjo prefirió palabras probables. Pero mucha escritura humana también tiene perplejidad baja: instrucciones, definiciones, lenguaje jurídico y frases sencillas de escritores cuidadosos. Ese solapamiento es una de las principales causas de falsos positivos.
Señal 2: la variabilidad (burstiness)
La variabilidad mira los cambios a lo largo de un pasaje, no dentro de una sola oración. Las personas solemos escribir a ráfagas: una oración larga y sinuosa seguida de una corta. Luego, quizá, un fragmento. Los modelos de IA suelen producir oraciones de longitud y estructura parecidas, una tras otra.
Los detectores miden cuánto fluctúan la longitud de las oraciones, su complejidad y su perplejidad a lo largo de un texto. Un texto muy uniforme empuja la puntuación hacia la IA. Un texto muy variado la empuja hacia lo humano.
De nuevo, es una tendencia, no una regla. Un estudiante que redacta un informe de laboratorio estructurado escribirá oraciones uniformes y constantes a propósito.
Señal 3: clasificadores entrenados
Los detectores modernos casi nunca se basan solo en fórmulas simples. La mayoría usa un clasificador, es decir, un modelo de aprendizaje automático entrenado para distinguir entre dos categorías.
El entrenamiento es, más o menos, así:
- Reunir ejemplos. Se recopilan grandes cantidades de texto que se sabe que escribieron personas (ensayos, artículos, mensajes en foros) y texto generado por distintos modelos de IA.
- Etiquetarlos. Cada ejemplo se marca como humano o IA.
- Entrenar el modelo. El clasificador aprende qué rasgos, a menudo miles de rasgos sutiles, distinguen a los dos grupos.
- Probar y calibrar. Los desarrolladores comprueban el rendimiento con ejemplos que el modelo no ha visto y fijan umbrales para lo que cuenta como "probablemente IA".
El clasificador puede usar la perplejidad y la variabilidad como datos de entrada, junto con patrones de vocabulario, hábitos de puntuación y rasgos que a ninguna persona se le ocurriría nombrar.
Detector de IAPuntuación de IA frase por fraseSeñal 4: patrones de vocabulario y expresión
Los modelos de lenguaje tienen palabras y expresiones favoritas. Ciertas transiciones, sustantivos abstractos y afirmaciones grandilocuentes aparecen más en los textos de IA que en la escritura humana típica. Los detectores pueden aprender esas preferencias.
Por eso las expresiones que suenan a IA debilitan cualquier texto. Un párrafo que se apoya en palabras vagas y con aire importante dice menos que uno construido con datos concretos, lo haya escrito quien lo haya escrito.
De las oraciones a la puntuación del documento
Muchos detectores, incluido el de ZeroTell, puntúan el texto oración por oración y luego combinan esos resultados en una cifra para todo el documento. Este enfoque tiene dos ventajas:
- Transparencia. Puedes ver qué oraciones subieron la puntuación.
- Documentos mixtos. Si solo una sección se generó con IA, la puntuación por oraciones puede mostrarlo en lugar de mezclarlo todo en una sola cifra.
La forma de combinar las puntuaciones de las oraciones cambia según la herramienta. Algunas hacen la media, otras dan más peso a las oraciones largas y otras aplican lógica adicional a los grupos de oraciones marcadas. Esa es una de las razones por las que distintos detectores pueden dar cifras distintas para el mismo texto.
Por qué se equivocan los detectores
Cada paso anterior implica estimaciones, así que los errores vienen de serie.
| Fuente de error | Qué ocurre |
|---|---|
| Texto corto | Muy pocos datos para obtener estadísticas estables |
| Géneros muy formulaicos | La escritura humana parece previsible |
| Escritura en una segunda lengua | El vocabulario más sencillo se parece a los patrones de la IA |
| Edición a fondo | El texto de IA reelaborado por una persona pierde sus huellas |
| Modelos nuevos | El clasificador ha visto pocos ejemplos de su estilo |
| Lagunas en el entrenamiento | Géneros o temas poco representados en los datos de entrenamiento |
También hay un equilibrio inevitable. Si el umbral es bajo, la herramienta detecta más texto de IA pero marca a más personas. Si es alto, protege a las personas pero se le escapa más IA. Ningún ajuste elimina los dos tipos de error. Para profundizar, consulta qué tan precisos son los detectores de IA.
Lo que los detectores no hacen
Es fácil imaginar que los detectores son más potentes de lo que son. No hacen esto:
- Buscar en internet la conversación "original" con la IA
- Acceder a los registros del chatbot o al historial de tu cuenta
- Saber nada sobre quien escribe, la tarea o el proceso de redacción
- Demostrar intención o mala conducta
Solo miran el texto que tienen delante. Por eso el criterio humano, los borradores y la conversación siguen siendo imprescindibles.
Un ejemplo práctico
Piensa en dos pasajes cortos sobre el mismo tema. El primero es una respuesta típica de un chatbot: "Regular exercise offers numerous benefits for both physical and mental health. It can improve cardiovascular fitness and reduce stress levels." (El ejercicio regular ofrece numerosos beneficios para la salud física y mental. Puede mejorar la forma cardiovascular y reducir los niveles de estrés). El segundo es de una persona: "I started running to fix my knees. What it actually fixed was my sleep, which surprised my doctor more than me." (Empecé a correr para arreglarme las rodillas. Lo que de verdad arregló fue mi sueño, cosa que sorprendió más a mi médico que a mí).
Lo más probable es que un detector puntúe el primero como más parecido a la IA. Cada palabra es muy previsible, las oraciones tienen una longitud similar y el vocabulario es genérico. El segundo tiene un enfoque personal, un giro inesperado y un ritmo irregular. Pero fíjate en que una persona también podría haber escrito el primer pasaje, por ejemplo en un folleto de salud. El detector ve patrones, no personas.
En qué se diferencian los detectores de plagio
Mucha gente confunde los detectores de IA con los detectores de plagio. Un detector de plagio compara tu texto con una base de datos de fuentes existentes para encontrar pasajes coincidentes. Un detector de IA busca patrones estadísticos sin compararlo con ninguna fuente concreta. El texto escrito con IA suele ser "original" en el sentido del plagio, así que puede que un detector de plagio no lo marque en absoluto. Nuestra guía sobre cómo funcionan los detectores de plagio explica la otra cara.
Cómo aprovechar lo que sabes
Si escribes, la lección no es manipular las estadísticas. Es que un texto vago, uniforme y lleno de frases hechas es un texto más flojo. Los ejemplos concretos, las opiniones sinceras y la variación natural hacen que tu trabajo se lea mejor y sea más claramente tuyo.
Si revisas textos, la lección es leer lo que se resalta, tener en cuenta el género y a quien escribe, y tratar la puntuación como una prueba más entre otras.
Puntos clave
- Los detectores estiman cuánto se parece un texto a los patrones de escritura de la IA.
- Las señales habituales son la perplejidad (previsibilidad), la variabilidad (burstiness), los hábitos de vocabulario y los clasificadores entrenados.
- La puntuación por oraciones muestra qué partes determinaron el resultado.
- Los errores vienen del texto corto, los géneros formulaicos, la escritura en una segunda lengua, la edición y los modelos nuevos.
- El resultado de un detector es una probabilidad, nunca una prueba de autoría.