Un detector de IA intenta clasificar un texto mediante señales aprendidas o reglas. Algunos métodos estudian la perplejidad y la variación del lenguaje; otros emplean clasificadores entrenados. No todos usan las mismas métricas. Sus resultados dependen del sistema y de la muestra, y no prueban por sí solos quién escribió el documento.
Qué son la perplejidad y la burstiness
La perplejidad es una métrica que mide cuánta "sorpresa" hay en cada palabra. Imagina que estás leyendo un texto y prediciendo la siguiente palabra. Si aciertas fácilmente porque todo es predecible, la perplejidad es baja. Si te sorprende constantemente porque el autor elige palabras inesperadas, la perplejidad es alta.
La perplejidad depende del modelo que evalúa el texto y del contexto. Una redacción predecible puede ser humana; un modelo generativo también puede producir variación. Por eso no sirve una regla universal como «perplejidad baja equivale a IA».
La burstiness describe la variación o concentración de ciertos patrones a lo largo de una secuencia. En divulgación sobre detección se usa para hablar de diferencias entre frases y fragmentos. No es una firma exclusiva de la escritura humana ni una medida universal compartida por todos los detectores.
Como ejemplo didáctico, «El gato saltó por la ventana» puede resultar más predecible que una metáfora inesperada. Ambas frases podrían escribirlas tanto una persona como un modelo; el ejemplo ilustra el concepto, no una prueba de detección.
Cómo los detectores miden estas métricas
Algunos métodos de detección analizan secuencias de texto y calculan, para cada palabra, cuál es la probabilidad que un modelo de lenguaje le asignaría. Si la probabilidad es muy alta (palabra muy predecible), contribuye a una perplejidad baja. Luego observan cómo varía esa perplejidad entre frases y párrafos.
Algunos detectores utilizan modelos de lenguaje específicamente entrenados como "clasificadores". Se les da ejemplos masivos de texto humano y texto generado por IA, y aprenden a encontrar diferencias más sutiles que solo la perplejidad. Otros utilizan enfoques estadísticos puros, sin redes neuronales.
El problema: estos detectores se entrenan con textos generados por un modelo específico (ChatGPT, Claude, Gemini, etc.). Si el texto viene de un modelo diferente, o si ha sido editado después, el detector pierde precisión. Es como entrenar a un perro a identificar el olor de un criminal específico y luego esperar que reconozca a todos los criminales del mundo.
Por qué fallan y dan falsos positivos
Los detectores fallan por varias razones fundamentales.
Primero, la diferencia entre humano e IA se reduce cada día. Conforme los modelos mejoran, generan texto más variable, más impredecible, más similar al humano. Un texto generado por el modelo más avanzado de hoy es más "humano" que el de hace dos años.
Segundo, los humanos escribimos de muchas formas. Un ingeniero técnico escribe de manera muy diferente a un novelista. Un adolescente en redes sociales escribe diferente a un abogado. El detector entrenado con un corpus general puede confundir escritura consistente o formal de un humano con escritura de IA.
Tercero, la edición cambia la entrada que evalúa el sistema. El efecto depende del detector, las modificaciones y el documento. Reescribir no garantiza un resultado humano ni permite deducir una tasa de evasión.
Cuarto, las versiones y los contextos de uso cambian. Un resultado medido con un corpus concreto no se traslada automáticamente a otro modelo, idioma o género.
Por eso los falsos positivos son tan comunes. Un informe técnico bien estructurado, un email formal, un resumen académico redactado por un humano que se esfuerza por ser claro y preciso... puede obtener una puntuación alta de "probable IA" simplemente porque prioriza la claridad sobre la variabilidad.
Qué modelos intentan detectar los detectores
Cada proveedor define los modelos, idiomas y formatos que admite. Consulta su documentación y la fecha de la evaluación; no supongas que un resultado antiguo cubre todos los lanzamientos actuales.
En Suena Humano el análisis de marcas no identifica modelos: aplica reglas de estilo en español. No calcula probabilidad de autoría ni consulta un corpus de plagio.
La honestidad sobre la fiabilidad
La fiabilidad de los detectores debe evaluarse con datos de procedencia conocida. Aquí no hemos medido una tasa de acierto general ni existe un porcentaje único que se pueda aplicar a cualquier servicio y documento.
Si un servicio muestra «87%», consulta su definición: puede ser una proporción de fragmentos señalados, una salida del clasificador u otra medida. No interpretes automáticamente ese número como una probabilidad calibrada de autoría.
Cuándo los detectores funcionan mejor (y cuándo fallan)
Los detectores funcionan relativamente bien cuando:
- El documento cumple los requisitos de longitud y formato del servicio.
- El texto es genérico y no requiere conocimiento específico. Un resumen de Wikipedia generado por IA es más reconocible.
- El texto es completamente generado sin edición manual posterior.
- Es uno de los modelos grandes entrenados en el detector.
Fallan especialmente con:
- Textos cortos que no cumplen los requisitos mínimos del servicio; consulta su documentación.
- Textos altamente especializados (papers científicos, código, poesía). El detector no tiene baseline humano comparable.
- Cualquier texto que haya sido editado, aunque sea parcialmente.
- Escritura de humanos que naturalmente es muy consistente o formal.
Qué significa esto para ti
Si estás preocupado por si tu texto ha sido generado por IA, la respuesta es simple: un detector nunca debería ser la única prueba. Es contexto. Si alguien te acusa de usar IA basándose solo en un detector, especialmente sin revisar el texto manualmente, esa acusación es débil.
Si utilizaste IA, respeta las condiciones de tu institución o editor y declara su uso cuando corresponda. Un resultado de un detector no sustituye esas obligaciones.
El enfoque correcto es editar y humanizar el contenido generado. Cómo humanizar un texto de IA consiste en darle voz propia, hacerlo genuino, añadirle perspectiva y ejemplos que solo tú puedes aportar.
Si necesitas verificar si un texto tiene características de IA, prueba con detector de IA gratis pero tómalo como información complementaria, no como veredicto final.
Preguntas frecuentes
¿Puede un detector detectar texto 100% humanizado? No existe una respuesta general. Un sistema puede señalar texto editado o dejarlo pasar; la reescritura no garantiza el resultado.
¿Detectan todos los detectores lo mismo? No. Cada uno utiliza algoritmos diferentes, modelos de entrenamiento diferentes y conjuntos de datos diferentes. Un texto puede ser "IA" en un detector y "humano" en otro. Es común ver resultados contradictorios.
¿Sirven los detectores para académicos? Con mucho cuidado. Una universidad que condena a un estudiante basándose solo en un detector sin análisis manual está cometiendo un error. Los falsos positivos son demasiado comunes y las consecuencias demasiado graves.
¿Qué pasa con el texto generado por GPT-5 o modelos futuros? No se puede asumir su rendimiento. Hay que consultar la versión del detector y evaluarlo con ejemplos relevantes del modelo y del idioma que te interesen.
¿Debo usar un detector para saber si mi contenido parece IA? Es útil como indicador, pero no como sentencia. Mejor estrategia: edita tu contenido, añade ejemplos personales, reescribe secciones con tu voz, verifica que realmente transmita lo que querías decir. Ese proceso natural de humanización es más confiable que cualquier detector.