La carrera armamentística de los detectores de IA es un bucle: los generadores cambian la forma en que se produce el texto, los detectores se reentrenan con esa salida, los generadores se adaptan de nuevo. Ninguna puntuación única sobrevive a ese bucle, porque cada puntuación describe un blanco móvil. La respuesta práctica es tratar la salida del detector como una señal débil entre varias, leerla a nivel de oración y decidir qué hacer a continuación en lugar de tratar un número como un veredicto.
¿Por qué los detectores y los generadores siguen superándose mutuamente?
Ambos bandos optimizan contra el último movimiento del otro.
El objetivo de un generador es un texto fluido y útil. El objetivo de un detector es separar ese texto de la escritura humana. Cuando se lanza un nuevo modelo, los detectores pierden terreno hasta que recopilan suficiente de su salida para reentrenarse. Cuando los detectores se reentrenan, la siguiente versión del modelo tiende a pulir los hábitos más fáciles de detectar: las estructuras de oraciones repetidas, el ritmo demasiado uniforme, las palabras de conexión predecibles.
Esto no es sabotaje por ninguna de las partes. Es lo que ocurre cuando dos productos comparten una misma medición. Los detectores se entrenan con muestras de la salida del modelo; los modelos se ajustan con retroalimentación humana que recompensa una prosa fluida y genérica. La prosa fluida y genérica es exactamente lo que un detector aprende a reconocer. Así, las mejoras del generador y las señales del detector se persiguen mutuamente en el mismo círculo.
Hay una segunda razón por la que el bucle nunca se cierra. La detección es estadística. Un detector no lee tu intención, tus fuentes ni tu proceso. Compara tu texto con patrones que ha visto antes y devuelve una probabilidad. Esa probabilidad cambia cuando cambian los datos de entrenamiento, incluso si tu escritura no ha cambiado en absoluto. Un borrador que obtuvo una puntuación de cierta manera el trimestre pasado puede obtener una puntuación diferente este trimestre sin que se haya editado ni una sola palabra.
Nuestro propio instrumento muestra cuán ruidoso se vuelve esto. El 2026-09-28 puntuamos dos corpus con el detector DeAIze (conjunto local, nivel lite) con un umbral de marcado del 30%. Una muestra escrita por humanos de 709 guías DeAIze escritas a mano tuvo una puntuación media de IA del 26% y una mediana del 25%, con un rango de 0-69%; 239 de esas 709 fueron marcadas en ese umbral. La salida del modelo sin editar, 12 pasajes generados a partir de indicaciones fijas y no editados, tuvo una media del 33% y una mediana del 34%, rango 4-46%.
Léalo de nuevo, porque es todo el artículo en un párrafo. Las dos distribuciones se superponen en gran medida. Una gran parte de la escritura genuinamente humana se sitúa dentro del rango donde también vive la salida del modelo sin editar. Eso no es un detector averiado. Es lo que parece una estimación de probabilidad sobre prosa breve, formal y editada.
¿Qué significa eso si dependes de una sola puntuación?
Significa que un solo número no puede soportar la decisión que le estás pidiendo que soporte.
Si eres estudiante, profesor, editor, gerente de contratación o freelancer, la tentación es ejecutar una herramienta, leer un porcentaje y actuar. Ese movimiento falla en ambas direcciones.
Los falsos positivos ocurren cuando la escritura humana obtiene puntuaciones altas. El registro formal, la edición intensa, la traducción, la fraseología no nativa y las muestras cortas elevan las puntuaciones. Una propuesta de subvención escrita en un inglés institucional ajustado puede parecer estadísticamente similar a la salida del modelo, porque ambas son prosa de baja varianza y alta consistencia.
Los falsos negativos ocurren cuando la salida del modelo es baja. Un pasaje que ha sido ligeramente reescrito, o que simplemente obtuvo una probabilidad baja de este modelo en particular en este día en particular, puede pasar. La ausencia de una marca no es evidencia de autoría, del mismo modo que la presencia de una tampoco lo es.
Ambos errores son el mismo error visto desde lados opuestos: le estás pidiendo a una probabilidad que haga el trabajo de un hecho.
Si quieres ver cómo la puntuación a nivel de oración cambia el panorama, nuestra guía sobre cómo funciona la detección de IA recorre las señales, y el centro de detectores de IA explica qué mide realmente cada parte de un informe. Ninguno de los dos te pide que confíes en un solo número.
¿Por qué dos detectores no coinciden sobre el mismo borrador?
Porque no están midiendo lo mismo, incluso cuando usan las mismas palabras.
| Qué difiere | Por qué cambia la puntuación | Qué puedes hacer |
|---|---|---|
| Datos de entrenamiento | Cada herramienta aprendió de muestras diferentes de salida de modelo y escritura humana | Ejecuta más de una herramienta antes de sacar una conclusión |
| Granularidad | Una puntuación de documento oculta qué líneas llevaban la señal; las puntuaciones por oración las muestran | Prefiere herramientas que resalten por oración |
| Umbral | Una marca en un umbral bajo y una marca en un umbral alto significan cosas diferentes | Pregunta qué umbral produjo la marca |
| Longitud de la muestra | Los pasajes cortos le dan al detector menos con qué trabajar | Juzga el texto corto con cautela |
| Idioma y registro | El texto no inglés y el texto traducido se comportan de manera diferente | Comprueba la cobertura de idiomas de una herramienta antes de confiar en ella |
Por eso la pregunta sobre la fiabilidad es la pregunta equivocada en su forma habitual. “¿Es preciso este detector?” no tiene una respuesta estable, porque la precisión se mide contra un conjunto de pruebas fijo y los generadores siguen avanzando. La mejor pregunta es: ¿qué decisión estoy tomando y cuánto peso puede soportar esta señal?
Para una decisión de bajo riesgo, como decidir qué párrafos de tu propio borrador reescribir, una puntuación de detector es útil. Para una decisión de alto riesgo, como acusar a alguien de mala conducta o rechazar una presentación, una puntuación de detector por sí sola no es suficiente. Nunca se diseñó para serlo.
¿En qué se concreta el uso honesto de estas herramientas?
Se concreta en tres hábitos.
- Puntúa a nivel de oración, no a nivel de documento. Un porcentaje de todo el documento te dice que algo se movió. El resaltado por oración te dice dónde. Esa es la diferencia entre un veredicto y una lista de edición, y solo una de esas es procesable.
- Trata la puntuación como una indicación, no como una prueba. Una puntuación alta significa “mira más de cerca aquí”. No significa “esto fue generado”. Una puntuación baja significa “nada destacó para este modelo hoy”. No significa “esto fue escrito por una persona”.
- Conserva el proceso, no solo el archivo. Los borradores, las notas, las fuentes, el historial de versiones y una breve declaración de cómo usaste cualquier asistencia de IA hacen más para establecer la autoría que cualquier resultado de detector. Si alguna vez te piden que rindas cuentas por un escrito, el rastro documental es la evidencia.
Aquí también se sitúa el límite honesto. Reducir los falsos positivos en tu propia escritura es justo. Limpiar tu propio borrador asistido por IA para que se lea como tú es justo. Hacer pasar por tuyo el trabajo de otra persona, o usar un humanizador para disfrazar una autoría que deberías declarar, no lo es, y ninguna herramienta cambia eso. Las ideas, los datos y las conclusiones tienen que ser tuyos.
¿Cómo deberías interpretar responsablemente el resultado de un detector?
Usa una lista de verificación breve cada vez que veas una puntuación.
- Pregunta qué se midió. Una puntuación de documento y una puntuación de oración son productos diferentes. Sabe cuál estás viendo.
- Pregunta qué umbral se aplica. Una marca en un umbral bajo es una señal más débil que una marca en uno alto.
- Mira las oraciones marcadas, no el número principal. Léelas en voz alta. ¿Suenan como tú, o suenan genéricas? Ese juicio suele ser más informativo que la puntuación.
- Verifica los desencadenantes habituales de falsos positivos. El registro formal, la traducción, la edición intensa y las muestras cortas elevan las puntuaciones en la escritura humana. Nuestra propia muestra humana de 709 guías escritas a mano promedió un 26%, lo cual está muy lejos de cero.
- Ejecuta una segunda herramienta cuando lo que está en juego es alto. El desacuerdo entre herramientas es normal y es información: te dice que la señal es débil.
- Nunca presentes una puntuación como prueba de autoría. Es una estimación de probabilidad. Dilo cuando la transmitas.
Una ilustración desarrollada, usando un ejemplo inventado en lugar de una cifra real: imagina que un párrafo de tu propia prosa institucional obtiene una puntuación alta en una herramienta. Abres la vista de oraciones y ves que las dos líneas marcadas son la oración de definición y el resumen final, ambas escritas en el mismo registro uniforme y de baja varianza que usas en todas partes. Reescribes esas dos líneas para que coincidan con cómo hablas realmente, vuelves a puntuar y el conjunto marcado se reduce. No se ocultó nada. Solo eliminaste la ambigüedad que hacía que tu escritura se viera como la de todos los demás.
¿Cómo se ve el futuro de la detección de IA?
La carrera armamentista no termina. Se vuelve menos central.
Ya se vislumbran tres cambios. La detección se está orientando hacia la procedencia y la divulgación en lugar de la clasificación pura, porque un proceso declarado es más fiable que uno adivinado. Las herramientas avanzan hacia resultados a nivel de oración y orientados a la edición, porque eso es lo que las personas pueden aplicar realmente. Y las instituciones se están moviendo lentamente hacia políticas que describen lo que está permitido, en lugar de políticas que dependen de que una puntuación se mantenga estable.
Para quien se apoya en una única puntuación, la conclusión no es glamurosa. Usa los detectores como una señal más. Léelos a nivel de oración. Conserva tus borradores. Declara lo que usaste. Y cuando una puntuación contradiga lo que sabes sobre tu propia escritura, confía en la evidencia que puedes mostrar realmente, no en el número.
Nota de medición: las cifras de este artículo provienen de nuestra propia ejecución del detector el 28/09/2026 — n = 709 guías escritas a mano frente a n = 12 resultados de modelo sin editar, puntuación mediana de IA del 25 % y el 34 %, respectivamente. Método: /methodology/.