Detector de IA en español

Cómo se midió en español

Del lado humano, 40 artículos de la Wikipedia en español tal como estaban en 2018, antes de que los modelos de lenguaje escribieran una parte apreciable de ella, y 20 fragmentos de literatura publicada antes de 1920. Del lado de la IA, textos de DeepSeek, GPT-6 Luna, Mistral Small, Llama 4 Maverick y Qwen 3.8 Flash sobre los mismos temas, escritos en español.

Cada cifra de esta página sale de una validación cruzada de cinco particiones: el modelo que puntúa un texto no lo vio durante el ajuste. Como prueba más dura, unos pesos ajustados solo con DeepSeek marcaron el 100 % de los textos de las otras cuatro familias de modelos. Aprendieron cómo es el español escrito por una máquina, no las manías de un modelo.

Lo que la IA usa de más en español

Al comparar 40 pasajes enciclopédicos escritos por IA con 40 artículos de la Wikipedia sobre los mismos temas, destacan algunas palabras: «además» en el 25 % de los textos de IA frente al 5 % de los artículos; «a lo largo de» en el 22 % de los textos de IA frente al 2 % de los artículos; «trayectoria» en el 20 % de los textos de IA frente al 0 % de los artículos; «destacada» en el 18 % de los textos de IA frente al 0 % de los artículos; «principalmente» en el 18 % de los textos de IA frente al 0 % de los artículos.

Son tendencias de los modelos, no pruebas. Mucha gente usa cada una de estas palabras, y SlopTotal no las cuenta: la puntuación sale de los motores. La lista está aquí porque es lo primero que nota un lector atento.

Textos cortos

Un texto corto en español se frena. Por debajo de 150 palabras, la puntuación baja en proporción a lo poco que hay, porque una o dos frases no aportan mucha evidencia en ningún sentido. En textos recortados a 50 palabras en español, francés, alemán, italiano y portugués, esa corrección bajó los textos humanos marcados del 20 % al 5 %. Tiene un coste: a 50 palabras, la IA se marca el 46 % de las veces en lugar del 69 %.

Variedades del español y catalán

El español humano del banco de pruebas mezcla el de España y el de América Latina; no se han medido por separado. El catalán se reconoce como lengua propia y se marca como no compatible en lugar de puntuarse como español, porque no había textos en catalán en el ajuste.

Cómo llegan los 23 motores a una puntuación

SlopTotal no pide opinión a un solo modelo. Pasa 23 detectores independientes y muestra las 23 puntuaciones, porque la información útil suele estar en el desacuerdo. Nueve son clasificadores neuronales entrenados para distinguir texto humano de texto generado, entre ellos DeBERTa-v3-large, RoBERTa-large y un BERT-tiny de 4,4 millones de parámetros. Siete son pruebas estadísticas que no necesitan entrenamiento: miden lo predecible que resulta el texto para modelos GPT-2, con perplejidad, rangos de tokens, log-rank y la entropía cruzada entre dos modelos. Los otros siete leen la propia prosa: la variación en la longitud de las frases, el vocabulario, la estructura, las matizaciones y las fórmulas que los modelos de IA repiten.

La puntuación global no es una media. Un modelo logístico ajustado con SlopBench pondera cada motor según lo que aporta cuando ya se conocen los demás, así que los motores que fallan del mismo modo no cuentan dos veces. Los textos muy cortos se acercan al centro, porque unas pocas palabras no aportan muchas pruebas.

Las bandas del veredicto se fijan con escritura humana: en 45 empieza el 5 % de textos humanos con puntuación más alta, en 55 el 2 % y en 80 el 0,5 %. Por tanto, una puntuación de 55 o más significa que menos de 2 de cada 100 textos humanos puntúan tan alto. Los demás idiomas tienen su propio ajuste, y cada idioma figura como compatible, experimental o todavía no fiable.

Medido con 3.252 textos

Una cifra de precisión dice poco si no se indica con qué se midió. SlopTotal se mide con SlopBench, un banco de pruebas abierto de 1.626 textos humanos, todos escritos antes de que existiera ChatGPT, y 1.626 textos de IA sobre los mismos temas y con la misma longitud, de 14 modelos actuales (entre ellos GPT-6, DeepSeek, Qwen, Llama, Mistral, Gemma y GLM). Abarca noticias, enciclopedias, resúmenes científicos, respuestas de foros de preguntas, publicaciones de Reddit, reseñas, redacciones de estudiantes, inglés de no nativos y ficción, porque un detector probado con un solo tipo de escritura acaba con cifras que se derrumban fuera del laboratorio.

Dos partes existen para detectar injusticias: 87 pasajes de literatura publicados entre 1532 y 1915, donde cualquier puntuación alta es un error por definición, y redacciones de personas que escriben en inglés como segunda lengua, a quienes los detectores acusan injustamente con más frecuencia. Cada cifra principal se mide en tipos de texto con los que el modelo no se ajustó, y los resultados están publicados en el repositorio, fallos incluidos.

Dónde deja de funcionar la detección

Los textos cortos no son fiables, en ningún detector. Por debajo de unas 80 palabras la puntuación oscila solo por la elección de palabras, y se estabiliza a partir de unas 200. Si un tuit recibe una respuesta muy segura, desconfía de la respuesta.

El texto de IA ligeramente editado es el caso difícil. Cada pasada de reescritura humana borra huellas de la máquina, y no hay un punto a partir del cual editar deje de importar. El código fuente queda fuera: los motores están entrenados con lenguaje natural y no detectan con fiabilidad código escrito por IA, así que SlopTotal no lo afirma.

Una puntuación es una prueba, no un veredicto. Usa las 23 puntuaciones para decidir dónde mirar y qué preguntar, y luego pregunta. Ningún resultado de un detector debería decidir por sí solo una nota, una contratación o una publicación.