Un análisis de Epoch AI encontró que herramientas como Pangram, GPTZero y Originality.ai casi siempre detectan textos generados con prompts simples, pero tienen más problemas cuando el modelo recibe muestras de escritura humana y copia el estilo de una persona.
Los detectores de texto generado con inteligencia artificial no fallan necesariamente donde muchos imaginarían. Según un nuevo análisis de Epoch AI, estas herramientas pueden identificar con mucha precisión textos producidos por IA a partir de instrucciones simples, pero se vuelven más vulnerables cuando el modelo intenta escribir como un autor real.
El hallazgo es relevante porque desplaza el problema de la detección automática. La pregunta ya no es únicamente si un texto “suena a IA”, sino si una herramienta puede reconocer escritura sintética cuando está envuelta en una voz humana reconocible. En contextos como educación, revistas científicas, medios de comunicación, plataformas digitales y procesos editoriales, esa diferencia puede cambiar la forma en que se evalúa la autoría.
Epoch AI probó tres detectores conocidos: Pangram, GPTZero y Originality.ai. El estudio comparó tres tipos de texto: escritura humana, texto generado por IA con prompts básicos y texto generado por IA a partir de la imitación del estilo de autores reales. En el caso de los prompts simples, las tasas de falsos negativos fueron casi nulas: como máximo 0.7% entre los detectores evaluados. Pero cuando los modelos recibieron cinco muestras de un autor y se les pidió escribir una nueva pieza en ese estilo, un promedio de 38 de 297 textos, alrededor de 13%, pasó sin ser detectado.
El problema fue mayor en escritura científica. En ese género, los detectores no identificaron cerca de 26% de los textos generados por IA que imitaban el estilo de autores reales. El resultado no significa que las herramientas sean inútiles, pero sí muestra que su desempeño depende mucho del tipo de texto, del método de generación y de si el modelo escribe de manera genérica o con una voz previamente aprendida.
La prueba también encontró que los detectores tuvieron pocos falsos positivos con texto humano. Pangram y GPTZero no marcaron como IA ninguno de los 495 pasajes humanos evaluados, mientras que Originality.ai clasificó erróneamente 19 de esos textos, equivalentes a 3.8%. Esto matiza una preocupación habitual: el riesgo no está solo en acusar falsamente a una persona de usar IA, sino también en dejar pasar textos artificiales cuando están diseñados para parecer escritos por alguien específico.
El diseño del estudio buscó comparar textos de extensión similar y con condiciones controladas. Epoch AI reunió 495 pasajes humanos de aproximadamente 500 palabras, escritos por 99 autores en tres géneros: blogs, ficción y escritura científica. Los textos provenían de materiales anteriores a 2022, lo que reduce la posibilidad de que las muestras humanas ya estuvieran contaminadas por herramientas posteriores como ChatGPT.
Después, para cada autor, los investigadores generaron textos con tres modelos de frontera: Claude Opus 4.8, GPT-5.5 y Gemini 3.1 Pro. En una condición, los modelos recibieron una instrucción básica, como escribir una historia breve sobre un tema. En otra, recibieron cinco muestras de un autor y una instrucción para producir un nuevo texto con un estilo similar. Los resultados muestran que la imitación estilística reduce la capacidad de los detectores para distinguir entre escritura humana y escritura sintética.
El estudio se inserta en una discusión más amplia sobre los límites de la detección automática. Un trabajo del National Bureau of Economic Research ha señalado que cualquier institución que implemente detectores debe observar dos métricas al mismo tiempo: los falsos negativos, cuando un texto de IA se clasifica como humano, y los falsos positivos, cuando un texto humano se clasifica como IA. Esa distinción es importante porque cada error produce daños distintos: uno permite pasar contenido sintético no declarado; el otro puede afectar injustamente a una persona real.
También hay señales de que algunos detectores podrían estar capturando rasgos contingentes de ciertos modelos, no una huella universal de la escritura artificial. Una investigación reciente en arXiv encontró que textos generados por modelos base pueden parecer más humanos ante detectores comerciales que textos generados por versiones ajustadas con instrucciones. Sus autores sugieren que los detectores actuales podrían estar siguiendo artefactos del entrenamiento y del contexto local más que una propiedad estable de “lo generado por IA”.
Esto no invalida el uso de detectores, pero sí obliga a cambiar la forma en que se interpretan sus resultados. Un detector puede servir como señal auxiliar, especialmente para revisar grandes volúmenes de contenido o identificar casos evidentes de texto sintético. Sin embargo, usarlo como prueba única de autoría puede ser problemático, sobre todo cuando el texto ha sido editado, parafraseado o producido a partir de muestras de escritura humana.
El punto más sensible es que el estilo personal puede convertirse en una superficie de riesgo. Si un sistema puede imitar a un autor con unas cuantas muestras, entonces la detección ya no se limita a reconocer patrones de IA. También toca problemas de suplantación, plagio estilístico, ghostwriting automatizado y atribución de responsabilidad.
Por eso, el debate sobre autenticidad textual probablemente tendrá que moverse hacia métodos más amplios: trazabilidad editorial, declaraciones de uso de IA, revisión humana, control de versiones, procedencia de documentos y políticas claras sobre qué tipo de asistencia está permitida. La detección automática puede formar parte de ese ecosistema, pero no sustituirlo.
El hallazgo de Epoch AI no anuncia el final de los detectores. Más bien muestra una frontera incómoda: mientras más capaces son los modelos de adaptarse a una voz humana, más difícil se vuelve tratar la escritura como una simple huella técnica.
