Tu texto suena demasiado bien, ¿seguro que no lo escribió ChatGPT?

Los profesores están en pánico. Los editores, inquietos. Los creativos, a medio camino entre la indignación y la resignación. Y en el ojo del huracán: textos impecables, fluidos, demasiado correctos, sospechosamente coherentes. Tan bien escritos que solo pueden tener dos orígenes: o un humano especialmente lúcido… o una IA con inspiración divina. En esta era post-ChatGPT, la paranoia textual está servida. ¿Quién escribió esto? ¿Una mente humana o una red neuronal con complejo de Cervantes? Y como aún no existen grafólogos de prompts, la solución parece obvia: usar otra inteligencia artificial para desenmascarar a la primera. Detectores de texto IA. Algoritmos que leen entre líneas. Máquinas cazando máquinas. Pero antes de utilizarlos para suspender a un alumno, rechazar un artículo o despedir a un copy... hay algo que deberíamos saber: la mayoría no funciona. Y los que sí, tampoco. La promesa de los detectores Con la expansión de herramientas como ChatGPT, Gemini y compañía, ha surgido un nuevo subgénero tecnológico: el de los detectores de textos generados por inteligencia artificial. Plataformas como GPTZero, Turnitin o detectores como Copyleaks o Scribbr afirman poder hacer lo que ningún profesor, periodista o editor puede con certeza absoluta: determinar si un texto ha sido escrito por una persona o por un modelo automatizado. ¿Cómo lo intentan? Mediante el análisis estadístico del texto. Una de las métricas clave que emplean es la perplejidad, que evalúa cuán predecible es una secuencia de palabras para un modelo de lenguaje. Cuanto más predecible, más sospechoso: la hipótesis es que las IAs tienden a escribir de manera más uniforme y estadísticamente coherente que los humanos. Otra métrica frecuente es la burstiness, que mide la variabilidad entre frases. Las personas, al escribir, solemos alternar entre estructuras complejas y simples, con fluctuaciones de estilo y tono. En cambio, los modelos de lenguaje tienden a generar textos más regulares, sin grandes oscilaciones, salvo que hayan sido entrenados específicamente para imitar esos cambios. Algunos detectores más avanzados incorporan además técnicas de comparación con bases de datos de textos generados por IA, o incluso modelos de clasificación entrenados para diferenciar texto humano de artificial. Pero en todos los casos, el resultado es una estimación probabilística, no una prueba concluyente. Sobre el papel, el enfoque parece razonable. En la práctica, presenta numerosos matices. Porque si bien los textos generados por IA pueden compartir ciertas regularidades, también lo hacen muchos textos escritos por personas —especialmente cuando se redactan bajo presión, siguiendo plantillas, o con intención de sonar “técnicamente competentes”. No siempre hay una línea clara entre lo artificial y lo humano. La cruda realidad: no funcionan (tan bien) Diversos estudios han puesto en entredicho la fiabilidad de estos sistemas. Por ejemplo, uno de los más citados, realizado por investigadores de la Universidad de Stanford, reveló que los detectores fallan sistemáticamente con textos escritos por hablantes no nativos. La razón: suelen emplear estructuras más simples, lo que los algoritmos interpretan como “excesivamente predecibles”, y por tanto sospechosos de haber sido generados artificialmente. El caso más paradigmático fue el del propio detector de OpenAI, retirado apenas seis meses después de su lanzamiento. La razón oficial: “baja precisión”. En términos prácticos: no ofrecía resultados fiables. Además, basta con realizar pequeñas modificaciones (como traducir el texto, introducir sinónimos o añadir errores tipográficos) para que los detectores pierdan efectividad. Esto evidencia una fragilidad estructural: no están analizando el significado ni la intención, sino únicamente la superficie estadística del texto. El peligro de confiar en los detectores Más allá de sus limitaciones técnicas, el verdadero riesgo reside en cómo se están utilizando. A pesar de que los desarrolladores de estas herramientas advierten que sus resultados no deben considerarse concluyentes, su aplicación en entornos académicos, empresariales y editoriales ya está teniendo consecuencias reales. Estudiantes acusados de plagio porque su ensayo era “demasiado coherente”. Artículos rechazados por parecer “excesivamente pulidos”. Informes descartados por un supuesto “olor a IA” según una puntuación generada por un sistema automático. Incluso Turnitin ha señalado explícitamente que sus indicadores “no deben utilizarse como evidencia definitiva de deshonestidad académica”. Aun así, la presión de un porcentaje elevado (por ejemplo, un 90% de probabilidad de generación por IA) puede resultar difícil de ignorar. En última instancia, estamos asistiendo a una paradoja: tecnologías diseñadas para distinguir entre humano y máquina están comenzando a definir quién es considerado suficientemente “humano” como para escribir de forma legítima. El problema no es solo el algoritmo; es el uso acrítico de sus resultados. ¿Y entonces? ¿Cómo saber si un texto es auténtico? Quizá estamos haciendo la pregunta equivocada. ¿Qué significa auténtico? ¿Que lo escribió un humano? ¿O que tiene intención, contexto, responsabilidad? Porque si buscamos lo primero, buena suerte. Pero si buscamos lo segundo, aún hay esperanza. La clave no es rastrear huellas invisibles, sino mirar el pensamiento que hay detrás. ¿Tiene sentido lo que dice? ¿Está bien argumentado? ¿Alguien se hace cargo de ese texto? ¿Podemos contrastarlo? ¿Podemos… preguntar? Quizá la mejor forma de detectar si un texto lo escribió una IA no sea con otra IA. Sino con algo muy humano: conversación, contexto, mirada crítica. Claves que (a veces) delatan un texto hecho por IA No hay fórmula mágica, pero si se agudiza el radar, algunos patrones saltan a la vista: Corrección quirúrgica: ortografía impecable, puntuación perfecta, frases encajadas como LEGO… pero sin alma. Redundancia maquillada de elocuencia: repetir lo mismo con florituras. Ejemplo: “esto es importante porque es importante entender lo importante”. Tono neutro, sin autoría: profesional, sí… pero también genérico. Como si hablara un bot de LinkedIn con trastorno de identidad. Listas con ✨dramatismo✨: bullets, emojis, promesas con esteroides. Ejemplo:“¡APRENDE a escribir como un PRO! ✨” Citas sin citar: menciona estudios, expertos, “según investigaciones”... pero jamás dice cuáles. ¿Lo más irónico? Muchos humanos también escriben así cuando quieren sonar más virales. O más “IA” que la propia IA. Posdata algorítmicaSegún ZeroGPT, este artículo fue generado en un 9,6 % por una IA. Y sí, identifica frases concretas: algunas transiciones, explicaciones técnicas, pasajes demasiado bien estructurados. ¿Realmente las escribió una IA? ¿O simplemente coinciden con lo que parece que escribiría una? Quién sabe. En fin, si fueron obra de una máquina… seguramente sean las mejores del artículo.

Tu texto suena demasiado bien, ¿seguro que no lo escribió ChatGPT?

+ Artículos

Taller: Introducción a la impresión tipográfica con tipos móviles

Las fotos rescatadas de la riada ya tienen su lugar: ‘ANDANA’, la exposición que da voz a la memoria colectiva de l’Horta Sud

Pepa Rojo, nueva presidenta del Club de Creativos: una apuesta por la diversidad, el bienestar y la descentralización

Pedro Sánchez presenta el informe de Cotec sobre los sectores culturales y creativos en España

España lanza sus primeras ayudas estatales al cómic: 40 subvenciones de 25.000 euros con enfoque de género y sin rastro de IA

¿Dónde te ves trabajando mañana?

La Vuelta cambia de piel: Grávita firma un rebranding que celebra cada segundo

Taller: Introducción a la impresión tipográfica con tipos móviles

JUGO estrena en Jerez con una potente programación de diseño, ilustración y pensamiento visual

Taller: Mucho diseñito, pero de arte final poquito

«Font Licensing Mess», descifrando las licencias tipográficas

¡Hola de nuevo!

¡Crea una nueva cuenta!

Recupera tu contraseña