Metodología

¿Cuánto acierta?

Un detector que no dice cuánto se equivoca no merece confianza. Hemos reunido 270 textos de los que sabemos el origen: 160 escritos por personas antes de que existiera ChatGPT y 110 generados por inteligencias artificiales. Con la mitad hemos calibrado la cifra que da el dictamen; con la otra mitad, que no se usó para nada más, la hemos medido. Estas son las cifras, cómo se calculan y sus límites.

Medición del 9 de noviembre de 2026 · versión 2026.11.09-13

dice IA no está claro o mixto dice persona

Son las cifras de la mitad de prueba: 134 textos (80 humanos y 54 de IA) que no se usaron para ajustar nada. Cuando se pronuncia (en el 96 % de los textos), acierta en el 96 %. Con tan pocos textos las cifras bailan: el porcentaje real de humanos tomados por IA puede estar entre el 0 % y el 5 %, y el de textos de IA detectados, entre el 69 % y el 90 % (intervalos de confianza del 95 %).

Cómo lo hemos medido

Textos humanos. Todos escritos antes del 30 de noviembre de 2022, el día que salió ChatGPT, para estar seguros de que no los escribió una máquina:

• Enciclopedia: 25 artículos de Wikipedia en español, tal como estaban en junio de 2022 (al azar y destacados).
• Noticias: 25 de BBC Mundo, del conjunto de datos XL-Sum.
• Reseñas: 20 opiniones de clientes de hoteles de Punta Cana en TripAdvisor.
• Literatura: 15 fragmentos de novela y cuento de Galdós, Clarín, Pardo Bazán, Unamuno, Blasco Ibáñez y Horacio Quiroga.
• Textos jurídicos: 15 artículos de normas europeas, del conjunto AuTexTification 2023.
• Redacciones de estudiantes: 60 redacciones de universitarios de California que estudian español, dos tercios como segunda lengua y un tercio como lengua de herencia (escritas entre 2017 y 2021; corpus COWS-L2H de la Universidad de California en Davis). Es el grupo con el que más se equivocan los detectores.

Textos de IA. 90 los hemos generado con Claude Haiku, Sonnet y Opus 5.5 sobre los mismos temas que los humanos (los mismos titulares, artículos y hoteles), para que el tema no delate el origen, más redacciones escolares. En dos de cada cinco pedimos expresamente que el texto «no pareciera escrito por una IA», como hace quien quiere colarlo. Los otros 20 son de GPT-3.5, de OpenAI, del conjunto AuTexTification 2023.

El examen es exactamente el de la web: las mismas instrucciones, el mismo modelo (Claude Opus 5.5) y la misma calibración. Contamos como «dice IA» un 60 % o más; como «dice persona», un 40 % o menos; lo de en medio, como «no está claro».

Cómo calibramos la cifra

El porcentaje del dictamen no es la opinión del modelo tal cual. Los modelos de lenguaje no saben, de serie, cuánto acertar: el nuestro era tan prudente que dejaba sin señalar muchos textos de IA. Por eso la cifra se calibra con textos de origen conocido, en este orden:

1. Dos mitades fijas. Los 270 textos se repartieron por sorteo en dos mitades equilibradas por origen, género y modelo: 136 para ajustar y 134 para probar. La de prueba no se usó para decidir nada.
2. Instrucciones revisadas. Antes de ajustar, corregimos lo que llevaba al modelo a quedarse corto, siguiendo principios y no casos concretos: se le pide una probabilidad calibrada, sin rebajarla por prudencia; que un dato concreto o una fecha antigua no prueban que el texto sea humano, porque los modelos también los escriben; que los errores propios de quien aprende un idioma sí son señal humana; y que su resumen explique las señales sin dar un veredicto, para que no contradiga la cifra.
3. La curva. Con la mitad de ajuste (136 textos), una regresión logística (el «escalado de Platt» de los clasificadores) convierte la lectura del modelo en probabilidad. Dos cautelas: los objetivos se suavizan y los coeficientes se regularizan, para que la curva no prometa certezas que una muestra pequeña no da; y las dos clases pesan lo mismo, así que la cifra supone que, de entrada, es igual de probable que el texto sea de una persona que de una IA.
4. Las mediciones de estilo. Al ajustar, no mejoraban la predicción (su peso salía ligeramente negativo, que es ruido de la muestra), así que la cifra sale solo de la lectura del modelo. Siguen en el dictamen como contraste y mandan cuando encuentran señales casi concluyentes: restos de una conversación con un chatbot o letras de otro alfabeto camufladas.
5. La prueba, una sola vez. Con todo decidido, se pasó la mitad de prueba. Esas son las cifras de arriba y de las tablas.

La fórmula, con m la probabilidad que da el modelo (de 0 a 1):

p = 1 / (1 + e^{−(-1,4972 + 5,018·m)})

La misma curva se aplica a cada párrafo. Si no hay lectura del modelo (porque se ha alcanzado el tope diario, por ejemplo), la cifra sale solo de las mediciones de estilo, también calibradas, y suele quedarse en «no está claro»: por sí solas aciertan poco. Las franjas del veredicto son fijas: 80 % o más, «muy probablemente IA»; de 60 a 79, «probablemente IA»; de 41 a 59, «no está claro»; de 21 a 40, «probablemente humano»; 20 o menos, «muy probablemente humano». Como la curva no promete certezas, ahora casi nunca baja del 20 %: el «muy probablemente humano» queda para los casos más claros.

Antes y después

«Antes» es el detector hasta el 9 de noviembre de 2026: las instrucciones anteriores y una mezcla fija del 70 % para el modelo y el 30 % para las mediciones de estilo.

Por tipo de texto

Qué aporta cada parte

El dictamen cuenta con la lectura de un modelo de lenguaje y con unas mediciones de estilo hechas con reglas fijas. Para ver cuánto aporta cada una usamos una medida que no depende de dónde se ponga el corte: la probabilidad de que, cogiendo al azar un texto de IA y uno humano, el de IA saque más puntuación. Un 50 % es tirar una moneda; un 100 %, ordenarlos todos bien.

• 99,7 % el dictamen completo
• 99,7 % solo la lectura del modelo
• 52,9 % solo las mediciones de estilo

Los límites de esta medición

• Claude examina textos de Claude. La mayoría de los textos de IA los generó la misma familia de modelos que los lee. Puede que reconozca mejor su propio estilo que el de ChatGPT o Gemini. Los únicos textos de otra casa son de GPT-3.5, un modelo de 2022: faltan los de ChatGPT, Gemini o Llama actuales.
• Estudiantes, sí; de colegio, no. Las redacciones humanas son de universitarios que estudian español; no tenemos redacciones de alumnos de Secundaria escritas en su propia lengua, y las generadas imitan a un alumno de 4.º de ESO.
• Textos limpios. No hay textos mixtos (parte humana y parte de IA), ni textos de IA retocados a mano o pasados por herramientas de «humanizar»: las cifras de detección serían peores con ellos.
• Textos conocidos. Wikipedia, la BBC o Galdós pueden estar entre lo que leyó el modelo al entrenarse, y eso le ayuda a reconocerlos como humanos.
• Mitad y mitad. En la prueba hay tantos textos humanos como de IA. En la vida real la proporción depende de dónde mires, y con ella cambia lo que significa un «probablemente IA».
• Pocos textos. Por eso damos los intervalos: las cifras exactas cambiarían con otra muestra. Y la calibración vale para el modelo y las instrucciones con los que se ajustó: si cambian, se vuelve a ajustar y a medir.

Cómo seguimos

Cada vez que cambiamos las instrucciones del modelo, el modelo o las mediciones de estilo, volvemos a ajustar con la mitad de ajuste y a medir con la de prueba antes de publicar el cambio, y esta página se actualiza con el resultado: no hay otra forma de subirlo a la web. Las respuestas al «¿Acertamos?» que aparece bajo cada dictamen nos sirven para encontrar los errores que la prueba no ve. Si tienes textos de origen seguro que nos puedan servir, escríbenos.

Medición del 9 de noviembre de 2026 con la versión 2026.11.09-13. Coste medio de cada examen: 0,016 $.