Un detector de IA es una estimación estadística disfrazada de porcentaje. Antes de confiar en uno, o de asustarte por uno, conviene entender qué mide y cuánto se equivoca. HAL no te va a dar un puntaje certificado, pero sí puede leer un texto con vos y contarte qué le llama la atención.
La mayoría corre el texto por un modelo clasificador entrenado con montañas de ejemplos etiquetados como humanos o generados por IA, buscando patrones estadísticos como la previsibilidad de las palabras y el ritmo de las oraciones. Algunos comparan directamente el texto contra salidas conocidas de IA. Ninguno lee el sentido como lo haría una persona: son buscadores de patrones, no jueces.
La perplejidad mide qué tan previsible es un texto para un modelo de lenguaje. El texto de IA suele puntuar más bajo porque el modelo tiende a elegir la palabra siguiente más probable, mientras que la escritura humana es más desordenada. El problema es que mucha gente también escribe de forma simple y previsible, y ahí aparecen los falsos positivos.
Es la variación natural en la longitud y complejidad de las oraciones a lo largo de un texto. Los humanos solemos alternar entre frases cortas y otras largas y enredadas; los modelos viejos eran más parejos. Los modelos nuevos ya imitan bastante bien esa variación, así que este indicador cada vez sirve menos.
No, no de forma confiable. Pruebas independientes encontraron tasas reales de falsos positivos y falsos negativos en los detectores más usados, a veces de dos dígitos, y distintas herramientas suelen dar veredictos opuestos sobre el mismo texto. Tomá cualquier resultado como una señal débil, nunca como una prueba.
Quienes escriben en un segundo idioma suelen usar vocabulario más simple y estructuras de oración más formulaicas, que se parecen estadísticamente al texto generado por IA. Un estudio de Stanford muy citado encontró que los detectores clasificaban mal como IA a una parte grande de ensayos escritos por hablantes no nativos de inglés. Es una de las fallas más documentadas de estas herramientas.
Sí, bastante fácil. Parafrasear un par de oraciones, mezclar líneas escritas a mano o pasar el texto por un reescritor suele romper el patrón estadístico que usa el detector. Esto juega para los dos lados: un texto generado por IA puede pasar sin que lo detecten, y eso mismo demuestra que un detector no sirve como filtro confiable para nada importante.
No demasiado. Necesitan una cantidad razonable de texto para encontrar un patrón estadístico confiable, así que un tuit, un comentario corto o un solo párrafo suelen dar un resultado apenas mejor que tirar una moneda. Si alguien te muestra un puntaje sobre un fragmento cortito, desconfiá de entrada.
No por sí solo. Un número con alta confianza igual puede estar equivocado: hay casos documentados de detectores dando puntajes extremos sobre texto cien por ciento humano. Tomalo como una señal para mirar más de cerca, no como un veredicto final.
Es un modelo entrenado con ejemplos etiquetados de texto humano y de IA que aprende a distinguir huellas estadísticas entre ambos. Su precisión depende por completo de esos datos de entrenamiento, así que hereda los sesgos y puntos ciegos que tenían, incluido el problema con quienes no son hablantes nativos.
No, ninguna por sí sola. Lo más justo es combinar varias señales: el resultado del detector, el historial de edición o los borradores, el estilo comparado con textos anteriores de esa persona, y el criterio humano, en vez de apoyarse en un solo puntaje. HAL te puede dar una segunda lectura de un texto y señalarte qué le suena raro, pero nunca va a afirmar una certeza que ningún método real puede garantizar.