Cómo funcionan los detectores de IA: perplejidad y burstiness

Los detectores de inteligencia artificial utilizan modelos estadísticos para analizar las propiedades matemáticas del texto y determinar si fue escrito por un humano o generado por una máquina. En este artículo explicamos en detalle las dos métricas fundamentales que emplean estos sistemas: perplejidad y burstiness. Comprender estos conceptos es esencial para interpretar correctamente los resultados de cualquier herramienta de detección, ya sea que trabajes como docente en la UNAM, como editor en un medio digital o como estudiante en el Tec de Monterrey.

Si lo que buscas es una comparativa práctica de herramientas, visita nuestro artículo sobre los mejores detectores de IA para México en 2026. Si te preocupan los errores de estos sistemas, consulta nuestro análisis sobre falsos positivos en español de México.

El principio básico: predicción estadística

Todos los detectores de IA parten de una premisa simple pero poderosa: los modelos de lenguaje como GPT-4o, Claude o Gemini generan texto seleccionando palabras con alta probabilidad estadística. Es decir, ante una secuencia de palabras, el modelo elige la continuación más probable según sus datos de entrenamiento. Los humanos, en cambio, somos impredecibles: usamos sinónimos inesperados, construimos oraciones con estructuras variadas y cometemos pequeñas inconsistencias que son estadísticamente "ruidosas".

Los detectores aprovechan esta diferencia fundamental. Utilizan sus propios modelos de lenguaje (frecuentemente versiones de GPT-2 o modelos entrenados específicamente para detección) para calcular qué tan "esperable" es cada palabra en el contexto de las palabras anteriores. Si el texto completo resulta altamente predecible, es probable que haya sido generado por IA.

Perplejidad: la métrica de "sorpresa"

La perplejidad (en inglés, perplexity) mide qué tan "sorprendente" es cada palabra dentro de su contexto. Técnicamente, es una transformación exponencial de la entropía cruzada del texto evaluado contra un modelo de lenguaje de referencia. En términos prácticos, funciona así:

Imagina la oración: "El estudiante entregó su ___ al profesor." Un modelo de lenguaje predecirá con alta probabilidad palabras como "trabajo", "tarea" o "ensayo". Si la palabra real es "trabajo", la perplejidad de esa posición es baja (el modelo acertó). Pero si la palabra real es "mamotreto" o "garabato", la perplejidad es alta: el modelo no esperaba esa elección.

GPT-4o y otros modelos de IA siempre eligen palabras de alta probabilidad. El resultado es texto con perplejidad consistentemente baja, típicamente entre 5 y 25. Los humanos, especialmente en español mexicano con su riqueza de coloquialismos y modismos, producimos texto con perplejidad mucho más alta y variable, generalmente entre 40 y 120.

Esta diferencia es la base de la detección. Un detector calcula la perplejidad promedio del texto y, si cae por debajo de un umbral determinado, lo marca como probable IA. Los umbrales varían entre herramientas: Turnitin y Originality.ai usan umbrales más sofisticados que consideran el género textual, mientras que ZeroGPT aplica un umbral más rígido que genera más falsos positivos.

Burstiness: la variación entre oraciones

Si la perplejidad mide la previsibilidad a nivel de palabra, la burstiness (rafagueo o variación explosiva) analiza los cambios de complejidad entre oraciones. Los humanos escribimos de forma "explosiva": alternamos entre oraciones cortas y directas, y oraciones largas con múltiples cláusulas subordinadas. Un párrafo típico de un ensayo de un estudiante del IPN podría tener una oración de 8 palabras seguida de una de 45, y después otra de 12.

Los modelos de IA, por el contrario, producen oraciones de longitud y complejidad notablemente uniformes. Un texto de GPT-4o típicamente mantiene oraciones de entre 15 y 25 palabras, con variaciones mínimas. Esta uniformidad es estadísticamente detectable y constituye la segunda señal principal que usan los detectores.

La burstiness se calcula como la desviación estándar de las perplejidades de cada oración dividida entre su media. Un valor alto (mayor a 0.8) sugiere texto humano; un valor bajo (menor a 0.3) sugiere texto generado por IA. Los textos "mixtos", donde un humano edita parcialmente texto de IA, suelen caer en la zona intermedia (0.3 a 0.8), lo que complica la clasificación.

El proceso completo de detección, paso a paso

Cuando ingresas un texto en un detector de IA (como nuestra herramienta gratuita), el proceso sigue estos pasos:

1. Tokenización: El texto se divide en unidades mínimas (tokens), que pueden ser palabras completas o fragmentos de palabras. Para español, un texto de 500 palabras genera aproximadamente 650 a 750 tokens.
2. Cálculo de probabilidades: Para cada token, el modelo de referencia calcula la probabilidad de que aparezca dado el contexto anterior. Este paso es computacionalmente intensivo y es la razón por la que los detectores tardan algunos segundos en procesar un texto.
3. Perplejidad por oración: Se calcula la perplejidad promedio de cada oración individual.
4. Burstiness global: Se mide la variación entre las perplejidades de todas las oraciones del texto.
5. Clasificación: Un modelo entrenado (típicamente un clasificador de regresión logística o una red neuronal) combina estas métricas con otras señales (frecuencia de conectores, diversidad léxica, patrones de puntuación) para producir una probabilidad final de detección IA.

Por qué los detectores fallan con español de México

Los detectores de IA enfrentan desafíos específicos con el español mexicano, y esto es crucial para los usuarios en México. La mayoría de los modelos de detección fueron entrenados con datos predominantemente en inglés, lo que genera varios problemas:

• Registro formal del español: El español académico tiende a ser más formulaico que el inglés académico. El uso extensivo del subjuntivo, las construcciones impersonales ("se considera que...") y los conectores formales ("no obstante", "en consecuencia") reducen la perplejidad del texto humano, haciéndolo parecer más "artificial".
• Vocabulario técnico compartido: Muchos términos técnicos en español son préstamos del inglés que los modelos de IA manejan con facilidad, lo que dificulta distinguir entre un humano usando terminología especializada y un modelo generando texto técnico.
• Mexicanismos y coloquialismos: Irónicamente, el uso de expresiones típicamente mexicanas ("neta que", "está cañón", "a poco sí") aumenta la perplejidad y hace que el texto sea más fácilmente identificable como humano. Los textos informales en español mexicano rara vez son clasificados incorrectamente como IA.
• Morfología compleja: El español tiene mayor riqueza morfológica que el inglés (conjugaciones verbales, género, número). Esto puede confundir modelos de detección que no están calibrados para la distribución natural de formas flexionadas en español.

Señales adicionales de detección

Además de perplejidad y burstiness, los detectores modernos analizan otras características del texto:

• Diversidad léxica (TTR): La relación tipo-token, que mide cuántas palabras únicas hay en proporción al total. Los modelos de IA tienden a reutilizar vocabulario con mayor frecuencia que los humanos.
• Patrones de puntuación: Los modelos de IA usan comas, puntos y puntos y coma con patrones muy regulares. Los humanos somos más erráticos con la puntuación.
• Frases formulaicas: Expresiones como "es importante destacar que", "en este contexto", "vale la pena mencionar" aparecen con frecuencia desproporcionada en texto generado por IA, especialmente en español.
• Estructura de párrafos: Los modelos de IA tienden a producir párrafos de longitud similar con una estructura predecible (oración introductoria, desarrollo, cierre). Los humanos son menos sistemáticos.

Limitaciones fundamentales de la detección

Es importante ser honesto sobre las limitaciones de esta tecnología. Ningún detector de IA es perfecto, y probablemente nunca lo será. Las razones son fundamentales:

• La carrera armamentista: A medida que los detectores mejoran, los modelos de IA también evolucionan para producir texto menos detectable. GPT-4o ya genera texto con perplejidad significativamente más alta que GPT-3.5, acercándose al rango humano.
• El problema de la calibración: Un detector calibrado para inglés no funciona igual de bien con español. Las características estadísticas naturales del idioma son diferentes, y la mayoría de los detectores aún están optimizados para inglés.
• Textos editados: Cuando un humano edita parcialmente texto de IA (o viceversa), los detectores enfrentan una tarea mucho más difícil. Las métricas se promedian y el resultado queda en una zona gris.
• Naturaleza probabilística: Los detectores producen probabilidades, no certezas. Un resultado del 72% de IA no significa que el texto sea de IA; significa que tiene características estadísticas que se asemejan en un 72% a las de texto generado artificialmente.

Por estas razones, insistimos en que los resultados de detección deben usarse como evidencia complementaria, nunca como prueba definitiva. Para una guía completa sobre cómo interpretar resultados, consulta nuestras guías prácticas.

Conclusión

La detección de IA se basa en diferencias estadísticas medibles entre texto humano y texto generado por máquina. La perplejidad y la burstiness son las métricas centrales, pero los detectores modernos combinan múltiples señales para aumentar la precisión. Para el contexto mexicano, es fundamental elegir herramientas que estén calibradas para español, y siempre interpretar los resultados con criterio crítico. Prueba nuestra herramienta gratuita de detección para experimentar con tus propios textos y comprender mejor cómo funcionan estos sistemas.