Qué hemos probado
La comparativa incluye tres tipos de texto, todos de entre 40 y 800 palabras:
- 1.260 textos humanos de 44 fuentes: noticias (BBC, CNN, CC-News), ensayos de estudiantes y aprendices de inglés (PERSUADE, TOEFL, ELLIPSE, estudiantes chinos de inglés), discursos parlamentarios y de la ONU, resúmenes de PubMed, documentación técnica, reseñas, mensajes de foros y páginas web en siete idiomas. Los ensayos de estudiantes de inglés están incluidos a propósito: es ahí donde los detectores acusan con más frecuencia a estudiantes reales.
- 891 textos de IA de 62 modelos de 11 proveedores, entre ellos GPT-6 (Sol, Luna, Astra), Claude Opus 5.5 y Fable 5.1, Gemini 3.8, Grok 4.7, DeepSeek V4.1, Qwen 3.8 Max, GLM 5.3 y MiMo. 150 de ellos los parafraseó un segundo modelo.
- 421 textos humanizados: texto de IA pasado por StealthGPT, CleverHumanizer, WriteHuman, WalterWrites, UndetectedGPT y Rephrasy.
ZeroGPT y nuestros modelos analizaron todos los textos. Pangram analizó 513 y GPTZero 894, por límite de créditos. Cada comparación de abajo solo cuenta los textos que analizaron todos los detectores de la tabla.
Cómo contamos una detección. Las herramientas de terceros cuentan como acierto cuando devuelven "AI". Para tropa-3 usamos una puntuación visible de 90 o más, el umbral que marca el 0,1 % de 239.490 textos humanos que ninguno de nuestros modelos vio nunca durante el entrenamiento. A tropa-2 le aplicamos el mismo criterio: su umbral está fijado para que también marque el 0,1 % de esos textos. Los veredictos "Mixed" los mostramos por separado.
Resultados en el conjunto compartido
| 513 textos | n | ZeroGPT | Pangram | GPTZero | tropa-2 | tropa-3 |
|---|---|---|---|---|---|---|
| Humanos marcados como IA ↓ | 247 | 0,8 % | 0,0 % | 0,0 % | 0,4 % | 0,0 % |
| IA sin editar detectada | 159 | 21,4 % | 44,0 % | 61,6 % | 77,4 % | 95,6 % |
| IA parafraseada | 33 | 9,1 % | 9,1 % | 6,1 % | 18,2 % | 54,5 % |
| IA humanizada | 74 | 4,1 % | 35,1 % | 25,7 % | 28,4 % | 54,1 % |
Lo más llamativo es la distancia en texto de IA sin editar. Pangram y GPTZero devuelven "AI" en menos de dos tercios de los textos de modelos actuales, sin marcar a ningún humano. tropa-3 detecta el 96 % y tampoco marca a ningún humano. El intervalo de confianza del 95 % es de 91–98 % para tropa-3, de 54–69 % para GPTZero y de 37–52 % para Pangram, así que la diferencia no es ruido.
"Mixed": donde los demás detectores no se mojan
Las tres herramientas de terceros tienen un veredicto intermedio. Si cuentas "Mixed" como acierto, Pangram llega al 81 % en IA sin editar y GPTZero al 84 %, de nuevo sin marcar ningún texto humano. ZeroGPT llega al 52 %, pero entonces marca el 19 % de los textos humanos como parcialmente de IA. Nuestra web también tiene una franja intermedia: "Probablemente IA" para puntuaciones de 70 a 89. Contándola igual, tropa-3 sigue por delante en todas las filas.
| Contando "AI" o "Mixed" | n | ZeroGPT | Pangram | GPTZero | tropa-3 (70+) |
|---|---|---|---|---|---|
| Humanos marcados ↓ | 247 | 19,0 % | 0,0 % | 0,0 % | 1,2 % |
| IA sin editar detectada | 159 | 52,2 % | 81,1 % | 84,3 % | 98,1 % |
| IA parafraseada | 33 | 39,4 % | 54,5 % | 48,5 % | 63,6 % |
| IA humanizada | 74 | 29,7 % | 50,0 % | 27,0 % | 70,3 % |
Columna de tropa-3: puntuación de 70 o más, es decir, las franjas "Probablemente IA" y "Generado por IA" de nuestra web. El precio: 3 de 247 textos humanos marcados como probablemente IA.
Una muestra mayor sin Pangram
Con 894 textos, los grupos de paráfrasis y humanizadores son lo bastante grandes como para fiarse de ellos. El panorama se mantiene.
| 894 textos | n | ZeroGPT | GPTZero | tropa-2 | tropa-3 |
|---|---|---|---|---|---|
| Humanos marcados como IA ↓ | 252 | 0,8 % | 0,0 % | 0,4 % | 0,0 % |
| IA sin editar detectada | 207 | 23,2 % | 60,4 % | 75,8 % | 95,2 % (91–97) |
| IA parafraseada | 149 | 5,4 % | 12,1 % | 30,9 % | 61,7 % (54–69) |
| IA humanizada | 286 | 1,7 % | 24,1 % | 31,5 % | 57,7 % (52–63) |
Entre paréntesis, el intervalo de confianza del 95 % de tropa-3. tropa-2 se muestra con la misma tasa de falsos positivos del 0,1 % que tropa-3.
Los humanizadores, uno a uno
Los humanizadores están hechos para burlar a los detectores, y se nota. A StealthGPT lo detectan GPTZero y nuestro modelo. Los demás se le escapan a GPTZero casi por completo. UndetectedGPT y WalterWrites son también los casos más difíciles para nuestro modelo.
| Humanizador | n | ZeroGPT | GPTZero | tropa-2 | tropa-3 |
|---|---|---|---|---|---|
| StealthGPT | 49 | 0,0 % | 87,8 % | 10,2 % | 87,8 % |
| Rephrasy | 48 | 10,4 % | 27,1 % | 50,0 % | 77,1 % |
| WriteHuman | 45 | 0,0 % | 8,9 % | 57,8 % | 75,6 % |
| CleverHumanizer | 48 | 0,0 % | 6,2 % | 41,7 % | 50,0 % |
| WalterWrites | 48 | 0,0 % | 12,5 % | 22,9 % | 31,2 % |
| UndetectedGPT | 47 | 0,0 % | 0,0 % | 8,5 % | 25,5 % |
Con la misma tasa de falsos positivos, tropa-3 supera a tropa-2 en todos los humanizadores, sobre todo en StealthGPT (87,8 % frente a 10,2 %). Si aceptas más falsos positivos, ambos detectan más: con un umbral más laxo de 70, tropa-3 detecta el 71 % del texto humanizado y marca el 1,6 % de los textos humanos de este conjunto.
Falsos positivos a gran escala
247 textos humanos pueden demostrar que un detector es prudente. Lo que no pueden demostrar es lo raros que son sus errores. Para eso analizamos 239.490 textos humanos que ninguno de nuestros modelos vio durante el entrenamiento: páginas web en siete idiomas, noticias, discursos, artículos biomédicos, documentación, correos electrónicos, foros y reseñas.
| 239.490 textos humanos | tropa-2 | tropa-3 |
|---|---|---|
| Marcados con el umbral en producción | 3,02 % | 0,10 % |
| Marcados cuando ambos detectan el 97 % de la IA sin editar | 1,99 % | 0,32 % |
| … solo noticias (10.591) | 6,07 % | 0,30 % |
| … solo discursos (14.000) | 4,01 % | 0,22 % |
| … solo biomedicina (16.280) | 2,63 % | 0,35 % |
Eso supone dividir por 30 los textos humanos marcados por error entre nuestras dos últimas versiones. No pasamos las herramientas de terceros por este conjunto.
Personas que escriben en inglés como segunda lengua
En 2023, Liang et al. demostraron que los detectores de IA marcaban como IA la mayoría de los ensayos del TOEFL escritos por hablantes no nativos de inglés. Esos ensayos forman parte de esta comparativa y nunca formaron parte de nuestros datos de entrenamiento. tropa-3 no marcó ninguno de los 60 (puntuación mediana de 7 sobre 100). ZeroGPT no etiquetó ninguno como IA, pero marcó 15 de 60 como mixtos. Pangram y GPTZero, que analizaron 14 de ellos, no marcaron ninguno.
Límites de esta comparativa
Jugamos en casa. Los textos de IA y humanizados proceden de los mismos modelos y humanizadores con los que se entrenó nuestro detector. Los prompts y los documentos son distintos y ningún texto se repite, pero los demás detectores no han podido entrenarse con esta combinación. Lee nuestras cifras sobre humanizadores teniéndolo en cuenta. Los ensayos del TOEFL mencionados arriba son la excepción: proceden de un estudio publicado y nunca estuvieron en nuestros datos de entrenamiento.
- Pangram analizó 513 textos y GPTZero 894. Las cifras por humanizador de Pangram son demasiado pequeñas para publicarlas.
- Los resultados de terceros se recogieron el 24 y 25 de septiembre de 2026 a través de las aplicaciones web públicas (Pangram, GPTZero) y de la API web de ZeroGPT. Estas herramientas se actualizan a menudo.
- tropa-3 lee los primeros 512 tokens de cada texto. Todos los textos de la comparativa tienen 800 palabras o menos.
- "Humano" significa escrito antes de los LLM o con independencia de ellos, hasta donde lo garantiza la fuente. Algunos textos web pueden contener texto de IA que no hemos podido identificar.
Descarga los datos
Todos los textos, etiquetas y veredictos están en Hugging Face, incluidas todas las filas en las que nuestro modelo se equivoca. 1.595 textos se incluyen completos: todos los textos de IA y humanizados, más los textos humanos con licencia abierta. Para los textos humanos protegidos por derechos de autor publicamos el dataset de origen, el id original y la URL, además de un hash SHA-256 para que puedas comprobar que has descargado exactamente el mismo texto. La misma instantánea está en el repositorio de GitHub en 2026-09/.
from datasets import load_dataset
ds = load_dataset("wasitaigeneratedcom/ai-detector-benchmark-2026-09", split="train")
df = ds.to_pandas()
shared = df[df.in_pangram_subset]
print(shared.groupby("group")[["pangram_label", "gptzero_label"]].value_counts())Entre las columnas están zerogpt_label, pangram_label, gptzero_label, tropa3_score y tropa3_display. La ficha del dataset documenta cada campo y cada licencia.
Preguntas frecuentes
Pangram vs GPTZero vs ZeroGPT vs tropa-3: ¿qué detector de IA es más preciso en 2026?
En los 513 textos que analizaron los cinco detectores, tropa-3 detectó el 95,6 % del texto de IA sin editar, GPTZero el 61,6 %, Pangram el 44,0 % y ZeroGPT el 21,4 %. tropa-3, Pangram y GPTZero no marcaron ninguno de los 247 textos humanos; ZeroGPT marcó el 0,8 %. Los textos de IA y humanizados proceden de los mismos modelos y humanizadores con los que se entrenó nuestro detector, así que toma nuestras cifras como un resultado jugando en casa.
¿Es preciso Pangram?
Pangram no marcó ninguno de los 247 textos humanos. Devolvió "AI" en el 44,0 % del texto sin editar de modelos actuales. Si su veredicto "Mixed" cuenta como acierto, llega al 81,1 % en texto de IA sin editar, de nuevo sin marcar ningún texto humano.
¿Cambia la clasificación si "Mixed" cuenta como IA?
Reduce la distancia, pero no altera el orden. Contando "Mixed", Pangram llega al 81,1 % y GPTZero al 84,3 % en texto de IA sin editar, ambos sin marcar ningún texto humano. Si contamos igual nuestra propia franja intermedia ("Probablemente IA", puntuación de 70 o más), tropa-3 llega al 98,1 % en IA sin editar y marca el 1,2 % de los textos humanos. ZeroGPT alcanza el 52,2 %, pero marca el 19,0 % de los textos humanos como parcialmente de IA.
¿Pueden los detectores de IA detectar texto humanizado?
Solo en parte. Sobre 286 textos humanizados, tropa-3 detectó el 57,7 %, GPTZero el 24,1 % y ZeroGPT el 1,7 %. StealthGPT lo detectan GPTZero y tropa-3 (87,8 % cada uno). UndetectedGPT y WalterWrites son los casos más difíciles: tropa-3 detectó el 25,5 % y el 31,2 %, GPTZero el 0,0 % y el 12,5 %.
¿Cómo se compara tropa-3 con tropa-2?
Comparamos ambos con la misma tasa de falsos positivos: el umbral en el que cada modelo marca el 0,1 % de 239.490 textos humanos reservados. Con esa tasa, tropa-3 detecta el 95,2 % del texto de IA sin editar del conjunto de 894 textos frente al 75,8 % de tropa-2, el 61,7 % del texto parafraseado frente al 30,9 % y el 57,7 % del texto humanizado frente al 31,5 %. Con su antiguo umbral de producción tropa-2 detecta más, pero entonces marca el 3,02 % de los textos humanos reservados.
¿Con qué frecuencia marca tropa-3 un texto humano como IA?
No marcó ninguno de los 247 textos humanos del conjunto compartido y marcó el 0,10 % de 239.490 textos humanos reservados que ninguno de nuestros modelos vio durante el entrenamiento. En noticias marcó el 0,30 %, en discursos el 0,22 % y en artículos biomédicos el 0,35 %. Ningún veredicto de un detector debería ser la única prueba en un caso de integridad académica.
Analiza tú mismo un documento
Pégalo en WasItAIGenerated. Obtendrás la misma puntuación de tropa-3 que usamos en este artículo.
Prueba tropa-3 gratis