Por qué priorizamos los falsos positivos
Lo peor que puede hacer un detector de IA no es dejar pasar un texto generado por IA, sino acusar a una persona real de haber usado IA cuando no lo ha hecho. Un texto de IA que se escapa es una molestia; una acusación falsa puede costarle a un estudiante su expediente académico o a un redactor su trabajo. Por eso, al entrenar tropa-1, la primera pregunta no fue «¿cuánto texto de IA detecta?», sino «¿con qué frecuencia se equivoca con las personas?».
Para medirlo, analizamos 1.314 textos con autoría humana garantizada: resúmenes de arXiv anteriores a 2017 de doce disciplinas científicas, escritos años antes de que existieran los modelos de lenguaje actuales, descargados expresamente y depurados de cualquier duplicado con los datos de entrenamiento.
Textos humanos marcados por error como IA (umbral 0,5)
Marcados por error con umbral estricto (0,1)
Los falsos positivos, cifra a cifra
| Sobre 1.314 textos humanos verificados | o.3 (anterior) | tropa-1 |
|---|---|---|
| Marcados como IA (umbral 0,5) | 9,7 % (127 textos) | 1,2 % (16 textos) |
| Marcados con umbral estricto (0,1) | 31,7 % | 2,0 % |
| Puntuación de IA media asignada a texto humano | 0,138 | 0,014 |
La fila de la puntuación media es la que más nos importa. tropa-1 es claramente bimodal: la escritura humana se concentra en torno a 0,01 y la salida de IA sin editar, en torno a 1,00. El modelo anterior repartía los textos humanos por todo el rango de 0 a 0,9, que es justo donde nacen los casos dudosos y las acusaciones falsas. En los textos web del benchmark externo, o.3 marcaba casi una de cada tres páginas humanas (32 %); tropa-1 marca el 0,5 %.
Texto de IA humanizado: una comparación honesta
El texto de IA «humanizado», es decir, reescrito con herramientas como Rephrasy para burlar a los detectores, es el caso más difícil. Aquí una comparación ingenua favorecería al modelo antiguo: con un umbral fijo, o.3 detecta mucha IA parafraseada simplemente porque también marca a uno de cada cinco humanos. La forma honesta de comparar es con el mismo margen de falsos positivos: ajustar ambos modelos para que marquen por error la misma (pequeña) proporción de humanos y medir después cuál detecta más IA.
Texto de IA humanizado detectado con la misma tasa de falsos positivos del 1 % (359 textos parafraseados)
| Margen de falsos positivos | o.3 | tropa-1 |
|---|---|---|
| 0,5 % de humanos marcados por error | 76,3 % | 83,6 % |
| 1 % | 79,1 % | 86,4 % |
| 2 % | 80,2 % | 89,7 % |
tropa-1 gana en todos los puntos de operación: no cambia acusaciones falsas por capacidad de detección, sino que mejora ambas cosas a la vez.
Texto de IA sin editar: sigue en el 100 %
Ambos modelos detectan el 100 % de la salida sin editar de los doce generadores evaluados, incluidos GPT-5.5, Claude Opus 4.7, Gemini 3.1 Pro y, lo que es más llamativo, dos modelos Qwen que tropa-1 no vio durante el entrenamiento. tropa-1 mantiene ese 100 % incluso con un umbral muy estricto de 0,9, y eso es lo que hace posible en la práctica su baja tasa de falsos positivos.
Metodología
- Evaluación: todo lo que se presenta aquí procede de datos totalmente reservados: un benchmark externo de 739 textos (200 humanos y 539 de IA de 12 modelos, 359 de ellos parafraseados) más 1.314 resúmenes humanos nuevos anteriores a 2017. Nada de ello aparece en los datos de entrenamiento.
- Paridad con producción: todas las cifras se midieron con exactamente el mismo modelo y la misma ruta de código que ahora da servicio a esta web, no con una configuración de laboratorio.
Limitaciones, sin rodeos
- Nuestro corpus de prueba humano está en inglés, con un mínimo de 50 palabras por texto, y es sobre todo escritura formal (artículos científicos, artículos, reseñas). Los textos breves e informales y el contenido en otros idiomas quedan fuera del alcance de estas cifras.
- «Humanizado» significa aquí parafraseado por los doce modelos indicados. Las herramientas específicas de humanización como Rephrasy pueden comportarse de otra manera, y aproximadamente entre el 14 y el 16 % del texto humanizado sigue escapándose con la configuración de producción. Ningún detector lo detecta todo; quien diga lo contrario te está vendiendo algo.
- Los resultados de detección son indicios, no pruebas. Por eso mostramos puntuaciones por frase: una alerta debería abrir una conversación, no cerrarla, sobre todo en entornos académicos.
tropa-1 ya está disponible
Todos los análisis de textos y documentos de esta web funcionan ya con tropa-1, tanto en el detector web como en la API. Pruébalo con tus propios textos.
Prueba tropa-1 gratis