Los primeros detectores de texto generado por IA surgieron en 2019 con proyectos académicos como GROVER, GLTR y el detector de GPT-2 de OpenAI.

Originality.ai fue uno de los primeros servicios comerciales en lanzarse públicamente, el 26 de noviembre de 2022, justo antes de que ChatGPT revolucionara el acceso a la generación de texto. Pero la historia es más compleja: estos sistemas no nacieron como respuesta a ChatGPT, sino como solución a un problema que ya preocupaba a los investigadores desde 2019: la dificultad para distinguir texto humano de texto sintético.

¿Qué es un detector de IA y por qué surgió?

Un detector de IA no es una “prueba de autoría”, sino una herramienta que estima la probabilidad de que un texto haya sido generado por un modelo de lenguaje. Su origen está ligado a tres preocupaciones clave:

• Desinformación: La capacidad de modelos como GPT-2 para generar noticias falsas creíbles.
• Ética académica: El riesgo de que estudiantes usaran IA para plagiar trabajos.
• Control de calidad: La necesidad de empresas y medios para verificar la autenticidad de sus contenidos.

Los hitos académicos: GROVER, GLTR y el detector de GPT-2

En 2019, tres proyectos marcaron el inicio de la detección de texto generado por IA, cada uno con un enfoque único:

GROVER: la máquina que detecta a otra máquina

Desarrollado por la Universidad de Washington y el Allen Institute for AI, GROVER apareció el 29 de mayo de 2019. Su premisa era innovadora: los sistemas más efectivos para detectar texto sintético son aquellos que también pueden generarlo. GROVER se enfocó en identificar fake news generadas por IA, demostrando que la detección podía ser una tarea específica y medible.

GLTR: visualizando la previsibilidad del texto

El 10 de junio de 2019, investigadores de Harvard NLP y el MIT-IBM Watson AI Lab presentaron GLTR. A diferencia de otros sistemas, GLTR no solo clasificaba el texto, sino que mostraba palabra por palabra qué tan predecible era para un modelo de lenguaje. Esta herramienta hizo accesible la detección a usuarios no especializados, revelando un patrón clave: los textos generados por IA suelen elegir palabras altamente probables con mayor frecuencia que los humanos.

El detector de GPT-2 de OpenAI

En noviembre de 2019, OpenAI lanzó su propio detector para identificar textos generados por GPT-2. Este sistema funcionaba como un clasificador binario, entrenado para distinguir entre texto humano y texto generado por su modelo. Su importancia radica en dos aspectos: primero, OpenAI reconoció desde el inicio que la detección era un problema central; segundo, se anticipó una tensión que persiste hoy: la detección no es perfecta ni definitiva.

¿Cómo se comercializaron los detectores de IA?

La detección de IA dejó de ser un tema académico para convertirse en un producto comercial a finales de 2022. Este cambio respondía a una necesidad creciente: la generación de texto asistida por IA se estaba integrando en flujos de trabajo reales.

Writer: el primer detector accesible al público

En octubre de 2022, Writer puso a disposición del público un detector gratuito. Aunque no era una plataforma independiente dedicada exclusivamente a la detección, fue uno de los primeros ejemplos de una herramienta orientada a usuarios generales fuera del entorno académico. Su enfoque era práctico: integrar la detección en una plataforma de escritura más amplia.

Originality.ai: el primer detector comercial dedicado

El 26 de noviembre de 2022, Originality.ai se lanzó como uno de los primeros servicios comerciales dedicados a la detección de IA. Este hito es crucial porque precedió en solo cuatro días al lanzamiento de ChatGPT, el evento que masificó la demanda de herramientas de detección. Originality.ai demostró que había un mercado dispuesto a pagar por soluciones especializadas.

La explosión de 2023: de la investigación al mercado masivo

Tras el lanzamiento de ChatGPT, la detección de IA se convirtió en una industria incipiente. En pocos meses, surgieron nuevos actores, cada uno con enfoques distintos:

GPTZero: el detector que conquistó la educación

GPTZero nació en enero de 2023 y ganó visibilidad rápidamente, especialmente en el ámbito educativo. Su propuesta conectó con una preocupación concreta: la posibilidad de que estudiantes entregaran textos generados por ChatGPT como si fueran propios. Aunque llegó después de los detectores de 2022, su impacto fue inmediato.

Copyleaks: detección multilingüe

Copyleaks anunció oficialmente su detector de IA el 12 de enero de 2023, aunque su documentación técnica registra una integración temprana desde el 1 de enero. Este caso ilustra un problema común en el mercado: la dificultad para definir qué cuenta como “lanzamiento oficial”. Copyleaks se destacó por su capacidad para detectar contenido generado por IA en múltiples idiomas.

OpenAI AI Text Classifier: un experimento efímero

El 31 de enero de 2023, OpenAI presentó su clasificador público para identificar texto escrito por IA. No era un producto comercial, sino una herramienta experimental. Su importancia fue simbólica: la empresa detrás de los modelos más influyentes intentaba ofrecer una solución al problema que ella misma había ayudado a crear. Sin embargo, en julio de 2023, OpenAI retiró el clasificador debido a su baja precisión, un recordatorio de los límites técnicos de la detección.

Turnitin: detección en el ámbito académico

El 4 de abril de 2023, Turnitin activó sus capacidades de detección de escritura con IA. A diferencia de otras marcas, su enfoque no fue crear un producto autónomo, sino integrar la detección directamente en sus flujos existentes de revisión académica. Este movimiento consolidó la entrada de la detección en el ecosistema educativo formal.

¿Cómo funcionan las herramientas actuales?

Aunque el mercado suele presentarlas como equivalentes, los detectores modernos operan con enfoques distintos. Estos son los principales:

Clasificadores entrenados

Aprenden a distinguir entre textos humanos y generados a partir de grandes conjuntos de ejemplos. Son el enfoque más común en productos comerciales. Su fortaleza está en la escalabilidad, pero pueden degradarse cuando aparecen nuevos modelos o estilos de escritura distintos a los usados en el entrenamiento.

Señales estadísticas

Analizan elementos como la previsibilidad del siguiente token, la uniformidad de la sintaxis o la repetición de patrones. GLTR fue una de las herramientas que mejor explicó este principio al público, mostrando cómo los textos generados por IA suelen ser más predecibles que los humanos.

Métodos zero-shot

Intentan detectar texto de IA sin necesidad de haber sido entrenados específicamente con ejemplos del modelo que lo produjo. Binoculars es uno de los ejemplos más citados de esta línea reciente, que busca ser más eficiente y adaptable a nuevos modelos.

Señales de proceso y procedencia

En contextos de alto riesgo, el análisis del texto suele combinarse con otros indicios: historial de escritura, borradores, metadatos o trazas de edición. En la práctica, estos elementos suelen ser más útiles que una puntuación aislada de detección.

¿Qué pueden y no pueden hacer los detectores de IA?

Lo que sí pueden hacer

Bien utilizados, estos sistemas son útiles para:

• Filtrar y priorizar: Identificar textos con patrones inusualmente homogéneos o que merezcan una revisión humana más detenida.
• Resumir riesgos: Ayudar a evaluar grandes volúmenes de contenido en busca de señales de generación automática.
• Apoyar decisiones: Funcionar como semáforos en entornos editoriales, académicos o de cumplimiento normativo.

Lo que no pueden prometer

Es crucial entender sus limitaciones:

• No demuestran autoría: No pueden probar quién escribió un texto, solo estimar su compatibilidad con patrones de IA.
• No son infalibles: Producen falsos positivos y negativos, especialmente con textos breves, técnicos o muy editados.
• No resuelven el problema de fondo: La frontera entre “escrito por una persona” y “producido con ayuda de una máquina” es cada vez más difusa.

El caso del clasificador de OpenAI, retirado en julio de 2023 por su baja precisión, sigue siendo un recordatorio de estos límites. Si la propia empresa detrás de los modelos más avanzados no pudo sostener una herramienta pública de alta confianza, esto dice mucho sobre la complejidad del problema.

Cronología clave de los detectores de IA

Esta tabla resume los hitos más importantes en la evolución de los detectores de IA:

Preguntas frecuentes

¿Quién creó el primer detector de IA?

Depende de la definición. Si hablamos de investigación, en 2019 aparecieron hitos tempranos como GROVER, GLTR y el detector de GPT-2 de OpenAI. Si nos referimos a productos comerciales dedicados, la evidencia pública temprana apunta a Originality.ai en noviembre de 2022.

¿Cuál fue el primer detector comercial de IA?

No existe consenso universal, pero la evidencia archivada disponible sitúa a Originality.ai entre los primeros detectores comerciales dedicados visibles públicamente antes del lanzamiento de ChatGPT.

¿Los detectores de IA realmente funcionan?

Funcionan como herramientas probabilísticas, no como pruebas absolutas. Pueden señalar patrones compatibles con escritura generada o reformulada por IA, pero también producen errores y necesitan contexto humano para interpretarse correctamente.

¿Un detector puede demostrar que un texto fue escrito por una persona?

No. Puede ofrecer una estimación sobre qué tan compatible es un texto con ciertos patrones de escritura humana o automática, pero no puede probar autoría de manera concluyente.

¿Por qué algunos detectores se contradicen?

Porque usan modelos, umbrales y métodos distintos. Algunos se basan en clasificadores entrenados; otros, en señales estadísticas o enfoques zero-shot. Por eso, un mismo texto puede recibir resultados diferentes según la herramienta.

¿Por qué la cronología importa?

La pregunta sobre el “primer detector de IA” no es una curiosidad menor. Sirve para ordenar un relato que a menudo se usa con fines de marketing. La historia muestra un proceso más largo: primero hubo investigación sobre texto sintético; después, verificadores públicos integrados en plataformas; más tarde, productos especializados; y finalmente, un ecosistema comercial impulsado por la popularización de ChatGPT.

Conclusión: el futuro de los detectores de IA

La historia de los detectores de IA no empieza con una startup ni con una campaña de producto. Empieza en 2019, con investigadores que trataban de responder a una pregunta que sigue vigente: si una máquina puede escribir como un humano, ¿qué rastros deja en el texto? Desde entonces, la respuesta ha evolucionado en varias direcciones, pero ninguna ha sido concluyente.

La cronología más sólida permite afirmar que los primeros hitos fueron académicos, con GROVER, GLTR y el detector de GPT-2 de OpenAI. Más tarde, la detección se acercó al usuario general con herramientas públicas como Writer. Y en la etapa comercial previa al boom de ChatGPT, la evidencia pública archivada sitúa a Originality.ai entre los primeros servicios dedicados en llegar al mercado.

Sin embargo, la enseñanza más importante va más allá del orden de llegada: los detectores de IA son útiles para orientar revisiones y entender riesgos, pero siguen lejos de ofrecer certezas absolutas. Quien los use como si fueran una prueba final no solo malinterpreta la herramienta, sino también la historia de cómo nació.