Actualización de producto: lanzamiento de Wordvice AI Detector 2.0

Nueve meses después del lanzamiento de AI Detector 1.0 en diciembre de 2025, estamos implementando una actualización importante del modelo.

Durante los últimos nueve meses, la inteligencia artificial ha avanzado a un ritmo extraordinario, con nuevas tecnologías y modelos que surgen casi a diario. Las formas en que los humanos y la IA colaboran en el proceso de escritura también han evolucionado rápidamente. Al mismo tiempo, se han intensificado los debates sobre cómo debería detectarse el texto generado por IA, cómo deberían revisar los humanos los resultados de detección y qué medidas éticas o prácticas deberían seguir. Sin embargo, a pesar de estos debates en curso, todavía no existe un consenso claro, mientras la tecnología de IA sigue avanzando a una velocidad notable.

Ante este contexto en rápida evolución, Wordvice ha continuado mejorando el rendimiento de sus modelos existentes, al mismo tiempo que ha considerado cambios más fundamentales tanto en el modelo como en el servicio en su conjunto. En particular, nuestro artículo de investigación, "Style as a Confound: False Positives in AI Detection of Non-Native Academic Writing", que está programado para presentarse en EMNLP 2026, nos ayudó a profundizar en la comprensión técnica de cómo interactúan con los sistemas de detección de IA los textos escritos por humanos y editados profesionalmente. Lea más en nuestra entrada de blog.

Y hoy, lanzamos AI Detector 2.0.

Esta actualización no consiste simplemente en detectar más texto generado por IA. Se centra en identificar de manera más fiable el texto reescrito por IA y los casos límite difíciles que aparecen en el uso real de Wordvice. También hemos mejorado la información a nivel de oración para ayudar a los usuarios a comprender y revisar mejor los resultados de detección.

Las tres mejoras principales de AI Detector 2.0 son:

• Un modelo de detección de texto generado por IA entrenado con datos de una amplia variedad de fuentes
• Hard Negative Mining (HNM), que concentra el entrenamiento adicional en casos difíciles que se clasifican erróneamente con frecuencia
• Un Boundary Detector que resalta las partes de un documento que muestran patrones generados por IA relativamente más fuertes a nivel de oración

En nuestra evaluación interna, el modelo final alcanzó una puntuación F1 de 0,9773 y un AUROC de 0,9979 en el conjunto de prueba dentro del dominio (in-domain). En particular, para la detección de reescritura por IA, donde se utiliza la IA para reescribir texto existente, el modelo alcanzó una puntuación F1 de 0,9819 y un recall de 0,9917.

Sin embargo, unas métricas de rendimiento sólidas no significan que los resultados de detección de IA puedan tratarse como evidencia definitiva de autoría. Un detector de IA proporciona una señal que indica cuánto se parece un texto a los patrones generados por IA aprendidos por el modelo. Por lo tanto, sus resultados deben interpretarse junto con el proceso de escritura, el contexto, el historial de revisiones y la revisión humana.

También estamos actualizando nuestra política de uso. Para permitir que los usuarios de pago utilicen el AI Detector prácticamente sin ninguna limitación práctica, el límite de uso mensual se está aumentando a 1 millón de caracteres. Esto refleja nuestra opinión de que un detector de IA no debería usarse solo una vez para revisar un documento terminado. En cambio, puede utilizarse a lo largo de todo el proceso de escritura y revisión para identificar y reducir patrones específicos de la IA, o "AI slop", ayudando a los usuarios a producir finalmente una redacción de mayor calidad.

En septiembre, Wordvice también lanzó un proyecto de mejora del rendimiento del detector de IA con el apoyo oficial de la Publication Industry Promotion Agency of Korea. Con base en este trabajo, estamos planificando una segunda actualización importante antes de fin de año. La próxima actualización irá más allá de la simple identificación de patrones de escritura similares a los de la IA y se centrará en problemas prácticos que pueden surgir del uso descuidado o inapropiado de la IA, incluida la verificación de fuentes y las comprobaciones de coherencia lógica.

Esperamos compartir más a medida que avance el proyecto. A continuación, analizamos más de cerca la arquitectura del modelo, la metodología de entrenamiento, los datos de evaluación y el rendimiento detallado de AI Detector 2.0.

¿Qué ha cambiado técnicamente en Detector 2.0?

1. Entrenado con una gama más amplia de patrones de escritura del mundo real

Detector 2.0 se entrenó con aproximadamente 600.000 textos escritos por humanos y generados por IA. Los datos de entrenamiento incluyen escritura académica y general, así como una amplia gama de textos generados y reescritos por IA, lo que permite al modelo aprender patrones que reflejan más fielmente el uso real.

Sin embargo, simplemente aumentar la cantidad de datos de entrenamiento no fue suficiente.

Nuestro análisis del modelo inicial mostró que las clasificaciones erróneas tendían a concentrarse en casos límite difíciles. En algunos casos, el modelo identificaba texto escrito por humanos como generado por IA. En otros, texto generado por IA se parecía mucho a la escritura humana y pasaba desapercibido.

Para abordar esto, Detector 2.0 identifica estos casos difíciles por separado y les otorga mayor énfasis durante el entrenamiento adicional.

2. Hard Negative Mining concentra el entrenamiento en casos difíciles

Después de la fase de entrenamiento inicial, seleccionamos ejemplos que el modelo encontraba relativamente difíciles de clasificar y los incorporamos en una ronda adicional de entrenamiento. Internamente, denominamos a este proceso Hard Negative Mining (HNM).

Específicamente, seleccionamos textos escritos por humanos que recibieron puntuaciones de generación por IA relativamente altas, así como textos generados por IA que recibieron puntuaciones relativamente bajas. En otras palabras, el proceso no simplemente recopila ejemplos que el modelo clasificó incorrectamente. Se centra de manera más amplia en los casos en los que la distinción entre escritura humana y de IA es difícil de establecer para el modelo, independientemente de si su predicción original fue técnicamente correcta.

Durante la segunda fase de entrenamiento, a estos ejemplos difíciles se les asignó un mayor peso para que aparecieran con mayor frecuencia en el proceso de entrenamiento. Esto permitió que el modelo se centrara no solo en ejemplos que ya eran fáciles de distinguir, sino también en textos que presentan desafíos genuinos en la detección real.

3. Se añadió un análisis más detallado a nivel de oración y de segmento

Detector 2.0 va más allá de proporcionar un único resultado para todo un documento. También ofrece información más detallada sobre dónde aparecen con mayor fuerza los patrones generados por IA dentro del texto.

El Boundary Detector es un modelo a nivel de token que clasifica patrones humanos o generados por IA para tokens individuales. Estas puntuaciones a nivel de token se agregan luego a nivel de palabra y oración, lo que permite a los usuarios identificar secciones de un documento donde los patrones generados por IA son relativamente más prominentes.

Este análisis Boundary es independiente de la ruta de análisis a nivel de oración de Detector 2.0. Mientras que el Boundary Detector agrega predicciones a nivel de token para resaltar patrones detallados dentro de un documento, la puntuación de la oración es generada por un modelo separado que evalúa cada oración junto con su contexto circundante.

El resultado final de detección tiene en cuenta tanto la detección a nivel de documento como el análisis a nivel de oración, mientras que estas rutas de análisis individuales también proporcionan información explicativa adicional. Los resaltados de Boundary y las puntuaciones de oración se generan, por lo tanto, de maneras diferentes y deben interpretarse según sus respectivos roles.

¿Cómo ha mejorado la detección de reescritura por IA?

El impacto del HNM fue particularmente claro en nuestra evaluación del texto reescrito por IA, donde se utiliza la IA para reescribir contenido existente.

En un conjunto de prueba dentro del dominio (in-domain) independiente, el modelo final también alcanzó una puntuación F1 de 0,9773 y un AUROC de 0,9979.

En particular, el recall en la evaluación de reescritura por IA aumentó de aproximadamente 0,933 a 0,9917. Esto indica que, dentro de este conjunto de datos de evaluación, se clasificaron incorrectamente menos textos reescritos por IA como escritos por humanos.

El objetivo de Detector 2.0 no era simplemente mejorar las métricas de rendimiento generales. Un objetivo clave era mejorar la detección de texto reescrito por IA y de casos límite difíciles con los que los detectores existentes pueden tener dificultades en el uso real.

¿Cómo se puede utilizar la información a nivel de oración?

Cuando un detector solo proporciona un resultado a nivel de documento como "Similar a patrones generados por IA", puede resultar difícil para los usuarios entender qué contribuyó a ese resultado.

Detector 2.0 proporciona información más detallada sobre dónde aparecen con relativa fuerza los patrones generados por IA dentro del texto, lo que ayuda a los usuarios a identificar qué partes podrían justificar una revisión más detenida.

Por ejemplo:

Una puntuación de 0,82 no significa que haya un 82 % de probabilidad de que la oración haya sido escrita por IA.

Estas puntuaciones son indicadores relativos diseñados para que los patrones identificados por el modelo sean más fáciles de interpretar para los usuarios. Por lo tanto, una puntuación alta en una oración concreta no debe tratarse como prueba de que la oración fue generada por IA.

El propósito de la información a nivel de oración es ayudar a los usuarios a identificar qué partes de un documento pueden requerir una revisión más detenida.

¿Cómo se evaluó el Boundary Detector?

Evaluamos el Boundary Detector utilizando un benchmark público de detección de texto de IA diseñado para identificar puntos de transición entre texto escrito por humanos y texto generado por IA.

La métrica de evaluación principal fue el MAE (Mean Absolute Error), que mide la distancia promedio entre el punto de transición humano/IA predicho y el punto de transición real. Un MAE más bajo indica una detección de límites más precisa.

Como referencia, a continuación se muestran resultados previamente reportados en el mismo conjunto de prueba SemEval.

Sin embargo, esta tabla no debe interpretarse como una clasificación directa del rendimiento de los sistemas.

Cada sistema se entrenó utilizando conjuntos de datos y condiciones de entrenamiento diferentes, por lo que los resultados medidos únicamente en el mismo conjunto de prueba no son suficientes para establecer una superioridad de rendimiento absoluta. Más bien, estos resultados demuestran cómo se desempeñó el Wordvice Boundary Detector en el mismo benchmark público.

Más sólido en textos académicos familiares, pero se necesita más cautela en dominios nuevos

Las métricas de rendimiento generales solo cuentan una parte de la historia. Es igualmente importante entender dónde un modelo funciona bien y dónde puede encontrar mayores dificultades.

Cuando desglosamos los resultados del Boundary Detector por entorno de datos, surge una diferencia clara.

El Boundary Detector tuvo un rendimiento sólido en textos académicos similares a su distribución de entrenamiento, mientras que la tasa de error aumentó en dominios externos que no estaban representados en el entrenamiento.

Esta es una limitación importante de los sistemas de detección de IA. Un rendimiento general sólido en un conjunto de datos no garantiza el mismo nivel de precisión en todos los idiomas, dominios o tipos de escritura.

Detector 2.0 también refleja esta limitación en la experiencia del producto. Cuando la información de entrada es insuficiente, o cuando un idioma o dominio aún no se ha validado suficientemente, se proporciona a los usuarios orientación adicional que fomenta una interpretación más cautelosa de los resultados.

Actualmente, el análisis a nivel de oración se ha validado de forma más exhaustiva en texto académico en inglés. Por lo tanto, los resultados a nivel de oración para texto no inglés o para escritura que difiere sustancialmente de la distribución de entrenamiento deben interpretarse con mayor cautela.

¿Qué cambia en el uso real?

Las mejoras prácticas de Detector 2.0 se pueden resumir de la siguiente manera.