¿Siguen los detectores de IA basándose en la perplejidad y la burstiness?

Busque cómo GPTZero detecta hoy la escritura generada por IA y la mayor parte de lo que aparece sigue centrada en dos estadísticas, perplexity y burstiness, el par que hizo famoso a la herramienta en pocas semanas tras su lanzamiento en enero de 2023. La propia documentación de ayuda de GPTZero ahora dice algo distinto: dejó de usar ambas en el otoño de ese mismo año.

Entonces, ¿sigue usándose burstiness por los detectores de IA? No por la herramienta que convirtió el término en una expresión de uso común en los círculos académicos. El centro de ayuda de GPTZero afirma de forma explícita que ya no usa perplexity ni burstiness, y que en su lugar pasó a una arquitectura de aprendizaje profundo. Turnitin, la herramienta con la que la mayoría de los estudiantes se encuentra en realidad, nunca ha publicado ninguno de esos términos como parte de su método. Los conceptos no han desaparecido de la conversación. Han desaparecido de los productos que realizan la detección efectiva.

¿Sigue usándose Burstiness por los detectores de IA?

No, no por GPTZero, y no por su nombre. La propia documentación de ayuda de GPTZero lo dice de manera directa: "As of autumn 2023, GPTZero no longer uses perplexity and burstiness for its AI detection because we migrated to a deep-learning based architecture." Las propias guías de Turnitin describen de nuevo un método distinto, construido en torno a la puntuación de fragmentos de una entrega con un clasificador entrenado, y tampoco aparece ninguno de los dos términos en esa documentación. Las dos estadísticas que definieron la primera oleada de detección de IA no son lo que ejecutan actualmente las herramientas principales. Eso es más limitado que decir que se descartaron por completo: el propio texto explicativo de GPTZero sigue contándolas entre siete indicadores que alimentan su modelo. Dejaron de ser el método sin dejar de ser una medida, y la diferencia entre esas dos afirmaciones es en gran medida de lo que trata esta pregunta.

Qué cambió en otoño de 2023

Los dos términos nunca fueron oscuros. El propio explicador temprano de GPTZero definía perplexity como "a measure of how likely an AI model would have chosen the exact same set of words as found in the document," y burstiness como "a measure of how much writing patterns and text perplexities vary over the entire document," una estadística a nivel de documento, no un simple recuento de la longitud de las oraciones. Ambas definiciones siguen publicadas en el sitio de GPTZero. Lo que cambió es cuál de ellas ejecuta realmente el detector.

"Migrated to a deep-learning based architecture" es una afirmación específica, no una frase de marketing, y describe un cambio real de tipo. Una puntuación de perplexity se calcula directamente a partir de una fórmula: se pasa el texto por un modelo de lenguaje de referencia, se promedian las probabilidades logarítmicas, se eleva el resultado a una potencia. En cambio, se entrena un clasificador de deep-learning, al que se le muestran grandes números de ejemplos escritos por humanos y por AI hasta que aprende, por sí mismo, cualquier combinación de rasgos que separe los dos conjuntos en esos datos de entrenamiento. Nadie escribe a mano la regla en el segundo enfoque. El modelo la encuentra.

Ambos términos retirados reciben una explicación completa en otra parte de este sitio: what perplexity actually measures y what burstiness actually measures tratan en profundidad sus propios mecanismos, incluidas las fórmulas que los sustentan. Este texto se limita estrictamente a si alguno de ellos sigue siendo hoy lo que ejecuta un detector.

Lo que GPTZero y Turnitin Documentan Realmente Hoy

La página tecnológica actual de GPTZero, que describe lo que se entrega en el producto, afirma que su detector es un "end-to-end deep learning approach", con un "sentence-by-sentence classification model" que produce una salida de probabilidad con una puntuación de confianza. Perplexity y burstiness no aparecen en ninguna parte de esa página, ni como componente, ni como función heredada, ni en una nota al pie.

La documentación de Turnitin nunca se construyó en torno a ninguno de los dos términos desde el principio. Sus guías describen una entrega dividida en fragmentos de unos pocos cientos de palabras, cada fragmento puntuado por un modelo entrenado, y las puntuaciones de los fragmentos promediadas hasta obtener el único porcentaje que muestra un informe. Eso es un clasificador supervisado que trabaja sobre segmentos de texto, de la misma familia de método a la que GPTZero ha pasado, no un cálculo de perplexity ni un cálculo de burstiness con otro nombre.

El cambio se ve con mayor claridad en paralelo.

	Lo que describían los primeros explicadores (2023)	Lo que describe la documentación actual
GPTZero	Perplexity y burstiness, puntuadas frente a un modelo de referencia	Un clasificador de deep-learning, oración por oración, que produce una probabilidad y una puntuación de confianza
Turnitin	Nunca se publicó, los términos no aparecen en ningún momento en los materiales propios de Turnitin	Fragmentos de unos pocos cientos de palabras puntuados por un clasificador entrenado, promediados en un único porcentaje

Por qué los conceptos siguen explicando la detectabilidad

Nada de esto hace que perplexity y burstiness sean incorrectos, solo que estén desactualizados como descripción del mecanismo actual. Ambos conceptos siempre describieron algo real: el texto generado mediante muestreo hacia las continuaciones de mayor probabilidad de un modelo tiende a ser más predecible, palabra por palabra, que el texto que una persona escribe desde cero, y tiende a variar menos de una oración a la siguiente. La regularidad subyacente no ha cambiado porque un proveedor haya modificado la arquitectura de su detector. Lo que cambió es la forma en que el detector busca esa regularidad.

El clasificador entrenado no recibe una instrucción explícita para buscar perplexity o burstiness. Más bien, se entrena sobre la misma distinción básica entre texto humano y texto de máquina que esas dos estadísticas fueron diseñadas para captar. Y parece muy poco probable que un clasificador entrenado para distinguir los dos montones no se fije también precisamente en esa regularidad, una de las diferencias más fiables entre ambos. Se trata de una inferencia sobre por qué probablemente funciona el clasificador, no de una afirmación sobre su lista de características publicada, y ambas cosas deben mantenerse separadas.

La investigación independiente respalda la idea de que la estadística subyacente sigue siendo eficaz, incluso fuera del producto de un único proveedor. DetectGPT, un método académico zero-shot publicado en 2023, examina un pariente cercano de perplexity, la forma en que la función de log-probabilidad de un modelo se curva con nitidez alrededor de un pasaje, y alcanza 0.95 AUROC en un benchmark frente a 0.81 del mejor baseline zero-shot anterior, sin entrenar en absoluto un clasificador con ejemplos etiquetados. La idea central, que el texto generado por máquina se sitúa en una región estadísticamente distinta del propio espacio de probabilidad de un modelo, sigue siendo un área activa de investigación. Simplemente no es lo que GPTZero ofrece a los usuarios.

Por qué tanta parte de Internet sigue entendiendo esto mal

La mayoría de las explicaciones publicadas sobre cómo funciona la detección de IA se escribieron durante o poco después del lanzamiento de GPTZero en enero de 2023, cuando perplexity y burstiness eran el único marco público que la propia empresa ofrecía. Esas páginas explicativas originales siguen activas hoy. El aviso de retirada del otoño de 2023 aparece en una página de soporte aparte, en lugar de integrarse en ellas, de modo que un autor que leyera la primera página y dejara de investigar no tendría motivo para saber que el método cambió menos de un año después.

Un análisis de un detector de terceros que circula en 2026 afirma que GPTZero sigue utilizando perplexity y burstiness como una capa entre varias dentro de un sistema más amplio. Esa afirmación entra en conflicto directo con la página tecnológica actual de GPTZero y con su propia documentación de soporte, y nada en el sitio de GPTZero la corrobora. Una empresa que describe su propio producto ya lanzado sigue teniendo más peso que una afirmación no corroborada de terceros sobre ese mismo producto, aunque la documentación del proveedor también pueda ser incorrecta. Este texto sigue las propias páginas de GPTZero en lugar del análisis que repite la versión anterior.

Qué significa esto para cómo escribes

La orientación práctica construida en torno a burstiness no se ha vuelto inútil solo porque la palabra desapareciera de los materiales propios de GPTZero. Variar deliberadamente la longitud de las oraciones sigue siendo, mecánicamente, un argumento sobre evitar la misma uniformidad estadística que es muy probable que un clasificador haya sido entrenado para detectar, sea cual sea el nombre interno que dé a esa señal. El consejo subyacente sobrevivió al cambio de arquitectura del proveedor aunque no lo hiciera el vocabulario que lo describe.

Nada de esto exige aceptar la palabra de nadie, incluida la de esta publicación. El comprobador gratuito de perplexity de TextPulse y la colección más amplia de herramientas gratuitas te permiten ver en qué punto se sitúa tu propio borrador antes de que un detector, de cualquier generación, llegue a hacerlo.

Si la respuesta te devuelve a tu propia escritura, los pasos prácticos siguientes son aumentar deliberadamente burstiness y variar la longitud de las oraciones a lo largo de un párrafo académico, que es la misma tarea descrita sin la métrica.

El mecanismo que ejecuta un detector seguirá cambiando, GPTZero ya lo cambió una vez. Lo que permanece constante es la pregunta real, tratada en su totalidad en la guía de este sitio sobre cómo funcionan realmente los detectores de AI: si la escritura predecible es lo mismo que la escritura generada por máquina, independientemente de qué fórmula resulte estar de moda en un año dado.