¿Siguen dependiendo los detectores de IA de la perplejidad y la burstiness?

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

Entonces, ¿sigue utilizándose 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 soporte de GPTZero afirma claramente que ya no usa perplexity ni burstiness, y que en su lugar pasó a una arquitectura de aprendizaje profundo. Turnitin, la herramienta que la mayoría de los estudiantes encuentra realmente, nunca ha publicado ninguno de esos términos como parte de su método en primer lugar. Los conceptos no han desaparecido de la conversación. Han desaparecido de los productos que realizan la detección real.

¿Sigue utilizándose burstiness por los detectores de IA?

No, no por GPTZero, y no por nombre. La propia documentación de soporte de GPTZero lo dice directamente: "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 mediante un clasificador entrenado, y ninguno de los dos términos aparece tampoco en esa documentación. Las dos estadísticas que definieron la primera ola de detección de IA no son lo que actualmente ejecutan las herramientas principales. Eso es más limitado que decir que se descartaron: el propio explicador de GPTZero todavía las cuenta 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 "una medida de cuán probable sería que un modelo de IA hubiera elegido exactamente el mismo conjunto de palabras que aparece en el documento", y burstiness como "una medida de cuánto varían los patrones de escritura y las perplexities del texto a lo largo de todo el documento", una estadística a nivel de documento, no un simple recuento de 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 cantidades de ejemplos escritos por humanos y por IA hasta que aprende, por sí mismo, cualquier combinación de rasgos que separe los dos grupos 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: qué mide realmente perplexity y qué mide realmente burstiness tratan en profundidad sus propios mecanismos, incluidas las fórmulas que los sustentan. Este texto se limita estrictamente a si alguno de ellos sigue siendo lo que ejecuta un detector hoy.

Qué Documentan Realmente Hoy GPTZero y Turnitin

La página actual de tecnología de GPTZero, que describe lo que se incluye en el producto, afirma que la empresa emplea "an end-to-end deep learning approach, trained on text datasets from the web, education, and AI-generated from a range of LLMs", en la que "a sentence-by-sentence classification model determines the probability and confidence that a text was created by AI". 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, la misma familia de método a la que GPTZero se ha trasladado, 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 las primeras explicaciones (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 solo 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 cambiado la arquitectura de su detector. Lo que cambió es la forma en que el detector busca esa regularidad.

El clasificador entrenado no recibe explícitamente la instrucción de 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, es decir, cuán bruscamente se curva la función de log-probabilidad de un modelo alrededor de un pasaje, y alcanza 0.95 AUROC en un punto de referencia 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 gran parte de Internet sigue equivocándose en esto

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 tiene 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 y no el análisis que repite la historia anterior.

Qué significa esto para cómo escribe

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 describía.

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

Si la respuesta le devuelve a su 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 ha cambiado una vez. Lo que permanece constante es la cuestión real, tratada en su totalidad en la guía de este sitio sobre cómo funcionan realmente los detectores de IA: 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.