Cómo editar borradores de IA para que parezcan escritos por ti

TL;DR: Los detectores de IA son tan ruidosos que “vencerlos” no debería ser el objetivo — Sadasivan et al. (2023) mostró que el parafraseo recursivo derrumba todas las clases de detectores evaluadas (algunas caen al 15–25 % de precisión) y OpenAI retiró su propio clasificador en julio de 2023. Lo que sí importa es que el borrador se lea como si lo hubieras escrito tú. Los borradores de IA dejan un puñado de señales mecánicas repetibles: abuso del em-dash, cadenas de antítesis, paréntesis uniformes, inicios con hedges, linealidad estructural y relevos de pronombres vagos. Cada una tiene una corrección directa. Después del pase mecánico, el trabajo de criterio (verificar datos, cambiar ejemplos genéricos por específicos, eliminar citas sin fuente) es lo que separa un borrador editado de otro borrador editado por IA. Calcula treinta minutos por pieza para todo el proceso.

Por qué la detección no es el objetivo correcto

Editar dos o tres borradores de IA a la semana es mi norma: mi propio texto comprimido con un modelo, borradores de contratistas para aprobar y, a veces, piezas que empecé en IA y terminé a mano. El asunto del detector apareció dos veces el mes pasado. Ambas veces la respuesta fue la misma: ignora el detector y edita el texto.

La conversación sobre detectores hace más ruido del que debería porque las herramientas venden una certeza que no tienen. Un artículo de la Universidad de Maryland de 2023 sometió a estrés a los mejores clasificadores con un pase de parafraseo recursivo. Las caídas no fueron menores. El detector basado en recuperación pasó de 100 % a 25 % de precisión. El AUROC de DetectGPT bajó de 82 % a 18 %. Los detectores de watermarking, supuestamente más robustos, pasaron de 99 % de verdaderos positivos a 15 % tras cinco rondas. El patrón: una fina capa de parafraseo los rompe.

OpenAI retiró su AI Text Classifier en julio de 2023 alegando “baja tasa de precisión”: sólo detectaba el 26 % de texto generado por IA y marcaba falsamente el 9 % de texto humano. Liang et al. (2023) de Stanford reportó un 61 % de falsos positivos en ensayos TOEFL de autores no nativos, lo que significa que un redactor no nativo puede ser marcado aunque su borrador sea 100 % humano. Nada de esto implica que los detectores sean inútiles; sólo que son una segunda opinión ruidosa, no un objetivo de optimización.

El replanteamiento es simple: la señal que importa es si un lector humano diría “suena a IA”. Arregla eso y el detector dejará de ser problema. La mayor parte del arreglo es mecánico.

Las seis señales que concentran casi todo

Tras revisar unos doscientos borradores de IA en Claude, la familia GPT-4 y Gemini entre 2024 y 2026, los mismos seis patrones aparecen con suficiente frecuencia como para delatarse ante un lector humano. Hay matices por modelo (Claude abusa más de la antítesis; GPT tiende a sobre-hedgear), pero los seis son lo bastante estables como para enseñarlos en una sola lista.

¿Por qué seis y no doce? Toda lista larga de “señales de IA” se reduce a estas cuando preguntas qué patrones nota un lector frente a simples preferencias de estilo. La siguiente es la lista operativa. Si tu borrador no presenta ninguna a alta densidad, probablemente ya suene humano. Si muestra cuatro o más, de poco servirá pulir otras veinte recomendaciones estilísticas de internet.

Cómo leer la tabla de correcciones

Aquí está la tabla que deberías tener abierta en otra pestaña mientras editas. La columna izquierda nombra la señal; la central muestra su forma en el borrador; la derecha da la corrección y el umbral.

El abuso del em-dash es la señal más visible y la corrección más sencilla. Los modelos los usan mucho porque el corpus de entrenamiento sobre-representa el periodismo largo que puntúa así. Un borrador suele salir con ocho o nueve em-dashes por mil palabras, a veces tres en una sola frase. Busca en el documento, cuenta, limita a dos por mil. Veinte segundos de trabajo y es la mayor caída en el “suena a IA”.

Las cadenas de antítesis responden al giro retórico donde una frase niega algo y luego afirma la alternativa: “No se trata de visibilidad. Se trata de autoridad”. Los modelos lo usan porque es barato para sonar seguros y abunda en la literatura instructiva de entrenamiento. Máximo dos por artículo y reescribe el resto como afirmaciones directas. La pieza deja de sonar performativa al instante.

Flujo de triaje: editar, reescribir o descartar

La mayor parte del tiempo de edición se desperdicia en borradores que debieron descartarse al minuto tres. Nombrar la categoría “descartar” ahorra el día, y un triaje de cuatro preguntas lo resuelve en cinco minutos.

Pregunta uno: ¿el borrador aporta al menos un dato, ejemplo o cifra concreta que no sea genérico? “Los equipos de marketing deben alinearse con el customer journey” no es concreto. “Los equipos que publican más de dos piezas semanales ven la decadencia a los seis meses en vez de a los catorce” sí lo es. Si no hay nada específico, al modelo le faltó material y la edición no lo solucionará.

Pregunta dos: ¿la estructura es rescatable o hay que replantearla? Lee la lista de H2 en voz alta. Si el argumento fluye, la estructura sirve y el trabajo será mecánico y de criterio. Si la lista parece un cúmulo de párrafos adyacentes sin tesis, el problema es estructural y editar no ayudará.

Pregunta tres: ¿las afirmaciones factuales son correctas? Verifica un número, una cita y una mención de herramienta. Si dos de tres están mal, el borrador tiene alucinaciones en todo el texto y limpiarlas tomará una hora.

Pregunta cuatro: ¿cuántas de las seis señales aparecen a alta densidad? Con dos o menos, el pase mecánico es corto. Con cuatro o más, el borrador se generó con sampling por defecto y post-procesado mínimo; la edición será mayor.

Las tres salidas. Ejemplos concretos presentes, estructura bien, datos sólidos y dos o menos señales densas: edita en sitio, planifica 45–90 minutos. Estructura bien pero faltan datos o están mal: reescribe desde el esquema usando el borrador como briefing, 90–150 minutos. Genérico y estructura enredada: descarta y vuelve a pedir con un briefing más ajustado. Entre 15 % y 20 % de mis borradores acaban en la papelera; vale la pena esos cinco minutos para detectarlo.

Cómo se ve realmente un párrafo editado

Las correcciones mecánicas se aprecian mejor en un ejemplo que en teoría. Aquí un párrafo representativo (sobre señales de decay de páginas) en dos pases.

Versión de la IA: «El decay de contenido no es un proceso lento. Es uno abrupto — y la mayoría lo pasa por alto. Cabe señalar que la curva típica de decay avanza más rápido de lo esperado. Por eso medir importa: sin una línea base, nunca sabrás si una página se recupera o sigue cayendo. Importante: la señal está en la tendencia, no en la instantánea».

Versión editada: «El decay de contenido cae más rápido de lo que la mayoría espera. La curva típica pierde entre 8 % y 12 % de clics mensuales a los seis meses de la última actualización significativa, y la señal vive en la tendencia, no en la foto fija. Cuando audité mi propio portafolio el trimestre pasado, tres de siete páginas en observación habían superado el umbral del 8 %; una ya iba por 15 % y no lo vi porque solo miraba la instantánea».

Cuatro cambios: se quitaron dos de tres em-dashes; la antítesis se volvió afirmación directa; el vago “Por eso” se reemplazó por el referente explícito; y se añadió un ejemplo propio con cifras. Este último pesa más que los otros tres juntos: cuando aparece un caso real, el “suena a IA” se evapora.

Las decisiones de criterio que la checklist no cubre

Reconocer lo que sigue siendo humano clarifica los límites del pase mecánico. Cuatro tipos de edición quedan fuera de cualquier lista, y son los que diferencian un borrador de IA editado de otro.

Afirmaciones factuales. Los modelos inventan cifras con una frecuencia que sorprende a los recién llegados. Un borrador decía “el 63 % de los marketers mide el ROI de contenido” como si fuera un estudio real. El dato de Content Marketing Institute más cercano era 41 % y medía otra cosa. Verifica cada número en su fuente primaria; si no la tienes, elimina la afirmación.

Citas. Peor que los números: los modelos inventan títulos, autores y frases. Un borrador citaba “Smith y Patel (2022)” con una frase inexistente. El artículo sobre knowledge-based trust cubre el tema; la regla práctica es comprobar cada referencia antes de publicar.

Enfoque. El ángulo y la tesis son decisiones editoriales. Si el enfoque es erróneo (vende certeza donde cabe matiz o al revés), ninguna edición mecánica lo arreglará. Reescribe la introducción; el resto suele servir.

Ejemplos. El cambio de mayor impacto. Sustituir un ejemplo genérico (“un equipo de marketing”, “una empresa SaaS”) por uno real propio. Un solo ejemplo pesa más que cinco eliminaciones de hedges en la percepción de humanidad.

Cuando el problema de fondo es la voz, no la edición

La válvula de escape: algunos borradores salen genéricos porque el briefing lo era. La edición no puede dar voz a lo que nunca la tuvo. Si tres borradores seguidos se van a “descartar” o “reescribir”, el problema no es el modelo, sino el briefing.

El síntoma es claro: los textos tratan el tema sin tu punto de vista. Todas las correcciones deseadas son de enfoque. El pase mecánico limpia la superficie pero la pieza suena a cualquiera. Eso es estrategia de voz, no flujo de edición, y se arregla aguas arriba.

La pieza sobre estrategia de voz explica cómo definir una voz dirigible por el modelo (guía de estilo, movimientos distintivos, formulaciones prohibidas). Para quienes quieran formalizar el perfil de voz y meterlo en prompts recurrentes, el artículo sobre flujos agentic es la siguiente lectura.

Realidad de los detectores, en tres párrafos breves

La lectura honesta de lo que realmente hacen los detectores de IA se divide en tres categorías.

Lo que detectan con fiabilidad: salida literal del modelo con sampling por defecto. Si publicas texto sin editar de GPT, Claude o Gemini, lo marcarán. Están entrenados para ello; no te revelan nada nuevo.

Lo que detectan mal: salida parafraseada (Sadasivan: los detectores basados en recuperación caen a 25 % y los de watermark a 15 % tras parafraseo recursivo), pasajes mixtos humano-IA y borradores con revisión moderada. Tras el pase de las seis señales, la mayoría pierde confianza.

Lo que fallan: escritores de inglés no nativo (Liang et al., 2023: 61 % de falsos positivos en ensayos TOEFL), redacción académica muy hedgeada y cualquier texto con baja burstiness. Si escribes en registro formal, tu prosa humana puede puntuar “IA”. Es sesgo del detector, no tuyo. Pasa tu borrador por nuestro detector si quieres una revisión rápida, pero trátalo como segunda opinión, no como métrica a optimizar.

Lo que hago realmente en los treinta minutos antes de publicar

Sistematiza todo en un pase de treinta minutos pre-publicación. Cuatro pasos con límite de tiempo.

Triaje, cinco minutos. Responde las cuatro preguntas y obtén veredicto. Si es “descartar”, detente y re-prompt; recuperarás los 25 minutos restantes. Si es “editar en sitio” o “reescribir desde esquema”, continúa.

Pase mecánico, diez minutos. Busca em-dashes, cuenta y limita a dos por mil palabras. Grep para “It is not” y “is not a”; limita a dos por artículo. Revisa inicios de párrafo para hedges y elimina. Detecta “This/It/They” vagos y cambia por el sustantivo. Comprueba tres párrafos por paréntesis uniformes y mezcla los tipos.

Pase de criterio, diez minutos. Verifica un dato contra fuente primaria. Sustituye un ejemplo genérico por uno propio. Relee la intro y revisa el enfoque — ¿afirma la tesis o la esquiva? Reescribe si esquiva. El artículo sobre refresh strategy cubre el pase paralelo cuando actualizas contenido existente.

Sanity check, cinco minutos. Lee en voz alta los dos primeros párrafos: si no suenan a ti, la intro aún falla. Lee el último: si acaba en una floritura genérica, corta la última frase.

Lo que la pregunta del detector realmente significa

La cuestión del detector es un proxy de otra: “¿alguien editó esto de verdad?”. La primera es imprecisa; la segunda se responde en treinta minutos. Replantea la pregunta y el trabajo seguirá.

Dos lecturas para profundizar: el artículo sobre blogs saturados de IA detalla el fallo que esta edición previene, y la pieza sobre migración de sitios IA cubre el contexto estratégico para operadores que usan IA a escala.

FAQ

¿Google penalizará contenido redactado con IA? La postura de Google en la actualización de políticas de spam de marzo de 2024 es que la asistencia de IA no se penaliza en sí; lo que penalizan es contenido creado a escala sin revisión editorial ni valor para el lector. Edita el borrador, añade el ejemplo específico y estarás dentro de la política. El artículo sobre la trampa black-hat amplía el marco.

¿Los detectores de IA son realmente precisos? No, de forma confiable. Sadasivan et al. (2023) mostró que el parafraseo recursivo baja varios detectores al 15–25 % de precisión, Liang et al. (2023) halló 61 % de falsos positivos contra escritores no nativos y OpenAI retiró su clasificador en julio de 2023 por su baja precisión (solo identificaba el 26 % de texto IA y marcaba 9 % de texto humano). Toma el output como segunda opinión ruidosa, no como objetivo.

¿Cuánto debe tardar la edición de un borrador de IA? Entre 30 y 90 minutos si editas en sitio, 90 a 150 si reescribes estructura. Si vas por tres horas, quizá debiste descartarlo y re-prompt más ajustado.

¿Qué pesa más, las ediciones mecánicas o el trabajo de criterio? El trabajo de criterio, por mucho. El pase mecánico cubre el 80 % del “suena a IA”; el criterio es lo que hace único al borrador editado, y el ejemplo específico es el cambio de mayor impacto. La guía de decay de contenido es una buena referencia para el criterio de auditoría.

¿Qué hago si un cliente pregunta si el contenido se generó con IA? Sé honesto. La mayoría acepta “redactado con IA, editado a mano” cuando la edición es real. El riesgo de marca no es la IA, sino ocultarla. La edición es el entregable.