Agentes de programación pueden ensamblar textos de IA para esquivar detectores

El 25 de septiembre de 2026, unos investigadores publicaron un estudio que muestra cómo un agente de programación puede armar textos a partir de un modelo de lenguaje base para evadir sistemas de detección de IA. El agente, basado en Claude Opus 5, obtiene hasta el 90% de sus palabras de un modelo de 32.000 millones de parámetros llamado OLMo-2. En las pruebas, las respuestas ensambladas lograron eludir dos tipos de detectores: la tasa de detección bajó del 77% al 24% en una popular herramienta de análisis posterior a la generación, y a cerca del 10% en una prueba basada en marcas de agua.

Cómo funciona la técnica

Los métodos anteriores intentaban reescribir varias veces textos generados por IA, lo que a menudo alteraba su significado. En cambio, este método hace que el agente actúe como un editor que copia y pega. Le pide al modelo base muchas muestras breves y luego selecciona los fragmentos que mejor se ajustan a la tarea: escritura creativa, respuestas fácticas, preguntas de salud o seguimiento de instrucciones. Al unir esos fragmentos, el resultado final se mantiene en tema y suena natural, mientras que el detector ve una mezcla de muchos fragmentos pequeños en lugar de un flujo continuo de texto generado por IA.

Implicaciones y costos

El método funciona, pero es caro. Como el agente envía y recibe muchos más tokens —las unidades básicas del texto—, cada consulta puede costar hasta treinta veces más que una llamada estándar a una API. Los investigadores advierten que los servicios de detección tendrán que entrenarse con este tipo de textos ensamblados si quieren seguir siendo eficaces. Para los usuarios de a pie, el hallazgo significa que las herramientas que afirman detectar contenido escrito por IA podrían ser menos fiables de lo que dicen.