# Agentes de programación pueden ensamblar textos de IA para esquivar detectores

> Un nuevo método permite a agentes de software armar respuestas a partir de un modelo de lenguaje más pequeño. Así, reduce las tasas de detección del 77% al 24%, aunque eleva hasta treinta veces el costo de las consultas.

Oossa · 2026-09-29 · https://oossa.com/es/coding-agents-can-stitch-ai-text-to-dodge-detection-tools

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.

## Los hechos

- El estudio fue presentado el 25 de septiembre de 2026 por Bhuwan Dhingra.
- Claude Opus 5 coordinó un modelo local OLMo-2 de 32.000 millones de parámetros.
- La tasa de detección del detector Pangram v4 cayó del 77% al 24%.
- La detección de marcas de agua suaves bajó a cerca del 10% con tasas bajas de falsos positivos.
- El costo de las consultas puede aumentar hasta 30 veces porque el agente utiliza muchos más tokens.

## Por qué importa

Si las herramientas de detección se vuelven menos fiables, podría resultar más difícil comprobar si un texto fue escrito por una persona o por una IA, lo que afectaría la confianza en el contenido en línea. A la vez, el alto costo de esta técnica de evasión hace poco probable que se use de manera casual y mantiene una barrera de acceso elevada para la mayoría de los usuarios.

## Fuentes y referencias

1. [Agents Can Use Base Models to Evade AI Detection](https://arxiv.org/abs/2609.31876) – arXiv, 2026-09-29

Última actualización: 2026-09-29