Más de 13,000 frases aparecen con mayor frecuencia en contenido generado por inteligencia artificial que en textos escritos por humanos. Ese dato, surgido de un análisis comparativo que utilizó 10,000 artículos previos al lanzamiento de ChatGPT como grupo de control, sintetiza uno de los hallazgos más relevantes sobre el estado actual de la prosa automatizada: los modelos de lenguaje no han logrado eliminar sus patrones distintivos, solo los han desplazado.

La metodología del estudio fue diseñada para minimizar sesgos de origen. Los investigadores pidieron a distintos modelos que reescribieran artículos humanos a partir de resúmenes, lo que permitió comparar la producción textual de cada sistema contra una línea base verificable. Los resultados muestran que, aunque señales históricas como el abuso del guión largo han disminuido drásticamente —hasta un 99% en algunos modelos—, nuevas construcciones ocupan ese espacio.

Señales específicas por modelo

Entre los patrones más llamativos identificados, destaca la tendencia de ciertos modelos a enfatizar la relevancia de los temas tratados. La frase equivalente a "esto importa" aparece 116 veces más en textos de uno de los modelos analizados que en muestras humanas. De forma similar, la palabra "confiable" surge 23 veces más frecuente que en la escritura de personas, y persisten construcciones de contraste como "es más que un X, es un Y", variante de una fórmula retórica que los laboratorios ya intentaron corregir en versiones anteriores.

Otros modelos presentan patrones distintos pero igualmente sistemáticos. El "encuadre correctivo" —definir un concepto como "no simplemente X" o presentarlo como alternativa a algo— aparece más de 100 veces con mayor frecuencia que en prosa humana. Esta construcción, que simula profundidad analítica, es precisamente el tipo de señal que resulta difícil de detectar sin análisis estadístico, pero que acumula un efecto reconocible en textos extensos.

Implicaciones para estrategias de contenido

La persistencia de estas señales tiene consecuencias prácticas para cualquier organización que utilice IA generativa en su producción de contenido. La detección automatizada de texto generado por IA —empleada por plataformas editoriales, motores de búsqueda y sistemas de evaluación académica— se actualiza continuamente para rastrear exactamente este tipo de patrones estadísticos. Confiar en que un modelo "escribe más natural" sin verificación independiente representa un riesgo operativo real.

Además, la estabilidad en el número total de señales —aunque varíen cuáles son— sugiere que la estrategia de los laboratorios de eliminar marcadores conocidos no resuelve el problema estructural: los modelos optimizan para objetivos de entrenamiento que no son idénticos a los de la escritura humana auténtica. Mientras esa brecha exista, seguirán emergiendo nuevos patrones en lugar de los eliminados.

Para equipos que gestionan comunicación institucional, relaciones públicas o producción editorial a escala, el análisis apunta hacia una práctica concreta: la revisión humana no debe enfocarse solo en coherencia o tono, sino en identificar y neutralizar activamente las construcciones estadísticamente atípicas que los modelos tienden a reproducir de forma sistemática.