Pangram: detectar IA no es solo ‘real o falso’, dice su CEO

El CEO de Pangram reabre el debate en el podcast Equity de TechCrunch

Max Spero, cofundador y CEO de Pangram, pasó por el podcast Equity de TechCrunch para defender una idea incómoda: la detección de contenido generado por IA no es un juego de "real o falso". En la entrevista publicada el 2 de septiembre de 2026, Spero insistió en que el verdadero reto está en distinguir niveles de asistencia —un texto escrito por humanos, pulido por un LLM, o generado desde cero— y en decidir qué umbral deDisclosure exige cada plataforma.

La conversación llega en un momento en que la startup neoyorquina acaba de cerrar una ronda de US$9 millones liderada por Menlo Ventures, con la participación de Haystack, ScOp Venture Capital, Script Capital y Cadenza, según reportó TechCrunch el 29 de julio. Esos fondos elevan el total levantado por la compañía a cerca de US$13 millones, tras una primera ronda de US$2,7 millones en junio de 2025.

Por qué "real o falso" se quedó corto

Spero lleva meses argumentando —y lo repitió en Equity— que asistir con IA no es lo mismo que generar con IA. Para Pangram, escribir un borrador y pedirle a ChatGPT que lo pula no debería recibir el mismo tratamiento editorial que un artículo salido en un clic desde un prompt vacío.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Esa distinción importa porque ya afecta a la confianza en internet:

Currículos y postulaciones llegan con texto pulido por IA que los reclutadores no saben cómo evaluar.
Reseñas de productos se inflan con frases genéricas que ahogan las experiencias reales.
Reclamaciones a seguros y hasta discursos políticos —como el caso del político canadiense que leyó un prompt en voz alta ante el Parlamento— exponen los límites del uso no declarado.

En el lado regulatorio, arXiv introdujo este año una política que prohíbe durante un año a cualquier autor cuyo paper muestre evidencia de no haber revisado el output de un LLM (referencias inventadas o comentarios meta como "¿Quieres que haga algún cambio?"), un movimiento que Spero ve como anticipo de lo que vendrá en otros ámbitos.

Cómo funciona Pangram, en términos simples

A diferencia de detectores clásicos basados en perplexity —que miden qué tan "sorprendido" estaría un LLM ante cada palabra— Pangram entrena un clasificador de red neuronal sobre millones de documentos humanos reales y sus "dobles" sintéticos generados por modelos frontier. La empresa detalla en su blog técnico que su dataset de texto humano proviene exclusivamente de fuentes previas a 2021, antes de que la IA generativa contaminara la web.

El resultado: en lugar de preguntar "¿qué palabra escribiría aquí un LLM?", Pangram pregunta "¿a quién se parece este texto?". Eso le permite esquivar dos trampas clásicas de los detectores viejos:

No marca la Declaración de Independencia como IA, aunque cada palabra sea predecible para un modelo moderno.
Resiste mejor los "humanizers", programas que reescriben texto IA para hacerlo sonar más natural.

Según los benchmarks internos publicados con el lanzamiento de Pangram 4, el modelo presume más del 99% de precisión en detectar escritura asistida o mixta, con una tasa de falsos positivos de aproximadamente 1 en 10.000 documentos (o 0,0041%, según cifras reportadas por SiliconANGLE el 29 de julio: alrededor de 1 en 24.000 documentos en sus pruebas más recientes).

Substack, Quora y la apuesta por integrarse como "capa de confianza"

Pangram no solo vende acceso directo. Su movimiento estratégico ha sido convertirse en infraestructura para plataformas:

Substack integró su tecnología en julio de 2026 para mostrar a los lectores qué porcentaje de cada newsletter parece IA-asistida, IA-generada o humana. El CEO de Substack, Chris Best, lo presentó con una frase elocuente: "No todo lo hecho con IA es slop, y no todo el slop está hecho con IA".
Quora, universidades, publishers y reclutadores usan la API de Pangram, según confirmó Spero a TechCrunch.
Una extensión de Chrome etiqueta en tiempo real los posts en X, LinkedIn, Substack, Reddit y Medium, e incluso muestra un "feed health score" con el porcentaje de contenido humano en pantalla.
El plan individual cuesta US$20 al mes en la versión web.

Pangram Image: el siguiente frente

La compañía también presentó Pangram Image, un detector de imágenes generadas por IA actualmente en research preview. A diferencia de marcas de agua como SynthID de Google, que solo detecta lo producido por sus propios modelos, Pangram Image analiza distribuciones a nivel de píxel para identificar imágenes creadas por GPT Image, Gemini Nano Banana, Midjourney, FLUX, Grok Imagine, Kling, Seedance, Veo y Wan, entre otros.

El contexto es urgente. Un estudio citado por SiliconANGLE muestra que la capacidad humana promedio para distinguir imágenes reales de IA ronda el 63,7%, pero cae a cerca del 29% ante generadores potentes como FLUX. La diferencia entre un humano adivinando y una moneda al aire (50%) ya es marginal.

El debate abierto: ¿son confiables los detectores?

Pangram presume métricas competitivas, pero el escepticismo académico sigue vivo:

MIT Sloan Teaching and Learning Technologies sostiene que la tecnología está "lejos de ser infalible" y presenta tasas de error altas que pueden traducirse en acusaciones injustas.
La Mozilla Foundation denunció que varios detectores son sesgados contra hablantes no nativos de inglés.
La Universidad de Waterloo discontinuó el uso de Turnitin (uno de los detectores líderes) en septiembre.
MIT mantiene la posición pública de que los detectores de IA "simplemente no funcionan" y recomienda políticas educativas adaptativas en lugar de veredictos automáticos.

Pangram responde que su enfoque de clasificador es fundamentalmente distinto al de la perplexity, y que ha sido verificado de forma independiente por equipos de la Universidad de Chicago y la Universidad de Maryland. Aun así, Spero coincide con los críticos en lo esencial: "No queremos alimentar una cacería de brujas contra gente que usa IA para escribir".

El panorama competitivo

Pangram no está sola. TechCrunch列举 a Winston AI, Originality.ai, Copyleaks y GPTZero como competidores que persiguen el mismo nicho, cada uno con su propio detector. La pregunta para el 2026 no es si habrá un ganador técnico, sino qué plataforma de distribución se convierte en el estándar —y ahí Substack es la apuesta más visible hasta ahora.

Un dato de mercado citado por Mashable, proveniente de la firma de marketing digital Graphite, sostiene que la cantidad de artículos en línea primordialmente generados por IA ya es aproximadamente igual a la cantidad de artículos escritos por humanos, lo que explica por qué plataformas de contenido buscan desesperadamente una capa de provenance.

¿Qué significa esto para tu startup?

Si construyes producto en 2026, la conversación de Pangram va más allá de la herramienta misma: redefine qué significa transparencia de autoría. Tres acciones concretas:

Audita cuánto de tu contenido ya es IA-asistida. Corre tus newsletters, posts de blog y descripciones de producto por un detector antes de publicar. Si tu marca promete "escrito por humanos", un verificador externo te protege de prometer lo que no cumples.
Integra la pregunta deDisclosure en tu producto desde el día uno. Si tienes una herramienta de escritura, edición o generación de assets, añade un campo de "nivel de asistencia IA" en los metadatos del output. El modelo de Pangram apunta a que la industria exigirá esa información granular, no un booleano.
Prepárate para el lado imagen. El detector de Pangram cubre nueve generadores populares; revisa si tu stack creativo (midjourney, FLUX, Nano Banana) entra en alguna lista de disclosure obligatoria. En Europa, el AI Act ya empuja en esa dirección.