Detección de IA en novelas: el caso Orélien expone límites

El caso que reabrió el debate

Thélyson Orélien ganó el Premio Fnac el 21 de septiembre con C'était ça ou mourir, una novela sobre el calvario migratorio haitiano hacia Canadá que ha vendido 35.000 ejemplares y pelea por el Goncourt, el Médicis, el Femina y el Renaudot. El mismo día del premio, una cuenta anónima de X con apenas 92 seguidores publicó un hilo denunciando que la obra habría sido escrita con IA. El tuit superó los 3 millones de vistas y la cuenta ya roza los 9.000 seguidores.

El detonante no fue un análisis literario, sino una métrica de Pangram: el detector estadounidense marcó el 94% del texto completo (64.103 palabras) como IA, con pasajes individuales rozando el 100%. Lucide, el detector francés, coincide. InVID-WeVerify y otros siete detectores discrepan. Y ahí empieza el problema para cualquier editor o crítico: no hay árbitro, hay un mercado de herramientas que se contradicen.

¿Qué hace exactamente Pangram y por qué importa a tu equipo?

Pangram es un laboratorio de IA fundado por los exestudiantes de Stanford Max Spero y Bradley Emi. En julio de 2026 cerró una ronda de US$9 millones liderada por Menlo Ventures (con Haystack, ScOp, Script Capital y Cadenza) y lanzó Pangram 4, su modelo de detección de texto, junto con un detector de imágenes en preview. Según TechCrunch, Pangram afirma más del 99% de precisión encontrando escritura asistida por IA y un índice de falsos positivos de 1 en 10.000 textos humanos (0,01%).

🤖 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

El modelo se entrena con decenas de millones de documentos humanos y crea un "espejo sintético" de cada uno — mismo tema, longitud y tono, pero escrito por un LLM frontera— para aprender las diferencias estilísticas. No depende de marcas de agua ocultas: identifica patrones estadísticos. La propia compañía lo vende como un sistema capaz de distinguir incluso escritura mixta (humano + edición con IA), y afirma neutralizar el 98,8% de los textos pasados por humanizers comerciales. Substack ya integró su API para etiquetar newsletters.

Lo que esto significa para tu startup: si generas contenido (posts, newsletters, documentación, copy para clientes), estás operando bajo el mismo microscopio que una novela francesa premiada. Pangram y sus competidores — Winston AI, Originality.ai, Copyleaks, GPTZero — ya están siendo adoptados por reclutadores, universidades y plataformas de contenido.

Los veinte falsos positivos: por qué el detector puede fallar

El artículo original documenta un experimento contundente: Pedro Torriijos tomó un texto 100% humano de 230 palabras, añadió 14 palabras, transformó una aposición en adversativa y convirtió dos series de dos elementos en series ternarias. Veredicto de Pangram: 100% IA. Repitió con 320 palabras (las mismas 14 añadidas): humano. Luego hizo el mismo cambio mínimo sobre esas 320 idénticas: IA de nuevo. Quitó las series ternarias, mantuvo la adversativa: humano. Cambió un punto por una coma y el 49% del texto salió IA — y no era la frase tocada, sino la segunda mitad.

La tasa del 0,0041% de falsos positivos que presume Pangram mide cuántos textos humanos son marcados como IA sobre un millón de documentos web en inglés, no sobre novelas francesas contemporáneas. Además, mezclar dos probabilidades — textos humanos mal clasificados vs. textos marcados que son humanos — es lo que el investigador Nicolas Casaux señala como refuerzo positivo: si el detector tropieza con un rasgo del autor, tropezará veinte veces seguidas.

Sobre Orélien, Pangram marcó 14 de 20 textos pre-2017 como humanos, 6 como mixtos. Post-2023, 8 de 13 textos salieron como IA, 5 mixtos y ninguno humano. Eso no es una prueba: es un patrón estadístico que admite múltiples lecturas. Y la propia documentación de Pangram reconoce que su nota no basta como evidencia única.

Qué dice la investigación académica sobre los detectores

La educación superior ya está dando marcha atrás. Este mes, la New South Wales Education Standards Authority actualizó sus reglas para impedir que las escuelas australianas se apoyen en detectores de IA al decidir si un alumno hizo trampa. Según el medio Digital Information World, la Universidad de Melbourne, Sídney y UNSW aún los usan de forma limitada, pero Curtin y Queensland los descartaron por completo.

Turnitin, el detector más usado en universidades, promociona una tasa de falsos positivos menor al 1% y aclara que su software solo es fiable cuando el documento contiene más del 20% de contenido IA. El experto Phillip Dawson estimó en 2023 que incluso un 0,7% de falsos positivos en Australia implicaría más de 100.000 evaluaciones mal señaladas al año. La Australian Catholic University remitió a casi 6.000 estudiantes por sospecha de uso de IA en 2024 —el 90% por esa causa— y luego descartó los casos donde la única evidencia era Turnitin.

La razón de fondo: una tasa de 1 en 10.000 mide cuántas veces el detector acierta sobre textos que ya sabemos humanos, pero en el mundo real nunca sabemos de antemano cuántos papers son humanos — para eso usamos el detector. Acuerdo entre múltiples detectores tampoco significa acierto: comparten el mismo supuesto de que humanos e IA escribimos distinto.

El precedente internacional: cuando el gremio habla (o calla)

La novela de Orélien no es el primer caso. En 2024, Rie Kudan ganó el Akutagawa japonés y admitió en la ceremonia que ChatGPT ayudó en parte de su novela. En julio de 2026, los agentes del debutante Jerry Falade retiraron su manuscrito de la negociación, con más de US$2,4 millones en juego, tras sospechas de uso de IA. Olga Tokarczuk, Nobel de Literatura, contó en mayo en un foro de Poznań que usa IA y llama "cariño" al chatbot; después aclaró que solo la emplea para verificar datos.

Mientras tanto, autores y periodistas ya están autocensurando su estilo: evitan listas de tres, guiones largos y metáforas ambiguas. El experto Frédéric Kaplan advierte que los detectores fueron entrenados con textos previos a 2018, y esa vara de medir envejece mes a mes.

¿Qué significa esto para tu startup?

El caso Orélien demuestra que la pregunta "¿esto lo escribió una IA?" ya no tiene respuesta técnica cerrada: hay dinero, rondas de US$9 millones y product-market fit detrás de los detectores, pero ningún juez neutral. Para founders que producen o revisan contenido, esto obliga a decisiones que antes no existían.

Acción 1 — Audita tu pipeline de contenido con detectores antes de publicar, no para sancionar, sino para entender qué firmas estilísticas está heredando tu marca. Prueba el mismo texto en Pangram, Winston AI y GPTZero y compara: las discrepancias son tu mapa de riesgo.

Acción 2 — Documenta el grado de uso de IA en cada pieza: si tu equipo usa ChatGPT para un outline o para pulir un borrador, decláralo internamente y, donde aplique, en el entregable. Substack ya etiqueta autores según su uso; pronto será estándar en educación, medios y B2B. La transparencia preemptiva cuesta menos que un escándalo posterior.

El futuro que dibuja el cofundador de Pangram es claro: "seguimos teniendo GPUs nuevas más rápido de lo que nacen personas, y si no discriminamos a favor del contenido humano, lo ahogaremos". La confianza en el texto se ha vuelto un problema de producto, no de gramática.