Lobsters banea a un usuario por escribir como una IA

Un baneo por "escribir como una IA": el caso que incomoda a las comunidades tech

Un servicio externo de detección marcó uno de sus comentarios como 100% generado por IA. Con esa etiqueta como única prueba, varios usuarios de Lobsters —un agregador de noticias de tecnología con una comunidad muy activa en los comentarios— empezaron a acusarlo de ser un bot. Horas después, su cuenta estaba baneada.

El protagonista no era un recién llegado: llevaba años contribuyendo con enlaces y comentarios, mantenía el cliente de Emacs para Lobsters y era asiduo del canal de IRC de la comunidad. Lo contó en su propio blog, y el episodio deja una lección incómoda para cualquier founder que publique contenido o gestione una comunidad: los detectores de IA se están usando como veredictos cuando apenas son indicios.

La cronología: de dominio bloqueado a expulsión

El conflicto empezó mucho antes del baneo. Hacia la Navidad de 2025, el autor intentó compartir un artículo propio en Lobsters y recibió un aviso: el dominio de su sitio estaba bloqueado por autopromoción. Escribió a los moderadores para explicar la situación. No obtuvo respuesta.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Casi un año después, con varios artículos ya en la portada de Hacker News, decidió volver. Publicó un texto sobre cómo construyó un BBS moderno y lo etiquetó como "show". Mismo resultado: dominio bloqueado. El bloqueo seguía en pie y su mensaje anterior nunca había sido contestado.

Por casualidad encontró una forma de publicar un dominio bloqueado —lo describió como un pequeño bug— y volvió a la plataforma tras un año de exilio. La publicación subió poco a poco, llegó a 8 puntos y apareció en la portada. La conversación era constructiva: un usuario incluso le señaló un fallo de diseño. Entonces se torció todo.

Varios usuarios lo acusaron de usar IA, no en su código sino en sus respuestas. Uno de ellos enlazó un servicio externo que aseguraba que uno de sus comentarios era 100% generado por IA. Otros se sumaron, el hilo empezó a acumular reportes de spam y quedó oculto. El autor escribió a un moderador con el asunto "Help!". Tampoco hubo respuesta.

Días después llegó el mensaje: su historia había sido eliminada por incumplir las reglas de la comunidad. La norma citada es explícita: la autopromoción debe representar menos de una cuarta parte de las historias y comentarios de un usuario en el último año, y los usuarios nuevos (primeros 70 días) no pueden publicar autopromoción. El autor preguntó dónde está la línea entre compartir conocimiento y autopromocionarse, y si había forma de apelar. La respuesta fue que mejorara su ratio.

Se comprometió a hacerlo. Dos horas más tarde recibió un correo titulado "[Lobsters] account X banned", con una justificación de tres palabras: "Only self-promo, slop". Apeló por email. Nunca le contestaron.

Por qué los detectores de IA fallan tanto

El caso no es una anécdota aislada. Los propios números de la industria explican por qué una acusación basada en un detector es tan frágil.

Un estudio de Stanford citado por Analytics Insight encontró una tasa media de falsos positivos del 61,3% en ensayos escritos por personas no nativas del inglés, y más del 91% de esos textos fueron marcados por al menos una herramienta. Los ensayos de nativos angloparlantes, en cambio, casi nunca se marcaban.

La misma publicación recuerda que OpenAI retiró su propio clasificador en julio de 2023 después de detectar solo el 26% del texto generado por IA, y que Vanderbilt University desactivó el detector de Turnitin en 2023: con una tasa de falsos positivos del 1% sobre 75.000 trabajos, habría acusado injustamente a unos 750 estudiantes.

NPR documentó el problema desde el otro lado. La ghostwriter Sally McGraw, con más de 20 años de trayectoria, vio cómo varias herramientas marcaban su muestra de escritura como generada por máquina; hoy evita ciertas palabras y hasta deja fuera comas que antes usaba, con la esperanza de parecer humana. "Es como intentar engañar a una máquina para que piense que no soy una máquina", dijo.

El profesor Chris Callison-Burch, de la Universidad de Pennsylvania, explicó a NPR por qué ocurre: muchos detectores funcionan preguntándole a un modelo de lenguaje qué tan predecible es un pasaje, y los modelos encuentran "inusualmente predecible" el texto que ya vieron durante su entrenamiento. Entre las señales que disparan una alerta están la palabra "delve", el uso frecuente de guiones largos, las ideas agrupadas en listas de tres y los adverbios como "notably" o "crucially". Es decir, hábitos perfectamente humanos.

Incluso las herramientas que presumen de precisión fallan. Pangram, que según reportó The Dartmouth se autoatribuye una tasa de falsos positivos del 0,01%, marcó como "escrito por IA" el 96% (mediana) de los textos publicados en 2026 por el provost de esa universidad, Santiago Schnell, mientras que sus trabajos anteriores a 2022 salían como "100% humanos".

El costo real: escribir bien se volvió sospechoso

Hay un daño que no aparece en ninguna métrica: el incentivo perverso sobre cómo escribimos. El autor lo describe con precisión. Antes, una respuesta larga y cuidada, con referencias y citas, se recibía con respeto. Hoy el patrón que "prueba" humanidad es la respuesta corta, sin puntuación ni adornos.

La Authors Guild lo dijo sin rodeos: el uso de detectores de IA "crea un ambiente que recuerda a una caza de brujas". Y Neil Clarke, editor de la revista de ciencia ficción Clarkesworld, contó a NPR que las postulaciones pasaron de unas 1.100 al mes en 2021 a duplicarse hacia febrero de 2023, con un aumento de su carga de trabajo de alrededor del 30%. Su conclusión es la más sensata del debate: "Las postulaciones deberían terminar en un rechazo, no en una acusación".

Qué significa esto para tu startup

Si tu producto, tu equipo o tu comunidad tocan contenido generado por IA, este caso te afecta directamente.

No uses un detector como prueba. Ni para filtrar candidatos, ni para evaluar freelancers, ni para moderar usuarios. Trátalo como una señal entre muchas. Vanderbilt hizo los números y prefirió apagar la herramienta.
Guarda el rastro de tu proceso. Borradores, fuentes, entrevistas, datos propios, historial de versiones. Es lo único que te permite responder a una acusación con evidencia en lugar de indignación. Si tu equipo publica contenido, hazlo parte del flujo de trabajo desde el día uno.
Si gestionas una comunidad, escribe reglas claras y contesta. El problema de Lobsters no fue solo la norma de autopromoción: fue el silencio. Un autor que escribe tres veces y no recibe respuesta no se va a ir con una buena impresión de tu producto.
Cuidado con penalizar el estilo. Guiones largos, listas de tres o ciertos adverbios no son prueba de nada. Si tu moderación automática los castiga, vas a expulsar a tus mejores escritores.
Si construyes herramientas de detección, el falso positivo es tu riesgo de producto. Un falso positivo no es un bug menor: es un usuario real perdiendo una oportunidad, y una acusación pública difícil de revertir.

Conclusión

El baneo en Lobsters es un caso extremo, pero la dinámica se repite en foros, marketplaces de freelancers, procesos de contratación y plataformas educativas. La tecnología para detectar IA no está a la altura de las decisiones que se toman con ella, y la evidencia es contundente: tasas de falsos positivos altísimas en ciertos grupos, clasificadores retirados por sus propios creadores y detectores que se anuncian como casi perfectos marcando a un provost.

Para un founder, la conclusión práctica es doble. Si usas estas herramientas, úsalas como pista. Y si tu negocio depende de que la gente escriba, cuida el incentivo: cuando escribir bien se vuelve sospechoso, el que pierde es el producto.