Los editores de IA reescriben el texto en silencio: cómo medir la proporción de cambios antes de elegir modelo

Le entrega un artículo a una red neuronal con la petición «corrige solo los errores». Le devuelve un texto fluido en el que ya no se reconoce al autor. ¿Le suena? No es un capricho de un solo modelo, sino un comportamiento por defecto, y ya se ha intentado medir.

Pedir «solo gramática» no protege el sentido

En un preprint de 2026, investigadores de Berkeley, Google DeepMind y otras organizaciones compararon las correcciones de personas y de tres modelos de IA en 86 ensayos. Las personas corregían poco y en direcciones distintas. Los modelos alejaban el texto del original. La prohibición directa no ayudó: el sentido cambiaba incluso después de las observaciones de un experto y de la petición de corregir solo la gramática. En un experimento paralelo, entre quienes escribían activamente con una red neuronal, la proporción de ensayos neutrales, sin postura sobre el tema, aumentó casi un 70 %.

De ahí la conclusión práctica: no se puede elegir un editor por la sensación de que «ha mejorado». La fluidez es precisamente un síntoma de reescritura.

Los rankings no ayudan aquí. Kimi K3 está entre los veinte primeros del segmento ruso de Arena, DeepSeek V3.2 ocupa el 4.º puesto en llmarena.ru, Qwen3.5-27B es primero en la columna de textos largos de MERA Reason y Grok 4.7 es 13.º en el ranking popular AI-Stat. Pero estas tablas miden diálogos, escenarios de rol y textos largos, no la corrección de un artículo ajeno. Además, los puestos de tablas distintas no son comparables entre sí: los participantes, las tareas y las fechas son diferentes.

Cómo medir cuánto cambió el modelo

Primero, el prompt. Enumere los cambios permitidos por su nombre (ortografía, puntuación, gramática, erratas evidentes), prohíba todo lo demás y añada «si dudas, no corrijas». Pida que devuelva el texto completo y una lista de cambios en el formato «antes → después». Si el texto tiene más cambios que la lista, el modelo corrigió en silencio.

Después, a contar. La diferencia la muestra el comando git diff --no-index --word-diff original.txt edited.txt. La proporción de cambios la da un script breve en Python con difflib: se dividen ambos textos en palabras y signos de puntuación y se toma uno menos el ratio de SequenceMatcher. Umbrales orientativos: hasta un 5 %, corrección puntual; a partir del 15 %, reescritura. Pero antes ejecute la misma métrica sobre la corrección de un editor humano: ella debe ser la referencia.

Hay un inconveniente. Si el modelo reordenó párrafos, el recuento por palabras verá una eliminación y una inserción nueva, aunque no haya texto nuevo. Para estos casos, Devatine y Abraham proponen una métrica basada en la compresión LZ77. Una aproximación tosca la ofrece el zlib estándar: se comprime el original junto con la versión corregida y se mira cuánto se ha añadido. La ventana de zlib es de 32 KB, así que divida un artículo largo por secciones. Un word_share alto con un compression_share bajo, probablemente, indica una permutación de bloques. Si ambos valores son altos, el modelo escribió de nuevo. Es una simplificación, no el código de los autores.

Lista de comprobación para probar con su artículo

• Tome un artículo de 3–5 mil caracteres y ejecute cada modelo en una conversación nueva con el mismo prompt.
• Desactive o limite el modo de razonamiento. En una prueba de estrés de 27 modelos, los modelos chinos con él gastaron entre 51 000 y 68 000 tokens, mientras que GPT-6 Astra y Gemini 4 Argon se quedaron entre 6461 y 9841. La diferencia la pagará en tiempo y dinero.
• Calcule word_share y compression_share y busque después ideogramas chinos con una expresión regular. En una prueba a ciegas los insertaron Tencent Hy4 Preview y NVIDIA Nemotron 3.5 Super VL, mientras que Qwen, DeepSeek y Kimi no figuran entre ellos. Pero una sola palabra ajena por artículo es fácil de pasar por alto a simple vista.
• Contraste el diff con la lista de cambios del modelo: cada discrepancia significa una corrección silenciosa.
• Lea con sus propios ojos los pasajes modificados: el script no ve que el sentido se haya perdido.

Conclusión

Los umbrales y el código aquí son puntos de partida, el resultado depende del texto y las versiones de los modelos cambian rápido: en octubre de 2026 ya se mencionaban Qwen 3.8 Max y DeepSeek V4.1 entre los buques insignia chinos. Por eso conviene plantear la prueba como un test de regresión del prompt y repetirla tras cada ajuste. Compruebe de antemano en el sitio de cada modelo el registro y el pago desde Rusia.

La edición puede encomendarse al modelo cuya proporción de cambios se acerque más a la corrección de un editor humano y que no haga correcciones silenciosas. La fluidez del resultado no decide nada en esta elección. Y usted, ¿qué proporción de texto modificado considera aceptable para sus artículos?