Pangram, una startup neoyorquina fundada por los exalumnos de IA de Stanford Max Spero y Bradley Emi, cerró una ronda de Serie A de 9 millones de dólares liderada por Menlo Ventures. La financiación impulsará una API para plataformas y una extensión de Chrome de 20 dólares al mes que afirma identificar texto asistido por IA con un 99 por ciento de precisión, una afirmación que podría transformar la forma en que periodistas, académicos y reclutadores verifican la autenticidad.

El auge del "slop" generado por IA

Los modelos de lenguaje extensos (LLM) ahora producen artículos, publicaciones en redes sociales e incluso citas legales a gran escala. El resultado: una inundación de spam SEO de baja calidad, campañas coordinadas de desinformación y una zona gris donde los humanos pulen borradores generados por IA. Las instituciones ya están reaccionando. El servidor de preimpresión arXiv advirtió que los autores que envíen resultados de LLM no revisados podrían enfrentarse a una prohibición de un año, y los tribunales han comenzado a sancionar a abogados que confían en citas fabricadas por IA. La presión por separar el contenido humano del generado por máquinas es cada vez mayor, y Pangram apuesta a que su tecnología puede convertirse en la capa de verificación por defecto.

Mirroring sintético: entrenamiento basado en un gemelo de cada documento

El modelo insignia de Pangram, Pangram 4, utiliza un método que la empresa denomina "synthetic mirroring". Para cada documento escrito por un humano en su conjunto de entrenamiento —decenas de millones de piezas verificadas—, el equipo generó una contraparte en un LLM de vanguardia. El gemelo sintético coincide con el original en tema, longitud y tono, pero es producido por una IA. Al alimentar ambas versiones en la misma red neuronal, Pangram enseña al modelo a detectar las sutiles huellas estadísticas que persisten en el texto generado por IA, incluso cuando los escritores emplean herramientas de "humanización de IA" diseñadas para disfrazar el contenido de las máquinas.

Los competidores se apoyan en metadatos o marcas de agua invisibles, que pueden ser eliminadas o ignoradas. Pangram, en cambio, se centra en el análisis estilístico: patrones en la elección de palabras, el ritmo de las frases y la distribución de tokens que se mantienen constantes en los resultados de un modelo. En pruebas internas, el sistema identificó escritos asistidos por IA con un 99 por ciento de precisión, según el comunicado de la empresa.

De las API a los navegadores: dónde aterrizará la tecnología

Pangram se posiciona como infraestructura en lugar de una aplicación de un solo propósito. Su API ya se integra con Substack, donde los boletines muestran una etiqueta que indica la proporción de contenido generado por IA. Los primeros usuarios también incluyen la plataforma de preguntas y respuestas Quora, varios centros de escritura universitarios y agencias de contratación que necesitan verificar la originalidad de las propuestas de los candidatos.

Para los usuarios individuales, la startup ofrece una extensión de Chrome que superpone una "puntuación de salud del feed" en sitios como X, LinkedIn, Reddit y Medium. La puntuación desglosa el porcentaje de texto que el modelo considera humano frente a IA. Los suscriptores pagan 20 dólares al mes por el etiquetado en tiempo real y la capacidad de marcar pasajes sospechosos para una revisión posterior.

Una visión escéptica

Las afirmaciones de precisión atraen inevitablemente el escrutinio. Detectar la asistencia de la IA en la "zona gris" —donde un escritor edita un borrador producido por un modelo— sigue siendo un objetivo móvil. A medida que los modelos generativos mejoran, la brecha estilística en la que confía Pangram podría reducirse, provocando una carrera armamentista entre las técnicas de detección y las de evasión. Los críticos también advierten sobre los falsos positivos: etiquetar una pieza humana legítima como generada por IA podría dañar reputaciones, especialmente en contextos académicos o legales donde hay mucho en juego.

Pangram reconoce el desafío, señalando que reentrena continuamente su modelo con nuevos "reflejos sintéticos" a medida que aparecen nuevos LLM. Sin embargo, la empresa no ha revelado resultados de benchmarks independientes más allá de sus pruebas internas, dejando que la comunidad en general verifique la cifra del 99 por ciento.

Qué observar

Los próximos meses revelarán si Pangram puede pasar de las integraciones piloto a una adopción más amplia en las plataformas. Los indicadores clave incluyen:

  • Expansión de los contratos de API más allá de la lista actual de socios iniciales.
  • Comentarios de los usuarios institucionales sobre las tasas de falsos positivos y el impacto en los flujos de trabajo editoriales.
  • Reacciones de los desarrolladores de LLM, quienes podrían responder con actualizaciones de modelos destinadas a imitar el estilo humano más de cerca.
  • Desarrollos regulatorios que podrían hacer que las herramientas de detección de IA sean obligatorias para ciertas publicaciones o entregas académicas.

Si la startup mantiene su ventaja en la detección mientras mantiene bajas tasas de error, podría convertirse en un estándar de facto para la autenticidad digital. De lo contrario, el mercado podría fragmentarse en un mosaico de herramientas competidoras, cada una con sus propias ventajas y desventajas.

Conclusión

La inyección de 9 millones de dólares de Pangram impulsa una estrategia de detección que se basa en un régimen de entrenamiento de documentos gemelos para asegurar una detección casi perfecta de la asistencia de IA. Su éxito dependerá de si el método escala a través de modelos de lenguaje en constante evolución y si logra ganarse la confianza de las plataformas e instituciones que más lo necesitan.