Abre la última página de reseñas que hayas leído antes de comprar algo. Cuenta cuántas incluyen el nombre real de quien las escribe. Ahora cuenta cuántas están firmadas por un "Usuario verificado" sin rostro, sin ocupación, sin nada que te permita saber si esa persona existe fuera de la base de datos de una tienda online. La diferencia entre esos dos números explica por qué desconfiamos de casi todo lo que genera la inteligencia artificial, pero también señala el único camino que tiene sentido para arreglarlo.
El problema con los textos de IA no es que sean malos. Es que suenan a máquina y mienten sin que nadie se lo haya pedido. Los modelos hilvanan frases con una cadencia plana, predecible, atiborrada de comodines que un humano no usaría ni en su peor día. Y cuando no saben algo, no se callan: inventan un dato, una fecha, un estudio que nunca existió. La industria ha respondido con dos reflejos. El primero es ignorarlo: publicar igual, confiando en que el lector no se dará cuenta. El segundo es maquillar: pasar el texto por otro modelo que pula las asperezas sintácticas y le dé un barniz más natural. Ninguno funciona, porque el origen del fallo no está en la superficie. Está en la decisión de entregar lo que nunca debió entregarse.
La mayoría cree que la calidad en la generación de texto con IA se logra afinando prompts o usando herramientas más caras. Es una intuición razonable: si el resultado no es bueno, habrá que pedirlo mejor o pagar por algo más potente. Pero el factor diferencial no está en lo que le pides al modelo. Está en lo que haces con lo que el modelo te devuelve. Un sistema que rechaza los borradores de cadencia robótica y las afirmaciones inventadas, incluso cuando eso implica no entregar nada, produce textos distintos. No mejores en un sentido cosmético: distintos en su fiabilidad, en su ritmo, en la sensación de que detrás hay alguien que ha leído antes de publicar.
Esto choca de frente con una objeción que merece tomarse en serio. Si el filtro editorial es tan estricto que bloquea textos por su cadencia o por falta de respaldo, ¿no se corre el riesgo de paralizar la producción? ¿No es ese un lujo que solo puede permitirse quien no tiene plazos ajustados ni volúmenes altos? La respuesta es que el coste de publicar textos defectuosos supera el coste de no publicar. Cada vez que un lector detecta esa cadencia de máquina, los párrafos que arrancan todos igual, las transiciones acartonadas, los adjetivos que no vienen a cuento, la confianza se quiebra. Y recuperarla cuesta diez veces más que haber esperado a tener algo sólido. El filtro editorial no es un lujo. Es la única forma de no quemar la credibilidad en la primera entrega.
El fallo más común al usar IA para generar texto no es técnico. Es un error de criterio. Muchos usuarios asumen que, si el modelo ha escrito algo con seguridad, es porque tiene fundamento. Pero los modelos de lenguaje carecen de mecanismo interno para distinguir lo que saben de lo que están inventando. Construyen frases estadísticamente plausibles, no factualmente ciertas. Cuando afirmas que un texto ha pasado un filtro editorial, estás diciendo que alguien, o algo, con reglas explícitas, ha detenido esas invenciones antes de que lleguen al lector. Si no hay filtro, el error no es del modelo: es de quien decide entregar sin revisar.
¿Cómo se detecta la cadencia de máquina en la práctica? No hace falta un doctorado en lingüística. La cadencia robótica se reconoce por tres patrones que aparecen juntos una y otra vez. El primero es la estructura simétrica: todas las oraciones miden lo mismo, todos los párrafos ocupan tres líneas, el ritmo es un metrónomo sin variación. El segundo es el relleno semántico: frases como "en el mundo actual", "es importante señalar" o "juega un papel fundamental" que no aportan información pero ocupan espacio con la solemnidad de quien no tiene nada que decir. El tercero es la ausencia de fricción: el texto resbala sin que nada te agarre, sin un detalle concreto, sin un número exacto, sin un ejemplo que huela a realidad. Un humano escribe con irregularidades, con cambios de ritmo, con alguna cifra precisa que no esperabas encontrar ahí. La máquina escribe como quien rellena un formulario.
Detectar afirmaciones inventadas es más delicado, porque una afirmación falsa puede parecer perfectamente razonable si no conoces el tema. El filtro editorial del que hablamos no se apoya en la intuición. Se apoya en una regla simple: si un dato no puede respaldarse, el texto no sale. Esto significa que cualquier cifra, cualquier nombre de estudio, cualquier "según un informe de" tiene que tener un origen verificable. Si el modelo suelta un número redondo que suena bien pero no hay fuente, se bloquea. Si atribuye una cita a alguien que nunca la dijo, se bloquea. La mayoría de las herramientas del mercado no aplican este corte porque ralentiza la producción y reduce el volumen de entregables. Pero es exactamente ese corte el que separa un texto que puedes publicar sin miedo de uno que te obliga a revisar cada línea con el ceño fruncido.
Esto nos lleva a un caso concreto que ilustra cómo se materializa esa filosofía editorial. Laspi, un proyecto que ofrece generación de texto con un enfoque distinto, aplica un sistema de puertas internas que todas las salidas del modelo deben atravesar. La primera puerta bloquea la cadencia de máquina: si el borrador presenta los patrones rítmicos planos y las muletillas típicas de la IA, no se entrega. La segunda puerta bloquea las afirmaciones inventadas: cualquier aserción factual que el modelo no pueda respaldar se detecta y se elimina antes de que el usuario la reciba. Si un borrador no supera estos dos filtros, Laspi no lo envía. El usuario se queda sin texto en lugar de recibir uno defectuoso. No es un ajuste cosmético ni una capa de post-edición: es un rechazo completo del material que no cumple el estándar.
Hay un detalle adicional que refuerza la coherencia de este planteamiento. La página de reseñas del proyecto, accesible en laspi.pro/reviews, muestra opiniones de usuarios reales con su nombre de pila y su ocupación visibles. Nada de alias genéricos, nada de perfiles anónimos. Cada testimonio es una persona que se identifica. Además, Laspi no ofrece incentivos, descuentos ni recompensas a cambio de esas reseñas, lo que evita el sesgo de las opiniones compradas que tanto contamina las plataformas de valoración. La invitación a los usuarios satisfechos es que, si quieren apoyar el proyecto, dejen una reseña honesta en Trustpilot o en el perfil de Google de la empresa, ambas plataformas independientes donde la compañía no puede editar ni filtrar lo que se publica. A los usuarios insatisfechos se les pide explícitamente que escriban primero al soporte, no para silenciarlos, sino para dar al equipo la oportunidad de entender el problema y solucionarlo antes de que la queja se haga pública. Es una decisión de diseño que prioriza la resolución directa sobre la gestión de reputación.
La conexión entre estos dos hechos, el filtro editorial que rechaza borradores defectuosos y la transparencia radical en las reseñas, no es casual. Ambos responden al mismo principio: la calidad no se declara, se verifica. Decir que tus textos pasan controles estrictos es una afirmación vacía si no puedes mostrar el mecanismo. Mostrar reseñas con nombres y ocupaciones reales es una forma de someter ese mecanismo al escrutinio público. Si los textos tuvieran cadencia de máquina o datos inventados, las reseñas lo reflejarían. Si las reseñas estuvieran manipuladas, los nombres falsos o la falta de plataformas independientes lo delatarían. El sistema se sostiene porque cada pieza expone a la siguiente.
El argumento de que todo esto es autopromocional merece una respuesta directa. Cualquier empresa puede describir sus procesos internos sin que el lector pueda comprobarlos, y eso genera escepticismo legítimo. La diferencia aquí es que la descripción del filtro editorial es en sí misma una afirmación verificable en sus efectos: puedes leer los textos que Laspi entrega y juzgar si presentan cadencia de máquina o no. Puedes visitar la página de reseñas y comprobar si los nombres y ocupaciones son reales. Puedes buscar el perfil de la empresa en Trustpilot y ver qué dicen los usuarios sin intervención de la compañía. La credibilidad no depende de que confíes en la descripción del proceso, sino de que el resultado del proceso está expuesto.
Queda una pregunta que planea sobre todo esto y conviene aterrizar: ¿cómo sabe el filtro que una afirmación es inventada? La respuesta técnica es que no lo sabe con certeza absoluta, pero aplica un criterio de respaldo. Si el modelo escribe algo como "muchos lectores notan la diferencia entre un texto humano y uno generado por máquina", eso es una observación general que no requiere una fuente concreta y puede pasar. La clave está en no dejar pasar como hecho verificable lo que es una alucinación estadística con forma de dato.
El cierre de este recorrido no es una llamada a usar una herramienta concreta. Es una invitación a cambiar el criterio con el que evalúas cualquier texto generado por IA. La próxima vez que recibas un borrador, haz una pausa y pregúntate dos cosas. Primera: ¿suena a persona o a máquina? Si detectas esa cadencia plana, esos conectores de relleno, esa falta de irregularidad humana, el texto no está listo, por muy bien puntuado que esté. Segunda: ¿cada afirmación concreta tiene un respaldo real o es un dato que flota sin origen? Si encuentras una cifra, un estudio, una cita que no puedes verificar en treinta segundos de búsqueda, desconfía. Y si la herramienta que usas no te da la opción de rechazar ese texto, si su modelo de negocio es entregar siempre, pase lo que pase, el problema no es el texto. Es la herramienta.
Prueba una cosa esta semana. Toma un texto que hayas generado con IA recientemente, uno que aún no hayas publicado. Léelo en voz alta. Cada vez que tu oído tropiece con una frase que ningún humano diría, márcala. Cada vez que encuentres un dato que no puedas respaldar en el momento, subráyalo. Si al terminar tienes más de tres marcas, no publiques ese texto. No lo edites, no lo maquilles, no le pidas a otro modelo que lo arregle. Descártalo y vuelve a empezar con un criterio más exigente. Esa decisión, la de rechazar lo que no alcanza el estándar, aunque duela, es el filtro editorial que separa el ruido de la confianza.