Por qué el texto de IA se nota: dos reglas para usarla como editor y no como autor

Por Zendoric · 18 de septiembre de 2026. El escritor y desarrollador Thomas Ptacek, autor del blog sockpuppet.org, publicó ayer un ensayo breve con una tesis incómoda para cualquiera que use modelos de lenguaje para escribir: por mucho trabajo que le dediques a disimularlo, tu lector lo va a notar. 'Los lectores detectan las palabras de un LLM en partes por billón', escribe. Su respuesta no es dejar de usar la IA, sino cambiarle el papel: de fantasma (ghostwriter) a corrector de estilo (copyeditor).

La primera regla que propone es tajante: no aceptar ni una sola palabra o giro que sugiera el modelo, por bien que suene. El motivo, según su propio análisis, es que los modelos de frontera —cita GPT, Claude, Codex y Antigravity— están entrenados para producir frases vistosas, casi de titular de revista; un texto entero hecho de 'titulares' pierde naturalidad y cae en lo que describe como un valle inquietante entre la expresión propia y el simple 'output' generado. La regla es mecánica, no una cuestión de gusto: cualquier frase que salga literal del modelo queda descartada, la reescribas o no mejor de lo que ya tenías.

La segunda regla ataca un problema más traicionero: la adulación. Ptacek advierte que cualquier modelo, ante un primer borrador mediocre, tenderá a decir que 'es oro' —recurre a la coletilla de Seinfeld para ilustrarlo—. Ese refuerzo constante empuja al autor a no reescribir lo que sí necesita reescritura: los párrafos de más, la estructura floja, las digresiones. En general, la tendencia de los modelos a la adulación no es una anécdota aislada de este autor: OpenAI tuvo que revertir en 2025 una actualización de GPT-4o precisamente por resultar 'demasiado aduladora' con los usuarios, algo que la propia compañía reconoció públicamente. Ptacek lo resuelve con un truco simple: presenta los borradores a un modelo sin decirle cuál es el original y cuál la reescritura, para que no adivine qué respuesta espera oír.

El método práctico que propone es replicable: escribe primero tú, sin ayuda; luego usa el modelo solo para detectar problemas mecánicos —voz pasiva, verbos convertidos en sustantivos, muletillas como 'muy', 'realmente' o 'la verdad'— que un ojo humano cansado pasa por alto pero una máquina no. Recomienda apoyarse en un manual clásico, 'Style: Lessons in Clarity and Grace', para saber qué buscar antes de convertir esos criterios en una lista de prompts fijos. Para automatizar el proceso construyó su propia herramienta de edición al estilo Notion, con comentarios al margen, a partir de un prompt inicial (Python, HTMX, SQLite, Tailwind) y ejecutando los pases de corrección con las CLI de Codex, Claude y Antigravity. Ni siquiera él sigue todos los consejos hasta el final: cuenta que le pasó este mismo artículo a GPT-5 diciéndole que no era el autor, y el modelo respondió que el texto sobraba un 20%. Reconoce que probablemente tiene razón. Y no piensa arreglarlo.

El ensayo circula con una audiencia modesta —dos puntos y ningún comentario en Hacker News cuando lo revisamos—, pero el problema que describe va a más, no a menos, a medida que escribir con asistencia de IA se normaliza en redacciones, blogs corporativos y comunicación interna. En general, la detección de 'IA slop' —contenido genérico y plano producido en masa— ya condiciona cómo se indexa y se modera contenido en varias plataformas: sonar a máquina tiene un coste de credibilidad que ningún corrector ortográfico arregla.

Aquí conecta con algo que venimos señalando en Zendoric desde otros ángulos: a corto plazo, generalizar estas herramientas exige una alfabetización nueva —distinguir cuándo te ayudan a pensar mejor de cuándo piensan por ti— y eso no es gratis, ralentiza el proceso y descarta la ilusión de que la IA resuelve la escritura sola. Pero el balance de fondo es positivo. Lo que Ptacek describe —montar, a partir de un prompt inicial, una herramienta de edición a medida que antes solo tenían redacciones con presupuesto para correctores de estilo— es exactamente el tipo de democratización que sostiene nuestra tesis de fondo: la IA bien empleada no sustituye la voz humana, la pone al alcance de quien antes no podía pagarse un buen editor. El reto, como en tantos otros ámbitos, no es la capacidad de la herramienta sino la disciplina de quien la usa.