Winston AI es ahora el detector de IA más preciso en las principales evaluaciones comparativas públicas estandarizadas
El lanzamiento de Winston 5.0 supone un gran paso adelante en la detección de contenido generado por IA. En una evaluación interna realizada con 12.000 documentos en inglés, Winston 5.0 alcanzó una precisión global del 99,87 %, clasificando correctamente 11.984 muestras con solo 16 errores.
También hemos evaluado Winston 5.0 en evaluaciones comparativas públicas consolidadas. A continuación se incluyen los resultados de PERSUADE 2.0, la evaluación DetectionAI de investigadores de la Booth School of Business de la Universidad de Chicago y DetectRL-X. En conjunto, estas pruebas evalúan a Winston en ensayos de estudiantes, diversos dominios de escritura y textos generados por múltiples modelos de IA actuales.
Resultados clave
- Winston reconoció correctamente el 99,88 % de los textos escritos por humanos, con solo siete falsos positivos entre 6.000 documentos, o lo que es lo mismo, aproximadamente un falso aviso por cada 857 documentos humanos.
- Winston identificó el 99,85 % de los textos generados por IA, detectando correctamente 5.991 de los 6.000 documentos producidos por 20 modelos de IA actuales.
- Doce de los 20 generadores de IA se detectaron con una precisión del 100 %. Incluso el resultado individual más bajo fue del 99,36 %.
- En la evaluación pública estandarizada PERSUADE 2.0, Winston reconoció correctamente como humanos los 25.996 ensayos de estudiantes, con cero falsos positivos.
- En la evaluación DetectionAI de la Universidad de Chicago Booth, Winston clasificó correctamente los 8.697 documentos, sin falsos positivos ni falsos negativos.
- En DetectRL-X, Winston detectó 15.598 de 15.599 documentos de IA (99,99 %), reconoció el 97,08 % de los documentos humanos y alcanzó una precisión global del 98,54 % en 31.196 textos.
Estos resultados corresponden al modelo en inglés de Winston 5.0. El modelo multilingüe aún no se ha lanzado y se añadirá próximamente.
Rendimiento en evaluaciones comparativas públicas estandarizadas
Nuestra evaluación de 12.000 documentos muestra cómo se comporta Winston 5.0 en un conjunto de pruebas equilibrado. Las evaluaciones comparativas públicas añaden otra comprobación útil: demuestran si ese mismo rendimiento se mantiene en conjuntos de datos creados para la investigación académica y disponibles para que otros los inspeccionen.
Hemos completado las evaluaciones en PERSUADE 2.0, DetectionAI de la Booth School of Business de la Universidad de Chicago y la parte en inglés de DetectRL-X.
| Evaluación comparativa | Textos humanos | Textos de IA | Precisión humana | Sensibilidad de IA | Precisión global |
|---|---|---|---|---|---|
| PERSUADE 2.0 | 25,996 | Ninguno | 100.00% | No aplicable | No comparable* |
| Chicago Booth DetectionAI | 1,747 | 6,950 | 100.00% | 100.00% | 100.00% |
| DetectRL-X | 15,597 | 15,599 | 97.08% | 99.99% | 98.54% |
*PERSUADE 2.0 contiene únicamente textos escritos por humanos, por lo que mide los falsos positivos en lugar de la precisión global equilibrada o la detección de IA.
PERSUADE 2.0: cero falsos positivos en 25.996 ensayos de estudiantes
PERSUADE 2.0 es un corpus público de ensayos argumentativos escritos por estudiantes de EE. UU. de los grados 6 a 12. Winston clasificó cada ensayo como humano. No hubo falsos positivos en los 25.996 documentos.
Las puntuaciones no estuvieron cerca del umbral de clasificación de 0,5. La puntuación media de IA fue de 0,0027, y la puntuación del percentil 99 fue de 0,0170. Winston también alcanzó una precisión humana del 100 % en todos los grupos demográficos incluidos en el corpus, abarcando nivel de grado, género, raza y etnia, desventaja económica y estado de discapacidad.
Evaluación comparativa de la Universidad de Chicago Booth: 100 % de precisión en 8.697 documentos
La evaluación DetectionAI fue creada por los investigadores Alex Imas y Brian Jabarian en la Booth School of Business de la Universidad de Chicago. Contiene textos humanos y de IA extraídos de seis tipos de contenido: novelas, noticias, currículums, blogs, reseñas de Amazon y reseñas de restaurantes. La evaluación excluyó 1.371 documentos que no alcanzaban el mínimo de 500 caracteres de Winston, dejando 8.697 textos para la puntuación.
Winston clasificó correctamente todos los documentos. Los 1.747 textos humanos fueron reconocidos como humanos, y los 6.950 textos de IA fueron detectados como IA. Eso supuso un 100 % de precisión, un 100 % de sensibilidad de IA y un 100 % de especificidad humana, sin falsos positivos ni falsos negativos.
| Resultado | Escritura humana | Escritura de IA |
|---|---|---|
| Documentos probados | 1,747 | 6,950 |
| Clasificados correctamente | 1,747 | 6,950 |
| Clasificados incorrectamente | 0 | 0 |
| Precisión | 100.00% | 100.00% |
| Puntuación media de IA | 0.0026 | 0.9994 |
Las puntuaciones no se agruparon cerca del umbral de clasificación de 0,5 de Winston. La puntuación de IA más alta asignada a cualquier documento humano fue de 0,2158. La puntuación más baja asignada a un documento de IA fue de 0,8633. Por lo tanto, incluso los dos casos más cercanos permanecieron en el lado correcto del umbral, con una brecha considerable entre ellos.
Los 6.950 documentos de IA cubrieron cuatro modelos de Anthropic, Google y OpenAI. Winston registró una detección del 100 % para cada uno:
| Generador de IA | Documentos | Tasa de detección |
|---|---|---|
| Claude Sonnet 4 | 1,752 | 100.00% |
| Claude Opus 4 | 1,742 | 100.00% |
| Gemini 2.0 Flash | 1,728 | 100.00% |
| GPT-4.1 | 1,728 | 100.00% |
La precisión también fue del 100 % en cada uno de los seis dominios de contenido. El conjunto probado incluyó 5.000 fragmentos de novelas, 1.427 textos de noticias, 968 currículums, 579 entradas de blog, 436 reseñas de Amazon y 287 reseñas de restaurantes. Esto hace que el resultado sea más amplio que una prueba basada en un solo estilo de escritura o un solo proveedor de IA.
DetectRL-X: 99,99 % de los textos de IA detectados
DetectRL-X es una evaluación comparativa pública independiente construida a partir de pares de textos humanos y de IA. El archivo fuente contenía 31.200 textos en inglés. Cuatro no alcanzaron el mínimo de 500 caracteres de Winston y fueron excluidos antes de la puntuación, dejando 31.196 documentos que abarcaban escritura académica, novelas, noticias, contenido SEO, texto web general y escritura de estilo Wikipedia. Los textos de IA procedían de DeepSeek V3, GPT-4o, Qwen Max y Gemini 2.5 Flash.
Winston alcanzó una precisión global del 98,54 %. Detectó 15.598 de los 15.599 documentos de IA, fallando solo en uno. En cuanto a los humanos, reconoció correctamente 15.142 de 15.597 documentos.
| Medida | Resultado |
|---|---|
| Documentos probados | 31,196 |
| Precisión global | 98.54% |
| Documentos de IA detectados | 15.598 de 15.599 (99,99 %) |
| Documentos humanos reconocidos | 15.142 de 15.597 (97,08 %) |
| AUROC | 0.9983 |
La precisión superó el 99 % en cuatro de los seis dominios, y la sensibilidad de IA en todo el conjunto fue del 99,99 %. Los resultados variaron más en los textos web y SEO humanos, lo que nos da un área específica en la que trabajar.
Comprueba la diferencia en diversos tipos de escritura real
Probamos algo más que ensayos. La evaluación cubrió diez tipos de escritura humana y resultados de 20 modelos de IA actuales.
La escritura humana se mantuvo como humana
Los 6.000 documentos humanos incluyeron ensayos universitarios, libros, artículos de noticias, discursos políticos, reseñas de películas, publicaciones de Reddit, entradas de Wikipedia, poesía, recetas y textos médicos. Winston clasificó correctamente cada documento en siete de esas diez categorías.
Solo siete documentos humanos fueron marcados incorrectamente en todo el conjunto. Tres procedían de la categoría médica, dos eran poemas y dos eran recetas. Los 600 ensayos universitarios fueron reconocidos correctamente como humanos, al igual que los 600 textos de noticias, 600 publicaciones de Reddit, 600 entradas de Wikipedia, 600 reseñas de películas, 600 textos políticos y 600 fragmentos de libros.
Probar varios tipos de escritura humana reduce la posibilidad de que una categoría fácil esté impulsando el resultado global, y obtuvimos una tasa de falsos positivos del 0 % en las categorías de escritura más comunes en inglés.
La escritura de IA de los modelos actuales se detectó de forma constante
La parte de IA contenía 6.000 documentos producidos por 20 generadores de OpenAI, Anthropic, Google, xAI, DeepSeek, Mistral y Qwen. Winston detectó correctamente 5.991 de ellos.
Doce de los 20 generadores tuvieron un resultado de detección perfecto: Claude Sonnet 4.6, Claude Sonnet 5, Gemini 3.5 Flash, Gemini 3.5 Flash-Lite, GPT-4o, GPT-5.6 Luna, GPT-5.6 Terra, Mistral Nemo, Qwen 3.7 Flash, Qwen 3.7 Plus, Qwen 3.8 27B y Qwen 3.8 Max. Incluso el resultado más bajo, para Grok 4.5, fue del 99,36 %, con 312 de 314 documentos detectados correctamente.
Los documentos más largos produjeron resultados aún más sólidos
Cada documento de la evaluación contenía al menos 500 caracteres. En todo el conjunto, la precisión fue del 99,87 %. Esa cifra aumentó al 99,98 % entre los 5.369 documentos con al menos 2.000 caracteres.
Winston clasificó correctamente los 3.358 documentos que contenían al menos 3.000 caracteres.
El resultado es constante en tipos de escritura muy diferentes: Winston identifica la producción actual de IA mientras deja el trabajo humano auténtico prácticamente intacto.
Por qué la precisión y los falsos positivos importan en el aula
Para un profesor, un resultado incorrecto genera trabajo de inmediato.
Cuando un ensayo auténtico se marca como IA, el profesor tiene que pausar la calificación, revisar tareas anteriores, comprobar el historial del documento, hablar con el alumno y, a veces, involucrar a los padres o administradores.
El alumno también puede sentir que su trabajo y su honestidad han sido cuestionados antes de que comience cualquier conversación.
La escritura generada por IA que no se detecta crea un problema diferente. Si una tarea generada se clasifica como humana, un profesor puede calificar y proporcionar comentarios detallados sobre un trabajo que no refleja la comprensión del alumno. Con el tiempo, eso hace que sea más difícil saber quién ha desarrollado las habilidades requeridas y quién necesita apoyo adicional.
La evaluación de Winston 5.0 produjo siete falsos positivos entre 6.000 documentos humanos y nueve falsos negativos entre 6.000 documentos de IA. Esos resultados importan en conjunto. Un detector necesita identificar el trabajo generado por IA mientras se mantiene sumamente cauteloso con la escritura humana auténtica.
Los falsos positivos crean investigaciones adicionales para los profesores, mientras que la escritura de IA no detectada hace que el detector sea menos útil. Ambos errores fueron poco frecuentes en esta evaluación, lo que permite a los profesores centrarse en el pequeño número de entregas que merecen un examen más detenido.
Cómo probamos Winston 5.0
Nuestra evaluación interna utilizó 12.000 documentos en inglés: 6.000 escritos por personas y 6.000 generados por IA. Winston tiene un requisito mínimo de entrada de 500 caracteres, coincidiendo con el límite utilizado en la aplicación. Los fragmentos más cortos proporcionan muy poco contexto lingüístico para una evaluación fiable a nivel de documento, por lo que este requisito se aplicó antes de la puntuación. Por lo tanto, la prueba se centró en la escritura a nivel de documento en lugar de frases aisladas o respuestas cortas.
El conjunto humano contenía 600 documentos de cada una de las diez categorías: libros, ensayos universitarios, textos médicos, reseñas de películas, noticias, poesía, discursos políticos, recetas, publicaciones de Reddit y artículos de Wikipedia. El uso del mismo número de cada categoría evitó que una fuente grande dominara el resultado.
El conjunto de IA cubrió 20 generadores de OpenAI, Anthropic, Google, xAI, DeepSeek, Mistral y Qwen. Los tamaños de las muestras oscilaron entre 140 y 330 documentos por generador, y 15 de los 20 generadores aportaron entre 310 y 330. Esta distribución nos permitió medir si el rendimiento se mantenía estable en diferentes familias de modelos en lugar de depender de los patrones de escritura de un solo chatbot.
Cómo se puntuó cada documento
Winston produjo una puntuación humana y una puntuación de IA para cada documento. La clase con la puntuación más alta se convirtió en el resultado predicho. Un documento con una puntuación de IA superior a 0,5 se clasificó como IA, mientras que una puntuación inferior a 0,5 se clasificó como humano.
El resumen de puntuaciones a continuación muestra con qué nitidez se separaron los resultados. Los documentos humanos tuvieron una puntuación media de IA de 0,0016, y el 99 % obtuvo una puntuación inferior a 0,0503. Los documentos de IA tuvieron una puntuación media de IA de 0,9972 y una mediana de 1,0.
Cómo se contaron los errores de clasificación
Cada resultado entra en uno de cuatro grupos:
- Humano identificado correctamente: Escritura humana clasificada como humana.
- Falso positivo: Escritura humana clasificada incorrectamente como IA.
- Falso negativo: Escritura generada por IA clasificada incorrectamente como humana.
- IA identificada correctamente: Escritura generada por IA clasificada como IA.
La matriz de confusión presenta los cuatro resultados juntos. La lectura de cada fila muestra cómo Winston categorizó los documentos de esa clase conocida.
Escritura mixta/híbrida: medición de la IA dentro de documentos humanos
La escritura es cada vez más híbrida. Una persona puede redactar la mayor parte de un documento, usar IA para una introducción o conclusión, o alternar entre fragmentos escritos por humanos y por IA. En estos casos, una simple etiqueta de humano o IA no describe muy bien el documento. La pregunta más útil es qué parte del texto parece haber sido generada por IA.
La escritura híbrida es especialmente relevante en la educación, donde el uso aceptable de la IA puede variar según la tarea. Un alumno puede usar la IA para ayudarse con una introducción, reescribir un párrafo difícil o completar una conclusión mientras escribe el resto él mismo. Una etiqueta de humano o IA a nivel de documento no puede captar esas diferencias.
Probamos Winston 5.0 en 5.000 documentos en inglés que contenían tanto escritura humana como de IA. El conjunto cubrió siete patrones de mezcla, incluyendo texto humano seguido de texto de IA, texto de IA seguido de texto humano, secciones alternas e introducciones, párrafos intermedios y conclusiones escritos por IA.
En 5.000 documentos mixtos, el 99,0 % de las estimaciones de Winston estuvieron dentro de los 20 puntos porcentuales de la proporción real escrita por IA. La diferencia media fue de 2,15 puntos porcentuales.
Para ponerlo en contexto, si un documento estuviera escrito en un 50 % por IA, una diferencia de 2,15 puntos significaría una estimación de aproximadamente el 48 % o el 52 %. Los resultados individuales variaron, pero 4.885 estimaciones (97,7 %) estuvieron dentro de los 10 puntos porcentuales de la mezcla real.
Para los documentos mixtos, Winston estima la proporción global escrita por humanos y resalta las frases individuales que parecen más generadas por IA o escritas por humanos.
En el ejemplo anterior, las dos frases iniciales escritas por IA se marcaron como probable IA y las cuatro frases escritas por humanos se resaltaron como humanas. La vista de frases ofrece al revisor fragmentos específicos para examinar junto con el trabajo anterior del alumno, las reglas de la tarea y el historial del documento.
La evaluación colocó material escrito por IA en diferentes partes del documento. En los siete patrones de mezcla, la proporción de estimaciones dentro de los 20 puntos porcentuales de la proporción real escrita por IA osciló entre el 96,3 % y el 99,8 %. Ese rango cubría la IA que aparecía antes o después de la escritura humana, entre fragmentos humanos, o en una introducción, párrafo intermedio o conclusión. El resultado no dependía de que el texto generado apareciera en un lugar predecible.
Veredicto final
Winston 5.0 clasificó correctamente 11.984 de 12.000 documentos, incluyendo 5.993 de 6.000 textos humanos y 5.991 de 6.000 textos de IA. También registró cero falsos positivos en los 25.996 ensayos de PERSUADE 2.0 y clasificó correctamente cada documento en nuestra evaluación de 8.697 textos de Chicago Booth.
La escritura de IA seguirá cambiando, por lo que seguiremos probando Winston frente a nuevos modelos y nuevos métodos de reescritura de texto generado. Basándonos en esta evaluación y en las evaluaciones comparativas públicas estandarizadas, Winston 5.0 es el detector de IA más preciso que hemos probado.
