Detector de código IA

¿Qué es un detector de código IA?

Un detector de código IA es una herramienta que estima si un fragmento de código fuente lo escribió una persona o lo generó un asistente de programación con IA. Desde que herramientas como ChatGPT, Claude, Gemini, GitHub Copilot y Cursor forman parte de la programación diaria, una gran parte del código nuevo nace como una sugerencia de IA. Muchas veces eso está bien, y suele ser muy útil. Pero hay situaciones en las que necesitas saber de dónde viene el código: una práctica de programación que debe medir lo que el estudiante entiende por sí mismo, una prueba técnica para hacer en casa o un pull request de un colaborador cuyo trabajo estás revisando.

Este detector de código IA gratuito te da una respuesta rápida y fácil de leer: un veredicto (probablemente generado por IA, probablemente escrito por una persona o mixto), una probabilidad de IA de 0 a 100 % y algunas razones breves que explican lo que detectó el análisis.

Cómo funciona este detector de código IA

Cuando haces clic en Analizar, tu fragmento se envía a un modelo de lenguaje grande de un proveedor externo (Groq, con Google Gemini como respaldo) junto con instrucciones para que actúe como un revisor cuidadoso. En lugar de buscar una marca de agua oculta, que la mayoría de las herramientas de IA no añaden al código, el modelo se fija en las mismas señales de estilo que notaría un ingeniero con experiencia:

• Estilo de los comentarios. El código de IA suele tener comentarios ordenados y regulares que explican lo obvio, como "# Inicializar la lista". Los comentarios humanos suelen ser escasos, irregulares o centrados en las partes raras.
• Nombres uniformes. Los asistentes prefieren nombres coherentes, descriptivos y de manual en todas partes. Las personas mezclan estilos, abrevian y se dejan un tmp2 por el camino.
• Código repetitivo. Comprobaciones defensivas para cada entrada, mensajes de error genéricos y un bloque de demostración if __name__ == "__main__" completo son habituales en el código generado.
• Formato y estructura. Un formato perfectamente coherente, sin código muerto, sin TODO y sin restos de depuración puede apuntar a una IA.
• Rasgos personales. Erratas, atajos poco habituales, apaños específicos del proyecto y manías personales suelen apuntar a un autor humano.

El modelo sopesa estas señales y devuelve una probabilidad junto con las razones más fuertes. Le pedimos que sea prudente, así que los fragmentos cortos o genéricos reciben puntuaciones moderadas en lugar de conjeturas tajantes.

¿Qué tan preciso es? Una respuesta honesta

Ningún detector de código IA acierta el 100 % de las veces, y deberías desconfiar de cualquier herramienta que lo afirme. El código está mucho más acotado que la prosa: solo hay unas pocas formas razonables de invertir una cadena o llamar a una API, así que una solución humana limpia y una solución de IA pueden parecer casi idénticas. La precisión es mayor con funciones o archivos completos y largos, con comentarios y algo de personalidad. Baja con fragmentos muy cortos, con código muy estandarizado (por ejemplo, formateado por un linter y escrito siguiendo una guía de estilo estricta) y con resultados de IA que una persona ha editado.

También hay falsos positivos. Los desarrolladores con experiencia que escriben código limpio y bien comentado a veces parecen "demasiado perfectos". Por eso, usa el resultado como una señal junto a otras pruebas: una conversación con el autor, el historial de commits o una pregunta de seguimiento sobre cómo funciona el código.

¿Qué herramientas de IA puede detectar?

El detector busca patrones generales, no un producto concreto, así que puede señalar código típico de todos los grandes asistentes: ChatGPT, Claude, Gemini, GitHub Copilot y Cursor, además de otras herramientas basadas en modelos similares. Estima si el código parece escrito por IA; no indica de forma fiable qué herramienta lo generó, porque estos asistentes comparten cada vez más los mismos hábitos.

¿Quién usa un detector de código IA?

• Profesores y ayudantes de cátedra que revisan tareas de programación, donde el objetivo es ver si el estudiante sabe resolver el problema por sí mismo.
• Entrevistadores y reclutadores que revisan pruebas técnicas para casa y retos de programación, como punto de partida para hacer preguntas, no como un rechazo automático.
• Revisores de código y mantenedores que quieren saber cuándo un pull request puede necesitar más atención por errores sutiles, dudas de licencias o código que el autor quizá no entiende del todo.
• Desarrolladores que simplemente sienten curiosidad por lo "parecido a una IA" que resulta su propio estilo.

Consejos para obtener mejores resultados

Pega una función completa o una sección significativa de un archivo (hasta 8000 caracteres), conserva los comentarios originales y no lo pases antes por un formateador. Si estás revisando un proyecto grande, prueba varias partes independientes y fíjate en el patrón general en lugar de en una sola puntuación.

Preguntas frecuentes