Detector de muletillas IA

Por qué hicimos esta herramienta

Hay un problema silencioso en buena parte del contenido digital panameño: una proporción enorme de los textos que se publican como "redacción profesional" son en realidad contenido generado por IA con mínima edición. Las muletillas son las pistas más visibles. Frases como "en el mundo digital", "no es solo X es Y", "ya sea que", "soluciones a medida", "de vanguardia" aparecen una y otra vez en webs de agencias, blogs corporativos y páginas de servicios. No están ahí por error: son los tics típicos de ciertos modelos de lenguaje cuando se les pide "redactar un texto comercial sobre X".

El problema para el cliente o el lector es que esos textos comunican poco, generan desconfianza gradual y, lo más importante para nosotros, pierden posicionamiento. Google penaliza el contenido autogenerado de baja calidad desde 2022 con sus actualizaciones de Helpful Content. Los motores de IA de nueva generación como ChatGPT, Perplexity y Gemini descartan como fuente confiable contenido que detectan como generado por IA. La paradoja es notable: hoy escribir mal con IA pierde en los dos frentes a la vez, en SEO clásico y en AEO.

Esta herramienta es la versión simplificada del filtro interno que aplicamos a cualquier texto antes de publicar en este sitio. No es una varita mágica ni un detector de IA perfecto: ningún detector lo es, ni siquiera los pagos. Pero sí es un primer filtro útil y honesto que cualquiera puede usar para medir su propio contenido, evaluar lo que recibe de proveedores, o auditar el blog de una agencia antes de contratarla.

Qué detecta y qué no detecta

La herramienta busca cuatro categorías de señales. Primera, muletillas concretas: una base de unas 30 frases hechas que aparecen con frecuencia desproporcionada en textos autogenerados ("en el mundo digital", "descubre el poder de", "sumérgete", "de vanguardia", "soluciones a medida", "no es solo X es Y", "ya sea que", "es importante destacar", "cabe mencionar"). Segunda, patrones estructurales: tricolon de relleno (listas de tres adjetivos sin sustancia, como "rápido, eficaz y eficiente"), frases simétricas demasiado limpias, transiciones huecas ("en este artículo veremos", "como hemos mencionado", "en resumen"). Tercera, repetición artificial: la misma estructura sintáctica repetida en frases consecutivas, característica de generación automática. Cuarta, vacuidad lingüística: adjetivos sin sustancia ("dinámico", "innovador", "vanguardista", "robusto") cuando no van seguidos de explicación concreta.

La herramienta NO detecta tres cosas que conviene mencionar para no crear expectativas falsas. No identifica si un texto fue específicamente generado por GPT-4, Claude o Gemini —ningún detector lo hace de forma fiable—. No evalúa la corrección factual ni la veracidad del contenido —puede que el texto suene impecable y diga datos incorrectos—. Y no juzga la calidad del argumento ni la profundidad analítica: un texto puede pasar el filtro de muletillas y aún así ser superficial en su contenido. La herramienta cubre un eje concreto del problema, no todos los ejes.

Cómo interpretar el resultado

El score que entrega la herramienta va de 0 a 100, donde 100 es un texto sólido sin señales de IA y 0 es un texto plagado de patrones de redacción automática. La interpretación práctica de los rangos es la siguiente. Entre 85 y 100, el texto está bien escrito y no requiere intervención por motivo de muletillas; puede tener otros problemas pero no este. Entre 65 y 85 hay margen de mejora: el texto es aceptable pero contiene señales que conviene revisar y reescribir antes de publicar. Entre 45 y 65 hay señales claras de redacción mecánica o asistida sin revisión seria; el texto necesita reescritura significativa. Por debajo de 45 el texto suena fuertemente a contenido autogenerado y requiere reescritura completa por una persona, no edición superficial.

Más útil que el número final es la lista de señales específicas detectadas. Cada muletilla o patrón aparece con su contexto: la frase exacta y un par de palabras alrededor. Eso permite ir directamente a los puntos a corregir sin tener que releer todo el texto buscándolos. Una buena práctica al reescribir es no eliminar la frase tal cual: en su lugar, preguntarse qué quería decir realmente esa frase y reformular con palabras concretas. Si la respuesta es "no sé qué quería decir", la frase era relleno y se elimina sin perder nada.

Privacidad y funcionamiento técnico

Todo el análisis ocurre en tu navegador. El texto que pegas no sale de tu dispositivo: no se envía a ningún servidor, no se guarda en bases de datos, no se usa para entrenar modelos. Cuando cierras la pestaña, todo desaparece. Esta decisión técnica es deliberada y permite que cualquiera pueda usar la herramienta con contenido confidencial, borradores, propuestas no publicadas o cualquier otro material sensible sin riesgo de filtración.

El funcionamiento es simple: cargamos en el cliente una base de patrones (muletillas, estructuras, frases hechas) y aplicamos análisis textual local con JavaScript. La carga inicial es de unos pocos kilobytes, así que la herramienta funciona incluso en conexiones lentas y dispositivos modestos. La base de patrones se actualiza cuando detectamos nuevos tics característicos de modelos de lenguaje recientes; las actualizaciones son transparentes y no requieren intervención del usuario.

Usos típicos de la herramienta

Tres escenarios de uso recogen el 90% de los casos que vemos. El primero es autoevaluación: una empresa que escribe su propio contenido pega los textos antes de publicar y los ajusta hasta cruzar el umbral de 85. El segundo es control de calidad de proveedores: una empresa que contrata redacción externa pega lo que recibe para verificar que sea trabajo humano real y no contenido generado con mínima edición. El tercero es auditoría de competencia: pegar contenido de un competidor o de una agencia que estás evaluando contratar para ver qué tipo de redacción produce.

Para los tres usos, la herramienta es punto de partida, no juicio final. Un texto con muchas muletillas puede haber sido escrito por una persona con malos hábitos editoriales; un texto sin muletillas puede haber sido generado por un modelo bien afinado. Lo que sí indica un score bajo es que el texto, independientemente de su origen, suena a IA, y eso ya tiene consecuencias en SEO y AEO aunque haya sido escrito a mano. La pregunta operativa no es "¿fue escrito por IA?" sino "¿pasa el filtro de un lector cualificado y de los algoritmos modernos?". Cuando la respuesta es no, conviene reescribir.

La metodología detrás del score: cómo se calcula

Para que la herramienta sea más útil que una caja negra, conviene explicar cómo se calcula el score final. Partimos de 100 y restamos puntos por cada señal detectada, ponderada por su peso. Las muletillas más características de redacción autogenerada tienen peso tres (las que aparecen en cualquier texto IA-generado típico), las transiciones huecas y los tricolons de relleno tienen peso dos, y la vacuidad léxica leve tiene peso uno. El total acumulado se normaliza por la longitud del texto para no castigar injustamente a textos cortos ni dar pase libre a textos largos con muchas señales.

La normalización es importante. Un texto de cien palabras con tres muletillas tiene una densidad de problema mayor que un texto de tres mil palabras con las mismas tres muletillas. El score refleja esa diferencia: el primero baja más que el segundo, aunque ambos tengan el mismo número absoluto de señales. En la práctica esto significa que textos largos bien escritos pueden tener un par de muletillas aisladas sin que el score se desplome, mientras que textos cortos plagados de patrones se quedan claramente por debajo del umbral aceptable.

Limitaciones honestas: lo que esta herramienta no resuelve

Sería poco honesto cerrar sin hablar de los límites. Esta herramienta cubre un eje real del problema de calidad textual, pero hay otros ejes que no toca y que importan tanto o más. El primero es la corrección factual: un texto puede pasar el filtro de muletillas y afirmar datos falsos con seguridad. Para verificar veracidad hace falta investigación humana o herramientas especializadas en fact-checking. El segundo es la profundidad argumental: un texto puede estar libre de muletillas y ser superficial, repetir lo obvio o no aportar análisis genuino. La fluidez no equivale a sustancia. El tercero es la estructura editorial: un texto bien escrito frase por frase puede estar mal organizado, con párrafos que no avanzan, secciones desconectadas o ausencia de flujo lógico.

Por eso pensamos esta herramienta como un primer filtro, no un juicio final. Un texto que cruza el umbral de 85 ha pasado un test importante pero todavía necesita lectura crítica humana antes de publicarse. Un texto por debajo de 65 tiene un problema visible que se debe resolver antes de siquiera evaluar otros aspectos. La herramienta separa el ruido del contenido potencialmente útil, pero la evaluación final de utilidad sigue requiriendo ojo humano cualificado. Cuanto antes en el flujo de publicación se aplique este filtro, menos tiempo se pierde editando textos que no merecían edición sino reescritura completa.

Cómo evolucionó el problema desde 2022

Vale la pena situar el fenómeno. Antes de finales de 2022, el contenido autogenerado era marginal: lo producían generadores simples que sonaban torpes, y cualquier editor con oficio los detectaba en segundos. La irrupción masiva de modelos de lenguaje de gran calidad cambió la ecuación en cuestión de meses. De pronto cualquiera podía pedir un "artículo profesional sobre diseño web" y recibir mil palabras coherentes, gramaticalmente correctas y completamente vacías. La barrera técnica para producir contenido bajó a cero.

El sector reaccionó en dos direcciones opuestas. Por un lado, agencias e individuos que vieron una oportunidad de escalar producción: publicar diez veces más artículos, mantener calendarios editoriales inflados, llenar webs con secciones interminables, todo con costo marginal cercano a cero. Por el otro, plataformas y lectores que aprendieron a desconfiar. Google ajustó sus algoritmos con varias actualizaciones de Helpful Content entre 2022 y 2024 que castigaron específicamente la producción masiva de baja calidad. Los lectores cualificados desarrollaron un olfato afinado: cuando un texto comienza con un cliché reconocible, la mitad cierra la pestaña antes de la segunda frase. La producción masiva de contenido autogenerado se reveló como un atajo que envejece mal y que en 2026 empieza a ser activamente desventajoso.

El detector que acabas de usar nació en ese contexto. Las muletillas que identifica son patrones que aparecieron, se amplificaron y se volvieron clichés en los últimos cuatro años. La base de patrones se actualiza cuando detectamos nuevas modas léxicas generadas por modelos recientes; los patrones de 2023 no son exactamente los mismos que los de 2026.

Las señales que más se ven por tipo de contenido

La distribución de muletillas varía según el tipo de texto. Los textos comerciales para webs de servicio —páginas de "sobre nosotros", listas de servicios, propuestas— concentran las muletillas aspiracionales: presencia online destacada, experiencias únicas, diseños atractivos y funcionales, identidades sólidas. Los blogs de marketing repiten las transiciones huecas y los tricolons de relleno. Los textos técnicos generados por IA tienden a las construcciones impersonales y a las enumeraciones excesivas, con frases que empiezan por una transición vacía y terminan con verbos generales como optimizar, potenciar o maximizar sin objeto concreto.

Identificar el patrón propio ayuda a corregirlo. Si tu detector marca mucha vacuidad léxica, es probable que el texto sea presentación comercial sin contenido concreto: la corrección consiste en sustituir cada adjetivo vacío por el dato o ejemplo específico que pretendía resumir. Si marca muchas transiciones huecas, el texto fue probablemente generado en una sola pasada sin edición posterior: vale la pena hacer una segunda pasada eliminando los conectores de relleno. Si marca tricolons de relleno, es señal de que el generador o el redactor estaban estirando longitud sin sustancia; sustituir las listas vacías por una sola palabra precisa casi siempre mejora el texto.

Por qué importa específicamente para AEO

Esta herramienta tiene una utilidad indirecta pero crítica para la optimización de motores de IA. Los modelos como ChatGPT, Perplexity y Gemini no citan como fuente confiable contenido que detectan como generado por IA, y los patrones que reconocen son justamente los que esta herramienta identifica. Pasar el filtro de muletillas es condición necesaria para tener posibilidad de ser citado por motores generativos.

La lógica desde el lado del modelo es directa. Si un LLM cita como fuente un texto que otro LLM generó, la respuesta resultante se vuelve circular: información sin valor agregado, vacía de datos originales, que no aporta nada al usuario que pregunta. Los modelos de IA están entrenados para evitar esa circularidad porque les destruye la utilidad. El resultado en la práctica es que sitios llenos de contenido autogenerado se vuelven invisibles para los motores de IA, incluso cuando tienen autoridad SEO tradicional aceptable. La señal de baja calidad textual erosiona la citabilidad.

Por eso recomendamos usar esta herramienta en dos momentos del flujo de publicación. Antes de publicar: revisar cualquier texto que vaya al sitio, especialmente si pasó por un generador o un redactor sin tiempo de edición seria. Y periódicamente sobre contenido viejo: pegar artículos publicados hace meses o años para auditar si suenan a su época de redacción y necesitan refresco. Pequeñas ediciones eliminando muletillas pueden recuperar citabilidad en contenido que estaba envejeciendo mal.

Y para cerrar con la pregunta operativa que muchos usuarios hacen: ¿cuánto trabajo cuesta cruzar el umbral una vez identificadas las señales? La respuesta práctica es: mucho menos de lo que parece. La mayoría de los textos que detectamos por debajo de 65 se pueden llevar por encima de 85 con dos o tres pasadas de revisión, eliminando las muletillas más evidentes y reescribiendo las frases vacías con palabras concretas. El esfuerzo es modesto comparado con el beneficio: un texto que pasa de 60 a 90 mejora simultáneamente en SEO, en AEO y en confianza del lector, sin tener que añadir contenido nuevo ni rehacer la estructura. Es de las correcciones con mejor relación costo-beneficio que existen en redacción digital, y la herramienta está aquí para acelerarla.

Una última observación práctica: si un texto cruza el umbral de 85 pero tu intuición editorial sigue diciéndote que algo no está bien, hazle caso a tu intuición antes que al score. La herramienta detecta patrones léxicos visibles, no detecta sutilezas como argumentación débil, falta de ejemplos concretos o sobreuso de pasiva. Esos problemas requieren ojo humano cualificado y son justamente los que separan un texto correcto de un texto memorable. El detector es buena infraestructura, no buen criterio editorial, y conviene tratarlo como un asistente útil pero subordinado a la cabeza de quien escribe el texto en última instancia, no como un sustituto del oficio que ningún algoritmo reemplaza por completo en la práctica real del trabajo editorial cuidado, especialmente cuando los textos tienen peso comercial o reputacional para la marca que los publica.