GPT-5.5 vs Claude 4.6 vs Gemini 3.1: ¿Qué IA de 2026 es más difícil de detectar?

Para mayo de 2026, tres modelos de IA de frontera dominan la escritura profesional y académica: el GPT-5.5 de OpenAI, el Claude 4.6 de Anthropic y el Gemini 3.1 de Google. Cada uno viene con afirmaciones de marketing sobre lo humanas que se sienten sus salidas. Cada uno se usa millones de veces al día para el tipo de escritura que termina en ensayos, informes y bibliotecas de contenido. Y cada uno deja una huella dactilar estadística diferente que las herramientas de detección pueden — o a veces no pueden — atrapar.

Pasamos 600 muestras frescas por los tres modelos y pasamos cada una por el mismo detector de conjunto de múltiples modelos. Los resultados anulan algunas suposiciones comunes sobre qué modelo es más difícil de detectar — y aclaran por qué la respuesta importa más en 2026 que en cualquier año anterior.

Cómo probamos

Generamos 200 resultados por modelo — 50 de cada uno entre ensayos académicos, textos de marketing, explicaciones técnicas y ficción creativa. Cada generación usó una indicación de sistema predeterminada sin instrucciones para evadir la detección. Luego creamos variantes adversarias para cada una: una versión procesada por humanizador y una versión ligeramente editada (15-20% de las palabras reescritas manualmente). Total: 600 muestras de base, 1,200 muestras adversarias.

Cada muestra fue evaluada por el conjunto del Consejo de Agentes de Plagly.ai (perplejidad, ráfaga, estilometría, huella dactilar, discurso) y cruzada con el clasificador más reciente de un importante detector comercial de un solo modelo. Los resultados a continuación informan la tasa de detección de Plagly.

Resultados principales: Salida sin procesar

En los resultados predeterminados sin edición adversaria, los tres modelos se agrupan sorprendentemente cerca — pero las pequeñas diferencias son reveladoras.

Precisión de detección en salidas sin procesar

GPT-5.5 (sin procesar): 94% atrapado. Claude 4.6 (sin procesar): 88% atrapado. Gemini 3.1 (sin procesar): 92% atrapado. En las salidas predeterminadas sin indicaciones adversarias, los tres son detectados de forma confiable por las herramientas de conjunto — pero la brecha entre Claude 4.6 y los demás es real.

Por qué Claude 4.6 lidera en sigilo

Claude 4.6 fue entrenado con un fuerte enfoque en la variación del registro y el ritmo de la prosa similar al humano. El modelo varía la estructura de las oraciones de forma más agresiva que sus pares, usa menos transiciones formulaicas y muestra un compromiso más genuino con una posición en la escritura argumentativa. El resultado es un texto que puntúa más cerca de la prosa humana en los ejes de perplejidad y ráfaga que los detectores de un solo modelo enfatizan.

Por qué GPT-5.5 es el más fácil de detectar

A pesar de ser el más fuertemente optimizado para la fluidez, GPT-5.5 conserva los patrones estructurales de arriba hacia abajo más fuertes de los tres. Su entrenamiento enfatizó la confiabilidad y el equilibrio, lo que produce una forma de argumento reconocible: introducir, presentar múltiples perspectivas, concluir con una síntesis mesurada. Los detectores que modelan el discurso a nivel de párrafo y documento recogen esto consistentemente, incluso cuando las características superficiales a nivel de oración pasan desapercibidas.

Dónde divergen los modelos: Desglose por características

Las cifras de precisión principales ocultan mayores diferencias en qué características activan la detección. Mirar las puntuaciones por clasificador cuenta una historia más útil.

Señales de discurso

GPT-5.5 tiene la huella dactilar de discurso más fuerte de los tres. Su preferencia por los argumentos equilibrados, su uso excesivo de ciertas frases de transición y su tendencia a pre-resumir lo convierten en el más fácil de los tres modelos de frontera para detectar a nivel de párrafo — incluso cuando las oraciones individuales pasan los detectores de un solo modelo.

Señales estilométricas

Gemini 3.1 lidera en señales estilométricas. Sus salidas muestran patrones distintivos en la frecuencia de los adverbios, la construcción de la voz pasiva y el ritmo a nivel de cláusula. Estas características están profundamente integradas en cómo se curaron los datos de entrenamiento de Google y han demostrado ser difíciles de suprimir para el modelo sin perder fluidez.

Señales de perplejidad

Claude 4.6 tiene el perfil de perplejidad más limpio — sus salidas se sitúan más cerca de las líneas de base escritas por humanos. Esto es lo que lo hace más difícil de atrapar para los detectores de perplejidad de un solo modelo. Pero Claude 4.6 todavía tiene huellas dactilares y características de discurso medibles, por lo que los detectores de conjunto mantienen la precisión en él donde las herramientas más simples fallan.

Condiciones adversarias: Cuando las cosas se ponen más difíciles

La brecha mayor entre los modelos aparece bajo condiciones adversarias. Después de pasar la salida de cada modelo por un humanizador, volvimos a probar:

• GPT-5.5 + humanizador: 72% atrapado.
• Claude 4.6 + humanizador: 64% atrapado.
• Gemini 3.1 + humanizador: 70% atrapado.

La ventaja de Claude 4.6 bajo condiciones sin procesar se amplía aún más una vez que un humanizador entra en escena — pero incluso en el entorno más hostil, la mayoría de los resultados de Claude 4.6 siguen siendo marcados. La noción de que cualquiera de estos modelos puede evadir de manera confiable los detectores de conjunto modernos no se sostiene con los datos.

Por qué esto importa en 2026

Las guerras de modelos se aceleraron a finales de 2025 y 2026, con OpenAI lanzando GPT-5.5 en un intento de superar la ventaja de sigilo de Claude, Anthropic respondiendo con las mejoras del ritmo de la prosa de Claude 4.6 y Google presionando a Gemini 3.1 para cerrar la brecha de fluidez. Desde el punto de vista de la detección, las implicaciones prácticas están convergiendo.

Los detectores de un solo modelo son cada vez más poco fiables

En los tres modelos, los detectores de un solo clasificador son los más expuestos. Una herramienta de solo perplejidad que funcionaba bien en GPT-3.5 ahora clasifica erróneamente la salida de Claude 4.6 entre el 50 y el 60% de las veces. Una herramienta de solo ráfaga falla de manera similar. Los conjuntos de múltiples modelos mantienen la precisión porque ningún modelo individual necesita hacer todo el trabajo.

El reentrenamiento continuo importa más que cualquier algoritmo individual

El Consejo de Agentes de Plagly.ai reentrena su módulo de huellas dactilares continuamente sobre los nuevos resultados de cada modelo de frontera importante. La precisión de la detección en Claude 4.6 ha subido aproximadamente seis puntos porcentuales desde el lanzamiento a medida que los patrones estilísticos del modelo quedaron mejor representados en los datos de entrenamiento — un patrón que se repite con cada nuevo lanzamiento de modelo.

Qué es lo siguiente: Claude 5, GPT-6, Gemini 4

Los tres laboratorios han señalado públicamente lanzamientos de próxima generación a lo largo de 2026 y hasta 2027. Basándonos en el ciclo GPT-5.5/Claude 4.6/Gemini 3.1, esto es lo que se puede esperar: otra caída temporal de la precisión de la detección en todas las herramientas en cada lanzamiento importante, una recuperación más rápida para los productos de conjunto y una brecha cada vez mayor entre los detectores modernos de múltiples modelos y los productos heredados de un solo clasificador.

La carrera armamentista a largo plazo favorece a la detección — ligeramente. Cada generación de LLM reduce las señales estilísticas superficiales pero no puede eliminar fácilmente los patrones estructurales más profundos que provienen de ser entrenado como un predictor del siguiente token en datos a escala de Internet. Esos patrones son los que los detectores bien diseñados aprenden a leer, y esa es la capa que sobrevive a las actualizaciones de los modelos.

La conclusión

Claude 4.6 es actualmente el más difícil de detectar de los tres modelos de frontera — pero solo por unos pocos puntos porcentuales, y solo cuando se mide contra detectores de un solo modelo. Los conjuntos de múltiples modelos todavía marcan la mayoría de los resultados de los tres modelos, y la brecha se cierra aún más con cada ronda de reentrenamiento de detectores. La pregunta correcta para 2026 no es “¿qué modelo puedo usar para evadir la detección?” sino “¿en qué detector puedo confiar para que me dé una lectura precisa?” La respuesta a esa pregunta — conjunto, multi-modelo, reentrenado continuamente — nunca ha estado más clara.