Substack ha lanzado una herramienta de escaneo de textos publicados para detectar contenido generado por IA. El CEO de la plataforma, Chris Best, bautizó el problema como «Claudefishing» —la situación en la que un lector consume contenido sin percatarse de que ha sido generado por IA. Según Best, esto socava la confianza en la autoría y amenaza el sustento de los escritores, incluidos aquellos que usan herramientas de IA de forma consciente. Las pruebas de CNET demostraron que la herramienta identifica correctamente un post completamente generado por IA como 100% sintético y evalúa los textos híbridos con una precisión de alrededor del 10% de desviación.
Para los equipos editoriales y de contenido, esta es una señal clara: las plataformas están pasando de una política pasiva a una detección activa e integrada. Esto cambia las reglas del juego para todos los que producen contenido extenso con IA —desde blogs y bases de conocimiento hasta sitios corporativos. En este artículo analizaremos cómo funciona la detección de plataformas, qué es el Claudefishing y cómo construir un flujo editorial que resista el escaneo automático.
Qué es el Claudefishing y por qué las plataformas han empezado a combatirlo
El término «Claudefishing» es un acrónimo de Claude (uno de los grandes LLM) y «catfishing» (la creación de una identidad falsa en internet). La esencia del fenómeno: un autor publica un texto generado por IA haciéndolo pasar por obra propia, y el lector no puede distinguir el contenido sintético del humano. No es lo mismo que el uso transparente de asistentes de IA para borradores, verificación de datos o edición. El Claudefishing es, precisamente, la sustitución oculta de la autoría.
Por qué las plataformas han empezado a reaccionar justo ahora:
- Saturación de las plataformas con contenido sintético. Según Pangram, el 41% de los posts extensos en LinkedIn ya se generan con IA. Substack se enfrenta a una dinámica similar.
- Erosión de la confianza de los lectores. Cuando el lector no puede confiar en la autoría, deja de pagar la suscripción —el principal modelo de negocio de la plataforma.
- Presión regulatoria. Los requisitos para revelar el contenido de IA se están endureciendo: desde las recomendaciones de la EU AI Act hasta las políticas de Google sobre el etiquetado de contenido sintético.
Las plataformas han comprendido que la política pasiva de «publica lo que quieras» ya no funciona. Substack se ha convertido en la primera gran plataforma editorial que integra la detección de IA directamente en su interfaz de publicación.
Cómo funciona la herramienta de Substack: análisis técnico
El escáner de IA de Substack analiza el texto publicado y devuelve una valoración porcentual —qué proporción del contenido, según el algoritmo, ha sido escrita por IA. En las pruebas de CNET, la herramienta arrojó los siguientes resultados:
- Texto híbrido (base humana + un párrafo de ChatGPT): detectado ~10% de contenido de IA, lo cual se aproxima a la realidad.
- Post completamente generado por IA: identificado como 100% sintético.
- Textos mixtos con edición manual: la valoración varía según el grado de reelaboración.
El modelo porcentual difiere fundamentalmente del binario (humano/IA). Reconoce que el contenido editorial moderno suele ser híbrido —el autor puede usar IA para investigación, estructura o borrador, pero el texto final pasa por una edición humana. La plataforma no evalúa el hecho de usar IA, sino la proporción de texto sintético sin modificar.
Este es un matiz importante para los equipos editoriales: la herramienta no penaliza el uso de asistentes de IA. Lo que detecta es la publicación masiva de contenido de IA sin manipular ni revelar.
Por qué la valoración porcentual cambia el enfoque sobre la divulgación
La detección binaria («¿es IA o no?») es técnicamente poco fiable y éticamente problemática —pone bajo sospecha cualquier texto bien estructurado. La valoración porcentual de Substack resuelve este problema, pero crea un nuevo dilema para los equipos editoriales: ¿qué umbral se considera aceptable?
La plataforma aún no ha establecido umbrales estrictos ni sanciones automáticas. Pero la lógica sugiere que los textos con una valoración de 80–100% de generación por IA sin divulgación son precisamente lo que Substack llama Claudefishing. Los textos con una valoración de 10–30% corresponden a una producción híbrida normal, que la plataforma no busca penalizar.
Para los equipos editoriales, esto significa que la política de divulgación no debe ser binaria («usamos IA / no usamos»), sino gradual:
- 0–20% de contribución de IA: divulgación opcional (la IA se usó para investigación, verificación de datos o lluvia de ideas).
- 20–60% de contribución de IA: se recomienda una breve divulgación de la metodología (por ejemplo, «el borrador se creó con IA y fue editado por el autor»).
- 60–100% de contribución de IA: divulgación obligatoria; de lo contrario, es Claudefishing.
Estos umbrales no son una política oficial de Substack, sino un marco práctico para equipos editoriales basado en la lógica de la detección porcentual.
Claudefishing vs uso transparente de IA: dónde se traza la frontera
Es fundamental distinguir dos escenarios que a menudo se confunden en los debates sobre contenido de IA:
Claudefishing — el autor publica un texto de IA sin modificar, haciéndolo pasar por obra propia, sin ningún tipo de divulgación. El lector espera autoría humana y recibe contenido generado por una máquina. Esto supone una ruptura del contrato de confianza entre autor y lector.
Producción transparente con IA — el autor usa IA para el borrador, la estructura, la investigación o la edición, pero lo revela o reelabora el texto hasta el punto de que la versión final conserva una voz y un criterio claramente humanos. El lector recibe un contenido en el que la IA es una herramienta, no el autor.
La frontera no se traza por el hecho de usar IA, sino por dos criterios:
- Grado de reelaboración. ¿En qué medida difiere el texto final de la salida bruta de la IA? Si el autor simplemente copia la respuesta de ChatGPT, eso es Claudefishing. Si el autor usa la IA como una fuente más y el texto final pasa por edición, verificación y la incorporación de ideas únicas, es producción transparente.
- Divulgación. Si la plataforma o el lector espera autoría humana y el contenido es mayoritariamente generado por IA, la divulgación es obligatoria. Si el contenido es híbrido y reelaborado, la divulgación es deseable, pero no crítica.
Cómo pueden prepararse los equipos editoriales para la detección de plataformas
La detección de plataformas no es una medida temporal, sino una tendencia. Substack es el primero, pero no será el último. WordPress, Medium, Ghost y otras plataformas editoriales seguirán el camino inevitablemente. Los equipos editoriales necesitan construir un flujo de trabajo que tenga en cuenta el escaneo automático.
Paso 1: Auditoría del flujo de contenido actual
Analiza qué porcentaje de los materiales que publicas pasa por generación con IA. Usa herramientas como GPTZero, Originality.ai o Winston AI para verificar de forma muestral los textos ya publicados. Compara los resultados con tu política editorial —¿existe una brecha entre el uso declarado y el uso real de IA?
Paso 2: Política gradual de divulgación
Desarrolla una política que defina los niveles de implicación de IA y los formatos de divulgación correspondientes. No te limites a un enfoque binario de «revelamos / no revelamos». Ten en cuenta el tipo de contenido (noticia, análisis, opinión), la plataforma de publicación y las expectativas de la audiencia.
Paso 3: Flujo interno de etiquetado
Integra en tu CMS o herramienta editorial metadatos que indiquen el nivel de implicación de IA para cada material. Puede ser un campo simple: «Contribución de IA: ninguna / mínima / parcial / principal». Estos metadatos ayudarán no solo con la divulgación, sino también con la auditoría interna de calidad.
Paso 4: Formación de autores y editores
Los autores deben comprender la diferencia entre usar la IA como herramienta y el Claudefishing. Los editores deben saber evaluar el grado de implicación de IA en un material recibido y decidir si es necesaria la divulgación.
Limitaciones de la detección de IA: falsos positivos y falsos negativos
Ningún detector de IA es perfecto. Esta es una limitación crítica que los equipos editoriales deben tener en cuenta:
Falsos positivos — el detector marca un texto humano como generado por IA. Esto es especialmente probable en textos con una estructura predecible: listas, instrucciones, descripciones técnicas. Las bases de conocimiento y la documentación están en la zona de riesgo —su contenido es por naturaleza estructurado y formal, algo que los detectores suelen asociar con generación automática.
Falsos negativos — el detector no reconoce el contenido de IA. Esto ocurre cuando el texto pasa por una reelaboración suficiente o cuando el autor usa ingeniería de prompts para imitar un estilo humano (añadiendo «errores», expresiones coloquiales o matices emocionales).
Conclusión práctica: no dependas de un único detector. Usa 2–3 herramientas para contrastar y ten siempre en cuenta el contexto. Si tres detectores ofrecen valoraciones divergentes (uno: 90%, otro: 20%, un tercero: 50%), es una señal de ambigüedad en el texto que requiere revisión manual.
Impacto en E-E-A-T y la confianza en la búsqueda
La detección de plataformas no es el único canal por el que el contenido de IA afecta a la confianza. El E-E-A-T de Google (Experience, Expertise, Authoritativeness, Trustworthiness) evalúa directamente en qué medida el contenido demuestra experiencia y pericia reales. Un texto generado por IA sin experiencia humana es una vulneración estructural del E-E-A-T, independientemente de si un detector lo ha identificado.
Para los equipos de contenido, esto significa que la política de divulgación de IA debe estar sincronizada con la estrategia de E-E-A-T:
- Experience: añade a los borradores de IA experiencias únicas que no pueden estar en los datos de entrenamiento del LLM —casos prácticos, datos de primera mano, perspectivas internas.
- Expertise: indica autores con experiencia demostrada, incluso si el borrador se creó con IA.
- Authoritativeness: cita fuentes autorizadas e investigaciones originales.
- Trustworthiness: revela el uso de IA cuando afecte a la percepción de credibilidad.
Escenarios prácticos para distintos tipos de contenido
Blog posts y artículos de opinión. Aquí la expectativa de autoría humana es máxima. Si la contribución de IA supera el 30%, la divulgación es obligatoria. El mejor formato: «El autor usó un asistente de IA para la investigación y la estructura. El texto final, los argumentos y las conclusiones son propios».
Bases de conocimiento y documentación. Aquí la expectativa de autoría es menor —el lector busca información, no la personalidad del autor. La generación con IA es más aceptable, pero exige una verificación de datos reforzada. La divulgación es opcional, pero la calidad y la precisión son críticas.
Análisis e informes de investigación. La producción híbrida es la norma. La IA procesa datos y genera conclusiones preliminares; el autor interpreta y añade contexto. La divulgación de la metodología (incluidas las herramientas de IA) aumenta la confianza, no la reduce.
Contenido informativo. El uso de IA para la agregación y el resumen es aceptable. El uso de IA para redactar el texto final sin edición, no. El contenido informativo exige máxima velocidad, pero también máxima precisión. La automatización es aquí una herramienta, no un sustituto del editor.
Checklist: preparación del equipo editorial para la detección de IA en plataformas
- Realiza una auditoría: revisa 20–30 publicaciones recientes con 2 detectores de IA y registra la distribución de valoraciones
- Desarrolla una política gradual de divulgación con umbrales: 0–20% / 20–60% / 60–100% de implicación de IA
- Añade un campo «Contribución de IA» en el CMS o el gestor editorial para cada material
- Elabora una lista de las plataformas donde publicas y haz seguimiento de sus políticas de divulgación de IA
- Forma a autores y editores para distinguir entre Claudefishing y producción transparente con IA
- Sincroniza la política de divulgación de IA con la estrategia de E-E-A-T y los requisitos de los buscadores
Qué esperar a continuación: de la detección a la verificación de autoría
Substack es el primer paso. La siguiente fase no será simplemente la detección de contenido de IA, sino la verificación de autoría —la confirmación de que un texto ha sido escrito por una persona concreta. Tecnologías como SynthID de Google ya integran marcas de agua en el contenido generado por IA a nivel de generación. Las plataformas empezarán inevitablemente a exigir a los autores que demuestren su proceso de creación —no solo «esto no es IA», sino «así es como se creó».
Para los equipos editoriales, esto significa que el momento actual es el mejor para construir un flujo de trabajo transparente. Los equipos que ya están implementando políticas graduales de divulgación, metadatos de implicación de IA y formación de autores estarán preparados para el endurecimiento de los requisitos. Quienes esperen a que las plataformas impongan la detección obligatoria se verán en modo reactivo —corrigiendo materiales ya publicados bajo la amenaza de desmonetización o degradación en los resultados de búsqueda.
FAQ
¿Qué es el Claudefishing en palabras sencillas?
El Claudefishing es la publicación de un texto generado por IA sin divulgación, cuando el lector espera autoría humana. El término proviene del nombre del modelo Claude y del concepto de catfishing (crear una identidad falsa). La esencia: el lector no sabe que está consumiendo contenido generado por una máquina.
¿Puede un detector de IA marcar erróneamente un texto humano?
Sí. Los falsos positivos son especialmente frecuentes en contenido estructurado —instrucciones, listas, descripciones técnicas. Usa 2–3 detectores para contrastar y ten en cuenta el tipo de texto al interpretar los resultados.
¿Es necesario revelar el uso de IA si solo edité el borrador?
Si la contribución de IA es mínima (hasta un 20%), la divulgación es opcional. Si la IA creó la base del texto y tú solo lo editaste, se recomienda una breve divulgación de la metodología. El factor decisivo: en qué medida el texto final refleja tu criterio autoral y tu experiencia única.
¿Qué plataformas además de Substack están implementando la detección de IA?
Por ahora, Substack es la primera plataforma editorial con detección integrada. LinkedIn y Medium usan detección de IA para la moderación de contenido. Google exige el etiquetado de contenido de IA para noticias. Se espera que WordPress, Ghost y otros CMS añadan herramientas similares en los próximos 12–18 meses.
¿Afecta la detección de IA a los resultados de búsqueda de Google?
Google no penaliza el contenido de IA como tal, pero lo evalúa según los criterios de E-E-A-T. Si el contenido de IA no demuestra experiencia y pericia, pierde posiciones. La detección de plataformas y la evaluación de búsqueda son mecanismos distintos, pero ambos persiguen la calidad y la confianza.
