La inteligencia artificial generativa permite producir borradores coherentes en poco tiempo, pero esos borradores suelen requerir una revisión profunda antes de convertirse en un texto propio. Humanizar no significa introducir errores ni cambiar palabras al azar. Significa revisar el contenido para que refleje una intención concreta, una forma de razonar reconocible y el contexto real del autor. También conviene aclarar que no existe un método capaz de garantizar que un texto sea “indetectable”. Los detectores de contenido generado por IA presentan limitaciones, resultados variables y falsos positivos, por lo que su puntuación no equivale a una prueba absoluta de autoría (Elkhatat et al., 2023; Weber-Wulff et al., 2023).
¿Qué significa humanizar un texto?
Un texto se vuelve más humano cuando deja de funcionar como una respuesta genérica y comienza a mostrar decisiones. Una persona decide qué idea merece más espacio, qué ejemplo aclara el argumento, qué afirmación debe matizarse y qué información resulta pertinente para el propósito del documento. Por eso, la revisión debe comenzar por el sentido y no por los sinónimos. Una frase como “la comunicación es fundamental para el éxito” puede servir en muchos trabajos; en cambio, “una comunicación tardía entre áreas puede generar retrabajos y decisiones contradictorias” delimita una situación y explica una consecuencia. La segunda versión resulta más natural porque dice algo verificable y específico.
Palabras y expresiones que suelen sonar automatizadas
No existen palabras exclusivas de la IA. “Asimismo”, “en este sentido” o “cabe destacar” son expresiones legítimas en español académico. El problema aparece cuando se repiten de manera mecánica, especialmente al inicio de casi todos los párrafos. La regularidad excesiva puede dar la impresión de una plantilla. También suelen sentirse genéricas expresiones como “papel crucial”, “impacto significativo”, “mundo cada vez más digitalizado” o “abordaje integral” cuando no explican qué cambia, cuánto cambia o en qué contexto ocurre (Ver Tabla 1).
Tabla 1
Expresiones sobreutilizadas y alternativas más naturales
| Expresión frecuente | Alternativa más natural |
| Cabe destacar que… | Ir directamente al dato o usar “conviene señalar…” solo si el énfasis es necesario. |
| En este sentido… | “Por eso…”, “a partir de lo anterior…” o ninguna transición si la relación ya es clara. |
| Asimismo / Además | Variar según la relación: “también”, “a la vez”, “otro aspecto es…”, o eliminar el conector. |
| Es importante mencionar que… | Expresar la idea directamente: “El estudio encontró…”, “La principal limitación es…” |
| Desempeña un papel crucial | Precisar la función: “reduce”, “facilita”, “condiciona”, “aumenta” o “limita”. |
| En conclusión… | Cerrar con la consecuencia concreta sin anunciar siempre el cierre. |
La tabla no debe convertirse en un diccionario de sustituciones. Cambiar todas las apariciones de “cabe destacar” por otra fórmula solo cambia la repetición. Lo más natural es identificar la relación lógica entre las ideas y decidir si el conector hace falta. Muchas veces puede eliminarse. La meta es que las transiciones nazcan del razonamiento y no de una secuencia predecible de palabras.
Estrategias para lograr una voz más propia
Una primera estrategia es variar el ritmo de las oraciones. Si todas tienen una longitud semejante y la misma estructura, el texto se vuelve monótono. Algunas ideas pueden formularse de manera directa; otras necesitan una explicación más extensa. La variación debe responder al contenido. No se recomienda introducir faltas de ortografía o puntuación para “parecer humano”, porque eso deteriora la calidad sin demostrar autoría.
Una segunda estrategia es incorporar detalles específicos. Los borradores automáticos suelen producir frases que funcionan para muchos temas. El autor puede añadir fechas, características de la población estudiada, normas aplicables, datos de una fuente, condiciones del caso o ejemplos relacionados con su investigación. En lugar de afirmar que “las empresas enfrentan diversos desafíos”, conviene señalar cuáles son esos desafíos, a qué empresas se refiere y por qué afectan el problema analizado.
También es útil introducir matices. En escritura académica no todo “demuestra” algo de forma definitiva. Según la evidencia, puede ser más preciso escribir “sugiere”, “permite observar”, “es consistente con” o “no permite concluir”. Reconocer una limitación también hace más sólido el argumento: una muestra pequeña, una fuente desactualizada o un contexto local pueden restringir el alcance de una conclusión. Esa precisión muestra criterio y evita afirmaciones excesivamente seguras.
Ejemplo de revisión
Un borrador genérico podría afirmar: “En la actualidad, la tecnología desempeña un papel fundamental en la educación, ya que permite mejorar significativamente los procesos de enseñanza y aprendizaje. Asimismo, facilita el acceso a recursos innovadores”. El texto es correcto, pero no indica nivel educativo, herramienta, actividad ni condición de uso. Una versión revisada podría decir: “En básica primaria, una plataforma interactiva puede ampliar las oportunidades de práctica cuando el docente la integra a una actividad con propósito definido y retroalimentación posterior. Su aporte también depende de la conectividad, el acompañamiento y la pertinencia de las tareas”. Esta segunda versión establece condiciones y evita promesas generales.
Procedimiento práctico de revisión
La revisión puede hacerse en cinco pasadas. Primero, se comprueban datos, citas y referencias. Segundo, se identifica la idea principal de cada párrafo y se eliminan frases que no la apoyan. Tercero, se buscan conectores y adjetivos repetidos. Cuarto, se incorporan detalles del caso, ejemplos y decisiones argumentativas propias. Quinto, se lee el texto en voz alta para detectar oraciones demasiado largas o expresiones que no coinciden con la forma habitual de explicar el tema. En trabajos académicos conviene, además, conservar notas, fichas de lectura y versiones sucesivas, porque estos materiales evidencian el proceso real de elaboración.
Qué no conviene hacer
No conviene deformar un texto con errores deliberados, sinónimos extraños, traducciones repetidas o herramientas de parafraseo utilizadas únicamente para alterar su apariencia. Estas prácticas pueden cambiar conceptos técnicos y producir incoherencias. La literatura también advierte que los detectores pueden equivocarse; Liang et al. (2023), por ejemplo, encontraron sesgos al clasificar textos de escritores no nativos de inglés. Por eso, el objetivo razonable no es perseguir un porcentaje de “humanidad”, sino producir un documento que el autor comprenda, pueda explicar y pueda respaldar con fuentes.
Humanizar un texto creado con apoyo de IA es un proceso de edición sustantiva. Implica transformar un borrador general en un texto situado, con argumentos que respondan al propósito del trabajo, ejemplos pertinentes, fuentes verificables, matices y una voz coherente con el conocimiento de quien lo presenta. Las llamadas “palabras de IA” no son una categoría lingüística real; se vuelven sospechosas cuando aparecen con frecuencia automática y sin necesidad discursiva. Ninguna técnica puede garantizar que un texto sea indetectable. La opción más sólida es comprender cada afirmación, reescribir desde el propio criterio, verificar las referencias y respetar las políticas institucionales sobre el uso de inteligencia artificial.
Referencias
Elkhatat, A. M., Elsaid, K., & Almeer, S. (2023). Evaluating the efficacy of AI content detection tools in differentiating between human and AI-generated text. International Journal for Educational Integrity, 19, Article 17. https://doi.org/10.1007/s40979-023-00140-5
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779. https://doi.org/10.1016/j.patter.2023.100779
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P., & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity, 19, Article 26. https://doi.org/10.1007/s40979-023-00146-z