Pangram ha levantado 9 millones de dólares en una ronda liderada por Menlo Ventures para escalar su detector de contenido generado con IA. La cifra que sostiene su producto es la de falsos positivos: dicen marcar erróneamente como IA aproximadamente 1 de cada 10.000 documentos escritos por humanos.
Puntos clave
- Ronda de 9 millones liderada por Menlo Ventures, con Haystack, ScOp, Script Capital y Cadenza dentro.
- Su modelo Pangram 4 declara más del 99% de precisión detectando escritura asistida por IA.
- Falsos positivos declarados: en torno a 1 de cada 10.000 documentos humanos.
- Entre sus clientes están Substack, que ha integrado la detección en la plataforma, y Quora.
Por qué el dato que importa es el falso positivo, no la precisión
Todos los detectores de IA anuncian precisiones por encima del 95%. El número que decide si una herramienta de estas sirve o no es el otro: cuántos textos humanos marca por error.
La razón es de asimetría de coste. Si un detector deja pasar un texto generado por IA, no ha pasado nada grave. Si acusa a un estudiante o a un colaborador de haber usado IA cuando no lo hizo, ha causado un daño que cuesta reparar. Los detectores de la primera hornada fallaban justo ahí, y de forma sesgada: penalizaban a quien escribe en un idioma que no es el suyo, porque la prosa más simple y regular se parece estadísticamente a la de un modelo.
Una tasa de 1 entre 10.000 es la que hace que un colegio o una editorial pueda usar esto sin acabar en un despacho de abogados. Es un dato declarado por la empresa, no verificado de forma independiente, y conviene tratarlo como tal.
Qué venden y a quién
La empresa la fundaron hace unos dos años Max Spero y Bradley Emi, ambos salidos de Stanford. Tienen dos productos: Pangram 4 para texto y Pangram Image para imágenes, este último todavía como vista previa de investigación.
La lista de clientes dibuja bien el mercado real de esto: Substack, Quora, colegios y universidades, editoriales, agentes literarios y reclutadores. Todos comparten el mismo problema, que es recibir mucho más material del que pueden leer y no saber qué parte merece atención humana.
El modelo de negocio es de tres capas: suscripción web a 20 dólares al mes, extensión de Chrome que etiqueta contenido en X, LinkedIn, Substack, Reddit y Medium con un porcentaje de humano frente a IA por feed, y API para empresas. Compiten con Winston AI, Originality.ai, Copyleaks y GPTZero.
El uso que casi nadie menciona
El caso de los reclutadores es el más revelador de los que aparecen en la lista. Un departamento de recursos humanos que recibe 400 candidaturas para un puesto sabe que una parte grande de las cartas de presentación salen de un modelo. Detectarlo no sirve para descartar, sirve para decidir dónde poner la atención.
El de las editoriales y los agentes literarios va por lo mismo. Nadie va a rechazar un manuscrito por un porcentaje, pero saber que el 90% de lo que entra viene de un generador cambia cómo organizas la lectura.
Por qué importa a una empresa que produce contenido
Aquí hay un asunto que va a llegar antes de lo que parece: la detección se está integrando en las plataformas, no solo en herramientas aparte. Que Substack la haya metido dentro es la señal.
Si tu empresa publica contenido, newsletter, blog, notas de prensa o descripciones de producto, y ese contenido sale de un modelo sin apenas edición, el escenario a doce meses es que la plataforma lo etiquete sola. No como sanción, como información al lector.
La respuesta razonable no es dejar de usar IA para escribir. Es hacer lo que hace que un texto sea tuyo de verdad: datos propios, ejemplos concretos que solo tú tienes, una postura. Un texto con cifras reales de tu empresa y un caso que viviste no lo genera ningún modelo, porque no tiene esos datos. Y de paso es el que consigue que alguien lo lea entero.
Relacionado
