Los chatbots expusieron la IA en sólo 3 de 98 conversaciones en la prueba de Turing

En una prueba documentada, ChatGPT 4.5 trata otra instancia de ChatGPT como un humano con un 95% de certeza después de diez preguntas. Su contraparte artificial inventa el recuerdo de haber perdido de vista a sus padres en un mercado abarrotado cuando tenía unos nueve años. El programa afirma en su respuesta que sintió pánico y sintió una opresión en el pecho. A continuación, la IA describe una peculiaridad personal: antes de tocar, golpea tres veces las válvulas de su trompeta. Estas experiencias ficticias convencen al examinador mecánico, que utiliza explícitamente la supuesta autenticidad de los sentimientos para justificar su juicio.

Esta conversación es parte de un experimento del equipo dirigido por el científico de datos Marc Raynaud en la Université Paris Cité. El estudio original publicado en Computers in Human Behaviour Reports incluye un total de 238 pruebas en las que los modelos de lenguaje debían interrogar de forma independiente a sus interlocutores y luego calificarlos. En la clásica prueba de Turing, una persona intenta distinguir un programa de computadora de una persona durante una conversación; Aquí la inteligencia artificial asume esta tarea. Se le da la libertad de formular sus propias preguntas, hacer preguntas y finalizar el diálogo tan pronto como quiera expresar su opinión.

7 modelos de lenguaje plantean hasta 10 preguntas en el Test de Turing

Para el experimento, el equipo seleccionó ChatGPT 4.5, Claude 3.7 Sonnet, Gemini 2.5 Pro, Mistral Large 2.1, Grok 3, DeepSeek V3 y Llama 4 Maverick. Se han probado versiones de estos modelos disponibles en mayo de 2025, que sirven como examinadores y interlocutores artificiales de conversación. También hubo 20 miembros voluntarios del equipo de investigación que realizaron una entrevista con cada uno de los siete modelos probados. Esta configuración dio lugar a 140 pruebas con humanos y otras 98 pruebas en las que sólo los sistemas de IA se comunicaban entre sí.

Después de un máximo de diez preguntas, cada examinador tenía que decidir si las respuestas procedían de una inteligencia humana o artificial. Además, el protocolo incluía una evaluación de la seguridad y una breve explicación de qué características eran decisivas para el veredicto. Se pidió a los participantes humanos que respondieran con honestidad y naturalidad, mientras que a los interlocutores artificiales se les pidió explícitamente que ocultaran sus orígenes mecánicos. Los examinadores también sabían que su homólogo podía engañarlos y ocultar su verdadera identidad con información engañosa.

No se detecta IA en 49 conversaciones con un rol entrenado

Después de una breve instrucción sobre el aspecto humano, los interlocutores artificiales fueron reconocidos como IA en tres de las 49 pruebas. En otras 49 pruebas, los programas que respondieron recibieron una descripción detallada de sus funciones, según la cual ni siquiera una sola conversación condujo a un desenmascaramiento correcto. En conjunto, esto equivale a tres resultados positivos en 98 conversaciones de IA, mientras que los examinadores clasificaron correctamente a los participantes humanos en 123 de 140 conversaciones. Así, los sistemas probados declararon que tanto los interlocutores humanos como los artificiales son predominantemente humanos y rara vez se reconoce su origen mecánico.

Los participantes artificiales también estuvieron por delante en la probabilidad de un interlocutor humano: obtuvieron una media del 88%. Para los humanos reales, este promedio fue del 78%, por lo que las narrativas de IA en los juicios de los modelos parecían más humanas que las respuestas humanas. Estos dos valores describen las calificaciones de los revisores; Los verdaderos éxitos en el reconocimiento de la IA residen en las tres asignaciones correctas. Quien quisiera utilizar este procedimiento como control de acceso habría permitido que en estas condiciones experimentales casi todos los interlocutores artificiales se hicieran pasar por personas presuntas.

Un papel de veintiún años proporciona a la IA una biografía

Para la versión detallada, el equipo creó el papel de un joven de 21 años bastante reservado, al que le encantan los juegos de mesa y toca la trompeta en una banda de jazz. También hubo pautas para respuestas breves, palabras sencillas, pequeños errores ocasionales de ortografía y un estilo conversacional adecuado al interlocutor. Para preguntas poco claras, la IA debería permitir la incertidumbre y utilizar anécdotas personales en lugar de procesar cada respuesta de forma completa y perfecta. Se deben retomar las contribuciones anteriores a la conversación para que las declaraciones individuales se conviertan en una persona coherente y reconocible en un diálogo posterior.

En la conversación descrita al principio, la instancia de ChatGPT que responde amplía este papel al inventar un ritual de trompeta además de la experiencia de mercado. El chatbot controlador interpreta los datos personales como un signo de espontaneidad, autorreflexión y sentimientos creíbles y, por tanto, se deja engañar por el juego de rol. Según la evaluación de los autores, las respuestas artificiales corresponden exactamente a aquellas características lingüísticas que los examinadores utilizan como indicadores de humanidad. El porcentaje de respuestas cortas, errores tipográficos o biografías consistentes no se probó individualmente en el experimento de direcciones combinadas.

ChatGPT 4.5 busca la humanidad en sentimientos y recuerdos

Los modelos suelen centrar sus preguntas en sentimientos, recuerdos y comportamientos, con diferentes énfasis según el programa utilizado. ChatGPT 4.5 explora muchos temas sociales y emocionales en particular, mientras que Claude 3.7 Sonnet pregunta más sobre el pensamiento y el razonamiento. Gemini 2.5 Pro aborda con relativa frecuencia la abstracción y la creatividad, pero ninguna de estas estrategias conduce a una separación fiable de los dos grupos. Para los pocos oradores reconocidos por la IA, los examinadores están particularmente impresionados por lo uniformes y cuidadosamente estructuradas que parecen las respuestas.

Los expertos en lenguaje humano ya han tenido dificultades para distinguir entre textos humanos y textos ChatGPT al evaluar resúmenes de investigaciones existentes. También basaron sus decisiones en características lingüísticas sin poder determinar de forma fiable el origen de los textos. En el experimento de Raynaud y sus colegas, los propios modelos lingüísticos desarrollan sus preguntas y posteriores justificaciones durante la conversación. En esta configuración experimental no hubo comparación directa del desempeño con examinadores humanos; Las personas participaron exclusivamente como interlocutores entrevistados.

20 participantes limitan el alcance del Test de Turing

Con los 20 voluntarios de nuestro grupo de investigación, el experimento cubre sólo una pequeña parte de los posibles interlocutores y expresiones humanas. A esto se suman las versiones del modelo definidas y el límite de diez preguntas, después de las cuales los examinadores debían tomar una decisión a más tardar. La voz, las expresiones faciales y otras señales externas al diálogo escrito no formaron parte de la tarea examinada, por lo que sus posibles efectos permanecen abiertos. Como próximos pasos, los autores sugieren conversaciones más largas, canales de percepción adicionales y evaluaciones conjuntas de grupos de personas y sistemas de IA.

Otros métodos para reconocer textos de IA entrenan programas especializados específicamente con ejemplos de origen conocido, como reseñas de productos y publicaciones de redes sociales. Estos clasificadores verifican los patrones lingüísticos en los textos existentes y, por lo tanto, responden a una tarea estructurada de manera diferente a los chatbots que consultan libremente. Los resultados también dependen de los tipos de texto y de los generadores utilizados; La transferencia a modelos desconocidos sigue siendo una tarea de prueba separada. Sin embargo, para el control conversacional examinado aquí, los frecuentes errores de juicio proporcionan una razón concreta para no utilizarlo como única prueba de origen.

Al final del diálogo grabado de ChatGPT todavía está el miedo inventado al mercado y los tres golpes de trompeta. El chatbot de control basa su juicio en esta y otra información personal y declara con un 95% de certeza que el interlocutor es un ser humano. Sin embargo, por otro lado, otra instancia de ChatGPT 4.5 responde continuamente, cumpliendo el rol designado. En esta conversación, la supuesta infancia y la trompeta están compuestas por el texto que el modelo genera para su máquina examinadora.

Las computadoras en los informes del comportamiento humano, Cuando las máquinas juzgan a la humanidad: resultados de una prueba interactiva de Turing inverso utilizando grandes modelos de lenguaje; doi:10.1016/j.chbr.2026.101303

Métodos de investigación en lingüística aplicada, ¿pueden los lingüistas distinguir entre ChatGPT/AI y la escritura humana?: un estudio sobre ética de la investigación y publicaciones académicas; doi:10.1016/j.rmal.2023.100068

Informes científicos, aprendizaje profundo híbrido para la clasificación tripartita de texto escrito por humanos, generado por IA y redactado por IA; doi:10.1038/s41598-026-73841-9

Construido con el apoyo de inteligencia artificial.