SlopTotal lleva la detección de texto por IA autoalojada a las CPU locales

El desarrollador Pablo Caeg ha lanzado SlopTotal, un proyecto de código abierto que funciona como una alternativa local y autoalojada a los detectores comerciales de contenido generado por IA. Publicado a finales de septiembre de 2026, esta herramienta agrega veintitrés motores de detección diferentes para analizar texto, documentos y URLs completamente en el hardware del usuario. Al ejecutar estos modelos localmente en la CPU, garantiza que los datos sensibles nunca abandonen la infraestructura del usuario, al tiempo que ofrece una visibilidad granular sobre cómo cada motor llega a su conclusión.

Qué ha ocurrido

SlopTotal opera paralelizando veintitrés métodos de detección independientes, que van desde clasificadores neuronales como DeBERTa y RoBERTa hasta pruebas estadísticas como el análisis de perplejidad y de "burstiness" (variabilidad). En lugar de devolver una única puntuación de probabilidad opaca (black-box), el sistema presenta un veredicto calibrado de conjunto junto con las puntuaciones individuales de cada motor. Este enfoque permite a los usuarios inspeccionar las contribuciones específicas de las heurísticas lingüísticas, los detectores de frases estándar y los modelos de aprendizaje profundo. El proyecto incluye una interfaz web y una API JSON, lo que facilita la integración en flujos de trabajo existentes o la realización de comprobaciones manuales mediante un navegador.

La herramienta también cuenta con una capacidad especializada de "comprobación de sitios" diseñada para identificar sitios web generados por constructores de aplicaciones de IA. Escanea en busca de huellas digitales específicas dejadas por plataformas como Lovable, v0, Bolt, Base44, Replit y Same. En lugar de adivinar basándose en el estilo visual o la calidad del código, busca marcadores concretos como tiempos de ejecución JavaScript específicos, metaetiquetas y dominios de alojamiento asociados con estos constructores. Esta distinción ayuda a separar la codificación asistida por IA de los artefactos de despliegue generados por IA, proporcionando evidencia en lugar de solo un porcentaje de probabilidad.

Detalles clave

• Ejecución local: El software se ejecuta totalmente en CPU, no requiere GPU y necesita un mínimo de 4 GB de RAM para el perfil ligero.
• Veintitrés motores: Combina clasificadores neuronales, métodos estadísticos y heurísticas lingüísticas para un análisis multicapa.
• Benchmarking transparente: Las métricas de precisión se publican con puntuaciones crudas por muestra, incluyendo pruebas contra literatura anterior a 1920 para medir falsos positivos.
• Soporte de documentos: Acepta entrada directa de texto, URLs, PDFs, documentos de Word y archivos Markdown para escaneo.
• Enfoque en la privacidad: No se envían datos a APIs externas; los informes se almacenan localmente y se eliminan automáticamente después de treinta días por defecto.
• Listo para Docker: Se puede desplegar instantáneamente usando un único comando de Docker, con caché automática de modelos tras la primera ejecución.

Contexto

La detección de IA se ha convertido en un campo controvertido debido a la alta tasa de falsos positivos y la opacidad de las herramientas propietarias. Muchos detectores comerciales operan como cajas negras, ofreciendo una única puntuación de confianza sin explicar la lógica subyacente. Esta falta de transparencia dificulta que las organizaciones confíen en los resultados, especialmente cuando se trata de escritura formal o estilos literarios antiguos que pueden compartir similitudes estructurales con el texto generado por máquinas. Además, enviar documentos corporativos sensibles a servicios de detección de terceros plantea importantes preocupaciones de privacidad y seguridad de los datos.

SlopTotal aborda estos problemas adoptando un enfoque de conjunto similar al de VirusTotal, que agrega múltiples motores antivirus. Al combinar diversas estrategias de detección, mitiga las debilidades de los modelos individuales. Por ejemplo, aunque los clasificadores neuronales son potentes, pueden estar sesgados contra ciertos estilos de escritura. Las heurísticas lingüísticas, aunque más débiles individualmente, proporcionan señales independientes que ayudan a desempatar. El proyecto publica explícitamente sus casos de fallo y su metodología de benchmarking, permitiendo a los usuarios entender las limitaciones de la tecnología en lugar de depender de afirmaciones de marketing.

Por qué es importante

Para los equipos que gestionan su propia infraestructura de software, la capacidad de auditar contenido generado por IA sin exponer la propiedad intelectual a proveedores externos es crucial. Autoalojar SlopTotal garantiza que los documentos internos, las revisiones de código y las comunicaciones permanezcan dentro del perímetro de seguridad de la empresa. Esto es particularmente importante para industrias con estrictos requisitos de cumplimiento normativo donde está prohibida la fuga de datos a servicios de IA de terceros. El requisito exclusivo de CPU también reduce la barrera de entrada, permitiendo el despliegue en servidores estándar o incluso en portátiles de desarrollo sin hardware especializado.

La transparencia del mecanismo de puntuación aporta valor práctico a los flujos de trabajo editoriales y de cumplimiento. Cuando un contenido es marcado, los revisores pueden ver exactamente qué motores activaron las alarmas y por qué. Esta información granular ayuda a distinguir entre la generación genuina por IA y las peculiaridades estilísticas en la escritura humana. Además, la función de comprobación de sitios ofrece una nueva forma de evaluar los entregables de proveedores o proyectos internos, identificando si un sitio web fue construido utilizando herramientas rápidas de prototipado con IA, lo cual puede tener implicaciones para el mantenimiento y la seguridad.

Qué puedes hacer

• Despliega la herramienta localmente usando Docker para probar su rendimiento en tu configuración de hardware específica.
• Integra la API JSON en tu sistema de gestión de contenidos para automatizar el cribado preliminar de artículos enviados.
• Utiliza el endpoint de comprobación de sitios para auditar sitios web de proveedores externos en busca de signos de código boilerplate generado por IA.
• Revisa los datos de benchmarking publicados para comprender las tasas de falsos positivos de la herramienta antes de implementarla en flujos de trabajo críticos.
• Configura la política de retención para que coincida con los estándares de gobernanza de datos de tu organización, asegurando que los informes se eliminen adecuadamente.
• Ejecuta el script de prueba básica (smoke test) tras la instalación para verificar que los veintitrés motores carguen y funcionen correctamente.