Deckard, una extensión de Chrome que detecta texto generado por IA sin salir del equipo
El proyecto corre un modelo local sobre el texto de las webs que visitas y marca los fragmentos sospechosos. Sus números están muy lejos de los de Pangram, pero el autor lo usa a diario.
Sean Goedecke ha publicado Deckard, una extensión de Chrome para macOS que analiza el texto de las páginas que abres y resalta los fragmentos que parecen escritos por un modelo. Lo interesante no es el detector en sí, sino dónde corre: el modelo vive en tu máquina, la extensión lo arranca solo cuando lo necesita y lo para tras cinco minutos sin uso. Ningún párrafo que leas sale a un servicio de terceros.
El autor parte de una premisa razonable: la detección automática de texto IA está poco atendida. Pangram es hoy la referencia, con un 99,66% de acierto y un 0,004% de falsos positivos según sus propios datos. La alternativa es montar algo encima de esa API, pero cuesta dinero y obliga a enviar cada texto que ve el navegador a un servidor ajeno.
Los números que puede dar un modelo pequeño
Goedecke comparó varios modelos abiertos pequeños contra un conjunto de datos de detección de IA. Los resultados, en sus propias pruebas, se quedan en otra liga:
- Gradient (MLX 4-bit): 2,712% de humanos marcados por error, 52,35% de texto con IA detectado.
- EditLens RoBERTa-large (INT8 de la comunidad): 2,484% y 56,06%.
- TMR / Oxidane (INT8): 1,595% y 19,35%.
Hay más variantes en la tabla, con tasas de detección entre el 20% y el 45%. El modelo EditLens 3B de Pangram ni aparece: no cabe en un portátil corriendo en segundo plano, y el que usan en producción es probablemente uno o dos órdenes de magnitud mayor.
Aun así, al autor le parece suficiente para su caso. No hace falta marcar un artículo entero para levantar la sospecha, basta con señalar un fragmento, y quien asume un 2% de falsos positivos sabe que una marca suelta no prueba nada.
Cómo está montado
La extensión no necesita un servidor web propio. Chrome la autoriza a lanzar el modelo cuando hace falta y a hablar con él mediante native messaging, el mecanismo estándar del navegador para comunicarse con procesos nativos. Consume entre 400 MB y 1,2 GB de memoria mientras está activo, el equivalente a cinco o seis pestañas extra, y se apaga solo al rato de inactividad. En el MacBook Pro del autor no ha notado calor ni caída de batería, aunque avisa de que en otras máquinas puede ser distinto.
El repositorio incluye el código de la extensión y la pieza nativa. Goedecke reconoce que la escribió con ayuda de un LLM, que le sugirió cosas que no se le habrían ocurrido, como usar native messaging en lugar de un servidor HTTP local, y que eligió C++ para la inferencia en vez de Python.
La pregunta de fondo es si estos detectores tienen recorrido. El autor sostiene que sí: los modelos de detección mejorarán, Pangram dejará de ser la única opción y veremos modelos locales que hagan un trabajo aceptable. Su plan es sustituir el que usa ahora por otro dos o diez veces mejor. Para quien administre sistemas o decida compras, el interés de Deckard no está en su precisión, sino en el patrón: inferencia local dentro del navegador, sin servidor y con arranque bajo demanda. Eso mismo sirve para clasificar, resumir o filtrar contenido sin sacarlo de la red interna.
