Detector de código generado por IA: cómo comprobar si el código ha sido escrito por ChatGPT, Copilot o Claude

GitHub, Copilot, ChatGPT y Claude son asistentes de programación basados en IA. Permiten a los desarrolladores de software generar código a un ritmo más rápido. Esto ha revolucionado la productividad de los desarrolladores. Dicho esto, este aumento de la velocidad conlleva riesgos ocultos. La seguridad de la cadena de suministro de software, las cuestiones relacionadas con los derechos de autor y la integridad en la contratación se ven afectadas.

El sistema MOSS de Stanford suele ser capaz de determinar si un script ha sido generado por IA, pero un desarrollador con experiencia puede ajustar el orden de los métodos y modificar las variables para pasar desapercibido. Además, solo está disponible para uso no comercial. Para determinar con certeza si un código ha sido generado por IA se requiere una infraestructura especializada. Plataformas empresariales como Pangram están entrando ahora en escena para ofrecer servicios específicos de detección de código generado por IA.

Si te preguntas:«¿Se puede detectar el código generado por IA?», la respuesta es «Sí». Detectar código generado por IA es algo fundamentalmente diferente —y más difícil— que detectar texto generado por IA. En esta guía se analizan los siguientes puntos:

• Los patrones del código generado por ordenador.
• Casos de uso de la detección en el ámbito empresarial.
• Cómo implementar una estrategia de gobernanza «Human-in-the-Loop» para detectar código generado por IA.

Detección de pangramas mediante IA para desarrolladores

¿Por qué es tan difícil detectar el código de IA? (El problema de los «grados de libertad»)

El código generado por IA es más difícil de detectar que el escrito por humanos, ya que los lenguajes de programación tienen menos «grados de libertad». Un desarrollador dispone de menos opciones estilísticas y estructurales. Esto es especialmente cierto si se compara con las numerosas opciones estilísticas y estructurales de las que dispone un autor.

Lenguajes como C y el ensamblador tienen requisitos sintácticos muy estrictos. Si un ser humano intenta resolver un problema, es posible que desarrolle la función más eficiente para ese problema. Una IA también podría desarrollar ese mismo código, ya que se trata de la función más eficiente. Tanto un ser humano como una IA pueden generar un código matemáticamente idéntico.

El código estándar no contiene apenas indicios estadísticos. Un detector de IA no podrá determinar con certeza si este tipo de código ha sido generado por IA o escrito por un humano. Lo mismo ocurre con los archivos de configuración sencillos.

Caso de uso 1: Seguridad del software y gestión de la propiedad intelectual

Los directores técnicos y los equipos de operaciones jurídicas utilizan detectores de código de IA para verificar el origen de su código fuente. Lo hacen para asegurarse de que sus desarrolladores no publiquen propiedad intelectual generada por IA que no pueda protegerse con derechos de autor, ni lógica alucinada o vulnerable.

En Estados Unidos, los contenidos generados íntegramente por inteligencia artificial no pueden ser objeto de derechos de autor. Si el producto principal de una startup fuera generado en su totalidad por Copilot sin supervisión humana, es posible que dicha startup no pudiera registrar los derechos de autor de dicho producto.

Un detector de código generado por IA es un primer paso fundamental en los flujos de trabajo de seguridad. Si se identifica un fragmento de código como generado al 100 % por IA, es necesario someterlo a una revisión de seguridad manual exhaustiva. Esta revisión debe realizarse antes de que el código se incorpore al repositorio.

Caso práctico 2: Contratación de personal técnico y evaluaciones de desarrolladores

Los responsables de selección de personal utilizan un detector de código basado en IA en las pruebas técnicas que se realizan en casa. Recurren a este detector para asegurarse de que los candidatos comprenden la lógica del código que envían. No buscan candidatos que se limiten a copiar y pegar los resultados de ChatGPT, sino aquellos que comprendan la lógica que hay detrás de dichos resultados.

Un desarrollador que confíe por completo en un modelo de lenguaje grande (LLM) para superar una prueba de programación probablemente fracasará cuando se le pida que depure sistemas heredados complejos y sin documentar. El código es complejo. Un desarrollador que no sea capaz de lidiar con estas complejidades sin ChatGPT podría no estar en condiciones de desempeñar su función.

En lugar de prohibir la IA de forma generalizada, los responsables de selección de personal utilizan herramientas de detección para plantear preguntas en las entrevistas. He aquí un ejemplo: «Veo que esta función depende en gran medida de la asistencia de la IA. ¿Podrías explicarme por qué el modelo eligió esta estructura de bucle concreta?».

Patrones a tener en cuenta: cómo detectar manualmente el código generado por IA

Para garantizar la precisión en la detección de IA en grandes volúmenes, se necesita software. Sin embargo, en el caso de volúmenes más reducidos, los revisores manuales pueden detectar el código de IA prestando atención a:

• Estilos de comentario muy específicos.
• Exceso de documentación.
• Similitud interna extrema.

Los modelos de IA, como Claude o ChatGPT, están entrenados para ser útiles. Esto hace que incluyan comentarios exhaustivos y poco naturales en cada línea de código. Los desarrolladores humanos rara vez hacen esto, por lo que los comentarios de este tipo delatan que se trata de una IA.

En el ámbito académico o en el proceso de selección de personal, el código generado por IA suele ser idéntico en múltiples envíos. MOSS puede poner de relieve esta similitud. Esto permite que MOSS sirva como un indicador secundario de la generación por IA. Otras herramientas también pueden hacerlo.

Cómo funciona el detector de código de IA de Pangram

Para comprobar si un código ha sido generado por IA, Pangram utiliza el aprendizaje profundo. El aprendizaje profundo se utiliza para identificar la huella estadística de los modelos de IA.

Pangram tiene una tasa de precisión del 96,2 %. Además, su tasa de falsos positivos es prácticamente nula, situándose en el 0,3 %. Esto se debe en gran medida al aprendizaje profundo.

Precisión de Pangram en códigos de más de 40 líneas

A diferencia de otros detectores de código generado por IA, Pangram es deliberadamente conservador. Está diseñado para pasar por alto algunas plantillas típicas de la IA: Pangram tiene una tasa de falsos negativos del 8,5 % en fragmentos de código largos. El objetivo es garantizar que nunca acuse erróneamente a un desarrollador humano.

Los equipos de ingeniería y de selección de personal pueden integrar Pangram a la perfección en sus flujos de trabajo corporativos. Pueden hacerlo mediante el SDK de Python para la detección de código mediante IA de Pangram. O bien, pueden utilizar la API de Pangram. Ambas opciones permiten la comprobación automatizada del código mediante IA dentro de los flujos de trabajo existentes de Git o ATS.

Verificación de la integridad del código

Los asistentes de programación basados en IA son herramientas muy útiles que aceleran el desarrollo de todo tipo de software. Sin embargo, no se puede confiar ciegamente en ellos para crear una infraestructura segura y propia.

Al integrar un detector de código basado en IA de gran precisión en su flujo de trabajo, los equipos de ingeniería y de selección de personal pueden:

• Asegurar la cadena de suministro de su software.
• Proteger su propiedad intelectual.
• Asegúrese de que contratan a los mejores profesionales.

Comprueba la procedencia y la originalidad de tu código fuente con la plataforma de detección mediante IA más precisa del sector.

Descubre Pangram para desarrolladores