¿Cómo reducir la puntuación de detección de IA en el flujo de generación de contenido de n8n?

Ayúdame a Construir mi Flujo de Trabajo
1

## Mi Problema
Estoy construyendo un flujo de trabajo de generación de contenidos en n8n que crea artículos de blog.
Actualmente obtengo puntuaciones de detección de IA del 60-95%. Necesito reducir a menos del 20%
usando solo herramientas GRATIS (sin presupuesto para humanizadores de pago).

Mi Configuración Actual

  • Groq (8 modelos de chat)
  • Google Gemini 2.0 Flash
  • Nodos de código JavaScript para limpieza
  • HuggingFace (intenté, poco confiable)

Estructura del Flujo de Trabajo

  1. Borrador del artículo (Groq llama-3.3-70b)
  2. Paso Humanizador 1 (Gemini)
  3. Inyector de caos JS
  4. Limpieza final (JS)
  5. Enviar a Telegram

Lo que he probado

  • Prompts humanizadores personalizados (tono académico + casual)
  • Reemplazo de palabras (utilizar→usar, etc.)
  • Variabilidad de oraciones
  • Reescritura multimodelo
  • Agregar palabras de atenuación

Resultados Actuales

  • Detección de IA: 58-95% (varía)
  • Probado en: zerogpt.com

Lo que Necesito

Técnicas o plantillas de flujo de trabajo gratuitas que logren consistentemente menos del 20% de puntuación de IA
mientras se mantiene la calidad profesional.

Preguntas

  1. ¿Alguien ha logrado una baja detección de IA con herramientas gratuitas?
  2. ¿Hay técnicas de prompt específicas que funcionen?
  3. ¿Hay alguna API gratuita que me esté perdiendo?
  4. ¿Debería agregar tipos de nodo específicos?

¡Gracias de antemano por cualquier ayuda! :folded_hands:

2

Hola sarathkumar,

me parece un flujo de trabajo interesante. Hace poco tiempo me ocupé del tema y llegué a un resultado incómodo.

El problema real no está en tu flujo de trabajo, sino en las herramientas que usas para las pruebas. Introducí el mismo texto generado completamente por IA en 5 detectores diferentes. Resultado: entre 33% y 100% para el texto idéntico. ZeroGPT, que utilizas, fue el más poco confiable en la prueba. Así que estás optimizando una métrica que ni siquiera es reproducible.

Lo que realmente marca la diferencia: proporcionar datos propios, ejemplos concretos y experiencias personales directamente en el prompt, no ajustar nada en el post-procesamiento. Un modelo que escribe basándose en observaciones reales produce menos patrones reconocibles desde el principio. La arquitectura del prompt es más efectiva que cualquier paso de humanización posterior.

Respecto a tu configuración: el enfoque Groq+Gemini con varios pasos es básicamente sólido. El JS Chaos Injector lo dejaría de lado, empeora el texto sin reducir confiablemente la puntuación.

He hecho una prueba con números concretos al respecto, si te interesa, con gusto la compartimos por mensaje directo.