Pangram recaudó 9 millones de dólares para expandir la detección de IA a imágenes

Why it matters

Pangram is moving AI detection into publisher and platform workflows, where disputed classifications can affect moderation decisions, institutional trust and people's reputations.

El 29 de julio, los compañeros de clase de Stanford Max Spero (@max_spero_) y Bradley Emi (@bradley_emi) ampliaron Pangram de la clasificación de texto a la detección de imágenes. Los fundadores lanzaron un nuevo modelo de texto, Pangram 4, y abrieron su detector de imágenes para pruebas públicas mientras impulsaban a Pangram, la startup de detección de IA con sede en Nueva York, hacia los medios visuales.

Spero y Emi se conocieron durante su primer año en un dormitorio de Stanford y luego siguieron caminos separados en aprendizaje automático aplicado antes de fundar Pangram. Spero, CEO de Pangram, dirigió trabajos de aprendizaje activo en el desarrollador de vehículos autónomos Nuro después de desempeñar funciones en Google, Two Sigma y Yelp. Emi, el CTO, trabajó en el equipo de visión por computadora de Tesla Autopilot y más tarde lideró investigación de deep learning en el desarrollador de descubrimiento de fármacos generativos Absci. Ambos obtuvieron maestrías en inteligencia artificial en Stanford, donde Emi también realizó investigación con el Stanford Vision Lab, según la biografía de la empresa de Pangram.

Su momento siguió al lanzamiento de ChatGPT y a la rápida propagación de artículos, reseñas, trabajos escolares y publicaciones sociales escritos por máquinas. Spero dijo a TechCrunch, según republicado por Yahoo Finance, que conocer el origen de un texto cambia la forma en que un lector lo evalúa, especialmente cuando el texto generado puede contener alucinaciones o reflejar poca investigación original.

Pangram ahora vende herramientas para navegador, integraciones de documentos y una API a editores, escuelas, reclutadores y plataformas de contenido. Substack y Quora se encuentran entre las plataformas identificadas como usuarias de su tecnología. La página de precios de Pangram lista un nivel web gratuito junto con planes individuales, profesionales, para desarrolladores y empresariales.

Financiamiento de la expansión

Menlo Ventures lideró la ronda de 9 millones de dólares, con la participación de Haystack, ScOp Venture Capital, Script Capital y Cadenza, según el informe de TechCrunch republicado por Yahoo Finance. En la publicación de inversión de Menlo, el socio Deedy Das escribió que contactó a Spero en X después de ver a Pangram identificar cuentas que publicaban material generado por IA y que Menlo lideró la ronda a través de su Anthology Fund. Das también escribió que Spero y Emi habían rechazado solicitudes para construir un humanizer que ayudara a los usuarios a evadir la detección.

La ronda sigue a 3.98 millones de dólares en financiamiento previo (pre-seed) y seed anteriores. Haystack lideró el pre-seed, mientras que ScOp lideró el seed con la participación de Script Capital y Cadenza. Al sumar la ronda más reciente, el financiamiento reportado de Pangram asciende a aproximadamente 13 millones de dólares. Pangram no ha publicado una valoración para la nueva inversión. Su financiación previa se detalló en un anuncio de financiamiento de junio de 2025.

La adquisición de GPTZero le da a Pangram un ejemplo reciente de consolidación en la categoría. Superhuman adquirió GPTZero el 23 de junio después de que la startup había recaudado 13.5 millones de dólares. No se divulgaron los términos. Pangram no formó parte de esa transacción y sigue siendo una empresa independiente respaldada por Menlo Ventures y sus otros inversores.

Cómo funciona Pangram 4

El método de clasificación de texto de Pangram comienza con decenas de millones de documentos conocidos como escritos por humanos, según la explicación de Spero en el informe de TechCrunch republicado por Yahoo Finance. Pangram crea lo que Spero llama un "espejo sintético" para cada documento pidiéndole a un modelo de lenguaje de frontera que reproduzca su tema, extensión y tono. El clasificador luego aprende patrones estilísticos que distinguen los documentos humanos de las versiones generadas.

La técnica analiza el texto en sí sin depender de marcas de agua o metadatos suministrados por un proveedor de modelos. Pangram también intenta identificar escritos que comenzaron con un borrador humano y fueron posteriormente editados por un sistema de IA.

Pangram afirma que Pangram 4 tiene más del 99% de precisión para detectar textos asistidos por IA y mixtos humano-IA y que es mejor identificando texto procesado por herramientas humanizadoras. Pangram dice que el modelo es más de seis veces más grande que Pangram 3 e identificó participación de IA en el 98.83% del contenido procesado por 13 herramientas humanizadoras. Estos son resultados reportados por la empresa, y no una prueba independiente de autoría.

El informe técnico de Pangram 4 publicado por separado reporta un AUROC de 0.9916, una tasa de falsos positivos del 0.0041% y una tasa de falsos negativos del 0.3396% en los datos de prueba de los autores. También reporta un rendimiento mejorado en texto mixto humano-IA, ediciones de grano fino, material fuera de distribución y ataques adversarios en relación con Pangram 3. El documento fue escrito por investigadores de Pangram, incluidos Spero y Emi, y sus métricas principales dependen de la composición de los conjuntos de prueba y las condiciones de evaluación.

Prueba de la detección de imágenes como segundo producto

Pangram Image aplica la tesis de autoría de los fundadores a los medios visuales. Pangram afirma que el modelo puede detectar imágenes totalmente generadas y material sintético incrustado dentro de fotografías del mundo real. También produce mapas de calor destinados a localizar la porción de una imagen que aparenta ser generada.

Pangram describió el detector de imágenes como estando en vista previa de investigación en su lanzamiento del 29 de julio, que dijo que el público podía probar el modelo y proporcionar retroalimentación. Las fuentes suministradas no establecen una cifra de precisión validada de forma independiente.

Editors y plataformas manejan cada vez más combinaciones de escritura humana, copias generadas, fotografías editadas y elementos visuales totalmente sintéticos. Pangram aún tiene que demostrar que su modelo de imágenes puede mantener su rendimiento declarado entre clientes, generadores de imágenes y flujos de trabajo de edición. La prueba limitada de TechCrunch, republicada por Yahoo Finance, encontró que el detector identificó varias imágenes generadas y contenido sintético dentro de una fotografía, mientras que clasificó erróneamente una imagen fotografiada generada por IA como contenido humano.

El mismo problema de validación se aplica al texto. Las clasificaciones erróneas pueden tener consecuencias graves cuando un detector se usa para cuestionar el trabajo de un estudiante, la investigación de un periodista o el manuscrito de un autor. La prueba limitada de texto de TechCrunch, republicada por Yahoo Finance, encontró que Pangram calificó correctamente un artículo totalmente humano mientras marcaba algunas frases reescritas por humanos como asistidas por IA. The Atlantic por separado ha planteado preguntas sobre las tasas de error reportadas por Pangram. Ninguna de las pruebas de esas publicaciones equivale a un punto de referencia independiente amplio.

Pangram 4 produce un juicio estadístico en lugar de una prueba de autoría. Esa distinción se vuelve más importante cuando editores, escuelas y plataformas usan una puntuación para decidir si un trabajo debe ser confiable, revisado o rechazado. El financiamiento da a Spero y Emi margen para mejorar el clasificador de texto mientras prueban la detección de imágenes como segundo producto, pero serán los clientes quienes determinen cuánta autoridad reciben esas puntuaciones probabilísticas.