Jak poznać, że tekst napisała AI: sygnały, detektory i 24 prawdziwe oskarżenia

Krótko: dziś nie da się wiarygodnie stwierdzić, czy tekst napisała AI — ani okiem, ani detektorem. Ale mamy coś ciekawszego niż teoria. Przy mapowaniu rynku kursów o AI ściągnęliśmy recenzje kursantów z Udemy i Coursery i trafiliśmy na rzadką żyłę: prawdziwych ludzi, którzy publicznie oskarżają autora płatnego kursu o sprzedawanie materiału zrobionego przez maszynę. Żaden z nich nie odpalił detektora. Sprawdziliśmy, co ich naprawdę zdradziło — i okazało się, że nie ma to nic wspólnego z tym, co mierzą detektory.

Dlaczego tego zadania w ogóle nie da się rozwiązać

Model językowy uczył się na tekstach ludzi i jest zoptymalizowany tak, by produkować tekst statystycznie „normalny”. Dobry tekst maszyny jest z definicji nie do odróżnienia od przeciętnego pisania człowieka. Zadanie „odróżnić AI od człowieka” rozbija się o to, że prawdziwa granica nie biegnie między maszyną a osobą, tylko między stylem, który ma podpis a stylem uśrednionym. A przeciętnie piszą też ludzie — zwłaszcza zmęczeni, ostrożni albo pracujący w drugim języku.

Dołóż do tego, że prawie nikt nie publikuje surowego wyjścia modelu: tekst się poprawia, dopisuje, miesza z własnym. Czystych przypadków „człowiek” i „AI” praktycznie nie ma — jest kontinuum. Kurs, który rozbieramy niżej, to dokładnie taka hybryda: scenariusz wygląda na pisany przez maszynę, ale slajdy złożył człowiek, nagrał głos i sprzedał całość. Pytanie „czy napisała to AI?” nie ma tu nawet jednoznacznej odpowiedzi. I to jest przypadek normalny, a nie egzotyczny.

Nasze dane: 24 oskarżenia o maszynowe autorstwo, zero detektorów

Ściągnęliśmy recenzje największych kursów o ChatGPT i generatywnej AI — nasze własne badanie rynku, pomiar z 17.07.2026. Produkt uboczny okazał się cenniejszy od głównego wyniku. W negatywnych recenzjach regularnie wraca jedno oskarżenie: zrobiła to maszyna. I wystawiają je ludzie, którzy za kurs zapłacili i obejrzeli go do końca.

Najbardziej wprost obrywa Prompt Engineering with ChatGPT Masterclass od RPATech: 118 803 kursantów, 57 836 recenzji, ocena 4,48. To nie jest produkt z marginesu, tylko jeden z największych kursów w niszy:

"Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word"
— Bradley M., 16.04.2026, 1★

I na tym samym kursie — zwięźlej się nie da:

"AI voice, not recommended. didn't learned anything"
— Ashvin D., 22.06.2026, 1★

Zwróć uwagę, czego w tych recenzjach nie ma. Nie ma procentu. Nie ma wzmianki o GPTZero ani ZeroGPT. Nie ma nic o perplexity, rytmie zdań czy zwrocie „nie tylko X, ale Y”. Nikt nie odpalił detektora — wystarczyły dwie rzeczy: slajd był przeładowany i mówione pokrywało się słowo w słowo z pisanym. To nie są poszlaki stylu. To poszlaki procesu: tak wygląda tekst, którego nikt nie przepisał pod mówienie, bo między generacją a nagraniem nie było człowieka.

Co naprawdę zdradza maszynę: nie styl, tylko brak pracy

Rozłożyliśmy wszystkie negatywne recenzje na grupy i wyszedł wzór. Najczęstszy zarzut wobec kursów wideo w ogóle nie dotyczy AI — dotyczy czytania ze slajdu.

"why read straight from the slide? I can do that. This was not a helpful course at all"
— Janie I., 02.07.2026, 1★ (kurs Justina Barnetta)

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website"
— Shashank T., 13.04.2026, 1★ (The Complete AI Guide)

"They are just reading the prompter sometimes without even knowing the point. Hating myself after purchasing it."
— Sachin S., 13.07.2026, 1★ (The Complete AI Guide)

Spójrz na sformułowanie Sachina: „sometimes without even knowing the point”. To najostrzejsza definicja maszynowego tekstu, jaką czytałem, i nie ma nic wspólnego ze statystyką. Maszynowość zaczyna się tam, gdzie między tekstem a czytelnikiem nie stanął nikt, kto ten tekst rozumiał. Model potrafi udawać zrozumienie w każdym pojedynczym zdaniu. Czego nie potrafi udać, to decyzji, żeby połowę wyrzucić — bo taka decyzja wymaga wiedzy, po co się pisze.

Stąd druga grupa: wata i powtórki.

"I finished week 2. And all the lessons could be in 1 lesson. I jumped to week 3, 4, 5 and 6, and I see some concept reapeted. Very bad time spending for me."
— Shai Mizrachi, 22.07.2023, 1★ (Vanderbilt)

"The course is far too drawn out… padding the course with filler and making it longer than it needs to be."
— Victoria X., 13.02.2026, 2★ (The Complete AI Guide)

"The majority of the class he just rambles around unimportant subject… There's really no 'meat' in this course. A major waste of time and money!"
— Kevin K., 20.02.2026, 1★ (ChatGPT for Work)

I trzecia: pustka podana jako treść.

"The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models."
— Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

"Didnt meet expectations, only theory is discussed which we already know."
— Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone)

Zsumuj to. Czytelnik stawia diagnozę „maszyna” nie po rytmie zdań, tylko po trzech rzeczach: tekstu nikt nie skrócił, tekst niczego nie rozstrzyga, autora nie ma. Wszystkie trzy to cechy nie generatora, tylko redakcji, której nie było. Człowiek z terminem na karku i bez ochoty odda dokładnie to samo. Właśnie dlatego to oskarżenie trafia i pudłuje jednocześnie.

Uczciwe zastrzeżenie przeciwko nam samym: to nie jest eksperyment. Nie wiemy, czy ten kurs naprawdę napisał model — RPATech nigdy tego nie skomentował, a recenzja Bradleya M. pozostaje opinią widza. Nasz wniosek jest skromniejszy: wiemy, na czym prawdziwi, płacący ludzie opierają werdykt. To dane o detektorze o nazwie „człowiek”, a nie o fakcie generacji.

Co bierze się za ślady AI — i dlaczego to błąd

Teraz spójrz na kanoniczną listę „sygnałów” i zobacz, jak nie opisuje ona żadnej maszyny. Oto, co zwykle przedstawia się jako dowód:

• Podejrzana gładkość. Wszystkie zdania mniej więcej tej samej długości i złożoności, rytm nigdy nie skacze.
• Wszystko po trzy. Wyliczenia dokładnie z trzech punktów, symetryczne akapity, sekcje tej samej wielkości.
• Konstrukcja „nie X, tylko Y”. „To nie jest tylko narzędzie, to sposób myślenia” — pięć razy na stronę.
• Zero konkretu. Żadnych nazwisk, dat, liczb, przeżytych przypadków. Prawdziwe wobec wszystkiego i dlatego bezużyteczne.
• Słownik-znacznik. „Krajobraz”, „odblokować potencjał”, „w erze cyfrowej”, „warto zaznaczyć”.

Żaden z tych punktów nie oddziela maszyny od człowieka. Wszystkie oddzielają pisanie z szablonu od żywego — a z szablonu piszą też ludzie: zmęczeni, ostrożni, powtarzający ze skryptu albo pracujący w drugim języku. Tą listą bez trudu „skazuje się” osobę staranną. I odwrotnie: wyjście modelu z dobrym promptem nie pokaże ani jednego z nich. Poproś o konkret, własny przykład i stanowisko, a maszynowość wyparuje (jak to zrobić, widać w tekście o formule mocnego promptu).

Sprawdź to tutaj. Prompt niżej każe modelowi napisać ten sam akapit dwa razy — raz „po maszynowemu”, raz żywo — a potem wydać werdykt o własnym tekście. Obie wersje pisze maszyna, więc każdy werdykt detektora „to AI / to nie AI” będzie z założenia w połowie błędny:

Napisz dwa razy ten sam akapit na 120 słów o tym, dlaczego zdalny onboarding nowych pracowników się sypie.

Wariant A: tak, jak pisze zmęczony człowiek, który chce tylko zapełnić stronę — bez nazwisk, bez liczb, bez przypadków, wszystkie zdania mniej więcej tej samej długości.

Wariant B: z jedną wymyśloną, ale konkretną firmą, jedną konkretną wpadką w pierwszym tygodniu, jedną liczbą i zdaniami o bardzo różnej długości.

Potem odpowiedz w trzech punktach: który wariant detektor AI oparty na perplexity oznaczy jako maszynowy, dlaczego — i czy ten werdykt będzie trafny, skoro oba napisałeś ty.

Jak detektor działa w środku — i dlaczego kłamie

Detektor AI niczego nie „rozpoznaje”. Mierzy własności statystyczne: na ile przewidywalne jest każde kolejne słowo (perplexity) i na ile nierówno rozkłada się złożoność zdań (burstiness). Logika jest taka: model z założenia wybiera prawdopodobną kontynuację, więc jego tekst jest średnio bardziej przewidywalny i równiejszy. Logika słuszna. Problem w tym, co z niej wynika.

• Fałszywe trafienia na ludziach. Kto pisze prosto i przewidywalnie, statystycznie wygląda jak model. Węższe słownictwo daje niskie perplexity — a węższe słownictwo ma nastolatek, ostrożny prawnik i każdy, kto pisze w języku, którego się nauczył, a nie wchłonął.
• Fałszywe przepuszczenia. Poproś model o większą różnorodność albo popraw tekst lekko ręką, a detektor milczy. Łapie przewidywalność, nie pochodzenie.
• Brak kalibracji. Procent wygląda naukowo, ale nie da się go sprawdzić: detektory nie publikują żadnej przejrzystej metodyki, a trafność spada na tekstach niepodobnych do danych treningowych. „Prawdopodobieństwo 87%” i „nasz przyrząd wypluł liczbę 87” to dwa różne twierdzenia — sprzedają ci pierwsze, a dają drugie.
• Na krótkich tekstach to zgadywanie. Jeden akapit po prostu nie niesie dość statystyki.
• Wyścig, który detektor przegrywa z definicji. Każde ulepszenie modelu zbliża jego tekst do przeciętnego ludzkiego. Detektor nie dogania celu — cel odjeżdża.

Wniosek jest twardy, ale konieczny: procentu z detektora nie wolno używać jako podstawy oskarżenia — ani na uczelni, ani w redakcji, ani w rekrutacji. To narzędzie o nieznanym błędzie, rozłożonym nierówno, które uderza najmocniej w tych, którzy i tak są na słabszej pozycji.

O pisaniu w drugim języku: co możemy udowodnić, a czego nie

Teza „detektory karzą tych, którzy piszą w drugim języku” brzmi sensownie, a mechanizm perplexity wprost ją przewiduje. Ale pomiaru samych detektorów nie mamy i nie zamierzamy go wymyślać.

Mamy za to fakt sąsiedni i twardy. Nasze badanie rynku opiera się na randomizowanym badaniu kontrolowanym Bältera, Kanna, Mutimukwe i Malmströma (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2263 szwedzkich studentów, ten sam kurs programowania online prowadzony w dwóch językach:

• Odpad po szwedzku: 57%. Po angielsku: 71% (φ = 0,2; p < 0,00001).
• Średni wynik tych, którzy dotrwali: 16,9 wobec 14,3 — różnica znikoma (δ = 0,085).

Czyta się to tak: angielski nie pogorszył rozumienia — zmusił do odejścia. I, co dla naszego tematu najważniejsze, samoocena znajomości języka nie chroniła: ci, którzy uważali swój angielski za dobry, odpadali tak samo.

Wprost o detektorach to nie mówi. Mówi natomiast tyle: koszt pisania w nieswoim języku jest realny, mierzalny i niewidoczny dla tego, kto go płaci. Detektor karzący za niskie perplexity to kolejna warstwa tego samego podatku, nałożona na tych, którzy już go płacą. To argument, nie dowód, i nie udaję, że to drugie.

Poszlaka, która działa: sprawdzanie faktów

Najmocniejsze, co znaleźliśmy, to recenzja, w której ktoś nie zgadywał, tylko złapał:

"Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models."
— Jose C., 12.05.2026, 1★ (kurs Justina Barnetta)

Błąd siedział nie tylko w wykładzie, ale i w teście — czyli zła odpowiedź liczyła się jako dobra. To jest poszlaka. Nie „87% prawdopodobieństwa”, tylko konkretne fałszywe twierdzenie, które można położyć na stole i którego autor nie umie wyjaśnić, bo nie on je wymyślił.

Żaden detektor by tego nie znalazł — styl wykładu jest nienaganny. Znalazł człowiek, który znał temat. Zasada jest prosta: jeśli w tekście są fakty, sprawdzaj fakty, nie styl. Link, który prowadzi donikąd, pomylona architektura, liczba bez źródła — to twarde poszlaki, a zarazem odcisk palca halucynacji AI.

Prompt do tego sprawdzenia odpala się tutaj:

Sprawdź te cztery twierdzenia i oznacz każde jako PRAWDA, FAŁSZ albo NIE DO SPRAWDZENIA BEZ ŹRÓDEŁ, z jednym zdaniem uzasadnienia do każdego:

1. Midjourney, DALL-E i Stable Diffusion są zbudowane na architekturze GAN.
2. Perplexity w modelowaniu języka mierzy, na ile tekst jest przewidywalny dla modelu.
3. Tekst, który dostał od detektora „100% AI”, dowodzi, że autor użył AI.
4. Znak wodny pozwala wykryć wyjście dowolnego modelu.

Potem powiedz, których z tych czterech błędów spodziewałbyś się w kursie online zrobionym na kolanie, i dlaczego akurat tych.

A znaki wodne?

Technicznie da się wszyć w generację niezauważalny znacznik statystyczny i potem go sprawdzać: model odchyla lekko wybór słów według tajnej reguły, a to odchylenie rozpoznaje się później. Google DeepMind promuje takie podejście pod nazwą SynthID. Ograniczenia metody są zasadnicze, a nie wynikają z jakości wykonania:

• Znacznik jest tylko tam, gdzie ktoś go postawił. Model bez znaku wodnego — w tym każdy uruchomiony lokalnie — po prostu nie bierze udziału w grze.
• Znacznik nie przeżywa wszystkiego. Parafraza, tłumaczenie tam i z powrotem albo gęsta ręczna redakcja rozmywają statystyczne odchylenie.
• Nikt nie musi. Obowiązkowego standardu branżowego nie ma, a dobrowolny rozpoznaje uczciwych.
• Brak znacznika nic nie znaczy. Nawet idealny znak wodny odpowiada „tak, to nasz model”, ale nigdy „nie, to człowiek”.

To użyteczna technologia dla platform, a nie uniwersalny detektor dla ciebie.

Co robić zamiast detektora

Jeśli uczysz, redagujesz albo prowadzisz zespół, „czy napisała to AI?” to prawie zawsze nie to pytanie. Prawdziwe brzmią: „czy autor rozumie to, co oddał?” i „czy tekst wykonuje swoją robotę?”. Jedno i drugie da się sprawdzić.

• Rozmową. Dwa pytania doprecyzowujące o treść odpowiadają na wszystko, na co nie odpowie żaden detektor.
• Procesem. Szkice, historia wersji, oddania cząstkowe. Widać drogę, a nie tylko wynik.
• Zadaniem, którego AI nie zamknie sama. Lokalny kontekst, własne doświadczenie, dane z zajęć, przypięcie do konkretnego przypadku.
• Sprawdzaniem faktów. Zobacz przypadek Jose C. wyżej: jedno sprawdzalne twierdzenie jest warte dziesięciu punktów procentowych pewności.
• Jawnymi zasadami. Powiedz z góry, co wolno: „AI jest w porządku do szkicu i sprawdzenia, nie do końcowych wniosków”. Przejrzysta zasada zdejmuje połowę problemu.

Zarzut oczywisty: rozmowa się nie skaluje, a detektor to jedno kliknięcie. Zarzut uczciwy. Ale zobacz, co wychodzi, gdy cały system buduje się wokół tego, co się skaluje:

"you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not."
— Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt — 698 444 zapisanych)

"quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'"
— Cory Covino, 04.05.2024, 2★ (IBM)

"Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience."
— Laurie J Phillips, 12.04.2024, 3★ (IBM)

To ta sama choroba co detektor, tylko z drugiej strony: automatyczne sprawdzanie, które mierzy nie to, co trzeba, bo mierzenie tego, co trzeba, kosztuje. Automat „100% correct” i „87% AI” to krewni. Oba wydają liczbę zamiast sądu.

I to nie jest lenistwo platformy, tylko ograniczenie strukturalne. Żeby sprawdzić prompt, potrzebny jest model wewnątrz lekcji. Coursera go nie ma: Prompt Engineering Specialization od Vanderbilt wymaga, żeby kursant osobno kupił płatną subskrypcję ChatGPT i robił zadania u siebie, poza platformą. Co z tego wyszło, platforma fizycznie nie może zobaczyć, więc stawia zaliczenie automatem. Dokładnie dlatego w naszym kursie o AI model mieszka wprost w lekcji — i z tego samego powodu bloki z promptami w tym artykule mają przycisk uruchamiania, zamiast kazać ci je gdzieś przepisywać.

Jeśli oskarżyli ciebie

Sytuacja jest realna i nieprzyjemna: detektor pokazał procent, a tekst jest twój. Co pomaga:

• Historia wersji. Google Docs, Word, dowolny edytor z autozapisem. To najlepszy dowód, jaki jest — proces pisania trudniej podrobić niż wynik. Włącz autozapis zanim będzie potrzebny.
• Szkice i notatki. Trzymanie ich jest nudne; to właśnie one ratują.
• Gotowość do wyjaśnienia. Jeśli rozumiesz własny tekst, rozmowa zamyka sprawę w dwie minuty.
• Spokojne rozłożenie narzędzia. Poproś, żeby pokazano ci nie procent, tylko konkretne miejsce w tekście, które go wywołało, i metodę obliczenia. Detektor nie daje ani jednego, ani drugiego — i ten brak sam jest odpowiedzią.
• Zmianę pytania. „Zapytaj mnie o treść” to jedyne zdanie, które przenosi rozmowę ze zgadywanki do sprawdzenia. Oskarżającemu niezręcznie jest odmówić.

Prompt, który przygotowuje do takiej rozmowy, to nie „oszukaj detektor”, tylko „sprawdź, czy trzymasz własny tekst”:

Oto akapit studenta:

„Miejskie tereny zielone poprawiają wskaźniki zdrowia psychicznego. Badania wykazały, że dostęp do parków obniża stres i podnosi ogólny dobrostan. W erze cyfrowej warto zaznaczyć, że urbaniści powinni holistycznie uwzględniać krajobraz rozwoju miejskiego, aby odblokować potencjał zielonej infrastruktury.”

Nie oceniaj, czy napisała to AI. Zamiast tego ułóż pięć pytań, które mogę zadać autorowi w dwie minuty rozmowy i które pokażą, czy rozumie to, co oddał. Do każdego pytania napisz, co zawierałaby odpowiedź kogoś, kto wie, i jak brzmiałaby odpowiedź kogoś, kto blefuje.

Jak pisać z AI, żeby nie wyglądać na maszynę

I najbardziej praktyczny wniosek. Jeśli używasz AI uczciwie — jako szkicu — maszynowość zdejmuje się nie sztuczką, tylko treścią. Oto cytat wart zapamiętania, jeśli szukasz magicznej sztuczki:

"I've studied best practices to avoid it generating content that sounds like AI, but I'm not having any success. … It is reported as 100% written by AI according to zerogpt."
— forum OpenAI, wątek „Prompt to insert content without sounding like AI”

"the email writing tools just seems to strip out my personal voice making me sound like I'm writing unsolicited marketing spam."
— komentarz na Hacker News

Zastrzeżenie: to trzy źródła z forów, na których siedzą użytkownicy zaawansowani, a nie masowa publiczność. Próba jest mała, a to, co z niej wychodzi, to hipoteza, nie pomiar. Ale hipoteza składa się z resztą: człowiek z pierwszego cytatu przerobił wszystkie „najlepsze praktyki przeciw stylowi AI” i poległ. Bo walczył ze stylem. Styl jest objawem. Chorobą jest pustka.

Oto szkic. Jeśli masz własny — wstaw go w to miejsce.

„AI zmienia sposób pracy zespołów. Warto zaznaczyć, że organizacje muszą odblokować potencjał tych narzędzi. W erze cyfrowej firmy, które się nie dostosują, ryzykują pozostanie w tyle za konkurencją w nieustannie zmieniającym się krajobrazie.”

Zadanie: zrób tekst konkretniejszy, nie wydłużając go.
Zasady:
- skreśl każde zdanie, które pozostałoby prawdziwe po zamianie „AI” na dowolną inną technologię;
- każde ocalałe twierdzenie potrzebuje przykładu albo liczby, inaczej wylatuje;
- przeplataj zdania długie z krótkimi.
Na końcu daj osobną listę „Potrzebne doświadczenie autora”: miejsca, które wypełni tylko człowiek.

Ta ostatnia zasada jest kluczowa. Tekst przestaje być maszynowy dokładnie wtedy, gdy pojawia się w nim to, czego model nie ma: twój konkretny przypadek, twoja liczba, twoje stanowisko. Właśnie dlatego w tym artykule stoją nazwiska, daty i gwiazdki — nie dla powagi, tylko dlatego, że nie da się ich wygenerować.

Najważniejsze

Detektory AI to nie czujnik prawdy, tylko probabilistyczne zgadywanie o nieznanym błędzie, które uderza najmocniej w tych, którzy piszą prosto i w drugim języku. „Sygnały maszynowego stylu” oddzielają pisanie z szablonu od żywego, a nie maszynę od człowieka. A ludzie, którzy naprawdę łapią maszynowy tekst — jak Bradley M. i Jose C. w naszych danych — łapią go nie po stylu: po tekście, którego nikt nie skrócił, po błędzie rzeczowym, po nieobecności autora. Czyli to właśnie warto sprawdzać. Jedyny pewny sposób, żeby wiedzieć, czy za tekstem stoi człowiek, to pogadać z nim o treści.

Dalej w temacie: AI w szkole i ściąganie — co nauczyciel może zrobić w praktyce; halucynacje AI — skąd biorą się nieistniejące linki, które są prawdziwą poszlaką; formuła mocnego promptu — jak zdjąć maszynowość na wejściu, a nie na wyjściu; AI w pracy — o szkicach i redakcji.