Как понять, что текст написал ИИ: признаки, детекторы и 24 реальных обвинения

Коротко: надёжно определить, написан ли текст нейросетью, сегодня невозможно — ни глазом, ни детектором. Но у нас есть кое-что интереснее теории. Разбирая рынок курсов по ИИ, мы выгрузили отзывы учеников Udemy и Coursera и наткнулись на редкий материал: живых людей, которые публично обвиняют автора платного курса в том, что материал сделан машиной. Ни один из них не запускал детектор. Мы посмотрели, что именно их выдало, — и это оказалось совсем не то, что меряют детекторы.

Почему задача вообще нерешаемая

Языковая модель обучалась на текстах людей и оптимизирована на то, чтобы производить статистически «нормальный» текст. Хороший машинный текст — это по определению текст, неотличимый от среднего человеческого. Задача «отличить ИИ от человека» упирается в то, что граница проходит не между машиной и человеком, а между заметным стилем и усреднённым стилем. А усреднённо пишут и люди — особенно уставшие, осторожные или пишущие на неродном языке.

Добавь сюда, что почти никто не публикует сырой вывод модели: текст правят, дописывают, смешивают со своим. Чистых случаев «человек» и «ИИ» в природе почти нет — есть непрерывная шкала. Курс, который мы разбираем ниже, — ровно такой гибрид: сценарий, похоже, писала модель, но слайды собирал, озвучивал и продавал человек. Вопрос «писал ли это ИИ» тут даже не имеет однозначного ответа. И это нормальный, а не экзотический случай.

Наши данные: 24 обвинения в машинном авторстве, ноль детекторов

Мы выгружали отзывы к топовым курсам про ChatGPT и генеративный ИИ — это наше собственное исследование рынка, замеры от 17.07.2026. Побочный результат оказался ценнее основного. В негативных отзывах регулярно всплывает обвинение: это сделала машина. Причём предъявляют его люди, которые за курс заплатили и досмотрели.

Самая прямая формулировка — про курс Prompt Engineering with ChatGPT Masterclass от RPATech (118 803 ученика, 57 836 отзывов, рейтинг 4.48 — то есть это не маргинальный курс, а один из крупнейших в нише):

«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★

И там же, короче некуда:

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

Обрати внимание, чего в этих отзывах нет. Нет процента. Нет ссылки на GPTZero или ZeroGPT. Нет разговора про перплексию, ритм предложений и обороты «не просто X, а Y». Люди не запускали детектор — им хватило двух вещей: плотность слайда и то, что произносимое слово в слово совпадает с написанным. Это не улики стиля. Это улики процесса: так выглядит текст, который никто не переписывал под произнесение вслух, потому что между генерацией и записью не было человека.

Что на самом деле выдаёт машину: не стиль, а отсутствие работы

Мы разложили все негативные отзывы по кластерам и получили любопытную картину. Самая частая претензия к видеокурсам вообще не про ИИ — она про чтение со слайда:

«why read straight from the slide? I can do that. This was not a helpful course at all»
— Janie I., 02.07.2026, 1★ (курс Justin Barnett)

«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)

Заметь формулировку Сачина: «иногда даже не понимая сути». Это самое точное определение машинного текста, какое я видел, и оно не про статистику. Машинность — это когда между текстом и читателем не стоял человек, который понимает, о чём текст. Модель может имитировать понимание в каждом предложении. Она не может имитировать решение выкинуть половину — потому что решение требует знать, зачем ты пишешь.

Отсюда второй кластер — вода и повторы:

«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)

И третий — пустота, выданная за содержание:

«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)

Сложи это вместе. Читатель ставит диагноз «машина» не по ритму фраз, а по трём вещам: текст не сокращён, текст ничего не решает, автор не присутствует. Всё три — свойства не генератора, а отсутствия редактуры. Человек с дедлайном и без желания даёт ровно тот же результат. Именно поэтому обвинение так часто и попадает, и промахивается одновременно.

Честная оговорка против себя: это не эксперимент. Мы не знаем, писала ли модель тот курс на самом деле — RPATech этого не комментировал, а отзыв Bradley M. остаётся мнением зрителя. Наш вывод скромнее: мы знаем, по каким признакам живые платящие люди выносят вердикт. Это данные о детекторе по имени «человек», а не о факте генерации.

Что принимают за следы ИИ — и почему это ошибка

Теперь можно посмотреть на канонический список признаков — и увидеть, что он описывает не машину. Вот что обычно предъявляют как улику:

• Подозрительная гладкость. Все предложения примерно одной длины и сложности, ритм не скачет.
• Структура «на троих». Перечисления ровно из трёх пунктов, симметричные абзацы, разделы одного размера.
• Конструкция «не X, а Y». «Это не просто инструмент, а способ мышления» — пять раз на страницу.
• Нулевая конкретика. Нет имён, дат, цифр, случаев. Текст верен для чего угодно и потому бесполезен.
• Словарь-маркер. «Ландшафт», «раскрыть потенциал», «в эпоху цифровизации», «важно отметить».

Ни один из этих пунктов не отличает машину от человека. Все они отличают шаблонное письмо от живого — а по шаблону пишут и люди: уставшие, осторожные, готовившиеся по методичке, пишущие на неродном языке. По этому списку легко «уличить» аккуратного человека. И наоборот: текст модели с хорошим промптом не покажет ни одного признака — попроси конкретику, свой пример и позицию, и «машинность» исчезнет (как это делается, видно в статье про формулу сильного промпта).

Проверь это прямо здесь. Промпт ниже заставляет модель написать один и тот же абзац дважды — «по-машинному» и «по-живому», — а потом вынести вердикт о собственном тексте. Оба варианта пишет машина, значит любой ответ детектора «это ИИ / это не ИИ» будет наполовину неверным по построению:

Напиши один и тот же абзац на 120 слов о том, почему удалённый онбординг новичков проваливается, дважды.

Вариант А: так, как пишет уставший человек, которому надо закрыть страницу, — без имён, без цифр, без случаев, все предложения примерно одной длины.

Вариант Б: с одной выдуманной, но конкретной компанией, одним провалом на первой неделе, одной цифрой и предложениями очень разной длины.

Затем ответь тремя пунктами: какой вариант детектор на основе перплексии пометит как машинный, почему — и будет ли этот вердикт верным, если оба варианта написал ты.

Как детектор устроен внутри — и почему он врёт

ИИ-детектор не «узнаёт» текст. Он измеряет статистические свойства — насколько предсказуемо каждое следующее слово (перплексия) и насколько неровно распределена сложность фраз (burstiness). Логика такая: модель по устройству выбирает вероятное продолжение, поэтому её текст в среднем предсказуемее и ровнее. Логика верная. Проблема в том, что из неё следует.

• Ложные срабатывания на людях. Человек, который пишет просто и предсказуемо, статистически похож на модель. Ограниченный словарь даёт низкую перплексию — а ограниченный словарь бывает у школьника, у осторожного юриста и у любого, кто пишет на выученном языке.
• Ложные пропуски. Достаточно попросить модель писать разнообразнее или слегка переписать текст руками — и детектор молчит. Детектор ловит предсказуемость, а не происхождение.
• Нет калибровки. Процент выглядит научно, но проверить его невозможно: прозрачной методики у детекторов нет, а точность падает на текстах, непохожих на обучающую выборку. «Вероятность 87%» и «наш прибор выдал число 87» — разные утверждения, и вам продают первое, а имеют в виду второе.
• Короткие тексты — угадайка. На абзаце статистики просто не хватает.
• Гонка, которую детектор проигрывает по определению. Каждое улучшение модели делает её текст ещё больше похожим на средний человеческий. Детектор не догоняет цель — цель уходит.

Вывод жёсткий, но важный: процент детектора нельзя использовать как основание для обвинения — ни в университете, ни в редакции, ни в найме. Это инструмент с неизвестной ошибкой, которая распределена неравномерно и бьёт по тем, кто и так в уязвимом положении.

Про неродной язык: что мы можем доказать и чего не можем

Тезис «детекторы бьют по тем, кто пишет не на родном языке» звучит логично — механизм с перплексией его прямо предсказывает. Но замера самих детекторов у нас нет, и придумывать его мы не будем.

Что у нас есть — это соседний, но твёрдый факт. В нашем разборе рынка мы опирались на рандомизированное контролируемое исследование Bälter, Kann, Mutimukwe & Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2 263 шведских студента, онлайн-курс программирования на двух языках:

• Отсев на шведском — 57%. На английском — 71% (φ = 0,2; p < 0,00001).
• Средний балл дошедших: 16,9 против 14,3 — разница ничтожная (δ = 0,085).

Читается это так: английский не ухудшил понимание — он заставил уйти. И, что важнее всего для нашей темы, самооценка свободного владения языком не защищала: люди, считавшие свой английский хорошим, отсеивались так же.

Прямо это про детекторы не говорит. Говорит вот о чём: издержки от письма на неродном языке реальны, измеримы и не видны самому пишущему. Детектор, штрафующий за низкую перплексию, — ещё один слой того же самого налога, накладываемый на тех, кто его уже платит. Это довод, а не доказательство, и я не выдаю его за второе.

Улика, которая работает: проверка фактов

Самое сильное, что мы нашли, — отзыв, где человек не гадал, а поймал:

«Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models.»
— Jose C., 12.05.2026, 1★ (курс Justin Barnett)

Ошибка была не только в лекции, но и в тестах — то есть неверный ответ считался правильным. Вот это улика. Не «87% вероятность», а конкретное ложное утверждение, которое можно предъявить и которое автор не может объяснить, потому что не он его придумал.

Ни один детектор этого бы не нашёл — стиль лекции безупречен. Нашёл человек, который знал предмет. Правило простое: если в тексте есть факты, проверяй факты, а не стиль. Несуществующая ссылка, перепутанная архитектура, цифра без источника — это твёрдые улики, и они же признак галлюцинации ИИ.

Промпт для этой проверки запускается прямо здесь:

Проверь четыре утверждения и пометь каждое как ВЕРНО, НЕВЕРНО или НЕЛЬЗЯ ПРОВЕРИТЬ БЕЗ ИСТОЧНИКОВ, с одним предложением обоснования на каждое:

1. Midjourney, DALL·E и Stable Diffusion построены на архитектуре GAN.
2. Перплексия в языковом моделировании измеряет, насколько текст предсказуем для модели.
3. Текст, получивший «100% ИИ» у детектора, доказывает, что автор использовал ИИ.
4. Водяной знак позволяет обнаружить вывод любой модели.

Затем скажи, какие из этих четырёх ошибок ты ожидаешь встретить в наспех сделанном онлайн-курсе, и почему именно их.

А водяные знаки?

Технически возможно встроить в генерацию незаметную статистическую метку и потом её проверять: модель чуть смещает выбор слов по секретному правилу, и позже это смещение опознаётся. Google DeepMind продвигает такой подход под именем SynthID. Ограничения у метода принципиальные, и они не про качество реализации:

• Метка есть только там, где её поставили. Модель без водяного знака — включая любую, запущенную локально, — просто не участвует в игре.
• Метка не переживает всё. Пересказ, перевод туда-обратно, плотная ручная правка размывают статистическое смещение.
• Никто не обязан. Обязательного отраслевого стандарта нет, а добровольный опознаёт только честных.
• Отсутствие метки ничего не значит. Даже идеальный водяной знак отвечает «да, это наша модель», но никогда — «нет, это человек».

Это полезная технология для площадок, а не универсальный детектор для тебя.

Что делать вместо детектора

Если ты преподаватель, редактор или руководитель, вопрос «писал ли ИИ» почти всегда не тот вопрос. Настоящий — «понимает ли автор то, что сдал» и «выполняет ли текст свою работу». А это проверяется.

• Разговором. Два уточняющих вопроса по содержанию отвечают на всё, что не ответит ни один детектор.
• Процессом. Черновики, история версий, промежуточные сдачи. Виден путь, а не только результат.
• Заданием, которое ИИ не закрывает в одиночку. Локальный контекст, личный опыт, данные с занятия, привязка к конкретному случаю.
• Проверкой фактов. См. случай Jose C. выше: одно проверяемое утверждение стоит десяти процентов уверенности.
• Открытыми правилами. Скажи заранее, что можно, а что нет: «ИИ разрешён для черновика и проверки, запрещён для итогового вывода». Прозрачное правило снимает половину проблемы.

Возражение очевидное: разговор не масштабируется, а детектор нажимается в один клик. Возражение честное. Но посмотри, что получается, когда систему строят вокруг того, что масштабируется:

«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 записавшихся)

«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)

Это та же болезнь, что и детектор, только с другой стороны: автоматическая проверка, которая меряет не то, что нужно, потому что нужное мерить дорого. Автомат «100% correct» и «87% ИИ» — родственники. Оба выдают число вместо суждения.

И это не лень платформы, а структурное ограничение: чтобы проверить промпт, нужна модель внутри урока. У Coursera её нет — курс Prompt Engineering Specialization от Vanderbilt требует, чтобы ученик отдельно купил платную подписку ChatGPT и делал задания у себя, вне платформы. Проверить, что там вышло, платформа физически не может, поэтому и ставит автомат. Ровно поэтому в нашем курсе по ИИ модель живёт прямо в уроке — и по той же причине блоки с промптами в этой статье можно запустить кнопкой, а не переписывать себе куда-то.

Если обвинили тебя

Ситуация реальная и неприятная: детектор показал процент, а текст твой. Что помогает:

• История версий. Google Docs, Word, любой редактор с автосохранением. Это лучшее доказательство — процесс написания подделать сложнее, чем результат. Включи автосохранение до того, как понадобится.
• Черновики и заметки. Хранить их скучно, но именно они спасают.
• Готовность объяснить. Если ты понимаешь свой текст, разговор закрывает вопрос за две минуты.
• Спокойный разбор инструмента. Попроси предъявить не процент, а конкретное место в тексте, которое его вызвало, и методику расчёта. Ни того, ни другого детектор не даёт — и это уже ответ.
• Смена вопроса. «Спросите меня о содержании» — единственное предложение, которое переводит разговор из гадания в проверку. Обвиняющему отказаться от него неудобно.

Промпт, который готовит к такому разговору, — не «обмани детектор», а «проверь, держишь ли ты свой текст»:

Вот абзац студента:

«Городские зелёные зоны улучшают показатели ментального здоровья. Исследования показали, что доступ к паркам снижает стресс и повышает общее благополучие. В эпоху цифровизации важно отметить, что градостроителям следует холистически учитывать ландшафт городского развития, чтобы раскрыть потенциал зелёной инфраструктуры.»

Не суди, писал ли это ИИ. Вместо этого составь пять вопросов, которые я могу задать автору за две минуты разговора и которые покажут, понимает ли он то, что сдал. К каждому вопросу напиши, что содержал бы ответ знающего человека и как звучал бы ответ блефующего.

Как писать с ИИ, чтобы не выглядеть машиной

И самый практичный итог. Если ты используешь ИИ честно — как черновик, — «машинность» убирается не хитростью, а содержанием. Вот отзыв, который стоит помнить всем, кто ищет волшебный приём:

«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.»
— форум OpenAI, ветка «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.»
— комментарий на Hacker News

Оговорка: это три источника с форумов, где сидят продвинутые пользователи, а не массовая аудитория. Выборка мала, и выводы из неё — гипотеза, а не замер. Но гипотеза складывается с остальным: человек в первой цитате изучил все «лучшие практики против ИИ-стиля» и провалился. Потому что боролся со стилем. Стиль — это симптом. Болезнь — пустота.

Вот черновик. Если у тебя есть свой — подставь его вместо этого.

«ИИ трансформирует то, как работают команды. Важно отметить, что организациям необходимо раскрыть потенциал этих инструментов. В эпоху цифровизации компании, которые не адаптируются, рискуют отстать от конкурентов в постоянно меняющемся ландшафте.»

Задача: сделай текст конкретнее, не удлиняя его.
Правила:
— вычеркни каждое предложение, которое осталось бы верным, если заменить «ИИ» на любую другую технологию;
— каждому выжившему утверждению нужен пример или цифра — иначе вычёркивай;
— чередуй длинные предложения с короткими.
В конце дай отдельный список «Нужен опыт автора»: места, которые может заполнить только человек.

Последнее правило — ключевое. Текст перестаёт быть машинным ровно тогда, когда в нём появляется то, чего у модели нет: твой конкретный случай, твоя цифра, твоя позиция. Именно поэтому в этой статье стоят имена, даты и звёзды — не для солидности, а потому что их нельзя сгенерировать.

Главное

Детекторы ИИ — не датчик правды, а вероятностная догадка с неизвестной ошибкой, которая бьёт по тем, кто пишет просто и на неродном языке. «Признаки машинного стиля» отделяют шаблонное письмо от живого, а не машину от человека. А люди, которые реально ловят машинный текст — как Bradley M. и Jose C. в наших данных, — ловят его не по стилю: по несокращённости, по фактической ошибке, по отсутствию автора в тексте. Значит и проверять надо это. Единственный надёжный способ понять, стоит ли за текстом человек, — поговорить с ним о содержании.

Дальше по теме: ИИ в школе и списывание — что делать учителю на практике; галлюцинации ИИ — откуда берутся несуществующие ссылки, которые и служат настоящей уликой; формула сильного промпта — как убрать «машинность» на входе, а не на выходе; ИИ в работе — про черновики и редактуру.