Detektory tekstu AI — jak działają i dlaczego się mylą

Wklejasz tekst do detektora, klikasz „sprawdź, czy to tekst AI" i dostajesz wynik: „92% wygenerowane". Brzmi jak werdykt. Nie jest nim. To szacunek statystyczny, który potrafi się pomylić w obie strony — detektory oznaczały jako „AI" teksty napisane na długo przed powstaniem ChatGPT, a jednocześnie przepuszczały treści wygenerowane i tylko lekko przeredagowane. Zanim uwierzysz w procenty, warto zrozumieć, co ta liczba naprawdę mierzy. W tym artykule rozbieramy detektory na części: jak liczą przewidywalność i rytm tekstu, gdzie systematycznie zawodzą, komu ich pomyłki robią realną krzywdę — i jak z nich korzystać, żeby pomagały zamiast szkodzić.

Jak działa detektor tekstu AI: przewidywalność i rytm

Detektor nie „czyta" tekstu tak jak człowiek. Nie rozumie treści, nie ocenia argumentów. Mierzy cechy statystyczne — przede wszystkim dwie. Perplexity, czyli przewidywalność. Model językowy pisze, wybierając słowa najbardziej prawdopodobne w danym kontekście. Efekt: tekst wygenerowany jest statystycznie „gładki" — kolejne słowo rzadko zaskakuje. Detektor sprawdza, jak łatwo model przewidziałby każde następne słowo badanego tekstu. Im łatwiej, tym większe podejrzenie, że pisała maszyna. Ludzie piszą chaotyczniej: wtrącają dygresje, sięgają po nietypowe zbitki, popełniają błędy. Burstiness, czyli zmienność rytmu. Człowiek miesza zdania krótkie z długimi. Czasem urwie myśl. Czasem rozciągnie ją na cztery linijki z wtrąceniami. AI utrzymuje równiejszy rytm: zdania podobnej długości, podobnej budowy, bez potknięć. Niska zmienność to dla detektora drugi sygnał ostrzegawczy. Do tego dochodzą klasyfikatory — modele trenowane na tysiącach próbek tekstów ludzkich i wygenerowanych, które uczą się je rozróżniać. Tak działają narzędzia w rodzaju GPTZero, ZeroGPT, Copyleaks czy Originality.ai. Wszystkie łączy jedno: mierzą podobieństwo statystyczne do tekstów generowanych, a nie faktyczne autorstwo. Ta różnica wygląda na niuans. To z niej wynikają wszystkie problemy opisane niżej.

„Sprawdź, czy to tekst AI" — co naprawdę mówi wynik detektora

Wynik „87% AI" kusi, żeby czytać go jako „na 87% pisała maszyna". Tymczasem znaczy on coś innego: „ten tekst statystycznie przypomina próbki, na których klasyfikator uczył się rozpoznawać treści generowane". Różnica jest fundamentalna:

• Człowiek piszący prosto, poprawnie i schematycznie — według wyuczonego szablonu — wygląda dla detektora jak AI.
• Tekst z ChatGPT po ludzkiej redakcji wygląda jak człowiek.
• Próg, od którego narzędzie mówi „AI", jest umowny. 60%? 80%? Każdy producent ustawia go inaczej i żaden nie wynika z natury tekstu.

Dochodzi problem długości. Statystyka potrzebuje materiału. Akapit, komentarz, krótki post — to za mało, żeby policzyć cokolwiek sensownego, więc wyniki dla krótkich tekstów bywają praktycznie losowe. Nie istnieje też ukryty „znak wodny", który dałoby się odczytać ze zwykłego tekstu skopiowanego z okna czatu — prace nad znakowaniem trwają od lat, ale dziś detektor nie ma się czego uchwycić poza statystyką. Najlepszym komentarzem do skuteczności tej klasy narzędzi jest decyzja samego OpenAI. Firma udostępniła własny klasyfikator tekstu AI i po kilku miesiącach go wycofała, wprost przyznając, że trafność była zbyt niska.

Dlaczego detektory się mylą — w obie strony

Fałszywe pozytywy: człowiek oskarżony o bycie maszyną. Detektor flaguje to, co przewidywalne i równe. A przewidywalnie i równo pisze mnóstwo ludzi:

• uczniowie i studenci trzymający się wyuczonego szablonu wypracowania — wstęp, rozwinięcie, zakończenie;
• osoby piszące w języku, który nie jest ich pierwszym — prostszym słownictwem i bezpieczniejszą składnią; badania pokazały, że takie teksty są flagowane wyraźnie częściej;
• autorzy tekstów urzędowych, prawnych i technicznych, gdzie schematyczność jest zaletą, nie wadą.

Głośne przykłady mówią same za siebie: detektory oznaczały jako „wygenerowane" fragmenty tekstów sprzed dziesięcioleci, w tym dokumenty historyczne. Tekst nie mógł wyjść spod ręki AI — a wynik twierdził, że wyszedł. Fałszywe negatywy: maszyna uznana za człowieka. Druga strona jest jeszcze słabsza. Żeby oszukać detektor, wystarczy poprosić model o „luźniejszy, bardziej ludzki styl", przepuścić wynik przez narzędzie parafrazujące albo ręcznie przeredagować co drugie zdanie. Powstała cała kategoria usług — tak zwanych humanizerów — których jedynym zadaniem jest zbijanie wyniku detektora. To wyścig zbrojeń, w którym detektor jest zawsze o krok za: goni style wczorajszych modeli, podczas gdy nowe piszą już inaczej. Więcej mitów o rozpoznawaniu stylu maszyny — myślnikach, słowach-wytrychach, idealnej strukturze — rozbieramy we wpisie o mitach i faktach wokół tekstów z ChatGPT.

Fałszywe oskarżenia: najwyższą cenę płacą uczniowie

Pomyłka detektora nie jest niewinna. W szkołach i na uczelniach wynik „AI: 90%" bywa traktowany jak dowód — a od dowodu krótka droga do jedynki, unieważnienia pracy albo komisji dyscyplinarnej. Problem w tym, że oskarżony nie ma jak się bronić. Nie da się udowodnić, że czegoś się nie zrobiło, gdy jedynym „świadkiem" jest algorytm, którego działania nikt w komisji nie rozumie. Ryzyko rozkłada się nierówno. Najczęściej niesłusznie flagowani są uczniowie piszący poprawnie i schematycznie oraz osoby uczące się języka — czyli często ci, którzy włożyli w tekst najwięcej pracy. Perwersyjny efekt: system karze staranność. Jeśli oceniasz cudze teksty — jako nauczyciel, wykładowca czy redaktor — przyjmij dwie zasady. Po pierwsze: wynik detektora nigdy nie jest samodzielną podstawą decyzji; to sygnał do rozmowy, nie wyrok. Po drugie: rozmowa mówi więcej niż algorytm. Poproś autora o rozwinięcie fragmentu, wyjaśnienie pojęcia, opisanie procesu pisania. Kto tekst napisał, ten porusza się w nim swobodnie. Jeśli to ty piszesz i boisz się fałszywego oskarżenia — zabezpiecz się z wyprzedzeniem. Pisz w edytorze z historią wersji (Google Docs, Word z autozapisem), zachowuj notatki i szkice. Historia pokazująca dwie godziny pisania i poprawek to najmocniejszy dowód autorstwa, jaki istnieje.

Detektor to poszlaka, nie dowód — jak korzystać z głową

Detektory nie są bezużyteczne. Są tylko masowo nadużywane — traktowane jak wyrocznia, choć nadają się co najwyżej na jedną poszlakę z kilku. Jeśli już ich używasz, trzymaj się pięciu zasad:

1. Sprawdzaj dłuższe fragmenty. Poniżej kilkuset słów statystyka nie ma się z czego liczyć, a wynik jest bliski losowaniu.
2. Użyj co najmniej dwóch narzędzi. Jeśli wyniki mocno się rozjeżdżają — a rozjeżdżają się często — masz najlepszą ilustrację ich niepewności.
3. Traktuj wynik jak jedną poszlakę z pięciu. Porównanie z innymi tekstami autora, historia wersji, rozmowa i weryfikacja źródeł ważą więcej. Pełną checklistę takiej weryfikacji znajdziesz we wpisie jak sprawdzić, czy tekst napisało AI.
4. Nigdy nie automatyzuj decyzji. Detektor, który sam wystawia oceny albo odrzuca teksty, to gwarancja krzywdzących pomyłek na skalę masową.
5. Pamiętaj o obu kierunkach błędu. „0% AI" nie uniewinnia tak samo, jak „95% AI" nie skazuje.

Ważniejsze pytanie: nie kto napisał, ale czy to prawda

Na koniec zmiana perspektywy, która porządkuje cały temat. Pytanie „czy ten tekst napisało AI" jest w większości sytuacji pytaniem zastępczym. Zadajesz je, bo tak naprawdę chcesz wiedzieć: czy mogę tej treści zaufać? A to są dwa różne pytania — i tylko na drugie da się rzetelnie odpowiedzieć. Autorstwa zwykle nie udowodnisz: statystyka daje szacunki, nie pewność. Wiarygodność za to sprawdzisz zawsze, niezależnie od tego, kto trzymał pióro. Czy tekst podaje źródła i czy one istnieją? Czy odróżnia fakty od opinii? Czy gra na emocjach? Czy przemilcza drugą stronę tematu? Zmanipulowany tekst człowieka jest groźniejszy niż rzetelny tekst maszyny. Dokładnie na tym rozróżnieniu opiera się Faktoskop: nie zgaduje autorstwa, tylko analizuje wiarygodność artykułu w 13 wymiarach, wskazuje chwyty perswazji zdanie po zdaniu i pokazuje, jak wygląda druga strona tematu. Katalog technik manipulacji z przykładami znajdziesz w encyklopedii chwytów, a opis całego procesu oceny — w metodologii. Detektor odpowiada procentem na pytanie, na które procentem odpowiedzieć się nie da. Analiza wiarygodności odpowiada na pytanie, które naprawdę chcesz zadać.

Najczęstsze pytania

Czy istnieje detektor AI, który się nie myli?

Nie. Każdy detektor mierzy podobieństwo statystyczne, nie autorstwo, więc pomyłki w obie strony są wpisane w samą metodę. Nawet OpenAI wycofało własny klasyfikator z powodu zbyt niskiej trafności. Traktuj każdy wynik jako szacunek — nigdy jako werdykt.

Czy detektory dobrze radzą sobie z polskimi tekstami?

Zwykle gorzej niż z angielskimi. Większość klasyfikatorów trenowano głównie na tekstach angielskich, więc dla polszczyzny mają mniej materiału porównawczego. To dodatkowy powód, by wyniki dla polskich tekstów traktować z jeszcze większą rezerwą.

Detektor oznaczył mój tekst jako AI. Jak się bronić?

Pokaż proces powstawania tekstu: historię wersji z Google Docs lub Worda, szkice, notatki, materiały źródłowe. Zaproponuj rozmowę o treści — swobodne poruszanie się po własnym tekście przekonuje mocniej niż jakikolwiek kontrargument techniczny. Przypomnij też oceniającemu, że producenci detektorów sami zastrzegają, że wynik nie jest dowodem.

Czy Faktoskop wykrywa teksty napisane przez AI?

Nie — i to celowo. Faktoskop sprawdza wiarygodność treści: źródła, manipulacje, chwyty perswazji, przemilczenia. Autorstwo to inne pytanie, na które statystyka nie daje pewnej odpowiedzi. Rzetelny tekst maszyny jest więcej wart niż zmanipulowany tekst człowieka — dlatego analizujemy treść, nie autora.