Детекторы ИИ-текста: 61% эссе неносителей английского помечены как ИИ

Коротко (TL;DR)

• Детектор ИИ-текста не определяет автора. Он измеряет предсказуемость текста и переводит её в проценты. Предсказуемо пишет и языковая модель, и аккуратный человек, который старается писать «правильно», — поэтому оба получают одинаковый флаг.
• Главная проверяемая цифра: 61,22%. Столько эссе, написанных людьми, для которых английский неродной, семь популярных детекторов пометили как машинные в исследовании Стэнфорда 2023 года. На эссе носителей языка средняя ошибка была 5,19%.
• «Меньше 1% ложных срабатываний» у Turnitin — не то, что вы подумали. Эта цифра действует только для документов, где детектор нашёл 20% и больше ИИ. Ниже этого порога вендор сам зафиксировал повышенную частоту ошибок и поставил в интерфейсе звёздочку.
• Точность — не число, а ползунок. Директор по продукту Turnitin сказал прямым текстом: «мы пропускаем примерно 15%, чтобы удержать ложные срабатывания ниже 1%». Уменьшить обе ошибки одновременно нельзя.
• По украинскому тексту цифры хуже, и они измерены. В работе Днепровской политехники (2025) два популярных сервиса приняли за ИИ 64,9% и 65,4% человеческих дипломов, написанных до 2020 года. По русскому языку публичных замеров ложных срабатываний мы не нашли вообще.
• OpenAI закрыла собственный детектор 20 июля 2023 года — он ловил 26% машинного текста и ошибался на 9% человеческого. Компания, сделавшая ChatGPT, не смогла надёжно узнать его вывод.

Ни один платный сервис из перечисленных ниже мы не покупали и своих прогонов не делали: всё, что стоит в таблицах, — это опубликованные измерения и заявления самих вендоров, каждое с датой и ссылкой в источниках. Там, где данных нет, так и написано.

Вердикт детектора ИИ-текста — это вероятность, а не авторство

ИИ-детектор — это классификатор: программа, которая по признакам текста оценивает, насколько он похож на вывод языковой модели, и выдаёт число. Не «кто написал», а «насколько похоже на то, что я видел в обучающей выборке».

Разница принципиальная, и её стирает сам интерфейс. Когда сервис показывает «94% ИИ», человек читает это как «на 94% уверены, что текст машинный». На самом деле число означает совсем другое: текст на 94% совпал с паттернами, которые эта конкретная компания собрала в свою модель. Никакой связи с фактом авторства у него нет — как нет её у детектора лжи с фактом вранья.

Отсюда сразу три следствия, которые дальше будут повторяться в каждом разделе:

• У классификатора всегда две ошибки, а не одна. Ложное срабатывание — человеческий текст помечен как ИИ. Ложный пропуск — машинный текст прошёл как человеческий. Настройка, которая уменьшает первую, увеличивает вторую.
• Вердикт зависит от того, на чём учили модель. Детектор, обученный преимущественно на английском, на другом языке работает хуже — не «немного», а измеримо хуже.
• Порог решает не программа, а человек. Какой процент считать поводом для разбирательства, задаёт вуз, редакция или заказчик. Один и тот же текст в двух местах даёт разный исход.

Заодно стоит развести две вещи, которые в разговорах постоянно путают. Антиплагиат ищет совпадения — куски вашего текста, которые уже есть в чужих документах; это поиск по базе, и его результат проверяем вручную, потому что источник совпадения виден. ИИ-детектор для текста ничего не ищет — он оценивает стиль и не может показать вам «вот откуда это взято», потому что взяться неоткуда: сгенерированный текст нигде до этого не существовал. Первый инструмент показывает улику, второй — только своё мнение.

Jasper и Copy.ai против ChatGPT: что реально покупают за $69 в месяц

Резюме с помощью нейросети: что доверить ИИ, а что писать самому

Гуманайзеры текста: что показали тесты детекторов и сколько это стоит

Нейросеть для диплома и курсовой: где помогает и где выдумывает источники

Codex exec в CI: машиночитаемый вывод, коды возврата и цена прогона

Перплексия и ритм текста: на чём детектор строит вердикт

Классическая механика опирается на две метрики. Обе легко объяснить без формул.

Перплексия — это мера удивления модели. Языковая модель на каждом шаге предсказывает следующее слово; если ваш текст идёт ровно туда, куда она и предсказывала, перплексия низкая. Сам GPTZero определяет её как «меру того, насколько вероятно модель ИИ выбрала бы ровно тот же набор слов, что и в документе», и указывает ориентир: перплексия выше 85 скорее говорит о человеческом источнике. Механизм предсказания следующего слова — тот же самый, из-за которого у моделей есть контекстное окно и провалы памяти: детектор просто разворачивает его в обратную сторону.

«Взрывность» (burstiness) — это неровность ритма. Человек пишет рвано: длинное предложение, короткое, снова длинное, вставка в скобках, вопрос. Модель держит ровный темп. GPTZero формулирует это как «значительный ИИ-отпечаток»: у машины уровень «машинности» одинаков по всему тексту. При этом сама «гладкость» вывода зависит и от того, как сформулирован запрос к модели — по разным промптам одна и та же модель пишет по-разному.

Здесь и живёт дефект, из-за которого всё ломается. Низкая перплексия и ровный ритм — это не признак машины. Это признак предсказуемого текста. А предсказуемо пишет любой, кто старается: студент, который держит академический стиль; юрист, который пишет договор; человек, который пишет на неродном языке и потому выбирает простые слова и типовые конструкции. Детектор не отличает «написано машиной» от «написано осторожно» — он вообще не про это.

Важная поправка, которой нет почти нигде в русскоязычных обзорах: эту механику её же авторы объявили устаревшей. GPTZero прямо пишет, что с осени 2023 года больше не использует перплексию и «взрывность» для детекции, потому что перешёл на архитектуру глубокого обучения; старые метрики остались одним из семи «индикаторов». То есть современный детектор — чёрный ящик, обученный на парах «человеческое / машинное», и объяснить своё решение он не может даже в теории. Вы получаете число без обоснования.

61% эссе неносителей английского: кого штрафуют чаще всего

В 2023 году группа Стэнфорда (Liang, Yuksekgonul, Mao, Wu, Zou) проверила семь популярных детекторов на двух наборах текстов: 91 эссе TOEFL, написанное людьми, для которых английский неродной, и эссе американских восьмиклассников — носителей языка. Результат опубликован в рецензируемом журнале Patterns и доступен в полном тексте препринта.

Дальше авторы сделали шаг, который и превращает наблюдение в доказательство. Они попросили языковую модель переписать те же самые человеческие эссе с инструкцией «улучши выбор слов, чтобы звучало как у носителя языка». Доля ложных срабатываний упала с 61,22% до 11,77%, а единогласно помеченным осталось одно эссе из 91.

Текст остался человеческим. Автор остался тем же. Изменился только стиль — и вердикт перевернулся. Отсюда вывод, который стоит держать в голове при любом разговоре с проверяющим: детектор судит не авторство, а стиль.

Статистика в той же работе показывает, за что именно наказывают: у эссе, которые все семь детекторов единогласно приняли за машину, перплексия была значимо ниже, чем у остальных (P = 9,74E-05). После «улучшения» лексики перплексия выросла — и флаги исчезли. Обратный эксперимент дал зеркальный результат: эссе носителей языка, упрощённые до школьного словаря, получили значимо более низкую перплексию и начали попадать под подозрение.

Проще говоря, детектор устроен так, что бьёт по бедному словарю и ровному синтаксису. Это и есть портрет человека, который пишет на выученном языке, — и портрет человека, который просто пишет аккуратно.

Заявления вендоров против независимых замеров: сводная таблица

Ни один вендор не публикует протокол своих замеров: точность считают на собственных наборах, где человеческий текст заведомо человеческий, а машинный — сырой вывод модели без единой правки. Реальный текст выглядит иначе. Ниже — то, что заявлено, рядом с тем, что показали независимые проверки. Все данные — на 15 августа 2026 года.

Из таблицы видно главное, ради чего она и собрана. Разрыв между заявлением и проверкой доходит до двух порядков. И там, где независимой проверки нет вовсе, вендор остаётся единственным источником данных о самом себе.

Ползунок чувствительности: 15% пропущенного ИИ против 1% ошибок

Вот механизм, о котором почти не пишут, а он объясняет всё остальное. У классификатора есть порог. Сдвигаете его в сторону «ловить всё» — растёт число ложных обвинений. Сдвигаете в сторону «никого не обвинить зря» — сквозь сито проходит настоящая генерация. Обе ошибки одновременно не уменьшаются: это свойство любого вероятностного классификатора, а не недоработка конкретной компании.

Turnitin выбрал сторону и сказал об этом вслух. Директор по продукту компании Энни Чечителли: «Мы пропускаем примерно 15%, чтобы удержать ложные срабатывания ниже одного процента». То есть заявленная «отличная точность» куплена тем, что примерно каждый седьмой машинный текст проходит проверку незамеченным.

Дальше — арифметика, которая переводит проценты в людей. Университет Вандербильта отключил детектор Turnitin 16 августа 2023 года и в публичном объяснении привёл простой расчёт: за 2022 год через систему прошло 75 000 работ, и один процент от этого — около 750 ошибочно помеченных студенческих работ за год.

Формула для любого объёма выглядит так:

Число ложных обвинений за период = объём работ × доля ложных срабатываний

Подставьте свои числа. Кафедра, которая проверяет 400 работ в семестр, при том же одном проценте получает четыре ошибочно помеченные работы — четырёх человек, которым придётся доказывать очевидное. Поток на 3 000 работ в год даёт тридцать. Это не «статистическая погрешность», это конкретные разбирательства.

И три условия, при которых вероятность ошибки выше обычной, — их назвал сам Turnitin в отчёте о доработке модели:

1. Короткий текст. Минимальный объём документа для проверки подняли со 150 до 300 слов именно потому, что на коротких фрагментах точность падает.
2. Малая доля ИИ. Если детектор показывает меньше 20%, ошибки случаются чаще — в интерфейсе такие проценты помечены звёздочкой.
3. Начало и конец документа. Вступление и заключение чаще попадали под ложное срабатывание, и алгоритм агрегации специально переделывали.

Добавьте к этому цифру уровня предложения: подсвеченная строка оказывается человеческой примерно в 4 случаях из 100, и в 54% случаев такие строки стоят вплотную к реальному машинному тексту. Если вы правили сгенерированный черновик руками, подсветка расползётся и на ваши собственные предложения.

Русский и украинский текст: что показал замер и чего никто не мерил

Все цифры выше получены на английском. Для нашей аудитории вопрос стоит иначе: а что происходит с текстом на русском и украинском?

Начнём с того, что известно точно. Детекторы обучены преимущественно на английском — это не догадка, а официальное ограничение. OpenAI писала о своём классификаторе, что рекомендует его только для английского и что на других языках он работает значительно хуже. Turnitin по состоянию на 15 августа 2026 года заявляет детекцию ИИ для трёх языков: английского, испанского и японского. Русского и украинского в этом списке нет.

Теперь измеренное. Единственная найденная нами рецензируемая работа именно по украинскому языку — исследование Днепровской политехники в «Науковому віснику НГУ» (2025, № 4). Авторы прогнали через 14 веб-детекторов два набора: сгенерированные украинские тексты и человеческие дипломные работы, написанные до 2020 года — то есть заведомо без участия ИИ. Ошибка на человеческих текстах и есть уровень ложных срабатываний.

Общий вывод авторов дословно: «Ни одно веб-приложение не показало надёжного распознавания авторства для текстов на украинском языке. У всех проверенных инструментов средняя ошибка превышала 15%» — полный текст работы открыт.

Отдельный результат той же работы объясняет причину лучше любых рассуждений. Те же самые фрагменты перевели на английский — и вердикты изменились: у лучшего детектора ошибка упала до 12,77%. Смысл текста не поменялся, автор не поменялся, поменялся только язык. Значит, модель судит не мысль, а языковую статистику того языка, на котором её учили.

По русскому языку картина другая, и она хуже: публичных замеров ложных срабатываний мы не нашли ни одного. Детектор ИИ-текста на русском существует — например, GigaCheck от Сбера с заявленной точностью 94,7% и лимитом 10 000 символов, — но методики замера и доли ложных срабатываний в открытом доступе нет. Двуязычный набор данных LLMTrace (английский и русский) у команды GigaCheck есть, однако эксперименты в их научной работе сознательно ограничены английским «ради корректного сравнения с признанными бенчмарками». Русскоязычные тесты, которые попадаются в сети, проверяют обратное — пройдёт ли машинный текст, а не пометят ли человеческий. Это разные вопросы, и второй в отношении русского языка публично никем не закрыт.

Практический вывод для читателя из Украины или России простой: любой процент, который вам показал бесплатный детектор ИИ-текста онлайн, применительно к вашему языку не имеет измеренной точности. Даже 61% Стэнфорда — это цифра для английского. Своей у нас просто нет.

Риски ложного флага: чем платят студент, автор и фрилансер

Для проверяющего число на экране — строка в отчёте. Для того, кого проверяют, — это конкретные потери.

Студент. Издание The Markup 14 августа 2023 года разобрало случай в Университете Джонса Хопкинса: работу пометили более чем на 90% как машинную, и студентке пришлось отбиваться черновиками и размеченными PDF. В том же материале — история студентки-француженки из Cardozo School of Law и случаи в UC Davis. Ставка для иностранного студента выше, чем для местного: дисциплинарное дело ставит под удар не только оценку и стипендию, но и статус пребывания в стране. В российских и украинских вузах прямой аналог — комиссия по академической добропорядочности и недопуск к защите.

Автор и фрилансер. Здесь нет ни комиссии, ни процедуры апелляции. Заказчик прогоняет текст через сервис, видит число и отказывается платить — договорной защиты от этого в СНГ-практике нет. Отдельная ирония в том, что сам вендор от ответственности отказывается: Turnitin в своём же материале пишет, что не выносит определения о нарушении, а лишь предоставляет данные для решения преподавателя.

Ученик и школьник. Самая уязвимая группа: у школьника обычно нет ни истории версий, ни привычки хранить черновики, ни возможности спорить со взрослым, у которого «программа показала».

Важно и то, чего цифры не показывают. Судя по свидетельствам самих пострадавших и по тому, ради чего вообще появились трекеры процесса письма, люди после ложного обвинения меняют поведение: записывают экран во время работы, специально усложняют синтаксис, избегают «слишком гладких» формулировок. Отдельной статистики по этому эффекту нет, но направление очевидно: это ущерб качеству текста, вызванный инструментом, который должен был качеству помогать.

Текст пометили как ИИ: пять доказательств вашего авторства

Порядок действий, если вердикт уже получен. Он выстроен от самого сильного доказательства к самому слабому — и у каждого честно назван предел.

1. История версий документа. Google Docs, Word с автосохранением в облако, любой редактор с версионностью хранят пошаговую историю: когда появился каждый абзац, что переписывалось. Это самое сильное из доступных доказательств. Предел: история показывает, что текст НАБИРАЛСЯ постепенно, а не что он придуман вами.
2. Черновики и материалы. Конспекты, заметки, выписки из источников, промежуточные варианты, переписка с научным руководителем или редактором. Именно этим отбилась студентка Джонса Хопкинса. Предел: работает, только если вы их сохраняли заранее.
3. Трекеры процесса письма. Grammarly Authorship даёт «повтор» работы над текстом — от первой вставки до последнего нажатия клавиши; Turnitin Clarity показывает преподавателю таймлайн и подсвечивает крупные вставки. Предел важный и его надо знать заранее: разбор этих инструментов в академической литературе указывает, что они доказывают факт набора текста, а не авторство. Человек, перепечатавший сгенерированный текст руками, получит чистый трек.
4. Разговор по существу содержания. Проверка, которую рекомендует и Вандербильт: попросите оценить работу по содержанию. Объясните логику аргумента, назовите источники, расскажите, почему выбрана именно эта структура. Автор своего текста отвечает на это свободно.
5. Второй и третий детектор. Прогоните тот же текст через другие сервисы. Расхождение вердиктов — сильный аргумент: в эксперименте одного из русскоязычных изданий (июнь 2025) один и тот же машинный текст получил у пяти детекторов оценки от 0% до 40%, а отрывок книги 2013 года — 37% «вероятности ИИ». Предел: это довод в разговоре, а не документ.

И три вещи, которые стоит сделать до того, как проблема возникнет. Пишите в редакторе с историей версий, а не в блокноте. Сохраняйте черновики отдельными файлами. Если вы используете ИИ легально — для структуры, поиска литературы или вычитки, — фиксируйте, где именно и как; в длинных текстах, написанных с ИИ снизу вверх, такой журнал заодно упрощает саму работу.

Чего делать не стоит: пытаться «переписать под детектор». Это ловушка сразу с двух сторон. Во-первых, у вас нет способа проверить результат — вердикты сервисов расходятся между собой. Во-вторых, вы своими руками ухудшаете текст ради числа, которое ничего не доказывает, и теряете авторский голос — ровно то, за что работу и оценивают.

Водяной знак вместо догадки: как работает SynthID и где ломается

Есть принципиально другой подход: не гадать по стилю задним числом, а помечать текст в момент генерации. Так устроен SynthID от Google.

Механика: во время генерации модель на каждом шаге чуть-чуть сдвигает вероятности выбора слов по псевдослучайной функции с секретным ключом. Смысл текста не меняется, читатель ничего не замечает, а специальный детектор с тем же ключом видит статистический след и выдаёт один из трёх ответов: метка есть, метки нет, неопределённо.

Это честный механизм: он не гадает о стиле, а проверяет наличие подписи. Но границы у него жёсткие, и Google перечисляет их в собственной документации для разработчиков прямым текстом:

• метка слабо ставится на фактических ответах — там мало свободы в выборе слов, и сдвиг вероятностей ухудшил бы точность ответа;
• уверенность детектора сильно падает при основательном переписывании текста;
• уверенность падает при переводе на другой язык;
• работает метка только у того, кто её поставил: детектор нужен свой, с тем же ключом.

Последний пункт и есть главное ограничение. Метка одной компании ничего не говорит о тексте, сгенерированном другой моделью, а немаркированных моделей — в том числе открытых, которые запускают локально, — десятки. Водяной знак решает задачу «доказать, что это наш вывод», а не задачу «доказать, что текст машинный». Читательский интерес к теме растёт: обсуждение механики водяных знаков на Hacker News 13 августа 2026 года набрало 133 балла и 98 комментариев — но подменить собой универсальную проверку метка не может.

Когда проверка на ИИ полезна, а когда её результат ничего не значит

Сведём всё в решение. Не «хороший инструмент или плохой», а «в каком качестве им можно пользоваться».

Вердикту можно доверять как сигналу, когда:

• текст длинный (от 300 слов и больше) и на английском — это единственная конфигурация, для которой существуют публичные измерения точности;
• детектор показывает высокий процент и вы сравниваете его с содержанием: работа не отвечает на вопросы по существу, ссылки не открываются, источники выдуманы. Проверка галлюцинаций и несуществующих цитат работает там, где детектор бессилен, — и её рекомендует Вандербильт;
• вы редактор или заказчик и используете число как повод посмотреть текст внимательнее, а не как основание для отказа;
• вам нужно поймать сырой, неотредактированный вывод модели — с этим детекторы справляются заметно лучше, чем с чем-либо ещё (91–100% в независимом замере GPTZero).

Вердикт не значит ничего, когда:

• текст на русском или украинском — измеренной точности для этих языков нет, а для украинского измеренная ошибка на человеческих текстах доходит до 65%;
• автор — неноситель языка, на котором пишет: 61,22% против 5,19% на английском, и повода считать, что на других языках расклад лучше, нет;
• фрагмент короткий — ниже 300 слов ошибаются даже те, кто заявляет доли процента;
• процент низкий (до 20%) — сам вендор помечает такие значения как менее надёжные;
• на основании числа принимается решение о человеке: отчисление, снятие оплаты, обвинение. Здесь позиция и вендоров, и университетов совпадает: гайд юридического центра Университета Сан-Диего (обновлён 08.07.2026) прямо пишет, что детекторы не рекомендуются как единственный индикатор нарушения.

Институции этот вывод уже сделали. Вандербильт отключил детектор ещё в 2023 году. Академическая работа Ardito (2023) доказывает, что ставка на детекцию в принципе расходится с реальностью образования, где ИИ уже везде, и предлагает менять форматы оценивания. Мінцифри и МОН Украины 1 мая 2025 года выпустили рекомендации по ответственному использованию ИИ в вузах — и советуют там заменять традиционные письменные задания презентациями и проектами. Про детекторы в этих рекомендациях не сказано ничего. Для официального документа это довольно красноречивое умолчание.

Практический итог. ИИ-детектор — это дымовой извещатель: он полезен как повод пойти и посмотреть, но никого не выселяют из квартиры по одному его писку. Если ваш текст пометили — вы имеете дело с вероятностной оценкой стиля, у которой на вашем языке нет измеренной точности. Собирайте доказательства процесса, требуйте разговора по содержанию и не переписывайте нормальный текст ради чужого числа. А если вы проверяете чужой текст — самая надёжная проверка по-прежнему не автоматическая: спросите автора о содержании и откройте его источники. Кстати, к нейросетям для генерации картинок всё сказанное не относится вообще — там детекция устроена иначе и это отдельная тема.

FAQ

Может ли детектор доказать, что текст написала нейросеть?

Нет. Детектор выдаёт вероятностную оценку похожести текста на машинный, а не факт авторства. Turnitin в собственном материале пишет, что не выносит определения о нарушении и лишь предоставляет данные преподавателю. Университет Сан-Диего в гайде от 08.07.2026 формулирует ещё жёстче: результат детектора не рекомендуется как единственный индикатор нарушения. Юридической силы у процента нет нигде.

Почему мой текст показывает 90% ИИ, хотя я писал его сам?

Потому что детектор измеряет предсказуемость, а не авторство. Ровный ритм, простой словарь и правильный академический стиль дают ту же картину, что и машинная генерация. В стэнфордском исследовании 2023 года эссе людей, для которых английский неродной, помечались как машинные в 61,22% случаев, и решающим фактором была именно низкая перплексия. Риск выше на коротких текстах, во вступлении и заключении.

Работают ли детекторы ИИ с русским и украинским текстом?

Плохо, и по украинскому это измерено. В работе Днепровской политехники (2025) человеческие дипломы, написанные до 2020 года, принимались за ИИ в 64,9% случаев у ZeroGPT и в 65,4% у AI Checker Tool; вывод авторов — ни один сервис не показал надёжного распознавания. Turnitin официально поддерживает три языка, и русского с украинским среди них нет. Публичных замеров ложных срабатываний по русскому языку мы не нашли.

Что делать, если в вузе требуют ноль процентов ИИ в дипломе?

Требование «ноль процентов» технически невыполнимо: у любого детектора ненулевая доля ложных срабатываний, а сам показатель — не доля машинного текста в документе, о чём пишет даже StrikePlagiarism. Узнайте, какой именно порог и какая система используются у вас: в StrikePlagiarism порог задаёт сам вуз. Готовьте историю версий и черновики заранее и просите оценивать работу по содержанию — это законный и рабочий аргумент на комиссии.

Помогает ли история версий документа доказать авторство?

Помогает сильно, но не абсолютно. История версий и трекеры процесса вроде Grammarly Authorship показывают, как текст появлялся: постепенно или одной вставкой. Разбор таких инструментов в академической литературе указывает на их предел — они доказывают, что человек набрал текст, а не что он его написал. Поэтому историю версий стоит сочетать с черновиками, материалами и разговором по содержанию.

Какой детектор ИИ-текста точнее остальных?

Ответить честно нельзя: сравнимых независимых замеров по одной методике для русского и украинского не существует, а вендорские цифры считаются на собственных наборах и не проверяемы. Из измеренного: детекторы заметно лучше опознают сырой, неотредактированный вывод модели, чем отличают человеческий текст от отредактированного машинного. Практический вывод — не искать самый точный сервис, а не строить решений на его числе.