Диплом писали три месяца, ночи напролёт сидели над методичкой, вылизывали каждую главу до блеска. Загружаете работу в Антиплагиат ВУЗ и видите в отчёте значок «сгенерированный текст». До нейросетей вы в тот момент даже не дотронулись: писали сами, слово за словом. Разбираю, почему Антиплагиат показывает ИИ даже там, где его не было, как детектор отличает машинный текст от человеческого и что делать, если система ошиблась.
Сразу успокою как практик: вывод детектора не приговор. Разработчик пишет об этом прямо: если маркеров для уверенного вывода о генерации не хватает, система честно считает оригинальность и самоцитирование, а вопрос использования ИИ передаёт эксперту. Финальное слово в любом случае за человеком. Но понимать механику всё равно стоит, иначе на защите или при сдаче статьи в журнал можно попасть в неприятный разговор.
Как Антиплагиат определяет ИИ-текст
«Антиплагиат» первым в России встроил детектор сгенерированных текстов в отчёт о проверке. Работает он не так, как поиск заимствований. Классический модуль ищет совпадения кусков текста с базой источников. ИИ-детектор ищет другое: статистические следы машинной генерации.
Объясню на пальцах. Нейросеть выбирает каждое следующее слово из вероятностного распределения: после конкретного фрагмента она берёт самое ожидаемое продолжение. В итоге машинный текст выходит ровным и предсказуемым. Человек пишет неровно: где-то длинная мысль, где-то рваная фраза, где-то внезапное отступление. Детектор ловит именно эту разницу между предсказуемостью и живым хаосом.
Плюс работают более грубые маркеры: шаблонные связки, почти одинаковая длина предложений, обтекаемые формулировки без конкретики, типовая структура абзацев, вода вместо фактов. Каждого маркера по отдельности мало. Но когда они складываются в общую картину, система помечает фрагмент как предположительно сгенерированный.
Компания заявляет точность распознавания до 98% на диссертациях и научных публикациях, где ИИ-след обычно выражен ярко. Звучит внушительно, но за цифрой прячется деталь: 98% относится к определённым типам текстов и к моделям, на которых детектор обучался. На коротких фрагментах, на сильно отредактированном человеком тексте и на новых моделях точность проседает. Так ведёт себя любая вероятностная модель, и дело вовсе не в кривых руках разработчиков.
В отчёте три разные метрики, путать их не надо
Частая причина паники: люди видят жёлтые пометки и думают, что работу завалили. На деле отчёт раздельный. Оригинальность показывает, сколько текста не найдено в источниках. Цитирование отражает корректно оформленные заимствования. Сгенерированный текст идёт отдельной полосой со своей долей.
Практический нюанс: если ИИ-маркеров в документе мало, система вообще не делает выводов о генерации и считает оригинальность как обычно. Наличие ИИ-модуля не портит вам процент, это независимые оценки. Проблемы начинаются, когда преподаватель или нормоконтроль смотрят именно на полосу генерации и требуют объяснений.
Почему детектор отстаёт от нейросетей
Главная причина ложных срабатываний - гонка вооружений, в которой детекторы всегда играют вдогонку. Нейросети обновляются каждые несколько месяцев, выходят новые модели, меняется стиль генерации, растёт качество русского языка. Системе проверки нужно время: собрать выходы новой модели, проанализировать паттерны, обновить маркеры, протестировать. Разрыв в несколько месяцев - норма для индустрии, и им пользуются недобросовестные авторы, о чём «Антиплагиат» пишет открыто.
Отсюда парадокс, который бьёт по честным. Детектор натренирован на определённом стиле генерации, а тексты реальных людей иногда статистически ближе к этому стилю, чем к живой речи. Академический стиль сам по себе шаблонный: пассивные конструкции, длинные периоды, стандартизированные обороты. Глава диссертации, написанная добросовестным аспирантом, может быть ровнее и «глаже», чем ответ средней нейросети. Система не читает мысли. Она видит ровный безликий фрагмент и делает вывод по вероятности.
Всеобщая истерия вокруг нейросетей усугубила картину: вузы бросились проверять всё подряд, а пороги срабатывания часто стоят жёстче, чем нужно. Человек писал всё сам, честно трудился над исследованием, а в отчёте всплывает знак сгенерированного текста. Редкость, да. Но вероятность никогда не равна нулю.
Какие тексты попадают под подозрение чаще всего
Из практики: детектор ругается на формальные жанры. Резюме и сопроводительные письма, где люди годами копируют типовые фразы с job-сайтов. Юридические документы и договоры, в которых живой речи почти нет. Технические описания и документация. Академические тексты: рефераты, курсовые, литобзоры. Всё перечисленное пишется по шаблону, а шаблон - родной язык генеративных моделей.
С короткими фрагментами хуже всего. На абзаце из трёх предложений любая вероятностная оценка гуляет: данных слишком мало для уверенного вывода. Если детектор пометил один абзац из сорока, это шум. Если пометил половину работы, уже есть сигнал, с которым стоит разбираться.
Человек писал сам, но проверял через нейросеть: почему текст всё равно светится
Самая коварная категория. Вы написали работу своими словами, потом дали модели проверить грамотность или перефразировать пару абзацев, которые не ложились в стиль. Отчёт показывает ИИ. Логика простая: следы генерации не стираются редактурой полностью. Детектор ловит не отдельные слова, а статистику фрагмента: последовательности токенов, ритм, распределение вероятностей. Переписанный нейросетью кусок несёт сигнал в самом куске, как бы вы его ни правили.
В обсуждениях детектора на Хабре это сформулировали честно: системы ловят тексты, которые написала нейронка, а человек проверил и исправил. Логика понятна: сигналы остаются. Но фактически это уже не сгенерированный текст, а отредактированный, и приравнивать его к чистой генерации странно.
Типовые ошибки полуручной работы, когда человек писал сам, но часть делал через нейросеть:
- кривое перефразирование: смысл сохранён, а формулировки остались типовыми для модели;
- искажённые факты: модель что-то перепутала, а вы не заметили;
- выдуманные подробности и источники, поданные нейросетью как правда;
- развал научного стиля: чужие обороты выбиваются из вашей манеры письма.
Каждый пункт - самостоятельный маркер, причём не только для алгоритма. Преподаватель, который читает ваши работы весь семестр, ловит чужой стиль быстрее любого детектора.
Можно ли доказать, что текст написан ИИ
Короткий ответ: нет. Разработчик «Антиплагиата» сам признаёт, что объективно доказать использование генеративного ИИ невозможно: такой текст маскируется под обычный. Детектор выдаёт вероятность, а не факт. Именно поэтому в системе заложена роль эксперта: алгоритм помечает подозрительные фрагменты, а решение о судьбе работы принимает человек.
Проблема в том, что на практике детектор часто используют не как рекомендацию, а как приговор. В вузах и редакциях звучит: оригинальность 80%, извольте довести до 95%, саму статью даже читать не будем. Тот же подход перекочевал на ИИ-полосу. Между тем оригинальность изложения не равна оригинальности содержания, а пометка детектора требует проверки, а не наказания. Если вы в этой ситуации, ваши аргументы: история версий документа, черновики, источники, логика исследования.
Что делать, если Антиплагиат показал ИИ
Шаг первый: найти в отчёте конкретные фрагменты, на которые среагировал детектор. Обычно это зоны, где текст действительно звучит шаблонно: вводные главы, теоретические обзоры, выводы. Именно там человек чаще всего скатывается в канцелярит, и именно там маркеры скапливаются.
Шаг второй: переработать проблемные блоки руками. Что реально работает:
- добавить собственную аналитику: наблюдения, сравнения, выводы из практики;
- вставить свежие данные за текущий год;
- разбить ровные длинные предложения, переписать связки своими словами;
- добавить конкретику: цифры, примеры, названия, отраслевые детали, которых нет в типовых ответах модели.
Про свежие данные отдельно. Нейросети генерируют ответы на основе обучающих данных, то есть прошлогодних и старше. Бесплатные модели тем более не работают как суперкомпьютеры и не обрабатывают всё в реальном времени. Если в работе фигурируют устаревшие цифры, проверяющий задумается, откуда они взялись. Актуальные источники решают проблему на корню и заодно повышают оригинальность.
Шаг третий: если вы уверены в авторстве и считаете срабатывание ложным, требуйте экспертной проверки со стороны кафедры или редакции. Спокойно и с документами. История правок в Word или Google Docs, время работы над файлом, поэтапные черновики хорошо работают в разговоре с научруком.
Почему сервисы «обхода детектора» делают хуже
Отдельная порода инструментов - рерайтеры, которые обещают переписать текст так, что детектор ничего не увидит. На деле они чаще всего ломают текст. Меняют слова на странные синонимы, рушат согласование, превращают нормальную фразу в набор слов. Детектор такое, возможно, и не поймает, зато преподаватель поймает сразу. Плюс многие рерайтеры прогоняют текст через модели уровня пятилетней давности и добавляют собственные статистические артефакты.
Работающий путь один: дописать текст человеком. Собственная аналитика, свежие данные, живые примеры, ваша интонация. Это дольше, чем прогнать через рерайтер, но результат проходит и детектор, и главную проверку - человеческое чтение.
Как пользоваться нейросетями и не ловить флаги
Мой рабочий подход, который рекомендую всем, кто пишет тексты с ИИ. Нейросеть - ассистент, а не автор. Она хороша для структуры, идей, черновиков, поиска формулировок, перевода и вычитки. Финальный текст должен полностью проходить через вас.
Схема простая. Сначала генерируете каркас и варианты тезисов. Потом пишете сами, глядя на каркас, своими словами и со своей интонацией. Затем возвращаетесь к черновику модели только за идеями, если зашли в тупик. Финальный шаг: вычитка на шаблонность. Всё, что звучит как типовой ответ чат-бота, переписывается или выкидывается.
Второй приём: управлять стилем через промпты. Просите модель писать короче, рванее, с конкретикой, без водных связок и симметричных конструкций. Держите под рукой пример собственного текста и просите подстраиваться под него. Так снижается «гладкость», на которую смотрит детектор, а заодно текст становится лучше для живого читателя.
Третий момент, о котором редко говорят: качество модели напрямую влияет на результат. Бесплатные и устаревшие модели выдают самый шаблонный, самый детектируемый текст, ровно тот, на который детекторы натренированы. Флагманские модели пишут разнообразнее, точнее держат контекст и дают больше материала для нормальной человеческой переработки.
Где взять флагманские нейросети из России
Здесь важный практический барьер: топовые модели напрямую из России недоступны. Нужны иностранные карты, VPN, зарубежные аккаунты. Половина людей отваливается на этом этапе и остаётся на урезанных бесплатных версиях, а потом удивляется, почему их тексты палит детектор.
Мы запустили сервис 3GPT: ИИ-роутер, который даёт прямой доступ из России к последним флагманским моделям нейросетей:
- ChatGPT 6 Astra
- ChatGPT 6.1 Sol
- ChatGPT 5.5
- Claude Fable 5
- Claude Fable 5.1
- Claude Opus 5.5
- Nano Banana для создания изображений
- генерация видео и голоса
И многим другим. Всё это за 149₽, без иностранных карт: пополнить баланс можно российской картой, через СБП или криптой. Официальный сайт 3GPT: https://3seller.com/3gpt
В бизнесе и на работе сервис закрывает повседневные задачи: продающие тексты и тексты для сайтов, деловая переписка, разбор документов, подготовка отчётов. Создание и обработка максимально реалистичных изображений, видеороликов и голоса в одном интерфейсе, без переключений между десятком сервисов.
Отдельная фишка, которой пользуюсь сам: готовые ИИ-агенты под конкретные задачи, https://3seller.com/ai/agents. Выбираете готового агента под свою задачу и сразу начинаете с ним общение. Модель агента меняется прямо в чате: если агент на одной модели выдаёт шаблонный результат, переключаетесь на другую и сравниваете. Для текстов, которые пойдут на проверку в вуз или на публикацию, это критично: вы подбираете модель, которая пишет ближе всего к вашей стилистике.
Тем, кто работает с визуалом, пригодится генерация реалистичных фотографий через лучшие ИИ-инструменты: https://3seller.com/3gpt-image. Использую для обложек статей, презентаций и тестовых креативов. Экономит часы работы дизайнера на черновых вариантах.
Если вы заказчик: как проверять тексты подрядчиков
Обратная сторона истории. Копирайтеры и контент-агентства давно работают с нейросетями, и заказчики это понимают. Вопрос не в том, использовалась ли модель, а в качестве результата. Мой алгоритм проверки подрядных текстов:
- читать, а не смотреть на проценты: живой текст узнаётся по конкретике и авторской позиции;
- проверять факты и цифры вручную, модели выдумывают их увереннее всего;
- сравнивать стиль: если пять статей подрядчика звучат одинаково, вам продают шаблон;
- использовать детектор как один из сигналов, а не как основание для отказа в оплате.
Последний пункт принципиален. Ложные срабатывания существуют, и отписка «детектор показал ИИ, мы не платим» выглядит шатко и этически, и юридически. Если текст выполняет задачу, оригинален по содержанию и написан грамотно, происхождение вторично.
Детектор нужен, но решать должен человек
«Антиплагиат» решает реальную задачу: защищает авторское право и академическую честность в момент, когда объём сгенерированного контента растёт лавинообразно. Инструмент нужный. Но любая автоматическая проверка остаётся вероятностной оценкой, и финальное решение должно оставаться за экспертом. Сами разработчики это подтверждают.
План на случай флага: собирайте доказательства авторства и перерабатывайте шаблонные блоки, а не спорьте с алгоритмом вслепую. Если работаете с нейросетями, держите их в роли ассистента и вычитывайте финальный текст. А чтобы под рукой всегда были сильные модели, а не урезанные бесплатные аналоги, держите 3GPT: флагманы за 149₽, оплата российской картой или через СБП, всё работает из России без VPN.