Detektor tekstu AI: procent na ekranie nie podpisuje autora

„87% AI” wygląda jak informacja precyzyjna. Pracownia Forma dostała taki wynik dla tekstu o swojej nowej kolekcji i zaczęła szukać winnego. Tymczasem nie ustalono nawet, co oznacza liczba: udział zaznaczonych fragmentów, ocenę klasyfikatora czy prawdopodobieństwo zdefiniowane przez dostawcę. Detektor wystawił etykietę, a firma już niemal dorobiła do niej nazwisko.

Forma jest tu przykładem fikcyjnym. Porządkuje odbiór materiałów od zewnętrznych autorów: opisów produktów, instrukcji i tekstów na stronę. Chce wiedzieć, czy treść powstała w uzgodniony sposób oraz czy można sprawdzić jej podstawę. To sensowne pytania, ale detektor nie odpowiada automatycznie na oba. Tekst napisany przez człowieka może zawierać błąd, a użycie AI nie oznacza, że opis jest niezgodny z dostarczoną specyfikacją.

Wynik narzędzia potraktuj jako przedmiot oceny. Przed jego włączeniem do obiegu sprawdź, jakie twierdzenie wolno na nim oprzeć, dla jakiego materiału oraz z jakim ryzykiem pomyłki. Poniższy zakres dotyczy firmowych publikacji i współpracy nad nimi. Nie obejmuje selekcji pracowników, kar, ocen uczniów ani rozstrzygania sporów o prawa do tekstu.

Najpierw ustal pytanie do wykonawcy

„Bez AI” może oznaczać bardzo różne oczekiwania: samodzielne napisanie całego tekstu, brak automatycznej parafrazy, dopuszczenie korekty językowej albo zakaz przesyłania materiału klienta do zewnętrznego narzędzia. Rozpisz te warunki zwykłym językiem. W przeciwnym razie detektor ma pozornie pilnować zasady, której zespół nie umie wspólnie wyjaśnić.

Dla Formy istotne może być to, czy autor sprawdził cechy produktu, zachował uzgodnione nazwy i potrafi wskazać źródło informacji. Jeśli firma dopuszcza pomoc przy redakcji, poproś o opis zakresu jej użycia. Jedno automatyczne oznaczenie nie rozróżni samo z siebie korekty przecinka, przepisania akapitu i wygenerowania całego opisu z błędnymi parametrami.

Oddziel też pochodzenie od jakości i od warunków obiegu danych. Zgodność opisu z kartą produktu sprawdza się na podstawie karty. Uzasadnienie obietnicy wymaga odpowiedniego materiału, co rozwija poradnik dowodów w ofercie B2B. Wynik detekcji nie zastępuje żadnego z tych sprawdzeń. W raporcie nie zbieraj ich pod jedną oceną „tekst przeszedł kontrolę”.

Zanim wyślesz plik do detektora, ustal, czy wolno przekazać go temu konkretnemu narzędziu i w jakim trybie. Do pierwszych prób wybierz uprawnione materiały kontrolne. Nie potrzebujesz nieopublikowanej strategii klienta, żeby sprawdzić rozumienie etykiety wyniku. Zapisz produkt, wersję lub dostępną datę usługi, ustawienia, język oraz zakres wejścia.

Co pokazują badania, a czego nie przeniesiesz do polskiego opisu

W pracy PAWN++ in the Wild z 2026 roku autorzy porównują wyniki na przygotowanych zbiorach i na przekształceniach tekstów z sieci. Opisują spadek skuteczności w badanych warunkach oraz ograniczają wnioski do użytych modeli i procedury. Nie jest to ocena wszystkich dzisiejszych detektorów ani gotowy wynik dla polskich kart produktów.

Starsze badanie Lianga i współautorów z 2023 roku wykazało, że badane detektory błędnie oznaczały część tekstów napisanych przez osoby, dla których angielski nie był językiem ojczystym. To konkretna próba, język i ówczesne narzędzia. Nie dowodzi jednakowej skali błędu dla każdej grupy autorów i każdego współczesnego produktu. Uzasadnia sprawdzenie własnego rodzaju materiału.

Dla Formy wniosek praktyczny brzmi: nie przejmuj cudzej liczby skuteczności bez warunków, w których ją uzyskano. Krótka instrukcja montażu może zawierać powtarzalne sformułowania, bo dotyczy powtarzalnych czynności. Katalog używa tej samej terminologii dla całej serii. Styl firmy nie powinien stawać się samodzielnym dowodem pochodzenia tylko dlatego, że jest uporządkowany i mało zaskakujący.

Tak samo unikaj rozpoznawania autora na podstawie pojedynczych słów. „Kompleksowy” może razić redaktora, ale nie nosi legitymacji modelu językowego. Przeczytaj zdanie i popraw je, jeśli nie wnosi sensu. Ocena naturalności tekstu oraz przypisanie jego pochodzenia to dwa różne zadania. Dobre oko redakcyjne nie zamienia się przez doświadczenie w nieomylny detektor.

Przygotuj próbę z historią, której naprawdę jesteś pewien

Zestaw kontrolny powinien zawierać teksty o znanym przebiegu powstania. Uzgodnij z autorami materiały napisane samodzielnie, zachowane teksty wygenerowane przez AI oraz wersje po rzeczywistej redakcji. Oznaczenia wzorcowe przechowuj poza wejściem detektora. Jeśli za prawdę przyjmiesz wynik innego detektora, sprawdzisz przede wszystkim zgodność dwóch ocen, a nie ich zgodność z historią tekstu.

Dobierz materiały do codziennej pracy: krótki opis, dłuższy poradnik, lista kroków, język polski i używany w firmie język obcy. Zachowaj informację o długości oraz formacie. Jeśli dostawca określa minimalny zakres tekstu, potraktuj go jako warunek próby. Nie doklejaj obcego akapitu tylko po to, by narzędzie przyjęło plik; wynik dotyczyłby wtedy innego materiału.

Sprawdź także sposób wczytania pliku. Detektor może otrzymać samą treść główną albo tekst razem z powtarzalną stopką, podpisami i danymi kontaktowymi. Porównuj wejścia świadomie, zgodnie z planowanym użyciem. Jeśli wynik zmienił się po usunięciu stałego bloku, zapisz oba zakresy. Nie przypisuj takiej różnicy nowym informacjom o autorze, skoro to operator zmienił zawartość poddaną ocenie.

Osobno sprawdź całość i wybrany fragment, jeśli tak właśnie zespół zamierza pracować. Ucięcie wstępu lub pozostawienie samej listy cech zmienia wejście. Oznaczenie całego dokumentu nie wyjaśnia automatycznie pochodzenia każdego zdania. Wersję mieszaną opisz jako mieszaną, zgodnie ze znaną historią. Nie wymuszaj binarnej etykiety tam, gdzie proces obejmował kilka rodzajów pracy.

Przy odczycie wyniku zapisz dokładny komunikat, a nie tylko kolor. Ustal z dokumentacji produktu, co oznacza skala i gdzie przebiega próg klasyfikacji. Wysoka liczba nie musi oznaczać odsetka słów napisanych przez AI. Jeśli definicja jest niejasna, zachowaj tę niejasność w protokole. Nie zastępuj jej wygodnym objaśnieniem wymyślonym przez osobę prowadzącą próbę.

Rozdziel przynajmniej dwa błędy. Fałszywe oznaczenie przypisuje AI tekst, o którym z przebiegu pracy wiadomo, że został napisany samodzielnie. Przeoczenie to brak oznaczenia tekstu, o którym wiadomo, że został wygenerowany. W praktyce firmy koszty są różne: pierwszy błąd wywołuje niepotrzebne wyjaśnienia z autorem, drugi może przepuścić materiał przygotowany poza ustalonym procesem. Sama ogólna trafność ukrywa tę różnicę.

Brak wyniku potraktuj osobno. Plik odrzucony, tekst zbyt krótki, nieobsługiwany język i błąd usługi nie są poprawnymi rozstrzygnięciami „napisał człowiek”. W próbie zachowaj te przypadki wraz z komunikatem narzędzia. Jeżeli zespół kieruje je do ręcznej oceny, uwzględnij tę pracę w podsumowaniu. W przeciwnym razie narzędzie może wyglądać na wygodne tylko dlatego, że trudne materiały zniknęły z licznika.

Znaczenie fałszywych alarmów widać na wymyślonym rachunku. W stu materiałach jest dziesięć tekstów AI i dziewięćdziesiąt samodzielnych. Narzędzie zaznacza osiem z pierwszej grupy, ale także dziewięć z drugiej. Wśród siedemnastu oznaczonych plików tylko osiem rzeczywiście pochodzi z AI. To nie wynik konkretnego produktu; pokazuje, dlaczego liczba wykryć bez liczby fałszywych alarmów nie wystarcza do oceny użyteczności.

Nie zamieniaj małego zestawu w zapewnienie o skuteczności dla całej firmy. Podaj liczebność każdej grupy i konkretne pomyłki. Jeśli żadnego błędu nie znaleziono, zapisz zakres tej obserwacji. Nie oznacza to braku błędów w nieznanych tekstach. Wynik powinien umożliwiać odtworzenie próby na tych samych plikach, zamiast jedynie uspokajać odbiorcę zielonym podsumowaniem.

Powtórz próbę po aktualizacji narzędzia, zmianie języka lub sposobu redagowania. Zachowaj tę samą próbkę i porównywalne ustawienia. Zasady oceny modelu używanego jako sędzia pomagają postawić właściwe pytanie: jak sprawdzamy narzędzie, któremu powierzamy ocenę innych materiałów? Jego pewny ton nie jest dowodem trafności.

Przy porównywaniu dwóch produktów zachowaj te same pliki i nie dobieraj dla każdego wygodniejszej części zbioru. Próg ustal przed oceną, a zmianę progu opisz jako nowy wariant. Jeśli ustawienia dopasowano do konkretnych przykładów, sprawdź jeszcze niezależną próbkę. Wynik uzyskany po wielokrotnym poprawianiu ustawień na znanych plikach nie pokazuje wprost zachowania na następnym zleceniu.

Historia pracy daje materiał do rozmowy

W razie nieoczekiwanego oznaczenia wróć do konkretnego pliku i warunków zlecenia. Poproś o opis pracy, źródła cech produktu i dostępne wersje, w zakresie uzgodnionym dla tej współpracy. Nie zaczynaj od zdania „system dowiódł użycia AI”, jeśli masz jedynie etykietę klasyfikatora. Rozmowa powinna rozstrzygać sprawdzalne kwestie, a nie zmuszać autora do walki z nieopisanym procentem.

Dobrze pokazuje to przypadek opisu z obowiązkowym zdaniem dostarczonym przez klienta. Autor mógł samodzielnie napisać resztę, a fragment wkleić zgodnie z briefem. Ustal zakres tego wkładu, zamiast przypisywać jednej osobie pochodzenie całego pliku. Tak samo rozdziel tekst bazowy i późniejszą korektę innego redaktora. W obiegu wieloosobowym pytanie „kto napisał?” wymaga wskazania wersji i fragmentu.

Historia zmian też ma swoje granice. Pokazuje określone zapisane etapy, ale nie zawsze cały proces poza edytorem. Brak szczegółowego śladu nie jest automatycznie dowodem użycia narzędzia. Z kolei płynnie narastająca wersja nie potwierdza, że każda informacja została sprawdzona. Zapisz, co rzeczywiście wynika z przedstawionego materiału, a które pytania pozostają bez odpowiedzi.

Porównanie z pochodzeniem obrazów AI pomaga oddzielić poświadczenie konkretnego zdarzenia od wnioskowania o zawartości. Każdy rodzaj dowodu ma zakres. Nie przenoś znaczenia jednego znacznika na całą publikację. W Formie ślad zatwierdzenia specyfikacji przez opiekuna produktu jest przydatny do oceny parametrów, ale nie stanowi pełnej historii autorstwa każdego zdania.

Szczególną uwagę poświęć materiałom, które ktoś przedstawia jako wypowiedzi klientów. Syntetyczni uczestnicy badania UX nie stają się prawdziwymi rozmówcami przez niski wynik detekcji. O pochodzenie takich wypowiedzi pytaj w dokumentacji badania: kto uczestniczył, co rzeczywiście zebrano i jak powstało podsumowanie. Kontrola stylu wypowiedzi nie zastąpi tego zapisu.

Nie pozwól, żeby oznaczenie zaczęło udawać potwierdzenie

Jeśli wynik detektora trafia do rejestru materiałów, zachowaj nazwę narzędzia, datę, wersję pliku i status oceny. „Oznaczone przez detektor” to coś innego niż „potwierdzone w przeglądzie historii”. Bez takiego rozdzielenia następny zespół może potraktować dawną predykcję jako ustalony fakt. Problem opisuje także powrót podpowiedzi AI jako nowych danych.

Ustal, kto może zmienić status po sprawdzeniu i co dzieje się z wcześniejszym oznaczeniem. Poprawiony wynik powinien pozostać zrozumiały dla osób, które widziały poprzedni raport. Nie wysyłaj kolejnego automatycznego alarmu na podstawie etykiety już zakwestionowanej. W ograniczonej próbie można przejść całą tę drogę: od detekcji przez wyjaśnienie do aktualizacji rejestru.

Przed decyzją o użyciu narzędzia spisz, do czego wynik faktycznie się przydał. Czy wskazał materiały wymagające sprawdzenia, których zespół inaczej by nie zauważył? Ile wyjaśnień dotyczyło fałszywych alarmów? Taki zakres oceny można przygotować w ramach Aeneia Audit. W Formie odbiór tekstu nadal kończy się sprawdzeniem zgodności materiału i uzgodnionego sposobu pracy. Procent na ekranie pozostaje wynikiem narzędzia, które również podlega ocenie.