Базові мовні моделі — версії LLM до фінального шару safety-тюнінгу — пишуть текст, який людина не відрізняє від власного, встановило дослідження, на яке посилається The Decoder. Впізнаваним AI-текст робить не сама здатність моделі генерувати мову, а guardrails — шар правил і поведінкових патернів, які розробники додають уже після тренування, щоб модель відмовлялася від небезпечних запитів, пом'якшувала категоричні твердження й тримала рівний, обережний тон.

Це перевертає звичне пояснення того, чому текст «звучить як AI». Проблема не в тому, що модель статистично добирає наступне слово — так само робить і людина, коли формулює речення. Проблема в шарі, що лягає зверху вже після базового навчання: у стандартизованих застереженнях, у зваженому уникненні різких оцінок, у ввічливих конструкціях, які інструктивний та safety-тюнінг вживлюють у модель для контролю поведінки.

Для AI-білдерів і редакцій, які покладаються на детектори AI-тексту як на фільтр якості чи академічної доброчесності, це важливий сигнал: інструменти детекції ловлять не «штучність» мови загалом, а конкретний стилістичний відбиток safety-шару конкретного постачальника. Змінити чи послабити guardrails — і той самий детектор втрачає опору.

Що саме показало дослідження?

Ключова теза дослідження, на яке спирається The Decoder, проста: різниця між «людським» і «машинним» текстом виникає не на етапі попереднього навчання (pretraining), а на етапі пост-тренувального вирівнювання (post-training alignment). Базова модель, яку ще не пропустили через інструктивний і safety-тюнінг, генерує текст зі значно ширшим і менш передбачуваним розподілом формулювань — тобто ближчим до того, як пише жива людина. Після накладання guardrails цей розподіл звужується: модель системно тяжіє до однотипних зворотів, обережних формулювань і структурних шаблонів, які й лишають статистичний слід.

Чому саме guardrails, а не сама генерація, лишають відбиток?

Guardrails — це не одне правило, а сукупність тренувальних сигналів (RLHF, instruction tuning, safety-фільтри), які винагороджують модель за передбачувану, «безпечну» поведінку і карають за ризиковані чи категоричні відповіді. За нашою оцінкою, саме ця оптимізація під вузький коридор прийнятних відповідей і знижує ентропію вибору слів — а низька ентропія, тобто передбачуваність тексту, історично є головною ознакою, на яку орієнтуються статистичні детектори AI-тексту. Іншими словами, детектор не «відчуває штучний інтелект» — він розпізнає слід конкретного тренувального процесу.

Чи означає це, що AI-детектори скоро стануть непотрібними?

Ні, але їхня точність виявляється прив'язаною до наявності guardrails, а не до факту генерації як такого. Практичні наслідки:

Це пояснює давно відому практиками проблему: AI-детектори дають хибні спрацювання на людських текстах, написаних формально й обережно — юридичних, корпоративних, академічних — бо саме такий стиль найбільше нагадує guardrail-патерн.

Що це означає для AI-білдерів і контент-команд?

Якщо продукт покладається на детекцію AI-тексту — модерація, академічна доброчесність, спам-фільтри — варто рахувати не з «AI чи ні», а з «чий і наскільки послаблений safety-шар». Для команд, що будують чат-ботів і асистентів, висновок дзеркальний: власний стиль guardrails — це фактично бренд-фінгерпринт, за яким користувачі (і конкуренти) впізнають, яка модель стоїть за відповіддю, навіть без вказаного імені.

Висновок AiiN

Наша теза: гонка «AI-текст проти детекторів» насправді давно перетворилася на гонку «чий safety-шар проти чийого детектора». Доки компанії стандартизують guardrails під власний бренд заради передбачуваності й безпеки, вони мимоволі створюють впізнаваний стилістичний відбиток — і саме на ньому, а не на факті машинної генерації, тримається сьогоднішня точність AI-детекторів. Найслабша ланка цієї системи — відкриті чи кастомно дотюновані моделі без стандартного safety-шару: для них детекція стає статистично набагато складнішою задачею.

Чи можна змусити ChatGPT або Claude писати так, щоб текст не впізнав детектор?

Частково. Промпт, що просить уникати типових застережень і категоричних формулювань, зміщує стиль ближче до базової моделі, але повністю прибрати вплив guardrails через промпт-інжиніринг зазвичай не вдається — safety-тюнінг вбудований у ваги моделі, а не лише в системний промпт.

Чому AI-детектори іноді помилково позначають людський текст як згенерований?

Бо вони натреновані розпізнавати статистичні ознаки guardrail-стилю — рівний тон, обережні формулювання, уникнення категоричності, а не «штучність» як таку. Людина, яка пише в такому ж обережному, формальному регістрі, випадково потрапляє під ту саму статистичну модель.