Max Spero, засновник стартапу з детекції AI-тексту Pangram, заявив в інтерв'ю TechCrunch, що питання «цей текст написала людина чи згенерувала модель» — неправильна постановка задачі для сучасних детекторів контенту. За його словами, ринок звик очікувати від таких інструментів простої відповіді «так» або «ні», хоча реальність, з якою працює детектор, набагато складніша.

Причина в тому, як сьогодні насправді створюється текст. Людина пише чернетку, прогонує її через Claude чи ChatGPT для редагування, потім сама доопрацьовує результат — і на виході виходить гібрид, який неможливо чесно віднести до жодної з двох категорій. Бінарна шкала просто не має місця для такого сценарію.

За даними TechCrunch, Spero наполягає, що продукти детекції, які видають користувачу лише «AI» або «людина», спрощують задачу до точки, де відповідь перестає бути чесною — і саме ця спрощена рамка, на його думку, і є головною проблемою галузі.

Чому бінарна відповідь вводить в оману?

Тому що вона приховує невизначеність, яка є невід'ємною частиною будь-якого статистичного детектора. Детектор AI-тексту не «бачить» намір автора — він оцінює ймовірність на основі патернів у тексті: розподілу токенів, стилістичної одноманітності, передбачуваності слів. Коли ця ймовірність округлюється до «так/ні», система приховує саме ту інформацію, яка потрібна користувачу для прийняття рішення.

Що приховує проста мітка «AI» чи «людина»?

Вона приховує градацію — а саме градація і є тим, що насправді потрібно редакціям, університетам чи HR-командам, які застосовують детекцію на практиці. Коли університет отримує звіт «94% ймовірність AI», а не жорсткий вердикт, викладач може врахувати контекст: чи це технічний текст із передбачуваною лексикою, чи есе на вільну тему. Бінарна система такого простору для судження не залишає.

Це особливо критично там, де ціна помилки висока. Хибне звинувачення студента чи журналіста в тому, що текст написаний ботом, коли насправді людина просто писала сухим, структурованим стилем, — типовий побічний ефект систем, які змушені видавати категоричну відповідь там, де чесна відповідь — це діапазон.

Що з цього випливає для продуктів, які будують на AI-детекції?

Якщо ваш сервіс — від плагіат-чекера до модерації контенту на платформі — покладається на сторонній чи власний AI-детектор, закладайте в інтерфейс саме нюанс, а не бінарну оцінку. Це наш погляд у AiiN: показуйте користувачу довірчий інтервал і пояснення, на чому базується оцінка, а не єдину мітку, яка виглядає остаточною, хоч насправді такою не є.

Практично це означає кілька речей для команд, що інтегрують детекцію AI-контенту у свій продукт:

Висновок AiiN: що робити зараз

Головна теза Spero — детекція AI-тексту вже давно перестала бути задачею класифікації «0 або 1» і перетворилася на задачу оцінки ймовірності в умовах, коли межа між людським і згенерованим текстом розмита самою практикою редагування через AI-асистентів. За нашою оцінкою, продукти, які й далі продають клієнтам ілюзію бінарної точності, ризикують репутацією першими — саме вони опиняться в центрі скандалу, коли перший хибний вердикт вийде на публіку. Компанії, що вже сьогодні переходять на мову ймовірностей і довірчих інтервалів, отримають перевагу в довірі, коли регулятори чи освітні інституції почнуть вимагати прозорості методології, а не просто мітки.

Що таке Pangram?

Pangram — стартап Max Spero, що розробляє інструменти для детекції тексту, згенерованого мовними моделями. Компанія позиціонує себе як альтернативу спрощеним AI-детекторам, наголошуючи на прозорості оцінки ймовірності замість категоричного вердикту.

Чи можна повністю довіряти AI-детекторам тексту?

Ні, жоден детектор не має стовідсоткової точності, і будь-який вердикт варто сприймати як імовірнісну оцінку, а не факт. За словами Spero, найбезпечніший підхід — використовувати детекцію як один із сигналів у ширшому процесі прийняття рішення, а не як автоматичний фільтр з остаточним вироком.