Jak přesné jsou detektory umělé inteligence v roce 2026? Testovali jsme 5 z nich

Doktorandka v naší síti měla úvod své práce označený jako 67% umělá inteligence generovaná detekčním systémem její univerzity. Během čtyř měsíců psala každé slovo sama. Žádné nástroje AI, žádná kontrola gramatiky, dokonce ani kontrola pravopisu.

Dva týdny strávila přepisováním částí, aby snížila skóre. Fungovalo to – ale přepsaná verze byla horší než původní.

Rozhodli jsme se zjistit, jak přesně jsou tyto nástroje spolehlivé. Otestovali jsme jich tedy pět.

Naše testovací metodika: 50 vzorků na 5 detektorech

Sestavili jsme 50 textových ukázek, každý v rozsahu 500 až 800 slov. Vzorky byly rozděleny do pěti kategorií:

• 10 čistě lidmi napsaných akademických textů – publikované články v časopisech z let 2018–2022, napsané před širokou dostupností LLM
• 10 textů čistě vygenerovaných umělou inteligencí – vytvořených GPT-4o s akademickými výzvami, bez úprav
• 10 textů generovaných umělou inteligencí s lehkými manuálními úpravami — AI koncepty s lidskými korekcemi pro přesnost a hlas – 10 textů generovaných umělou inteligencí zpracovaných prostřednictvím našeho text humanizer – plné zlidštění plus ruční kontrola
• 10 textů napsaných lidmi od nerodilých mluvčích angličtiny – publikované články výzkumníků píšících ve svém druhém nebo třetím jazyce

Každý vzorek jsme prošli detekčním modulem AI společnosti Turnitin, GPTZero, Copyleaks, ZeroGPT a Originality.ai. Každý nástroj vrátil skóre pravděpodobnosti AI. Zaznamenali jsme každé skóre a vypočítali metriky přesnosti.

Výsledky nás překvapily. Ne proto, že by nástroje úplně selhaly – ale proto, že vzorce selhání byly tak nekonzistentní.

Detekce AI Turnitin: výsledky přesnosti

Turnitin správně identifikoval 9 z 10 čistě AI generovaných textů a dosáhl jejich skóre nad 80 %. To je solidní výkon na zjevném výstupu AI.

Kde to bojovalo: falešně pozitivní. Tři z našich 10 lidmi napsaných akademických textů dosáhly na ukazateli AI společnosti Turnitin více než 20 %. Jeden – formální přehled literatury z chemického časopisu – získal 38 %.

Na humanizovaném textu výkon Turnitina výrazně klesl. Pouze 3 z 10 humanizovaných vzorků dosáhly skóre nad 20% prahem. Zbývajících 7 dosáhlo skóre mezi 2 % a 17 %.

Nejhorší kategorií bylo psaní nerodilé angličtiny. Čtyři z 10 nepůvodních vzorků byly označeny nad 20 %. Jeden získal 52 %. Byly to skutečné publikované práce skutečných lidských výzkumníků.

Celková přesnost Turnitinu v našem testu: 72 %. To zní přijatelně, dokud si neuvědomíte, že 28% chybovost znamená, že zhruba 1 ze 4 úsudků může být chybný.

GPTZero vs Copyleaks vs ZeroGPT: přímý souboj

Testovali jsme tři nejoblíbenější samostatné AI detektory proti naší úplné sadě vzorků.

GPTZero byl nejagresivnější detektor. Zachytilo 10 z 10 nezpracovaných textů umělé inteligence – perfektní zapamatování. Ale také označila 4 texty napsané lidmi a 5 textů v angličtině, které nejsou původními jazyky, jako převážně generované umělou inteligencí. Jeho míra falešné pozitivity byla v našem testu nejvyšší, a to 12 %.

Copyleaks zvolili konzervativnější přístup. Správně identifikoval 8 z 10 textů AI, ale nesprávně označil pouze 1 vzorek napsaný člověkem. U humanizovaného textu zachytil 4 z 10 – což z něj dělá nejlepší výkon proti humanizaci, ale stále mu chybí více než polovina.

ZeroGPT bylo nejméně spolehlivé. Správně označil 7 z 10 textů AI, ale také nesprávně označil 3 texty napsané lidmi. Horší je, že jeho skóre kolísalo – stejný vzorek jsme provedli dvakrát a ve 30 % případů jsme získali různé výsledky. V detekčním nástroji záleží na konzistenci a ZeroGPT ji nedoručil.

Originality.ai fungovala dobře na nezpracovaném textu AI (detekováno 9/10) a měla nízkou míru falešně pozitivních výsledků u lidského textu (1/10 nesprávně označená). Na polidštěném textu zachytil 5 z 10 — uprostřed balíčku.

Zde je nepříjemné shrnutí: žádný detektor nedosáhl celkové přesnosti vyšší než 80 % ve všech kategoriích vzorků.

Falešně pozitivní problém, o kterém nikdo nemluví

Falešnými pozitivy jsou tichá krize v detekci AI. Když detektor nesprávně označí text psaný člověkem jako generovaný AI, přenese důkazní břemeno na pisatele. "Dokažte, že jste nepoužili AI" je téměř nemožný požadavek.

Naše testování nalezlo konzistentní vzory, ve kterých byly lidské texty falešně označeny:

Vysoce strukturované formální psaní. Čím je vaše próza organizovanější a uhlazenější, tím je pravděpodobnější, že ji detektor označí. Jasné tématické věty, logický postup odstavců, konzistentní terminologie – to vše jsou vzorce sdílené dobrým lidským psaním a výstupem AI.

Formulační části. Části metod, popisy procedur a recenze literatury se řídí šablonami specifických pro obor. Každý výzkumník píše „data byla shromážděna pomocí polostrukturovaných rozhovorů“ stejným způsobem. Detektory nedokážou rozlišit konvenci od generace.

Nízkoentropická slovní zásoba. Některé obory – právo, lékařství, inženýrství – používají specializovanou slovní zásobu s omezenými možnostmi synonym. Když musíte opakovaně používat konkrétní termíny, váš text vypadá „předvídatelněji“ pro detektor založený na zmatku.

Nerodilá angličtina. Stále se k tomu vracíme, protože je to nejvíce znepokojující zjištění. Výzkumníci píšící ve svém druhém jazyce produkují text s nižší lexikální rozmanitostí a více vzorcovými strukturami – přesně ty, které detektory vzorů spojují s AI. To vytváří diskriminační výsledek, se kterým se většina institucí nepotýká.

Co to znamená pro výzkumníky používající nástroje umělé inteligence

Pokud používáte AI jako pomocníka při psaní – navrhování, restrukturalizaci, leštění – prostředí detekce vytváří skutečný problém. Dokonce i text, který jste napsali zcela ručně, se může objevit. Text podporovaný umělou inteligencí se téměř jistě objeví, pokud nepodniknete kroky k jeho polidštění.

Naše doporučení založená na tomto testování:

Nevěřte úsudku žádného jednotlivého detektoru. Viděli jsme vzorky, které dosáhly 5 % u jednoho nástroje a 68 % u jiného. Pokud vaše instituce používá jeden detektor, je to ten, na kterém záleží z hlediska souladu – ale jediné skóre není důkazem používání AI.

Polidštěte strategicky. Nezpracovaný výstup AI je detekovatelný. Dobře humanizovaný text většinou není. Pokud jste použili pomoc AI, spusťte svůj koncept pomocí kvalitního humanizačního nástroje a přidejte svůj osobní hlas. Naše testování ukázalo, že tato kombinace snížila skóre detekce pod 15 % u všech pěti nástrojů.

Uchovejte si koncepty. Uložte si středně pokročilé verze své práce. Historie prohlížeče, protokoly konverzací ChatGPT, anotované soubory PDF, ručně psané poznámky – to vše poskytuje důkazy o vašem procesu psaní, pokud budete někdy dotazováni.

Prosazujte lepší institucionální zásady. Nástroje detekce umělé inteligence nejsou dostatečně spolehlivé, aby sloužily jako jediný důkaz akademické nepoctivosti. Pokud vaše univerzita považuje skóre AI Turnitin za důkaz, zatlačte zpět – s daty. Sdílejte studie, jako je tato.

Praktické kroky ke zpracování označeného textu najdete v našem průvodci jak výzkumníci obcházejí detekci AI bez podvádění.

Závody ve zbrojení s detekcí AI se nezpomalují. Detektory se zlepší. Ale stejně tak budou nástroje pro psaní pomocí AI. Dlouhodobým řešením není lepší detekce – je to lepší politika, která uznává, jak se psaní skutečně děje nyní.

Vaše práce je skutečná. Vaše představy jsou skutečné. Chybný algoritmus by to neměl posuzovat.

AI Proofreader for Research Papers

Proofread and polish your manuscript with tracked changes. Built for academic writing.

Často kladené otázky

Otázka: Který detektor AI je nejpřesnější?

V našem testování dosáhly Turnitin a Originality.ai nejvyšší celkové přesnosti 72 % a 74 % ve všech kategoriích vzorků. Přesnost se však výrazně lišila podle typu textu. Turnitin byl nejlepší v zachycení nezpracovaného výstupu umělé inteligence, ale měl více falešných poplachů na nenativní anglický text. Originality.ai byl vyváženější, ale méně účinný na humanizovaný text. Žádný jednotlivý detektor nedosáhl přesnosti vyšší než 80 % ve všech kategoriích, což je významné omezení pro nástroje používané k rozhodování o akademické integritě.

Otázka: Fungují detektory AI na akademickém psaní?

Na některých typech akademického psaní fungují lépe než na jiných. Nezpracovaný, neupravený výstup AI v akademickém stylu je obvykle zachycen – míra detekce se v našem testu pohybovala od 70 % do 100 %. Ale formální člověkem psaný akademický text spouští falešně pozitivní výsledky v určité míře – až 12 % v našem testování. Neúměrně ovlivněny jsou technické obory se specializovanou slovní zásobou a nerodilí angličtí autoři. Krátká odpověď zní: Detektory umělé inteligence fungují na akademickém psaní, ale ne dostatečně spolehlivě, aby sloužily jako samostatný důkaz.

Otázka: Jak často detektory umělé inteligence označují lidské psaní?

V našem testu 20 vzorků napsaných člověkem (10 nativních anglických, 10 nenativních) získalo 9 vzorků — 45 % — skóre AI nad 20 % na alespoň jednom detektoru. Tři texty psané člověkem dosáhly skóre nad 50 % alespoň na jednom nástroji. Míra falešné pozitivity na detektor se pohybovala od 4 % do 12 %. Pokud nejste rodilý mluvčí angličtiny a píšete formální akademickou prózu, šance na falešnou pozitivitu jsou ještě vyšší. Proto doporučujeme uchovávat koncepty a zpracovávat důkazy bez ohledu na to, zda jste používali nástroje AI.