Teksty AI oszukują detektory. Naukowcy z MIT znaleźli nową metodę

nowa metoda wykrywania tekstów AI

Tekst wygenerowany przez sztuczną inteligencję można dziś przeredagować tak, aby program uznał go za napisany przez człowieka. Naukowcy z Massachusetts Institute of Technology i Cornell University sprawdzili, czy detektor może nauczyć się rozpoznawać także takie zamaskowane materiały. W ich eksperymencie popularne narzędzie wykryło około 27 proc. celowo ukrytych tekstów AI, a nowa metoda ponad 93 proc. Badacze podkreślają jednak, że nie oznacza to rozwiązania problemu ustalania autorstwa.

.Badacze z Massachusetts Institute of Technology (MIT) oraz Cornell University przedstawili metodę, która ma zwiększyć odporność programów rozpoznających teksty wygenerowane przez sztuczną inteligencję. O wynikach MIT poinformował w komunikacie z 18 listopada 2026 roku. Pracę przygotowali Kevin Ren z Cornell Tech, Manish Raghavan z MIT oraz Nikhil Garg z Cornell Tech. Ich ustalenia dotyczą problemu, który staje się coraz poważniejszy wraz z pojawianiem się nowych modeli językowych i programów przerabiających ich odpowiedzi.

Samo istnienie detektorów tekstów AI nie jest nowością. Od kilku lat korzystają z nich szkoły, uczelnie, wydawcy i redakcje, a na rynku pojawiły się również usługi mające oszukiwać takie programy. Gdy system nauczy się rozpoznawać charakterystyczne cechy tekstów generowanych przez określony model, inny program potrafi zmienić ich styl, słownictwo i składnię. Naukowcy postanowili sprawdzić, czy można przerwać ten niekończący się wyścig między wykrywaniem a maskowaniem.

Dlaczego detektory AI nie nadążają za nowymi tekstami?

Tradycyjny detektor uczy się na zbiorach tekstów, których pochodzenie zostało wcześniej ustalone. Otrzymuje przykłady wypowiedzi ludzkich i maszynowych, a następnie szuka statystycznych różnic pomiędzy nimi. Problem pojawia się wtedy, gdy trafia na nowy model językowy, wcześniej nieznany sposób przeredagowania tekstu lub wypowiedzi znacznie odbiegające od materiału treningowego. Badacze nazywają to zmianą rozkładu danych, czyli sytuacją, w której rzeczywistość przestaje przypominać przykłady, na których program się uczył.

Zmiana może być celowa. Dostępne w internecie programy określane mianem „humanizerów” przerabiają treści z AI tak, by przypominały naturalną wypowiedź człowieka i omijały filtry detektorów. Można także wielokrotnie sprawdzać wygenerowany tekst i poprawiać go aż do uzyskania wyniku sugerującego ludzkie autorstwo. Kevin Ren opisuje tę sytuację jako ciągłe zmagania twórców narzędzi wykrywających AI z osobami szukającymi sposobów na ich obejście.

Nie każda zmiana języka jest jednak próbą oszustwa. Ludzie z czasem zaczynają inaczej pisać, korzystają z nowych określeń, zmieniają gatunki wypowiedzi i dostosowują styl do nowych sytuacji. Program nauczony starszych wzorców może mieć trudności także z prawdziwym tekstem człowieka. Nowe badanie dotyczy więc jednocześnie dwóch zagrożeń: niewykrywania materiałów sztucznie zamaskowanych i błędnego oceniania wypowiedzi ludzkich.

Nowa metoda MIT i Cornell uczy się już podczas działania

Zespół wykorzystał podejście określane jako test-time adaptation, w skrócie TTA, czyli dostosowywanie modelu w trakcie jego używania. W klasycznym rozwiązaniu detektor po zakończeniu treningu pozostaje zasadniczo niezmienny, dopóki jego twórcy nie przygotują kolejnej wersji. W metodzie badaczy system może dostosowywać swoje działanie do nowych tekstów napływających już po uruchomieniu. Nie wymaga to za każdym razem budowania od podstaw nowego zbioru oznaczonych przykładów.

Najważniejsza różnica polega na tym, że napływające teksty nie muszą mieć etykiety informującej, które napisał człowiek, a które wygenerowała maszyna. Badacze wykorzystują statystyczne prawidłowości w zbiorach takich nieoznaczonych danych i łączą je z wcześniejszą wiedzą detektora. Program może dzięki temu lepiej rozpoznawać zmieniające się wzorce pisania. Nie chodzi więc o znalezienie jednego słowa, znaku interpunkcyjnego czy stylu, który raz na zawsze zdradzałby AI, lecz o system stale dostosowujący swoje rozpoznawanie do nowych warunków.

W eksperymentach naukowcy stworzyli również teksty, które miały celowo wymknąć się dotychczasowym narzędziom. W porównaniu opisanym w pracy komercyjny detektor Pangram rozpoznał około 27 proc. tak przygotowanych materiałów maszynowych, podczas gdy metoda oparta na TTA wykryła 93,3 proc. W osobnym doświadczeniu, symulującym naturalne zmiany sposobu pisania, nowe podejście osiągnęło 85 proc. trafnych klasyfikacji wobec 73 proc. dla tradycyjnych metod.

Szczegółową metodologię autorzy opisali w pracy „Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift”. Pierwszą wersję udostępnili w czerwcu 2026 roku, a zaktualizowali w październiku. Badacze przeprowadzali eksperymenty między innymi na anglojęzycznych abstraktach prac naukowych oraz ich wersjach wytwarzanych przez modele językowe. Oczywiście nie oznacza to, że taka sama skuteczność zostanie osiągnięta przy dowolnym polskim wypracowaniu, artykule dziennikarskim czy powieści.

Wynik ponad 93 proc. nie oznacza pewności autorstwa

Liczby z eksperymentu są obiecujące, ale wymagają uważnej interpretacji. Wykrycie określonego odsetka tekstów maszynowych w zbiorze testowym nie jest równoznaczne z udowodnieniem, kto napisał konkretną pracę przedstawioną nauczycielowi lub redaktorowi. Na codzienny wynik mogą wpływać użyty model językowy, sposób obróbki tekstu, jego długość, język i rodzaj materiału. Znaczenie będą miały także pomyłki polegające na oznaczeniu ludzkiego tekstu jako maszynowego.

Sami autorzy badania zaznaczają, że przyszłe modele mogą tworzyć coraz bardziej naturalne wypowiedzi, a dostęp do tekstów o pewnym ludzkim pochodzeniu może się zmniejszać. W takich warunkach nawet system uczący się na bieżąco może napotkać ograniczenia.

W praktyce trzeba odróżnić trzy różne kwestie: wykrycie cech charakterystycznych dla generowania maszynowego, ustalenie zakresu wykorzystania AI oraz potwierdzenie rzeczywistego autorstwa. Model językowy może przygotować cały tekst, ale może też pomóc człowiekowi jedynie przy korekcie albo w uporządkowaniu argumentów. Sam detektor nie odtwarza historii dokumentu i nie wskazuje, na którym etapie pracy wykorzystano konkretne narzędzie.

Co nowe badania oznaczają dla szkół, redakcji i wydawców

Dla nauczycieli i redaktorów wyniki MIT są przede wszystkim informacją, że automatyczne narzędzia mogą stawać się bardziej odporne na próby maskowania maszynowego pochodzenia tekstu. Nie stanowią jednak zachęty do wydawania ostatecznych ocen wyłącznie na podstawie wyniku programu. Praktyczną analizę oznak widocznych w samym tekście, a także sposobów sprawdzania procesu jego powstawania, przedstawiliśmy wcześniej w artykule „Jak rozpoznać tekst napisany przez AI?”. Materiał ten przygotowaliśmy jako poradnik dla czytelników, podczas gdy badania MIT pozwalają lepiej zrozumieć, jak rozwija się technologia detekcji.

Stawkę sporu o wiarygodność takich narzędzi pokazała niedawno sprawa afrykańskiego pisarza Simbarashe Steyna Kundizezy, laureata Nagrody Caine’a. Organizatorzy sprawdzali pochodzenie jego nagrodzonego opowiadania i ostatecznie nie znaleźli dowodów wykorzystania generatywnej sztucznej inteligencji. Podstawą postępowania były między innymi metadane i dokumentacja procesu twórczego, nie sam wynik automatycznego detektora. Przypadek opisaliśmy w materiale „Czy pisarz musi udowodnić, że sam napisał opowiadanie?”.

Rozwój detektorów może być istotny także dla wydawców naukowych, rekruterów i specjalistów zajmujących się bezpieczeństwem cyfrowym. Zespół MIT i Cornell wskazuje na możliwość wykorzystywania ulepszonych metod w walce z oszustwami, phishingiem oraz masową produkcją treści mających manipulować wynikami wyszukiwania. To jednak potencjalne zastosowania technologii, a nie potwierdzenie, że system jest już gotowy do niezawodnej pracy w każdej z tych dziedzin. O wartości wyników przesądzą kolejne sprawdziany w warunkach innych niż laboratoryjne.

Nowe badanie MIT i Cornell nie kończy zatem sporu o granicę między tekstem człowieka a tekstem maszyny. Pokazuje raczej, że narzędzia wykrywające sztuczną inteligencję będą musiały zmieniać się równie szybko jak modele, które próbują rozpoznać. W świecie coraz powszechniejszej współpracy ludzi z AI pytanie o autorstwo obejmuje nie tylko statystyczne właściwości słów, lecz także odpowiedzialność za treść, źródła i sposób jej powstania. Tego ostatniego rozstrzygnięcia nie da się jeszcze powierzyć samemu programowi.

Sebastian Nizio

Materiał chroniony prawem autorskim. Dalsze rozpowszechnianie wyłącznie za zgodą wydawcy. 18 listopada 2026