Как отличить текст, написанный нейросетью: 80 признаков

92,4% маркетологов уже используют нейросети где-то в работе над контентом. А доля блогов, которые приносят сильный результат, за тот же год упала до минимума за двенадцать лет наблюдений. Эти две цифры взяты из одного опроса, и вместе они говорят об одном. Рынок залит машинным текстом, и доверие к нему тает быстрее, чем принято думать. Я собрал три независимых источника, которые показывают это с разных сторон, и дальше покажу, что с этим делать, кроме наивного «отключите ИИ вообще». Заодно покажу, как отличить текст, написанный нейросетью, по набору признаков, которые складываются в кластер.

Я разбираю такие сдвиги рынка по мере того, как они происходят, в своём Telegram-канале «The Maslov». Если хотите получать разборы связок, нейросетей и лидогенерации без воды, оставайтесь на связи там.

Что показал опрос Orbit Media: 92,4% на ИИ и худший результат за 12 лет

Почти все, кто ведёт блог, уже подключили нейросети, но лучше от этого не стало. По данным ежегодного опроса Orbit Media (1042 контент-маркетолога), 92,4% используют ИИ где-то в процессе, а сильный результат от своего блога получают только около 14%. Это на шесть пунктов ниже прежнего двенадцатилетнего минимума, хотя раньше показатель годами держался в коридоре от 20 до 30%.

Самое неприятное в этих цифрах даже не сам провал по результату. Куда сильнее настораживает то, что успех вообще никак не связан с использованием ИИ. У тех, кто пишет с нейросетью, и у тех, кто пишет без неё, доля сильных результатов почти совпадает. То есть подключение инструмента само по себе ничего не улучшило.

Ещё один тревожный сигнал того же опроса. Целых 18% ответили, что вообще не знают, работает ли их блог, и это рекордный рост неопределённости, потому что раньше так отвечали от 9 до 14%. Почти каждый пятый автор больше не понимает, приносит ли его работа хоть какой-то результат. ИИ ускорил производство и одновременно размыл ощущение, что вся эта работа вообще на что-то влияет.

Что на самом деле делают читатели, заподозрив нейросеть

Читатель не пишет автору гневный комментарий, он просто молча уходит и запоминает автора. В независимом опросе 668 читателей технических блогов 78% признались, что закрывают статью в ту секунду, когда чувствуют за текстом нейросеть. А 71% после этого впредь избегают автора. Выборка тут не репрезентативная, вызвались в основном разработчики и читатели тех-блогов, поэтому цифру честнее читать как настроение активной аудитории, а не как средний показатель по всем людям. Но настроение это красноречивое.

Посмотрите на последнюю строку. 98% опрошенных выбрали несовершенный, но живой человеческий текст вместо гладко отполированной машинной версии. Люди готовы простить автору шероховатость, опечатку и неровный ритм, но не готовы прощать ощущение, что их читают роботом и за них не потрудились. Реакция оказывается сильнее, чем думает автор, который надеется, что «никто не заметит».

Как чек-лист «Слопотрон» находит 80 признаков машинного текста

«Слопотрон» проверяет текст примерно по восьмидесяти маркерам машинного письма и раскладывает их по категориям. Открытый чек-лист с таким названием собрал российский разработчик, и внутри он устроен как набор проверок по типографике, по словам-маркерам, по фразам-шаблонам, по структуре и по стилистике. Идея простая. Машина пишет узнаваемо, и эти узнаваемые следы можно перечислить и найти.

Одна оговорка в этом инструменте важнее всех остальных, и я вынесу её отдельно, потому что именно её чаще всего игнорируют.

Такой подход защищает от глупой охоты на ведьм. Живой человек тоже иногда напишет «является» или начнёт абзац с «однако», и это ещё не приговор. А вот когда в одном абзаце сходятся канцелярит, ложная антитеза, восторженный тон и тройное перечисление разом, текст выдаёт себя.

Как раз тем, чтобы автор не растерял доверие читателя, я и занимаюсь каждый день. В моём Telegram-канале «The Maslov» я разбираю нейросети и лидогенерацию с готовыми решениями и без воды. Если тема отозвалась, загляните туда.

Пять типов признаков, которые встречаются чаще всего

Чтобы отличить текст, написанный нейросетью, не нужно держать в голове все восемьдесят пунктов, потому что за ними прячется пять понятных семейств, и запомнить руками стоит именно их. Полный перечень проверок в памяти всё равно не удержать, зато пять категорий укладываются легко и работают как быстрый фильтр на первом же чтении.

1. Канцелярит. Слова вроде «является», «осуществлять», «обеспечивать», «в рамках». Живая речь обходится почти без них, зато машина тянет их пачками.
2. Нейротропы. Характерные шаблоны генерации: «активно использует», ложные антитезы вида «это не просто X, а целый Y», негативный параллелизм «не только, но и».
3. Утечки чат-формата. Остатки диалога с моделью, которые забыли вычистить. «Отличный вопрос!», «Надеюсь, это было полезно», «на момент моего обучения».
4. Ложная авторитетность без источника. «Эксперты считают», «исследования показывают», а какие именно эксперты и исследования, не сказано ни разу.
5. Пустая гладкость. Грамматически безупречный текст, за которым нет ни одной живой мысли, много слов и ноль конкретики.

Отдельно к тому же семейству добавляют признаки от редакторов Википедии, которые составили свой список независимо. Там ловят избыточный символизм, когда любое место «захватывающее», а любое явление «величественное», клише-переходы «в заключение» и «в целом», а ещё правило трёх, когда характеристики зачем-то всегда идут тройками. То же самое происходит и с картинками, и я отдельно разбирал, как отличить ИИ-изображение от настоящего фото. Там признаки другие, а логика та же, машина оставляет узнаваемый след.

Мой подход: ИИ-ускоритель вместо AI-конвейера

ИИ у меня работает как турбина, но за рулём остаётся человек. Мой принцип в работе с нейросетями звучит так. Не заменяем человека, а разгоняем его. Мне ближе образ костюма Тони Старка, где ИИ даёт добавленную мощность рукам и голове, а методологию, контроль и вкус приносит человек внутри костюма. Стоит вынуть человека, и остаётся дорогая пустая броня, которая красиво генерирует шлак.

Отсюда моё второе правило. Меньше магии, больше метрик. Любой новый инструмент я прогоняю по короткому чек-листу, прежде чем пустить его в работу. Сколько рутины он реально снимает, какие у него риски галлюцинаций, как я проверяю то, что он выдал.

Если инструмент не даёт денег, скорости или качества, он идёт в архив, а не на обложку. Это сборка под задачу, а не под хайп.

Разница между этим подходом и голым AI-конвейером простая, и заключается она в том, что решение «что и зачем писать» остаётся за человеком, а машине достаётся черновик и рутина. Как именно я собираю статьи с таким контролем, я показывал в отдельном разборе про свой контент-конвейер.

Значит ли одно канцелярское слово, что текст точно писала нейросеть

Нет, одно слово ещё ничего не значит. Если вы нашли в своём тексте «является» и запаниковали, выдохните. Ровно об этом и говорит главное правило «Слопотрона». Сигнал появляется не от отдельного слова, его создаёт плотность машинных следов на небольшом участке текста.

Живой автор с образованием и привычкой к длинным текстам легко напишет и «однако», и «в рамках», и тройное перечисление, и это будет нормальный человеческий текст. Проблема начинается там, где таких маркеров становится много и они идут подряд, абзац за абзацем, без единой живой мысли между ними. Поэтому не гоняйтесь за отдельными словами с линейкой. Смотрите на картину целиком, на то, есть ли за текстом конкретика, опыт и своя позиция, или там одна ровная гладкая пустота.

Почему читателей раздражает даже живой текст, похожий на ИИ

Обвинение в ИИ сегодня летит даже в тех, кто написал текст сам, руками. Академическое исследование разобрало около 25 миллионов комментариев на Hacker News и Reddit за несколько лет и увидело, что доля обвинений в машинном шлаке выросла больше чем в десять раз. Люди начали подозревать нейросеть буквально везде, и упрёк «да это же сгенерено» превратился в удобный способ обесценить чужую работу, даже когда доказательств нет никаких.

Для автора это ловушка. Мало того что машинный текст читатель наказывает, так ещё и живой текст, если он случайно похож на машинный, ловит ту же реакцию. Гладкий безличный слог, ровный ритм, восторженные прилагательные и отсутствие конкретных деталей теперь читаются как красный флаг, и неважно, кто на самом деле сидел за клавиатурой. Отсюда практический вывод. Писать по-человечески теперь нужно и ради себя, и чтобы вас не приняли за робота по ошибке.

Накажет ли Google за AI-контент и почему это не главный вопрос

Поисковику почти всё равно, кто написал текст, а вот читателю нет. По данным Ahrefs, которые разобрали около 600 тысяч страниц, 86,5% страниц из топа выдачи содержат тот или иной AI-контент, а связь между долей машинного текста и позицией в поиске составляет 0,011. Это статистически почти ноль. Google давно сместил акцент с «написано людьми» на «написано для людей» и наказывает за низкое качество, а не за способ создания.

Многие на этом успокаиваются и делают неверный ход. Раз алгоритму всё равно, значит можно лить машинный текст потоком. Но алгоритм и читатель играют в разные игры. Свежий разбор показал, как ферма из сотен тысяч машинных страниц какое-то время заставляла ИИ-поисковик цитировать себя наравне с надёжными сайтами, и чем такой урок оборачивается для автоблога на конвейере, я разбирал отдельно. Обмануть алгоритм на короткой дистанции ещё можно, а вот доверие живого человека так не обманешь.

Что реально спасает результаты блога, если не отказ от ИИ

Спасает то, что невозможно поставить на поток, и отказ от нейросети тут ни при чём. Тот же опрос Orbit Media показал, какие практики сильнее всего связаны с сильным результатом, и все они держатся на живом человеке. Я свёл три самые сильные из них в короткую таблицу, а ниже разберу, что у этих практик общего.

Что объединяет эти три практики. Их невозможно сгенерировать одной кнопкой. Сотрудничество нужно выстроить с живым человеком, исследование провести самому, редактуру посадить и вычитать текст глазами. Именно эту ручную, непоточную работу AI-конвейер выкидывает первой, потому что она медленная и дорогая, и именно она даёт отличимость от миллионов одинаковых машинных статей.

Есть ещё одно наблюдение из моего опыта работы с нейросетями. Применимость всего контента про нейросети к реальным рабочим задачам меньше десяти процентов. Готовый промпт или шаблон почти никогда не работает без адаптации под конкретную задачу, потому что за пределами красивого урока задачи всегда свои. Так что ценность не в том, что вы подключили ИИ, а в том, что вы вложили сверху своё.

Как проверить свой текст перед публикацией: короткий чек-лист

Три проверки за пять минут отсекают большую часть машинного привкуса, и это тот минимум, который стоит делать перед каждой публикацией. Не нужно прогонять текст через восемьдесят пунктов вручную, достаточно трёх понятных шагов перед тем, как нажать «опубликовать». Дальше я разложу каждый шаг по порядку, чтобы вы могли повторить проверку на своём тексте.

1. Ищите кластер, а не слово. Пройдитесь по абзацам и отметьте те, где на маленьком участке сошлись сразу несколько маркеров, канцелярит, ложная антитеза, восторженные прилагательные и перечисления тройками. Один такой абзац перепишите руками целиком.
2. Прочитайте вслух ключевые куски. Заголовок, первый абзац и финал. Если фраза звучит так, что живой человек так не скажет, перепишите её проще и добавьте конкретики, цифру, пример, деталь из опыта.
3. Проверьте источник каждой цифры. Любое «эксперты считают» и «исследования показывают» либо превращаете в конкретную ссылку на конкретные данные, либо убираете. Пустая авторитетность выдаёт машину сильнее всего.

Если нужен более технический разбор проверки текста на оригинальность и следы ИИ, я собирал его в отдельной статье про антиплагиат для AI-текстов. А главный принцип остаётся прежним. Нейросеть отлично разгоняет черновик и рутину, но доверие читателя рождается там, где в текст вложился живой человек.

Если хотите разбирать такие темы вместе и не пропускать свежие данные, дальше нам по пути в моём Telegram-канале «The Maslov».