Как понять, что текст написан нейросетью

Как проверить текст на нейросеть: сначала прочитать вслух и найти сбои ритма, затем потребовать источник к каждой цифре и только потом запускать детектор. Порядок именно такой, потому что сервис даёт вероятность, а не факт: классификатор OpenAI верно помечал 26% машинных текстов и ошибался на 9% человеческих, после чего его закрыли. Устойчивые признаки генерации — ровный ритм абзацев, симметричные списки и цифры без источника. А для попадания в ответы нейросетей важно не происхождение текста, а наличие в нём того, что вообще можно процитировать.

Алексей Малков

Основатель GEOAudit.org • GEO/SEO-стратег

150+ аудитов • 12 лет в digital • 100+ отзывов на фрилансе

Контент под AI AI-детекторы Редполитика

Профиль автора →

Машинный текст выдают не слова, а структура

Обычно ищут слова-маркеры: «в современном мире», «динамично развивающийся», «важно отметить». Они действительно встречаются чаще, но вычищаются первой же правкой — и признак исчезает. Устойчивее другое: ритм и устройство текста. Нейросеть выдаёт ровное полотно, где абзацы примерно одной длины, списки всегда по три пункта, а каждое утверждение одинаково уверенное и одинаково общее.

Вот семь признаков, по которым мы отсеиваем машинные черновики на первом чтении, ещё до всяких сервисов.

• Ровное дыхание. Абзацы по три-четыре предложения, ни одного короткого. Живой автор сбивается: то отступление, то реплика в одну строку.
• Симметричные списки. Всегда три пункта, все начинаются с глагола, все одной длины. У человека список кривой: два пункта в строку, третий на пять.
• Связки вместо мысли. «Кроме того», «также стоит учитывать», «важно понимать» в начале каждого второго абзаца. Уберите их — смысл не изменится.
• Цифры без адреса. «Исследования показывают», «около 70% компаний», «эксперты отмечают». Ни названия источника, ни года. Это не небрежность автора: модель воспроизводит форму факта, а не сам факт.
• Ноль своего опыта. В тексте нет ни одного наблюдения, которое нельзя получить, не выходя из чата, — ни клиента, ни замера, ни описанного провала.
• Ответ вообще, а не на этот вопрос. Статья про проверку договора подряда с тем же успехом объясняет, что такое договор. Вопрос узкий, ответ широкий.
• Финал-зеркало. Последний абзац пересказывает первый другими словами и не добавляет ничего нового.

Ни один признак по отдельности не улика. Человек, который пишет пятый текст за день по шаблону редакции, даёт ровно ту же картину. Улика — это сочетание: ровный ритм плюс отсутствие проверенных фактов.

Как проверить текст на нейросеть: три уровня проверки

Проверка распадается на три уровня, и они не равноценны. Самый популярный — прогнать текст через сервис — на практике самый слабый. Самый скучный — проверить факты — самый доказательный, потому что выдуманную цифру видно всем, а стилистику можно оспаривать бесконечно.

Первый уровень отвечает на вопрос «читается ли это как написанное человеком». Второй — на вопрос «можно ли это публиковать». Разница принципиальная: редактор проверяет не авторство, а пригодность. Задача редактуры вообще не в том, чтобы определять, кто держал клавиатуру, — а в том, чтобы решить, есть ли в тексте что-то, чего нет у всех остальных.

Факт-чекинг работает лучше стилистики по простой причине. Модель предсказывает следующее слово, а не сверяется с базой: она уверенно ставит правдоподобное число там, где нужно число. Спросите автора, откуда цифра. Живой человек назовёт отчёт, выгрузку или собственный замер. Машинный черновик на этом месте разваливается — источника нет и не было.

Порядок уровней важен не из педантизма, а ради экономии времени. Первый отсеивает половину черновиков за пять минут и не требует ни сервисов, ни оплаты. Второй занимает дольше, зато даёт формулировку, с которой можно вернуться автору: не «текст похож на машинный», а «в трёх абзацах цифры без источника, поправьте». Третий уровень справочный: он редко меняет решение, принятое на первых двух.

Детектор нейросети для текста показывает вероятность, а не факт

Все публичные детекторы устроены похоже. Они считают две вещи: перплексию — насколько предсказуемо каждое следующее слово, и разброс — насколько отличаются друг от друга соседние предложения по длине и сложности. Нейронная сеть по устройству выбирает вероятное продолжение, поэтому её текст ровнее и предсказуемее человеческого. Механику генерации мы разбирали отдельно в материале о том, что такое нейросеть простыми словами.

Проблема в том, что это статистика, а не улика. Аккуратный технический автор пишет предсказуемо. Переводной текст пишет предсказуемо. Инструкция пишется предсказуемо по определению.

Вторую сторону показало исследование Стэнфорда (Liang et al., 2023): детекторы систематически ошибаются на авторах, для которых английский неродной, — больше половины написанных людьми эссе TOEFL сервисы пометили как машинные. Мы узнали то же самое на собственных материалах: один и тот же абзац два разных сервиса оценили противоположно, от «человек» до «почти наверняка машина».

Есть и вторая причина не строить на детекторах рабочий процесс. Это гонка: сервис обучается на текстах текущих моделей, модели обновляются, и оценки прошлого квартала перестают работать на этом. Проверить текст на нейросеть с точностью до факта авторства сегодня нельзя ни одним публичным инструментом, и рассчитывать на скорое изменение не стоит.

Серый абзац — самый устойчивый признак машинного текста

Мы называем серым абзацем фрагмент, который можно без единой правки перенести в статью конкурента, и ничего не сломается. В нём нет ни одного утверждения, привязанного к автору: ни цифры со ссылкой, ни срока, ни имени инструмента, ни описанной ошибки.

Проверка занимает секунды. Подставьте вместо названия своей компании название чужой и перечитайте абзац. Если он остался таким же верным — это серый абзац, и он не работает ни на читателя, ни на поиск, ни на нейроответ. Генерация производит такие абзацы пачками, потому что модель по построению выдаёт усреднённое по корпусу, то есть то, что уже сказали все.

Обратная сторона удобная: серость лечится не стилистикой, а фактами. Одно предложение с проверенной цифрой, датой и источником делает абзац несерым сильнее, чем десять правок ритма. Это же основа доказательства опыта для моделей — подробнее в разборе E-E-A-T для AI-эпохи.

Может ли нейросеть узнать собственный текст

Вопрос, которого почти нет в топе, а спрашивают его постоянно: нельзя ли просто спросить у ChatGPT, писал ли он этот текст. Нельзя. Модель не хранит историю своих ответов и не помнит, что генерировала вчера. Ответ «да, это писал я» — такая же догадка, как и всё остальное, что она пишет.

Технически задача решается иначе — водяным знаком. В октябре 2024 года Google DeepMind открыла код SynthID Text: механизм слегка смещает вероятности при выборе слов, оставляя в тексте статистический след, который потом читается детектором. Ограничение принципиальное: знак ставит сам генератор. Текст другой модели, текст с включённым знаком, но переписанный руками, и текст, переведённый через третий сервис, SynthID не опознает. Публичного аналога для ChatGPT или российских моделей на август 2026 года мы не нашли.

Поисковые системы санкционируют бесполезность, а не способ производства

Это главное недоразумение вокруг темы. В феврале 2023 года Google Search Central опубликовала позицию по AI-контенту: оценивается качество результата, а не способ его создания. В марте 2024 года в спам-политику добавили формулировку scaled content abuse — массовое производство страниц без пользы для читателя, независимо от того, писал их человек или модель.

Яндекс пришёл к тому же раньше и с другой стороны: алгоритм Баден-Баден, запущенный в 2017 году, понижал переоптимизированные тексты задолго до появления генеративных моделей. Логика обеих систем одинаковая: наказывают не инструмент, а результат — страницу, которая ничего не добавляет к тому, что уже есть в выдаче.

Отсюда практический вывод, который экономит бюджеты. Вопрос «накажут ли нас за AI-текст» поставлен неверно. Правильный вопрос: «что на этой странице есть такого, чего нет на первых десяти?». Как модели вообще выбирают, кому верить, мы разбирали в материале об алгоритмах доверия AI.

Нейросети не цитируют текст, в котором нечего цитировать

Здесь тема выходит за пределы редактуры и становится вопросом видимости. Нейроответ собирается из фрагментов нескольких источников: модель ищет кусок, который можно взять целиком, — определение, цифру с датой, короткий однозначный ответ. Механику мы разбирали в материале о том, как работают нейроответы.

Серый абзац не берут никогда, и не из-за происхождения текста, а потому что ровно то же самое лежит у конкурентов, и выбрать источником могут любого. Именно поэтому GEO и SEO расходятся: в классическую выдачу Яндекса и Google усреднённая статья ещё попадает за счёт объёма и ссылок, а в ответ нейросети — нет, там цитируется конкретное утверждение. Что делает фрагмент цитируемым, разобрано в правилах цитируемости контента и в подробном руководстве о контенте, который цитируют нейросети.

Границу между GEO и SEO здесь видно особенно наглядно. Страница может стабильно держаться в топ-10 Яндекса по запросу и при этом ни разу не появиться в ответе Алисы по нему же: классический поиск ранжирует документ целиком, а нейроответ забирает фрагмент. GEO работает поверх SEO, а не вместо него — без индексации и доступа краулеров цитировать нечего, но одной индексации мало.

За 150+ аудитов я ни разу не видел сайта, который потерял видимость в нейроответах просто за то, что текст сгенерирован. Теряют по другой причине: страница ничего не утверждает. Модели нечего оттуда взять — ни цифры с источником, ни определения, ни ответа на конкретный вопрос. Детектор этого не покажет, а AI Visibility Score показывает на первом же прогоне: по запросу отвечают, вас не называют.

Алексей Малков

Основатель GEOAudit.org

Когда проверять текст на нейросеть не нужно

Проверка стоит времени, поэтому честно перечислим случаи, где она бесполезна или вредна.

• Служебные тексты. Описания характеристик, шаблонные карточки, спецификации. Там важна точность данных, а не авторская интонация; генерация под контролем редактора здесь нормальный инструмент.
• Тексты, которые не должны ранжироваться. Внутренние регламенты, инструкции для сотрудников, коммерческие предложения в почту. Их не видит ни поиск, ни нейросеть.
• Спор с исполнителем. Детектор не доказывает авторство, поэтому как аргумент в конфликте он не работает. Работает другое: попросите источники к цифрам и один абзац с личным опытом.
• Текст носителя темы. Врач, инженер или юрист часто пишет ровно и сухо, и сервис даст ему высокий процент. При этом такой текст для AI-видимости ценнее любого «живого» — в нём есть то, чего нет больше нигде.
• Когда решение уже принято. Если материал всё равно переписывается, проверка на авторство не добавит ни одного полезного действия.

Что делать с машинным черновиком: шесть правок

Генерация как черновик — рабочая практика, вопрос в том, что происходит дальше. Порядок правок, который мы используем сами и передаём редакциям клиентов.

1. Источник к каждой цифре. Название, организация, дата. Источника нет — цифра удаляется, а не смягчается словом «около».
2. Один факт, который знаете только вы. Замер, срок, цена ошибки, порядок работ, случай из практики. Это то, что превращает статью из пересказа в источник.
3. Сбить ритм. Короткое предложение после длинного. Отступление. Прямая формулировка вместо обтекаемой.
4. Убрать серые абзацы. Подставьте название конкурента: если абзац остался верным, он лишний.
5. Сделать первый абзац раздела самодостаточным. Именно его чаще всего забирают в нейроответ, и он должен читаться в отрыве от статьи.
6. Проверить заголовки. Заголовок-утверждение («детектор показывает вероятность») работает лучше заголовка-обещания («всё о детекторах»).

Чего делать не стоит — переписывать весь массив разом. Мы начинаем со страниц, по которым нейросети уже отвечают, но называют не вас: там правка окупается быстрее всего. Материалы, по которым запроса нет, можно оставить как есть — их не увидит ни поиск, ни модель, и время на редактуру уйдёт впустую.

FAQ