12 маркеров AI-текста: как редактор отличает машину от автора
Неделю назад я отказала кандидату на позицию журналиста. Текст был грамотным, структурированным. Три аргумента в каждом блоке. Каждое предложение логично вытекало из предыдущего.
Написала «спасибо, не подходите».
Мы в Рерайт-Заводе делаем AI-систему для региональных СМИ – каждый день видим, как модели генерят текст. За два года у меня сложился чек-лист из 12 маркеров, по которым машинный текст виден быстрее любого детектора.
Почему модели пишут узнаваемо
Языковая модель выбирает каждое следующее слово статистически – какое наиболее вероятно после предыдущего. Отсюда устойчивые паттерны, которые повторяются независимо от темы.
Исследование PNAS (Reinhart et al., 2025) показало: причастные обороты у LLM встречаются в 2–5 раз чаще, чем у людей. Номинализации – в 1,5-2 раза чаще. Классификатор на этих признаках различал тексты с точностью 66% при базовом уровне 14%.
И вот что обидно: дообучение разрыв усиливает. Чем послушнее модель, тем заметнее её стиль.
Откуда берётся подхалимаж
RLHF – процесс, в котором модель учится генерировать ответы, за которые ставят лайки. Аннотаторам нравилась лесть. Модель это выучила.
В апреле 2025 OpenAI откатила обновление GPT-4o. Модель одобряла бизнес-идею «дерьма на палочке в стеклянной баночке» и поддерживала отказ от лекарств. Слишком старалась понравиться.
В тексте это выглядит как «важно отметить», «стоит учитывать», «нельзя не заметить» – оговорки, которые ничего не добавляют, зато страхуют от thumbs-down.
12 маркеров
- Деепричастные цепочки – «обеспечивая рост, привлекая инвесторов и создавая места» в одном предложении.
- «Служит основой», «представляет собой» вместо простого «это»
Все перечисления ровно из трёх элементов. - Synonym cycling – один человек назван «редактор», «специалист», «профессионал» за три предложения.
- «Важно отметить» по несколько раз за абзац.
- Промо-регистр – «уникальный», «потрясающий», «в самом сердце».
- Кальки с английского – «играет ключевую роль» (plays a pivotal role).
- Em dash каждые 100 слов (GPT-4.1: 10,62 на 1000 слов, человек: 3,23).
- «Мы говорим не о проблеме, мы говорим о возможности» – negative parallelism.
- Предложения одинаковой длины без перепадов.
- Идеальные переходы между каждым предложением.
- Дидактический тон – «давайте рассмотрим», «необходимо понимать».
Почему детекторы бесполезны
Pudasaini et al. (Arxiv, 2026) показало: in-domain F1 = 96,94. Cross-domain F1 = 67,23. При новой модели – ложноотрицательные ~60%. Binoculars заявлял точность 90%+, независимая проверка дала 43%.
Детекторы тренируются на вчерашних моделях. Зато люди, которые сами часто работают с ChatGPT, определяют AI-текст с точностью ~90% (MIT, Kishnani, 2025). Через неделю с чек-листом начинаешь видеть маркеры без списка.
Лена Богданова, Рерайт-Завод
Статья написана с помощью AI-системы «Рерайт-Завод»
Комментарии