В прошлом обзоре я сравнивал шесть систем антиплагиата по шести критериям — и назвал детекцию ИИ-генерации одним из четырёх трендов, определяющих рынок. Тогда этому досталось три абзаца. С тех пор тема успела стать федеральной новостью: весной ложные срабатывания детекторов на студенческих работах разбирали в СМИ и Минобрнауки. Пора разобрать её так, как она того заслуживает, — отдельно и по существу.
Вопрос, который мне чаще всего задают после первой статьи, звучит просто: «плагиат на ИИ» — реальная категория или страшилка, и работает ли проверка текста на ИИ вообще? Короткий ответ: работает, только устроено это не так, как думает большинство. Разница между системами кроется в другом месте. Важно не «кто точнее ловит», важно при какой уверенности система вообще решается открыть рот. Вот про это и поговорим.
Что такое «плагиат на ИИ» и зачем антиплагиату отдельный детектор
Классический антиплагиат ищет заимствования — совпадения с существующими источниками. Текст, написанный ChatGPT, ни у кого не заимствован. Формально он оригинален, и обычная проверка покажет высокую уникальность. В поиске это называют «плагиат на ИИ», хотя строго говоря плагиатом оно не является — заимствовать не у кого. Поэтому у систем появился второй контур: антиплагиат на искусственный интеллект, или антиплагиат на наличие ИИ, — модуль, оценивающий вероятность того, что текст сгенерирован. Сегодня такой есть у всех заметных игроков. Различия кроются в устройстве и, главное, в настройке.
Как работает проверка текста на ИИ
Принцип я описывал в первой статье. Генеративная модель на каждом шаге выбирает наиболее вероятное следующее слово, а человек пишет менее предсказуемо. На этой статистической разнице и строится распознавание. Детектор — это классификатор, обученный на двух корпусах: тексты людей и тексты нейросетей.
Важно понимать, что выдаёт такой классификатор. Это не вердикт «сгенерировано или нет», а вероятность для документа или для каждого фрагмента. Всё остальное (пороги, подсветка, формулировки в отчёте) уже продуктовые решения поверх вероятности. Именно они определяют, сколько невиновных авторов система обвинит.
Дальше начинаются продуктовые развилки: показывать оценку по документу целиком или по фрагментам, с какого порога уверенности ставить пометку, как её называть и кто вправе снять. Для примера, в Руконтексте выбран фрагментный вариант: пометка ставится на конкретный кусок текста только при высокой уверенности модели, называется «подозрительным», а не «сгенерированным», и снимается вручную пользователем с ролью преподавателя или эксперта — устройство такого отчёта показано на ai.incontext.ru. У других систем эти же развилки решены иначе — об этом ниже.
Из заметного в этом же классе решений: попытка определить не только факт генерации, но и вероятный генератор — ChatGPT, DeepSeek или другую модель. У каждой нейросети есть статистический «почерк», и пока он различим, его можно классифицировать. Практическая ценность такой атрибуции пока скорее диагностическая.
Сравнение ИИ-детекторов: при какой уверенности система ставит пометку
Вот угол, под которым ИИ-детекторы почти никто не сравнивает, — а зря, потому что именно здесь зашита цена ошибки для пользователя. Но не могу обойти Turnitin помимо российских решений, как лидера мирового уровня.
Turnitin, мировой лидер, показывает долю ИИ в документе только от 20% и выше. Всё, что ниже, скрывается за звёздочкой. Компания сама признаёт, что в диапазоне 1–19% результаты статистически шумны и риск ложных срабатываний слишком велик. Заявленная частота ложноположительных составляет менее 1% на уровне документа. Формулировка из их же документации показательна: результат детекции — «сигнал для расследования, а не вердикт». Даже при такой осторожности часть университетов отключила детектор целиком, посчитав риск для студентов неприемлемым. Известный пример тут Вандербильт.
ИИ-детектор Руконтекст решает ту же дилемму на уровне фрагмента: пометка ставится только при высокой уверенности модели по конкретному куску текста, спорное не помечается, финальное решение — за человеком. Цифру точности компания опубликовала летом 2026 года: по данным внутреннего тестирования, на 8 000 проверенных научных статей пришлось одно ложное срабатывание. Как и у остальных, это заявление вендора без независимой верификации, но сам факт публикации цифры для российского рынка редкость. Обратная сторона консервативности та же, что у любого высокого порога: часть реальной генерации останется незамеченной. Стоит учитывать и то, что ИИ-детекция здесь — отдельная опция к проверке, а не базовая функция.
GigaCheck от Сбера — третья философия: бесплатный детектор оценивает текст целиком по преобладающему контенту, без пофрагментной разметки (интервальный поиск разработчики анонсировали как планы). Заявленная точность составляет 94,7% при ложных срабатываниях не более 1%. Независимых подтверждений этих цифр пока нет, а сторонние тесты энтузиастов показывали расхождения.
Три системы дают три разных ответа на один вопрос: что делать с неуверенностью. Прятать шумную зону (Turnitin), молчать до высокой уверенности по фрагменту (Руконтекст), выносить общую оценку по преобладанию (GigaCheck). Ни один из ответов не является абсолютно «правильным», но пользователю стоит знать, какой из них встроен в систему, через которую пройдёт его работа.
Проверка текста на ИИ на русском: что реально доступно
Почему язык обучающего корпуса вообще так важен, хорошо показало исследование Стэнфорда 2023 года (Liang et al., Patterns): семь популярных детекторов пометили как сгенерированные 61% эссе TOEFL, написанных людьми, для которых английский не родной. Детектор, обученный на одном языковом профиле, систематически ошибается на нетипичных для него текстах. Из той же эпохи и поучительная история классификатора OpenAI: собственный детектор создателей ChatGPT был закрыт через полгода после запуска, верно определяя лишь 26% сгенерированных текстов и ошибочно помечая 9% человеческих. Урок отрасль выучила: с тех пор все серьёзные игроки строят детекцию вокруг управления ложными срабатываниями, а не вокруг максимального «улова».
Теперь факт, который переворачивает привычную иерархию для русскоязычного пользователя. AI-детекция Turnitin поддерживает три языка: английский, испанский и японский. Русского в списке нет, то есть проверка текста на ИИ на русском мировому стандарту попросту недоступна. Это не оценка, а ограничение из их собственной документации.
Расклад по русскоязычной детекции выглядит так.
Антиплагиат.ВУЗ — детекция заявлена и работает в контуре де-факто стандарта госвузов. Про устройство отчёта скажу то же, что в первой статье: прозрачность не является сильной стороной системы (я оценивал её в 5.3/10), и к ИИ-модулю это относится в полной мере, так, например, пометку ИИ-генерации нельзя снять, а также в документе не отмечается где конкретно найден ИИ. Верифицировать логику срабатывания пользователю сложно.
Руконтекст — пофрагментная детекция с верифицируемым отчётом, доступна в том числе частным пользователям.
GigaCheck — бесплатный и русскоязычный по фокусу, но без фрагментов и вне академической инфраструктуры. Из нишевого: весной 2026-го детектор нового поколения анонсировал «Думейт» — сегмент учебных работ, посмотрим на публичные результаты.
Сводно — по тем трём вопросам, которые определяют цену ошибки:
| Система | Разметка | Русский язык | Кто снимает пометку | Доступ |
|---|---|---|---|---|
| Антиплагиат.ВУЗ | Общий показатель, без указания фрагментов | Да | Снять нельзя | Платно, есть демо |
| Руконтекст | По фрагментам, пометка при высокой уверенности | Да | Преподаватель / эксперт вручную | Платно, отдельная опция к проверке |
| GigaCheck | Оценка по преобладающему контенту, без фрагментов | Да | Нет отчёта в академическом смысле | Бесплатно |
| Turnitin | По фрагментам, показывает только от 20% | Нет | Решение за преподавателем | Платно, ограничения для РФ |
Отдельно — про бесплатные детекторы общего назначения, которые чаще всего и всплывают по запросу «ИИ-детекторы»: GPTZero, Isgen, детектор Текстовода. Для разовой самопроверки они годятся, но это инструменты вне академической инфраструктуры: без связки с проверкой на заимствования, без ролевой модели и без отчёта, который примет вуз.
Для задачи «проверка текста на ИИ и антиплагиат одновременно» — то есть в одном отчёте и заимствования, и генерация — выбор на российском рынке фактически сводится к двум академическим системам. Остальное даёт либо только детекцию, либо только заимствования.
Проверить диплом, реферат или эссе на ИИ: одна технология, разная цена ошибки
Частый вопрос из поиска: как проверить диплом на ИИ — и отличается ли эта проверка от реферата или эссе. Технически нет: во всех системах, что я разбирал, к любому типу документа применяется один и тот же детектор. Специфика не в алгоритме, а в последствиях.
Диплом. Ставка максимальная, ведь от результата зависит допуск к защите. Именно на дипломах весной и рвануло: когда чувствительность детектора не подкреплена запасом точности, цену платит студент. Отсюда практический совет: если ваш вуз использует систему без пофрагментной разметки, любой спорный процент требуйте разбирать по фрагментам с научным руководителем — «общая цифра» не может быть основанием для недопуска.
Реферат и курсовая. Проверка реферата на ИИ — задача масштаба: преподавателю физически не вычитать поток работ «с подозрением». Пофрагментная разметка экономит главное, время разбора: смотреть нужно не всю работу, а выделенные места.
Эссе и короткие тексты. Проверка эссе на ИИ — самый коварный случай: чем меньше текста, тем меньше статистики и тем шумнее оценка. Консервативно настроенная система на коротком тексте скорее промолчит. Это правильное поведение, но у него есть зеркальное следствие: отсутствие пометки на эссе значит меньше, чем на дипломе. Проверяющим стоит это понимать в обе стороны.
Насколько можно доверять ИИ-детекторам: честный предел метода
Повторю тезис, который приводил в первой статье, — он никуда не делся: по признанию самих разработчиков, через 1,5–2 года качество генерации вырастет настолько, что детекторы существенно потеряют в точности. Каждое поколение моделей пишет «человечнее», статистический почерк размывается, и детектор, обученный однажды, постепенно слепнет. Это не приговор технологии, а режим её существования: постоянное дообучение на свежих образцах против постоянного сглаживания признаков. Кто в этой гонке продержится дольше, решат данные, а не маркетинг.
Практический вывод для организаций: не стройте регламенты на предположении, что детектор — вечный и безошибочный источник истины. Стройте их на процедуре разбора: что означает срабатывание, кто принимает решение, как его оспорить. Инструменты будут меняться — процедура останется.
Пять вопросов вендору перед внедрением ИИ-детекции
Если вы выбираете систему для организации, эти вопросы сэкономят месяцы разочарований. Все они следуют из разобранного выше.
1. С какого порога уверенности система ставит пометку и публикует ли вендор частоту ложных срабатываний? Если цифр нет вообще, это само по себе ответ.
2. Размечаются ли конкретные фрагменты или выдаётся только общий процент? Спорное срабатывание без фрагментов невозможно ни подтвердить, ни оспорить.
3. Кто и как снимает ошибочную пометку? Роль, право, механика. Если снять пометку нельзя в принципе, цену всех ошибок алгоритма будут платить авторы.
4. На каком языковом корпусе обучена модель? Ответ «на всех языках» должен настораживать: как показал Стэнфорд, языковой профиль корпуса определяет, на чьих текстах детектор будет ошибаться.
5. Как часто модель дообучается на свежих образцах генерации? Детектор без регулярного дообучения устаревает за поколение нейросетей.
Частые вопросы
Может ли антиплагиат определить текст, написанный нейросетью? Да — современные академические системы включают детектор ИИ, который оценивает вероятность генерации. Но результат всегда вероятностный: корректные системы подают его как сигнал для проверки, а не как готовый вердикт.
Какой антиплагиат проверяет на ИИ на русском языке? Из разобранных: Антиплагиат.ВУЗ и Руконтекст (в составе академической проверки), GigaCheck (отдельный бесплатный детектор). AI-модуль Turnitin русский язык не поддерживает.
Что делать, если детектор ошибочно пометил мою работу? Требовать разбора по конкретным фрагментам, а не по общему проценту, — и выяснить, кто в вашей организации имеет право снять пометку. В системах с фрагментной разметкой спорное срабатывание оспаривается предметно.
Итог
ИИ-детекторы в антиплагиат-системах работают — в границах, которые честные разработчики сами и называют. Выбирая систему, смотрите не на обещанные проценты точности. Смотрите на три вещи: при какой уверенности система ставит пометку, можно ли верифицировать каждое срабатывание по фрагменту и кто имеет право финального решения. И последнее наблюдение, стратегическое. Международная издательская этика уже сместилась от вопроса «поймали или нет» к требованию раскрытия: позиция комитета COPE состоит в том, что нейросеть не может быть автором, а использование ИИ автор обязан декларировать. Детектор в этой логике проверяет не «грех», а полноту раскрытия. Похоже, туда же со временем придут и регламенты вузов, и тогда сегодняшние споры о процентах покажутся архаикой.
По этим трём вопросам расклад на российском рынке я привёл выше — а проверить его лучше способом, который я советовал и в прошлый раз: прогоните собственные документы через кандидатов. Любой обзор, включая этот, даёт ориентир, а не приговор.
