Я пользуюсь ИИ при написании текстов. Честно говоря, не считаю это чем-то плохим, потому что, по моему мнению, главное — это то, ради чего текст пишется: если читатель узнал что-то новое, то цель достигнута. Но, к сожалению, статья, написанная ИИ, выглядит скучной, гладкой и, несмотря на любую идею внутри, вызывает у читателя отторжение. Поэтому сегодня в этой теме я задался вопросом, какие паттерны говорят о том, что текст писал ИИ, а не человек, и почему человеку эти паттерны не нравятся?

Всё это, конечно, субъективно. Например, я определяю по ощущениям: где-то к третьему абзацу статьи просто понимаю, что это писал ИИ. Вежливый «ЧатГПТ», брызжущий метафорами (чаще поверхностными) «Дипсик», логичный до наивности «Клод», оптимистичный «Грок» — разницы нет. ИИ и всё.

Итак, сегодня моя цель формализовать паттерны среднего чистого (без промптов) ИИ и сделать промпт, который позволит определить то, насколько заданный текст похож на творчество ИИ. Почему не определить автора? Потому что я знаю людей, которые пишут, как ЧатГПТ-мини: реально гладкий, поверхностный текст, никаких резких поворотов и углублений. И знаю, как может писать ИИ под хорошим промптом. Так что давайте я просто попытаюсь определить наиболее распространенные паттерны моделей, которые можно выделить в тексте.

Первый паттерн я уже назвал — гладкость. Что будет значить гладкость в терминах ИИ? Это единый стиль во всём тексте, одинаковая смысловая плотность, идеальная сквозная структура как в целом в статье, так и в каждом абзаце. Рассказ идет точно по рельсам, нет резких поворотов, отклонений от темы, озарений. Каждое предложение выглядит как близнец любого другого (есть вариант, когда человек переписывает разговорным языком сам или с помощью промптов статьи авторства ИИ, это обманывает ИИ-чекер, но, например, я все равно чувствую, что результат не поменялся). 

Пример: Искусственный интеллект представляет собой революционную технологию современности. Данная область науки активно развивается и находит применение в различных сферах деятельности человека. Специалисты отмечают значительный потенциал ИИ для оптимизации бизнес-процессов. Компании внедряют AI-решения для повышения эффективности работы.

Следующий паттерн — поверхностность. Общее мнение — ИИ не способен придумать что-то новое (учитывая, что речь идёт о среднем ИИ, я с этим соглашусь). Модели очень хорошо делают обзоры всего, но вот с углублением всегда возникают проблемы. У ИИ нет собственного опыта, они не знают нюансов конкретных вещей, поэтому держите обтекаемые фразы из базы знаний или быстрого гуглежа (бывает и разбавление небольшими галлюцинациями). Модели компилируют, а не исследуют. От них не приходится ждать неожиданного взгляда на известную проблему, размышлений над внезапно возникшим парадоксом или нового применения известного инструмента.

Пример: Для успешной разработки программного обеспечения необходимо учитывать множество факторов. Важно правильно выбрать технологический стек, обеспечить качественное тестирование и следовать принципам чистого кода. Команда разработчиков должна эффективно взаимодействовать и использовать современные методологии разработки.

Ну и куда же без эмоций. Смайлики — это не эмоции. Эмоции человека идут сквозь текст, чего не понимает средний ИИ. Шаблоны «эмоциональных» оговорок или смайликов, равномерно распределенных по тексту, сразу вызывают настороженность. Использование клише, к месту или нет, тоже весьма однородно. Отсутствие спонтанности по тексту, неожиданных подробностей или внезапного увлечения автора каким-либо интересным вопросом — тоже паттерн модели. Нет явных речевых привычек. Например, я, к месту или нет, начинаю мысль со слова «забавно…». Модели, кстати, тоже подхватывают эту привычку.

Пример: Разработка — это увлекательный процесс! ? Каждый день приносит новые вызовы и возможности для роста. Конечно, иногда бывают сложности, но именно они делают нашу работу интересной. ✨ Важно сохранять позитивный настрой и не бояться экспериментировать! ?

Отсутствие категоричности. ИИ откровенно избегает высказывания однозначного мнения по практически любому вопросу. Они используют «возможно», «скорее всего», «вероятно» и так далее. Тогда как человек-автор, рассказывающий о любимой теме, не остановится перед провокационным заявлением типа: «я один знаю, а вы ничего не понимаете». Ну или помягче: «я уверен в том, что этот метод на сегодня лучший».

Пример: Можно предположить, что использование микросервисов может быть полезным для масштабируемых приложений. Возможно, стоит рассмотреть данный подход, хотя следует учитывать потенциальные сложности. Вероятно, решение зависит от конкретных требований проекта.

Я не буду останавливаться и вообще рассматривать признаки типа длинных тире, нумерованных списков, структуры текста, потому что использование ИИ для проверки грамматики, орфографии, подготовки плана статьи, это не просто нормально, а должно рассматриваться как необходимая помощь. Мы же, в конце-концов, живем не в двадцатом веке.

В силу особенностей развития ИИ, часто текст формируется на английском языке, а затем модель переводит его на русский. При этом модель регулярно создаёт прямую кальку с английского языка, например, «Then it hit me for the first time» нормально для англоязычных, но перевод на русский «Тогда меня в первый раз ударило», вместо «Тогда я впервые понял», говорит о лени автора. Кроме того, обрывистые фразы, смена порядка слов — всё это читателя раздражает. Иногда даже не получается внятно объяснить, почему статья не нравится. Тем не менее, я не стал включать анализ англоязычных паттернов в промпт, потому что первая же статья айтишника сломала все метрики. Такое ощущение, что люди уже думают на английском. Хотя иногда полезно исследовать на эти паттерны менее специфичные тексты.

Есть тексты, которые сложно анализировать. В первую очередь, это научные статьи. Ученых с аспирантуры учат пореже высказывать категорические суждения, следить за ясностью изложения, говорить принятым в их среде отстраненным языком. В этом случае единственным фактором будет являться глубина. Поверхностная компиляция — основной признак ИИ паттерна.

Бывают проблемы с эмоциональными паттернами. Модель, исследовавшая несколько статей подряд, которые начинались с «Привет Хабр!» внезапно занесла это приветствие в список штампов и люто заминусовала авторов. Вообще якорение модели (учет предыдущего контекста) иногда создаёт проблемы. После невероятно нудной и длинной статьи  с показателем похожести на паттерны ИИ в 95%, модель уверенно занизила оценку всем последующим текстам. Полагаю, что в качестве мести за то, что ей пришлось анализировать. Поэтому советую использовать этот промпт в новой сессии/чате.

В соответствии с промптом модель анализирует текст и его архитектуру, статистику длины предложений, частоту слов типа «возможно»/«вероятно», плотность терминологии, наличие личных маркеров («я думаю», «мой опыт») и эмоциональных всплесков. Например, если в тексте все абзацы примерно одинаковой длины, а соотношение утверждений к предположениям меньше 1:3 — это минус. Промпт также отслеживает колебания изложения: есть ли места, где автор явно увлекся темой и углубился непропорционально, или везде одинаковая вежливая дистанция.

Я решил, что приведение примеров использования этого промпта на статьях «Хабра» без разрешения будет несколько неэтично. Но хочу сказать, что топ пять статей за неделю в хабе «Искусственный интеллект» набрали от 10% до 30% похожести на средний ИИ, тогда как у набравших от -2 до +10 лайков статей показатель колебался от 35% до 95% (но 95%, конечно, был индивидуальным пиком). Из тех, кто ответил в личных сообщениях на мою просьбу прокомментировать анализ их статей на «Хабре», 100% согласились с оценкой, которую сделал промпт. 

К счастью, уважаемый Александр @Myskat_90 разрешил мне выложить анализ его статьи «Распределённый инференс и шардирование LLM. Часть 1: настройка GPU, проброс в Proxmox и настройка Kubernetes», так что желающие могут перейти по ссылке.

Уверен, что при желании можно промптами избежать высокого процента ИИшности для статьи, подготовленной ИИ. Также можно по результатам исправить и свою собственную статью, и я уверен в том, что это сделает текст интереснее. 

И обязательная оговорка: этот промпт не определяет автора — хороший сгенерированный текст получит низкий процент совпадения со средним ИИ, и есть основания полагать, что он понравится читателям. Плохой человеческий текст вполне вероятно будет охарактеризован как похожий на ИИ текст, и, скорее всего, высоких оценок не получит. Разброс оценок в зависимости от модели и сессии может достигать 15%.

Сам промпт ниже. Он откалиброван на Claude 4.0, но работает на всех моделях. Вставляете промпт в новом чате, следующим сообщением текст статьи или ссылку (зависит от возможностей модели) и просите проанализировать её, используя этот промпт.

Новости, обзоры продуктов и конкурсы от команды Timeweb.Cloud — в нашем Telegram-канале ↩

? Читайте также:

• ➤ Топ-100 нейросетей для генерации текста, кода, изображений, видео и аудио

• ➤ Галлюцинации моделей текстовых ИИ, и как с ними бороться

• ➤ Нейро-дайджест: ключевые события мира AI за 4-ю неделю мая 2025

• ➤ Лучшие нейросети для написания кода и программирования

• ➤ Всё ещё ищете толкового ассистента? Наймите нейросеть! Разбор возможностей нейропомощников