Проблема: гонка вооружений между генерацией и детекцией
Каждый день к нам в маркетинговое агентство Dragon Farm приходят клиенты с запросом «проверить, не сгенерирован ли этот текст нейросетью». За этим стоит понятное желание — защититься от потока «мусорного» контента и получить только живой, экспертный материал, которому можно доверять. И первое, что приходит в голову, — поставить на входе алгоритмического цербера. Но реальность такова: инструменты детекции AI-текстов не просто ненадёжны — они заводят в тупик всю систему оценки качества.
Детекторы ошибаются — и это непоправимый изъян
Давайте честно: сегодня не существует технологии, способной безошибочно отличить текст, написанный человеком, от сгенерированного языковой моделью. Яркий пример — внутренний эксперимент команды Medium. Они попросили Claude написать несколько абзацев о кошках, скопировали в сервис Pangram, и тот классифицировал текст как «человеческий».
«Я попросил Claude сгенерировать несколько абзацев о моих кошках и вставил их в Pangram — результат был определён как «написанный человеком»». — Зули @ Medium
Если даже эталонные модели ошибаются, что говорить о внедрении детекторов в рабочий конвейер? Мы получаем лишь иллюзию контроля: авторов обвиняют в неискренности без оснований, а «продвинутые» пользователи нейросетей за пару итераций подгоняют текст до тех пор, пока детектор не загорится зелёным. Борьба превращается в бесконечную гонку алгоритмов, которая не имеет ничего общего с настоящей ценностью — доверием.
Что на самом деле хочет читатель (и заказчик): доверие, а не метка
Когда клиент или читатель спрашивает: «Это написано ИИ?», он на самом деле задаёт другой вопрос: «Могу ли я этому доверять?». Подмена понятий здесь критична. Нам не нужна бинарная метка «AI / не AI» — нам нужна гарантия, что материал а) основан на реальном опыте, б) прошёл осмысленную редактуру, в) несёт ценность, а не просто занимает место в поисковой выдаче. В настройке сквозной аналитики и лидгена мы уже давно отошли от слепого доверия автоматическим классификаторам: только связка «человеческая гипотеза + данные» даёт прозрачную картину качества.
Кейс Medium: отказ от детекторов в пользу эры курирования
Платформа Medium отказалась от инвестиций в AI-детекцию принципиально. Их аргумент — машины не умеют определять, хороший перед ними текст или нет. Вместо этого они строят «эру курирования»: более 75% историй в средней ленте пользователя попадают туда, потому что их порекомендовал другой человек. Такой подход снимает токсичную гонку за «процентом человечности» и возвращает фокус на то, ради чего всё затевалось: на читателя и его готовность позволить тексту изменить себя — в большом или малом.
Мы в Dragons Lab пришли к аналогичному выводу, когда выстраивали конвейер обработки лидов и контента для b2b-проектов. Никакой детектор не скажет вам, готов ли этот лид к покупке или насколько точно статья отвечает на реальную боль клиента. Зато это может сделать грамотно спроектированная система, где рутинные операции отданы алгоритмам, а финальное решение остаётся за человеком.
Как мы строим доверие без поиска «машинного следа»: практика Dragons Lab
Мы не пытаемся вычислить, написана ли строчка ChatGPT или живым экспертом. Вместо этого мы внедряем многоуровневую фильтрацию, где ключевой фильтр — человеческая экспертиза, усиленная автоматизацией. Например, при работе с контентом и лидами мы подключаем внедрение ИИ-агентов и n8n воркфлоу, которые забирают на себя первичный сбор, агрегацию данных и триггеры. Но окончательное решение — публиковать, отправлять в диалог, масштабировать — всегда остаётся за редактором или маркетологом. Такой подход убивает двух зайцев: скорость и качество не конфликтуют, а читатель получает материал, который прошёл живой фильтр — и потому заслуживает доверия.
Пишите для людей, а не для машин
Контент начал страдать задолго до появления генеративных нейросетей. Сначала мы подстраивали тексты под SEO-краулеров, потом — под алгоритмы виральности в соцсетях, а теперь — под ИИ-детекторы. Каждый такой виток уводил нас дальше от главного адресата — живого человека. Наш опыт работы с автоматизацией показывает: как только вы перестаёте бояться быть «недостаточно органичными» и фокусируетесь на реальной ценности, необходимость в детекторах отпадает сама собой. Доверие не вычисляется алгоритмами — оно выращивается последовательной экспертизой и прозрачностью процессов.
Итог: будущее не за совершенствованием детекции AI-текстов, а за созданием экосистем, где человек курирует, а машина помогает. Так мы и строим доверие — без бесконечной охоты на «машинный след».
