GPTZero определяет, написан ли текст с помощью ChatGPT, Claude, Gemini или другой модели, показывает результат по предложениям и воспроизводит процесс работы над документом Google, чтобы решение опиралось на совокупность признаков, а не на один балл.
Пользовались этим инструментом? Оцените его
Пользовались этим инструментом? Оцените его
GPTZero — это инструмент, который определяет, был ли текст написан большой языковой моделью. Официальный сайт представляет продукт как детектор искусственного интеллекта, созданный ради того, чтобы сохранить человеческое. Вопрос выглядит простым: писал человек или машина? Но у этого вопроса нет однозначного ответа. Детектор всегда выдаёт вероятностное суждение, а не заключение экспертизы. Признание этого факта — необходимое условие разумного использования подобных инструментов.
Этот материал написан для тех, кому предстоит принимать решение после того, как на экране появилась цифра: для преподавателя, глядящего на отмеченную работу, для редактора, решающего судьбу заказанного текста, для рекрутера, читающего сопроводительное письмо, и для студента, которому нужно доказать, что работу он писал сам.
GPTZero — это веб-детектор текстов, созданных искусственным интеллектом. Вы вставляете текст или загружаете файл, а сервис возвращает вероятность машинного происхождения содержимого вместе с подсветкой тех фрагментов, которые привели к такому выводу. Продукт появился в начале 2023 года, ровно тогда, когда учебные заведения спешно искали ответ на распространение чат-ассистентов, и быстро стал одним из самых узнаваемых имён в своей категории.
Сайт прямо указывает на распознавание материалов, созданных ведущими моделями рынка, то есть охват нацелен не на одного поставщика, а на всю основную коммерческую экосистему. Это важнее, чем кажется на первый взгляд. Ранние детекторы часто настраивались под одно семейство моделей, и их точность рушилась, стоило пользователю перейти к другому ассистенту. Поддерживать охват сразу нескольких конкурирующих семейств — это непрерывная работа, а не однократное инженерное достижение, поскольку каждый новый выпуск модели смещает тот статистический отпечаток, который ищет детектор.
Продукт вырос из университетского проекта. Его создал Эдвард Тянь, выпускник Принстона, начав с дипломной работы; затем проект превратился в компанию, привлёкшую 3,5 миллиона долларов посевных инвестиций и 10 миллионов долларов раунда A в июне 2024 года. Такая траектория необычна для этой ниши и отчасти объясняет, почему инструмент выглядит более отточенным и глубже интегрированным, чем большинство бесплатных детекторов того же периода.
В июне 2026 года компания Superhuman объявила о приобретении GPTZero; условия сделки не раскрывались, а публикации того времени называли более 19 миллионов зарегистрированных пользователей и около 30 миллионов долларов регулярной годовой выручки. На момент подготовки этого текста сервис продолжает работать на собственном домене, страницы продукта, тарифный сценарий и документация сохранены, поэтому сделку сейчас следует читать как смену собственника, а не как сворачивание услуги. Тем, кто планирует многолетнее внедрение в организации, всё же стоит следить за тем, как продукт позиционируется внутри новой материнской компании.
Скажем честно: GPTZero не решает задачу «поймать списывающего». Он решает более узкую задачу — показывает, что текст статистически обладает признаками машинного происхождения, и передаёт проверяющему структурированный набор зацепок. Должна ли эта зацепка менять чьё-либо решение, остаётся вопросом человеческого суждения, и разработчик говорит об этом прямо.
Основной результат — общая вероятность вместе с подсвеченным текстом. Внутри используется сквозной подход глубокого обучения, обученный на текстах из интернета, из образовательной среды и на материалах, порождённых рядом больших языковых моделей, а на выходе выдаётся классификация по предложениям, а не один непрозрачный вердикт. Практическая польза такой детализации очевидна: проверяющий видит, размечен ли документ равномерно или сработали лишь два-три предложения. Это принципиально разные ситуации, которые единый процент сплющивает в одно число.
Компания также описывает применение скрытых марковских моделей для подсветки на уровне предложений и отдельный компонент, призванный противостоять распространённому приёму обхода, когда машинный текст перед сдачей прогоняют через инструмент перефразирования. Устойчивость к перефразированию остаётся одной из труднейших задач области, и её следует понимать как непрекращающееся состязание, а не как завершённую функцию.
По-настоящему отличительная возможность — вовсе не детектор. Отчёт о написании выбирает совершенно иной путь: он воспроизводит, как документ создавался в редакторе Google, показывая хронологию работы, самые крупные вставки и среднюю длительность правок, а результат можно выгрузить в PDF. Вместо того чтобы анализировать готовый текст и рассуждать задним числом, он наблюдает за процессом, породившим этот текст.
Такой переворот доказательной логики заслуживает отдельного внимания. Оценка детектора спрашивает, похож ли текст на машинный, и способна ответить лишь вероятностно. Воспроизведение процесса спрашивает, набирал ли человек этот документ во времени, с фальстартами и правками, без которых не обходится настоящее письмо, и даёт нечто гораздо более близкое к прямому доказательству. Для студента, желающего защититься от необоснованного обвинения, воспроизведение куда полезнее любой цифры, потому что это утвердительное доказательство авторства, а не отсутствие подозрений. Существенное ограничение состоит в охвате: функция работает только внутри документов Google, а значит, включать её нужно до начала работы, а не после того, как прозвучало обвинение.
Вокруг основного детектора расположены проверка на галлюцинации, проверка на заимствования, проверка грамматики и анализ изображений, а также прямая интеграция с системами управления обучением, такими как Canvas и Google Classroom. Проверка на галлюцинации особенно интересна редакциям: во многих профессиональных сценариях подлинный риск текста, написанного с помощью ИИ, состоит не в том, что фразу сочинила машина, а в том, что внутри фразы уверенно изложен факт, попросту не соответствующий действительности. Проверка того, выдерживают ли утверждения и ссылки критику, нередко ценнее выяснения авторства.
Тем, кто обрабатывает поток, а не отдельные документы, пакетная загрузка и сводная панель по классу превращают одиночный инструмент в рабочий процесс. На сравнительных площадках пользователи регулярно называют именно эти две возможности причиной предпочесть продукт более тяжеловесным институциональным платформам, добавляя к этому детализацию по предложениям, облегчающую толкование результата.
Это главный и одновременно самый болезненный сценарий. Преподаватель получает работу, которая звучит странно, прогоняет её через детектор и получает число. Дальнейшие действия определяют, помог инструмент или навредил. Если использовать результат как повод для разговора, попросить студента изложить ход рассуждений или показать черновики, польза будет реальной. Если же трактовать его как автоматически действующий приговор и запускать дисциплинарную процедуру, возникают ровно те несправедливости, которые описаны ниже.
Издателям, заказывающим тексты у внештатных авторов, часто нужно понимать, что именно они купили, особенно когда договор требует оригинального человеческого письма. Здесь вопрос договорный, а не дисциплинарный: отмеченный текст обычно ведёт к разговору с автором, а не к формальному обвинению, что делает применение заметно безопаснее, чем в учебной аудитории.
Сопроводительные письма и письменные задания всё чаще создаются с участием ИИ, и некоторые работодатели хотят это знать. Здесь нужна особая осторожность: пул кандидатов обычно международный, а задокументированное смещение против пишущих на неродном английском означает, что отбор, опирающийся на детектор, рискует систематически отсеивать тех, кому труднее всего оспорить решение.
Команды, управляющие крупными потоками контента, используют проверку как контроль качества, сверяя, соответствует ли работа подрядчика заказу. Поскольку речь идёт о коммерческих поставщиках, а не о людях под угрозой академического взыскания, цена ложного срабатывания сводится к пересмотру условий.
Всё чаще студенты и авторы проверяют собственный текст заранее, чтобы понять, не будет ли честно написанная работа помечена раньше, чем её проверит кто-то другой. В среде, где бремя доказывания лежит на обвиняемом, это рациональная реакция и одновременно довольно абсурдное положение, ведь добросовестные авторы теперь правят собственный стиль, лишь бы не походить на машину.
Никогда не принимайте процент за доказательство. Сам разработчик просит рассматривать результат как повод к разговору, а не как окончательный вердикт. Когда поставщик осторожнее в отношении собственного вывода, чем внедрившая его организация, проблема кроется во внедрении.
Предпочитайте доказательства процессом разбору текста. Если удаётся поощрять работу в среде с историей версий, вы переходите от вероятностного вывода к наблюдаемой записи, а это несравнимо более прочное основание для любого решения с последствиями.
Сначала политика, потом инструмент. Заранее определите, какое значение запускает какое действие, кто его перепроверяет и как автор может возразить. Организации, внедряющие проверку без процедуры обжалования, обнаруживают этот пробел лишь тогда, когда кто-то уже пострадал.
Калибруйте на собственной аудитории. До запуска прогоните тексты, человеческое авторство которых достоверно и которые взяты из вашей реальной среды. Если студенты преимущественно многоязычны, вам нужна собственная доля ложных срабатываний, а не заимствованный показатель, полученный на другой выборке.
Будьте прозрачны с теми, кого оцениваете. Предупреждение о применении проверки и о том, как будут толковаться результаты, снижает ощущение слежки и даёт людям возможность сохранить собственные доказательства.
Перепроверяйте после крупных релизов моделей. Качество распознавания не является постоянной величиной. С выходом значимой новой модели прежде верные допущения могут перестать работать.
Преподаватели и учебные администраторы, которым нужен сигнал о подлинности работы и, что важнее, способ увидеть, как эта работа создавалась. Лучше всего инструмент подходит там, где организация продумала, что означает отметка.
Редакторы и руководители контента, проверяющие соответствие заказанного текста договорным ожиданиям, где отметка открывает разговор с подрядчиком, а не дисциплинарное дело.
Студенты и авторы, желающие подтвердить собственное авторство. Для них ценным продуктом является воспроизведение процесса, а детектор оказывается почти второстепенным.
Разработчики и продуктовые команды, встраивающие проверку в площадку, систему приёма работ или контент-конвейер; то, что программный интерфейс по умолчанию не сохраняет переданное содержимое, здесь ощутимое преимущество.
Кому стоит подумать дважды: всем, кому нужна определённость. Если ваша процедура требует доказательства, а не зацепки, ни один детектор на рынке его не даст, и его внедрение способно лишь придать видимость авторитета решению, которое изначально плохо обосновано.
GPTZero работает прежде всего в браузере и расширяется наружу. Есть расширение для Chrome, интеграция с редактором Google, а также подключения к Google Classroom и Canvas, благодаря чему результаты оказываются рядом с учебными материалами, а не в отдельной вкладке. Поддержка Zapier закрывает потребности в лёгкой автоматизации для команд, желающих автоматически направлять документы по маршрутам.
Командам, которым нужна проверка внутри собственного продукта, программный интерфейс предлагает готовые примеры кода на семнадцати языках, включая Node.js, Python, C#, Java и PHP. Языковая поддержка выходит за пределы английского и охватывает испанский, французский, немецкий и другие языки, однако перекос обучающих данных делает английскую прозу наиболее надёжным случаем. Эту оговорку следует учитывать при любом неанглоязычном внедрении, поскольку качество распознавания неодинаково от языка к языку, а публикуемые показатели точности получены преимущественно на английском материале.
Бесплатный уровень вполне рабочий. Бесплатная учётная запись охватывает тексты объёмом до ста пятидесяти тысяч знаков или пакеты до двухсот пятидесяти файлов, чего многим преподавателям хватает настолько, что до платного уровня они не доходят вовсе.
Выше этого получить конкретные суммы подписки не удалось: страница тарифов на стороне сервера отдаёт лишь значение-заполнитель вместе с вариантом годовой оплаты, заявленным как экономия сорока пяти процентов. Поэтому никакие конкретные ежемесячные суммы здесь не приводятся. Из опубликованной структуры видно, что существует профессиональный тариф с оплатой за место, командные и корпоративные варианты с общими лимитами и единым выставлением счетов, а также отдельно оцениваемый уровень программного интерфейса. Тем, кто планирует бюджет внедрения, лучше запросить расчёт напрямую, а не полагаться на цифры со сторонних каталогов, которые часто устарели. (требует проверки)
Turnitin занимает исторически сложившуюся позицию в области академической честности и приходит в учебные заведения через уже установленную инфраструктуру проверки заимствований. Его распознавание ИИ вызвало заметную критику, в том числе со стороны университетов, отключивших эту функцию.
Originality.ai ориентирован на издателей и контент-агентства, а не на школы, и его управление командами настроено под коммерческие процессы.
Copyleaks сочетает распознавание с проверкой заимствований, делая упор на многоязычность и корпоративное соответствие требованиям.
Pangram — более поздний участник рынка, публиковавший работы именно о доле ложных срабатываний на текстах авторов, для которых английский неродной, что делает его достойным рассмотрения для многоязычной аудитории.
Не путайте GPTZero и ZeroGPT. Это разные продукты разных компаний с обманчиво похожими названиями; отзывы об одном регулярно принимают за отзывы о другом. Прежде чем доверять любому сравнению, сверьте домен.
Однако важнейшая альтернатива — вовсе не продукт. Пересмотр форм оценивания так, чтобы подмена искусственным интеллектом теряла смысл — письменная работа в аудитории, устная защита сданного текста, задания, требующие личной или локальной конкретики, — устраняет корень проблемы вместо надзора за её симптомами.
Этот раздел весит больше остальных, потому что описанные здесь виды отказов приводят к реальным последствиям для реальных людей.
Разработчик сообщает, что на независимом наборе для оценки, охватывающем около 672 000 текстов, распознал 95,7 процента фрагментов, созданных ИИ, ошибочно отнеся к машинным лишь 1 процент человеческих. Заявленные на главной странице 99 процентов следует читать так же. Эти значения описывают качество на конкретных наборах данных при конкретных порогах, а условия испытательного стенда — не условия учебной аудитории. Особенно важно, что упомянутый набор оценивает полностью человеческие или полностью машинные тексты, тогда как труднее всего в реальности даются смешанные документы, где человек писал черновик, а модель правила, или наоборот. Все эти цифры являются заявлениями самой компании и не проходили независимого аудита.
Прямо указано, что точность снижается по мере измельчения единицы анализа: классификация на уровне документа надёжнее, чем на уровне абзаца, а та надёжнее, чем на уровне предложения. Следовательно, отдельно подсвеченное предложение — самое слабое из возможных доказательств. Это критично, поскольку именно на подсвеченное предложение указывает проверяющий, когда предъявляет претензию автору. Самая убедительная визуально часть интерфейса статистически наименее надёжна.
Это самое серьёзное ограничение всей категории. Исследовательская группа Стэнфорда установила, что широко используемые детекторы ошибочно отнесли к созданным ИИ более половины эссе TOEFL, написанных людьми, для которых английский не является родным, при средней доле ложных срабатываний около 61 процента, тогда как эссе американских восьмиклассников — носителей языка — оценивались почти безошибочно. Предполагаемый механизм таков: детекторы фактически наказывают авторов с более ограниченным словарным запасом, поскольку более простой и предсказуемый выбор слов статистически напоминает машинный вывод.
Это исследование оценивало набор детекторов как категорию, а не выносило приговор конкретной текущей версии продукта, и поставщики, включая рассматриваемый, заявляют, что с тех пор работали над сокращением разрыва. Однако структурный вывод переживает обновления моделей: детектор, опирающийся на языковую предсказуемость, будет ставить в невыгодное положение пишущих на втором языке, а это зачастую именно те люди, у кого меньше всего институциональных возможностей оспорить обвинение.
Университет Вандербильта отключил распознавание ИИ в Turnitin и публично заявил, что не считает программы распознавания ИИ действенным инструментом, который следует применять. Обоснование таково: доля ложных срабатываний в 1 процент, применённая к 75 000 работ, поданных за один год, означала бы около 750 ошибочно отмеченных студентов. Этот расчёт нагляднее всего объясняет, почему невысокая на слух доля ошибок не успокаивает в масштабе учреждения: 1 процент ложных срабатываний — это не единичная ошибка, а сотни студентов ежегодно в одном университете.
На профессиональных площадках отзывов оценки хорошие и держатся в районе четырёх с половиной баллов, отражая опыт преподавателей, которым инструмент полезен. На крупной потребительской площадке картина резко переворачивается: сервис получает низкую категорию по итогам 135 отзывов, почти половина из которых — одна звезда, а претензии сосредоточены на необоснованных обвинениях и трудности их оспаривания. Противоречия здесь нет. Это отражает тот факт, что выбирающие инструмент и те, к кому его применяют, переживают один и тот же продукт противоположным образом, и честная оценка обязана взвесить обе стороны.
В собственном руководстве для несправедливо обвинённых студентов компания признаёт, что совершенных детекторов не существует и что ошибки особенно вероятны на коротких, отредактированных или смешанных текстах. Официальный раздел вопросов и ответов прямо утверждает, что эти результаты не должны использоваться для наказания учащихся, и рекомендует преподавателям применять отчёт о написании как часть целостной оценки работы. Таким образом, организации, использующие вывод карательно, действуют вопреки прямому указанию компании, создавшей инструмент.
Политика конфиденциальности обязуется хранить персональные данные не дольше трёх месяцев после прекращения учётной записи и указывает, что текст и содержимое файлов, отправленные напрямую через программный интерфейс, по умолчанию не сохраняются и не используются для улучшения продукта. Отсюда следует важная асимметрия: документы, переданные через интерфейс, не хранятся, тогда как данные, отправленные через веб-панель, сохраняются и используются в агрегированном виде для улучшения сервиса. Для школ, работающих со студенческими текстами, это различие не техническая мелочь: загрузка студенческой работы через веб-интерфейс означает, что материал попадает в агрегированный контур улучшения, что до внедрения может потребовать уведомления учащихся или проверки на соответствие местным обязанностям по защите данных.
Тот, кто твёрдо намерен обойти проверку, обычно добивается своего перефразированием, правкой или смешением машинных и человеческих фрагментов. Возникает неприятная асимметрия: искушённые нарушители ускользают, а неискушённые честные авторы попадают под ложные срабатывания. В итоге системы распознавания рискуют отсеивать откровенность, а не недобросовестность.
Да, рабочий бесплатный уровень существует. Бесплатная учётная запись обрабатывает тексты объёмом до ста пятидесяти тысяч знаков или пакеты до двухсот пятидесяти файлов, чего хватает для значительной части индивидуальных задач. Платные тарифы добавляют места, объём и командное выставление счетов, однако публичная страница тарифов не показывает конкретных ежемесячных сумм, поэтому для бюджета организации следует запросить расчёт.
Разработчик заявляет о распознавании 95,7 процента машинных текстов при 1 проценте ложных срабатываний на крупном независимом наборе и указывает 99 процентов точности на главной странице. Независимые оценки категории в целом обычно показывают более скромные результаты в реальных условиях, а точность сильно колеблется в зависимости от длины текста, глубины правки и языкового опыта автора. Считайте опубликованные цифры результатом при наилучших условиях, а не гарантией для ваших документов.
Да, и это главный риск. Ложные срабатывания хорошо задокументированы для всех детекторов. Формальная академическая проза, много раз отредактированные тексты и работы авторов, для которых английский неродной, помечаются ошибочно чаще. Ни один результат не следует считать доказательством нарушения.
Стэнфордское исследование показало, что детекторы как категория ошибочно отнесли к созданным ИИ более половины эссе TOEFL, написанных неносителями, при средней доле ложных срабатываний около 61 процента, тогда как эссе носителей оценивались верно. С тех пор поставщики работали над сокращением разрыва, но организациям с многоязычной аудиторией следует проверить качество на собственной выборке, прежде чем полагаться на любой детектор.
Собрать доказательства процесса: черновики, планы, заметки и особенно историю версий из редактора Google или Word, где отметки времени показывают постепенное написание. Также стоит спросить, какие доказательства помимо оценки детектора подкрепляют обвинение, и попросить не считать эту оценку окончательной. Опубликованное самим разработчиком руководство поддерживает такую позицию.
Лишь частично. Существует отдельный компонент против инструментов перефразирования, но переписывание остаётся одним из самых действенных способов обхода, и пользователи часто сообщают, что отредактированные или пересказанные машинные тексты проходят незамеченными. Распознавание слабее всего именно там, где текст изменяли активнее всего.
Распознавание охватывает английский, испанский, французский, немецкий и другие языки. Однако обучающие данные состоят преимущественно из английской прозы, написанной взрослыми, поэтому точность за пределами английского описана хуже и требует локальной проверки до внедрения.
Это зависит от канала. Содержимое, отправленное через программный интерфейс, по умолчанию не сохраняется и не используется для улучшения продукта, тогда как данные, введённые через веб-панель, сохраняются и применяются в агрегированном виде. Персональные данные хранятся не дольше трёх месяцев после прекращения учётной записи. Сопоставьте эти условия с обязанностями вашей организации по защите данных, прежде чем загружать чужие тексты.
У них разные позиции. Turnitin приходит в учреждения через уже существующую инфраструктуру проверки заимствований, тогда как GPTZero предлагает более тонкую подсветку и воспроизведение процесса написания в редакторе Google, у которого прямого аналога нет. Оба разделяют одни и те же фундаментальные ограничения точности, а некоторые университеты полностью отключили распознавание ИИ в Turnitin из-за ложных срабатываний.
Сами по себе — не следует. Компания прямо заявляет, что результаты не должны применяться для наказания учащихся, и описывает свой вывод как повод к разговору, а не окончательный вердикт. Любое решение с последствиями требует подкрепляющих доказательств, и надёжнее всего — документирование самого процесса написания.
