Proč AI detektory textu pořád chybují

Ta poslední věta je pointou celé sekce. Každá zdejší metoda, od hrubého prahu perplexity až po Binoculars, čte vlastnosti slov. Žádná z nich nepozoruje samotný akt psaní. Měří podobnost s trénovacím rozdělením.

Podobnost není autorství, v tom je celý problém, ve čtyřech slovech.

Proč AI detektory produkují tolik falešně pozitivních výsledků?

Detektory označují lidské psaní za AI, protože označují jakékoli psaní, jehož statistické vlastnosti se podobají výstupu AI. Matematické pojetí z roku 2026 to považuje za víc než jen chybu v nastavení: pokud hodnotitel nezná individuální rozdělení psaní každého člověka, jsou falešná obvinění nevyhnutelná, v míře dané tím, jak moc se lidské a AI psaní překrývají. To dno je skutečné a nehne se.

Tou prací je Garlandovo pojetí z roku 2026 "AI Detectors Fail Diverse Student Populations: A Mathematical Framing of Structural Detection Limits." Konvenční teorie detekce chápe úkol jako test mezi dvěma známými rozděleními: takto vypadá lidské psaní, takto vypadá AI psaní, rozhodni, které z nich text vytvořilo. Garlandův argument zní, že lidská strana není jedno rozdělení. Přirozený styl každého člověka je vlastní rozdělení a styly některých lidí se s výstupem AI silně překrývají. Ve statistických pojmech je nulová hypotéza složená (svazek mnoha rozdělení spíše než jediné), a detektor pracující jen s textem a na jeden pokus proti složené nulové hypotéze nemá jak se falešným obviněním vyhnout.

"Jakýkoli detektor pracující jen s textem a na jeden pokus s užitečnou silou musí produkovat falešná obvinění v míře řízené distribučním překryvem mezi psaním studentů a výstupem AI." Garland, 2026 (arXiv:2603.20254)

Ten důsledek stojí za to popsat přesně, protože právě on odlišuje toto od obvyklého pojetí "detektory ještě nejsou dokonalé". Ta mez pramení z diverzity populace, nikoli z kvality modelu. Lepší detektor, větší trénovací sada, chytřejší klasifikátor: žádný z nich se jí nedotkne, protože překryv, na kterém závisí, je vlastnost toho, jak lidé píší, nikoli toho, jak dobře je nástroj vytvořen. Garlandova vlastní politická věta plyne přímo z toho: "detekční skóre by nemělo sloužit jako jediný důkaz v řízeních o pochybení."

Empirické záznamy se s matematikou shodují. OpenAI vytvořila klasifikátor pro výstup svých vlastních modelů, sledovala, jak identifikuje AI text jen ve 26 % případů, zatímco lidi falešně označuje v 9 % případů, a v červenci 2023 jej vypnula s odkazem na jeho nízkou spolehlivost, "vzhledem k tomu, že vzdělavatelé by mohli činit soudy o studentech s potenciálně trvalými následky." Recenzovaná studie z roku 2026 v International Journal of Educational Integrity stanovila reálnou přesnost Turnitin na 61 % a Originality.ai na 69 % na smíšené datové sadě, hodně daleko od 99 % na marketingových stránkách. Benchmark hCaptcha dospěl k závěru, že žádný veřejný detektor, který otestoval, nepřekonal náhodu. Curtin University později deaktivovala funkci detekce AI psaní v Turnitin od 1. ledna 2026, s odkazem na potřebu důvěry, srozumitelnosti, spravedlnosti a hodnocení připraveného na budoucnost.

Pak to vynásobte měřítkem. Vanderbilt deaktivoval detektor Turnitin poté, co si spočítal svůj vlastní objem: při udávané 1% míře falešně pozitivních výsledků napříč 75 000 ročními odevzdáními by bylo mylně označeno zhruba 750 studentů ročně. To je nízký odhad, převzatý z výrobcova vlastního optimistického čísla.

Míra falešně pozitivních výsledků je dno dané tím, jak rozdílně lidé píší, nikoli strop, který příští vydání sníží.

Kdo je nejčastěji falešně označen?

Ano, detektory jsou zaujaté, a systematicky. Nerodilí mluvčí angličtiny a pisatelé v ukázněných, sevřených stylech (právní, vědecké, technické) bývají označováni častěji, protože jejich psaní může nést profil nízké perplexity a nízké burstiness, který detektory čtou jako "AI". Ta zaujatost není o tom, kdo jsou; jde o to, že pečlivá, prostá, předvídatelná próza může statisticky vypadat jako strojový výstup.

Základním důkazem je studie Lianga a kol. z roku 2023 v Patterns. Sedm široce používaných detektorů bylo spuštěno proti 91 esejům TOEFL od nerodilých mluvčích angličtiny a 88 esejům amerických osmáků od rodilých mluvčích. Detektory nesprávně zařadily více než polovinu esejí nerodilých mluvčích (průměrná míra falešně pozitivních výsledků 61.3 %), zatímco na sadě rodilých mluvčích skórovaly téměř bezchybně. Všech sedm detektorů jednomyslně označilo 19.8 % lidmi psaných esejí TOEFL jako AI-autorské.

Experiment, který případ uzavírá, je zásah. Když výzkumníci použili ChatGPT k obohacení slovní zásoby týchž esejí nerodilých mluvčích, aby zněly více rodile, míra falešně pozitivních výsledků klesla z 61.3 % na 11.6 %. Text, kterého se AI více dotkla, byl detektory označen méně, protože to, na co po celou dobu reagovaly, byla předvídatelnost slovní zásoby, nikoli autorství. Signálem, který obvinění řídil, byla perplexity, a perplexity nikdy nebyla mírou toho, kdo slova napsal.

Ten vzorec se nezastavuje u jazykové zdatnosti. BAID, první systematický benchmark zaujatosti, vyhodnotil detektory napříč sedmi sociolingvistickými osami (demografie, věk, ročník, dialekt, formálnost, politické zaměření a téma) na více než 200 000 vzorcích a našel konzistentní nerovnosti u všech sedmi. Rashidi a kol. zjistili, že AI detektor textu mylně identifikoval až 8 % známých lidmi psaných vědeckých abstraktů jako vygenerovaných umělou inteligencí, s použitím abstraktů publikovaných v letech 1980 až 2023, protože lékařské a vědecké psaní stojí na sevřené slovní zásobě, opatrných formulacích a standardizované struktuře. Právnické psaní je formulaické už z podstaty. The Authors Guild vyjádřila profesionálně-pisatelskou verzi téhož na rovinu: čím vytříbenější a kontrolovanější je styl pisatele, tím více se podobá výstupu, který tyto nástroje byly stvořeny označovat.

Pisatelé, kteří jsou nejpravděpodobněji falešně obviněni, jsou ti, kdo píší nejukázněnějším, nejsevřenějším způsobem, pravý opak toho, co by "podvádění" předpovídalo.

Pokud detektory fungují, proč je může kdokoli obejít?

Obejít detektor je rutina, ne důvtip. Detektory už tak jedou nízko a nepřátelská manipulace je sráží ještě níž; nepřátelské parafrázování snižuje míru skutečně pozitivních výsledků detektorů v průměru o 88 %. Ty závody ve zbrojení jsou konstrukčně asymetrické: detektor musí bránit každou únikovou cestu naráz, zatímco nástroj na obcházení musí porazit jen jediný vzorec, který detektor právě měří.

Ta čísla pocházejí přímo z výzkumu. Perkins a kol. (2024) změřili přesnost detektoru na 39.5 % u strojově generovaného textu, s poklesem na 17.4 % po nasazení únikových technik. Cheng a kol. (2025) zjistili, že nepřátelské parafrázování snížilo průměrné míry skutečně pozitivních výsledků o 87.88 % napříč typy detektorů a srazilo Fast-DetectGPT o 98.96 %. Sadasivan a kol. (2023) ukázali, že rekurzivní parafrázování dokáže prudce snížit výkon detektoru, včetně detektorů založených na vodoznakování, přičemž text zůstává čitelný. Kolem těchto zjištění sedí celý protiprůmysl "humanizačních" nástrojů, jejichž úkolem je přepsat AI text, dokud neskóruje jako lidský, a samotná existence tohoto průmyslu je důkazem o tom, co detektory měří. Nemůžete postavit spolehlivý nástroj, který porazí měřítko autorství. Můžete postavit takový, který porazí měřítko statistiky textu, a lidé to udělali.

Ta asymetrie je strukturální a projevuje se v kadenci vydání. Když Turnitin dodal funkci detekce obcházení AI v srpnu 2025, pokus zachytit text, který prošel humanizéry, výrobci humanizérů rychle začali inzerovat vlastní nároky na obcházení. Každá aktualizace detektoru definuje nový cíl; každý cíl je zasažen.

Existuje závěr, který si čtenář může z toho všeho vyvodit, a stojí za to jej označit spíše za závěr než za fakt. Při tomto čtení detektory většinou chytají lidi, kteří odevzdávají surový, needitovaný výstup AI: nejméně motivované a nejméně pečlivé uživatele. Ti, které si politika nejvíc přeje chytit, jsou ti, které nejsnáze mine.

Ty závody ve zbrojení nejsou dočasná mezera, kterou výrobci uzavřou. Jsou konstrukčně asymetrické.

Co dnes instituce dělají?

Rostoucí seznam univerzit (Vanderbilt, Yale, Curtin, ten University of Waterloo, a další) deaktivoval nebo omezil AI detektor Turnitin s odkazem na objem falešně pozitivních výsledků, zaujatost vůči nerodilým mluvčím, nestabilní skóre a nedostatek transparentnosti. Jiné jej ponechaly jen jako poradní signál, nikdy ne jako jediný základ pro obvinění. Institucionální verdikt přichází nezávisle na akademických článcích a shoduje se s nimi.

To zdůvodnění je zdokumentované a konkrétní. Vanderbilt uvedl čtyři důvody, když funkci v srpnu 2023 deaktivoval: aritmetiku 750 falešných obvinění ročně, zaujatost vůči nerodilým mluvčím, absenci jakéhokoli vysvětlení, jak Turnitin dospívá ke svému verdiktu, a obavy o soukromí ohledně předávání dat třetí straně. Curtin University oznámila, že od 1. ledna 2026 bude funkce detekce AI psaní v Turnitin deaktivována napříč všemi kampusy a studijními obdobími, zatímco běžné kontroly shody textu zůstanou aktivní. University of Waterloo ukončila funkci detekce AI v Turnitin od září 2025 po interní akademické konzultaci. The University of Texas at Austin nepodporuje software na detekci AI, nemá žádné centrální smlouvy ani objednávky s aktivními funkcemi detekce AI a klasifikuje tento software jako vysoce rizikový pro pořízení. Pokyny pro pedagogy od institucí včetně MIT a Stanford docházejí ke stejnému praktickému ponaučení: AI detektory mají vysokou míru chyb, falešně pozitivní výsledky a rizika zaujatosti, takže by neměly být považovány za rozhodující důkaz.

Pod jazykem politik jsou lidé. Marley Stevens, studentka University of North Georgia, byla Turnitinem označena za práci, kterou napsala sama, umístěna do akademické podmínky a přišla o své HOPE Scholarship; říká, že text pouze prohnala přes Grammarly. Na UC Davis jeden student obviněný z používání AI byl později očištěn poté, co ukázal historii úprav v Google Docs, a samostatný test vedený studenty uvedl, že GPTZero falešně označil 40 % z 247 ne-AI dokumentů. Toto nejsou okrajové případy, které míra chyb zaokrouhlí. Při objemech, ve kterých tyto nástroje jedou, jsou to zviditelněné míry chyb.

Co nahrazuje statistickou detekci?

Nastupující odpovědí je původ: místo zkoumání hotového textu a hádání jeho původu zaznamenat ověřitelný signál původu v okamžiku generování. Sbíhají se dva přístupy, vodoznakování SynthID od Google DeepMind a standard C2PA Content Credentials, spárované se staršími důkazy jako historie konceptů a práce ve třídě. Původ nehádá lépe. Mění otázku na takovou, na kterou lze odpovědět.

SynthID funguje tak, že při generování textu modelem lehce postrkuje pravděpodobnosti tokenů a zanechává statistický vzor, který může ověřovatel později zkontrolovat. Google nasadil SynthID napříč generovanými obrázky, textem, zvukem a videem; jeho implementace v obrázcích a snímcích videa byla použita k vodoznakování více než 10 miliard obrázků a snímků videa a Google nyní pro podporovaná média poskytuje portál SynthID Detector. Jeho limity jsou zdokumentované: funguje nejlépe na delších, rozmanitých výstupech, na krátkých nebo čistě faktických odpovědích si vede špatně (existuje jen jeden správný způsob, jak napsat hlavní město Francie, takže není co modulovat), a jeho spolehlivost degraduje při rozsáhlém přepisování nebo překladu. Také nedokáže vidět text z jakéhokoli modelu, který jej neimplementuje.

C2PA Content Credentials volí doplňkový přístup: kryptograficky podepsaná metadata připojená v okamžiku vytvoření, zaznamenávající, jaký nástroj obsah vytvořil a kdy. OpenAI se v květnu 2024 připojila k řídicímu výboru C2PA. V květnu 2026 rozšířila svůj zásobník původu pro podporované obrazové výstupy spárováním C2PA Content Credentials s vodoznakováním SynthID od Google DeepMind a ukázala náhled ověřovacích nástrojů. Ty dvě vrstvy se navzájem podpírají. Podepsaná metadata jsou bohatá, ale při opětovném nahrání mohou být odstraněna, zatímco vodoznak SynthID přežije snímky obrazovky a změny formátu, ale nese méně informací. Háček je stejný, jaký omezuje každé schéma původu: ověřuje obsah z nástrojů, které se účastní, a neříká nic o obsahu z nástrojů, které ne. Pokrytí je dobrovolné a roste jen s tím, jak roste adopce.

Proto se obor nezastavuje u vodoznaků. Alternativy, na kterých pokyny univerzit a shoda komunity opakovaně přistávají, jsou procesní: vyžadovat historii konceptů a verzovací commity, zabudovat krátké komponenty ve třídě nebo ústní, a navrhovat hodnocení, která je těžké zfalšovat bez skutečného zapojení. A když se nějaký signál objeví, berte jej jako zahájení rozhovoru, nikoli uzavření případu.

To je konkrétní ponaučení, které si hodnotitel může odnést ke stakeholderům. Statistická detekce se ptá "vypadá tento text jako AI?", což je otázka, která podle Garlanda nemá spolehlivou odpověď. Původ se ptá "podepsal toto odpovídající nástroj?", což je otázka, která spolehlivou odpověď má, pro tu podmnožinu obsahu, které se tyto nástroje dotkly. Obchodem je užší pokrytí za tvrzení, za kterým si opravdu můžete stát, což je lepší pozice, když je v sázce postavení člověka.

Marketovaná přesnost vs. nezávislá zjištění

Tvrzení výrobců o přesnosti a nezávislá měření si nejsou blízká. Tabulka níže staví marketované číslo každého nástroje proti tomu, co zjistilo nezávislé testování. Není to nákupní průvodce; není zde žádný sloupec "doporučeno", protože argumentem tohoto článku je, že pojetí za takovým sloupcem je rozbité. Je to záznam té mezery.

Tato čísla nejsou přímo srovnatelná jako benchmarková skóre, protože každý test použil odlišné datové sady, prahy a podmínky psaní. Pointou je opakující se mezera mezi kontrolovanými tvrzeními výrobců a méně uspořádanými reálnými nebo nezávislými evaluacemi.

Časté dotazy