Mengapa Detektor Teks AI Terus Salah Menilai

Klausa terakhir itulah inti dari keseluruhan bagian ini. Setiap metode di sini, dari ambang perplexity kasar hingga Binoculars, membaca properti kata-kata. Tidak satu pun dari mereka mengamati tindakan menulis. Mereka mengukur kemiripan dengan sebuah distribusi pelatihan.

Kemiripan bukanlah kepengarangan, itulah keseluruhan masalahnya, dalam lima kata.

Mengapa Detektor AI Menghasilkan Begitu Banyak Positif Palsu?

Detektor menandai tulisan manusia sebagai AI karena mereka menandai tulisan apa pun yang properti statistiknya menyerupai keluaran AI. Sebuah kerangka matematis tahun 2026 memperlakukan ini sebagai lebih dari sekadar galat penyetelan: ketika penilai tidak mengetahui distribusi tulisan individual setiap orang, tuduhan palsu tak terhindarkan, pada tingkat yang ditentukan oleh seberapa besar tulisan manusia dan AI tumpang tindih. Batas bawah itu nyata, dan ia tidak bergeser.

Makalah tersebut adalah karya Garland tahun 2026 "AI Detectors Fail Diverse Student Populations: A Mathematical Framing of Structural Detection Limits." Teori deteksi konvensional memperlakukan tugas ini sebagai uji antara dua distribusi yang diketahui: inilah rupa tulisan manusia, inilah rupa tulisan AI, tentukan mana yang memproduksi teks itu. Argumen Garland adalah bahwa sisi manusia bukanlah satu distribusi. Gaya alami setiap orang adalah distribusinya sendiri, dan gaya sebagian orang tumpang tindih berat dengan keluaran AI. Dalam istilah statistik, hipotesis nol bersifat komposit (sekumpulan banyak distribusi alih-alih satu distribusi tunggal), dan detektor teks-saja sekali-tembak yang bekerja melawan nol komposit tidak punya cara untuk menghindari tuduhan palsu.

"Detektor teks-saja sekali-tembak apa pun dengan daya yang berguna pasti menghasilkan tuduhan palsu pada tingkat yang diatur oleh tumpang tindih distribusi antara tulisan mahasiswa dan keluaran AI." Garland, 2026 (arXiv:2603.20254)

Konsekuensinya layak dinyatakan secara tepat, karena itulah yang memisahkan ini dari kerangka "detektor belum sempurna" yang biasa. Batas ini berasal dari keberagaman populasi, bukan dari kualitas model. Detektor yang lebih baik, set pelatihan yang lebih besar, pengklasifikasi yang lebih pintar: tidak satu pun menyentuhnya, karena tumpang tindih yang menjadi sandarannya adalah properti dari cara orang menulis, bukan dari seberapa baik alat itu direkayasa. Baris kebijakan Garland sendiri mengikuti secara langsung: "skor deteksi tidak boleh menjadi satu-satunya bukti dalam proses pelanggaran."

Rekam jejak empiris sejalan dengan matematika. OpenAI membangun pengklasifikasi untuk keluaran modelnya sendiri, menyaksikannya mengidentifikasi teks AI hanya 26% dari waktu sambil secara keliru menandai manusia 9% dari waktu, dan mematikannya pada Juli 2023, dengan alasan keandalannya yang rendah "mengingat pendidik bisa membuat penilaian tentang mahasiswa dengan konsekuensi yang berpotensi berlangsung lama." Sebuah studi ulasan sejawat tahun 2026 di International Journal of Educational Integrity menempatkan Turnitin pada 61% dan Originality.ai pada 69% akurasi dunia nyata pada dataset campuran, jauh dari 99% pada halaman pemasaran. Sebuah tolok ukur hCaptcha menyimpulkan bahwa tidak ada detektor publik yang diujinya mengalahkan peluang acak. Curtin University kemudian menonaktifkan fitur deteksi tulisan AI Turnitin mulai 1 Januari 2026, dengan alasan kebutuhan akan kepercayaan, kejelasan, keadilan, dan asesmen yang siap masa depan.

Lalu kalikan dengan skala. Vanderbilt menonaktifkan detektor Turnitin setelah menghitung volume mereka sendiri: pada klaim tingkat positif palsu 1% di seluruh 75.000 pengajuan tahunan, sekitar 750 mahasiswa per tahun akan ditandai secara keliru. Itu adalah estimasi rendah, diambil dari angka optimis vendor itu sendiri.

Tingkat positif palsu adalah batas bawah yang ditetapkan oleh betapa berbedanya cara orang menulis, bukan langit-langit yang diturunkan rilis berikutnya.

Siapa yang Paling Sering Ditandai Secara Keliru?

Ya, detektor bias, dan secara sistematis. Penulis bahasa Inggris non-natif dan penulis dengan gaya yang disiplin dan terbatas (hukum, ilmiah, teknis) lebih sering ditandai karena tulisan mereka bisa membawa profil perplexity-rendah, burstiness-rendah yang dibaca detektor sebagai "AI." Biasnya bukan soal siapa mereka; melainkan bahwa prosa yang cermat, sederhana, dan dapat diprediksi bisa tampak secara statistik seperti keluaran mesin.

Bukti fondasionalnya adalah studi Liang dkk. tahun 2023 di Patterns. Tujuh detektor yang banyak digunakan dijalankan terhadap 91 esai TOEFL dari penutur bahasa Inggris non-natif dan 88 esai kelas delapan AS dari penutur natif. Detektor salah mengklasifikasi lebih dari separuh esai non-natif (rata-rata tingkat positif palsu 61.3%) sambil mendapat skor nyaris sempurna pada set penutur natif. Ketujuh detektor secara bulat menandai 19.8% dari esai TOEFL yang ditulis manusia sebagai buatan AI.

Eksperimen yang menutup kasus ini adalah intervensinya. Ketika para peneliti menggunakan ChatGPT untuk memperkaya kosakata dari esai non-natif yang sama agar terdengar lebih natif, tingkat positif palsu turun dari 61.3% menjadi 11.6%. Membuat teks lebih tersentuh AI justru membuat detektor lebih jarang menandainya, karena yang mereka reaksi selama ini adalah keterprediksian kosakata, bukan kepengarangan. Sinyal yang menggerakkan tuduhan itu adalah perplexity, dan perplexity tidak pernah menjadi ukuran siapa yang menulis kata-kata itu.

Polanya tidak berhenti di kemahiran bahasa. BAID, tolok ukur bias sistematis pertama, mengevaluasi detektor di tujuh sumbu sosiolinguistik (demografi, usia, tingkat kelas, dialek, formalitas, kecenderungan politik, dan topik) atas 200.000+ sampel, dan menemukan disparitas yang konsisten pada ketujuhnya. Rashidi dkk. menemukan bahwa sebuah detektor teks AI salah mengidentifikasi hingga 8% abstrak ilmiah yang diketahui ditulis manusia sebagai buatan AI, menggunakan abstrak yang diterbitkan antara 1980 dan 2023, karena tulisan medis dan ilmiah berjalan di atas kosakata terbatas, frasa berhati-hati, dan struktur terstandardisasi. Tulisan hukum bersifat formulaik menurut desainnya. The Authors Guild menyatakan versi penulis profesional dari hal ini secara gamblang: semakin halus dan terkendali gaya seorang penulis, semakin ia menyerupai keluaran yang dibangun untuk ditandai oleh alat-alat ini.

Penulis yang paling mungkin dituduh secara keliru adalah mereka yang menulis dengan cara paling disiplin dan terbatas, kebalikan persis dari apa yang akan diprediksi oleh "kecurangan."

Jika Detektor Bekerja, Mengapa Siapa Pun Bisa Melewatinya?

Melewati detektor itu rutin, bukan cerdik. Detektor sudah berjalan rendah, dan manipulasi adversarial menurunkannya lebih jauh lagi; parafrase adversarial memotong tingkat positif benar detektor rata-rata 88%. Perlombaan senjata ini asimetris menurut konstruksinya: sebuah detektor harus mempertahankan setiap jalur pengelakan sekaligus, sementara alat pelewat hanya harus mengalahkan satu pola yang saat ini diukur detektor.

Angka-angka itu datang langsung dari penelitian. Perkins dkk. (2024) mengukur akurasi detektor pada 39.5% pada teks buatan mesin, turun menjadi 17.4% begitu teknik pengelakan diterapkan. Cheng dkk. (2025) menemukan parafrase adversarial mengurangi rata-rata tingkat positif benar sebesar 87.88% di berbagai jenis detektor, dan memotong Fast-DetectGPT sebesar 98.96%. Sadasivan dkk. (2023) menunjukkan bahwa parafrase rekursif dapat mengurangi tajam kinerja detektor, termasuk untuk detektor berbasis watermarking, sambil menjaga teks tetap terbaca. Di sekitar temuan-temuan ini duduk seluruh industri-tandingan berupa alat "humanizer" yang tugasnya menulis ulang teks AI hingga skornya sebagai manusia, dan keberadaan industri itu sendiri adalah bukti tentang apa yang diukur detektor. Anda tidak bisa membangun alat yang andal untuk mengalahkan ukuran kepengarangan. Anda bisa membangun satu untuk mengalahkan ukuran statistik teks, dan orang telah melakukannya.

Asimetri ini bersifat struktural, dan ia tampak dalam irama rilis. Ketika Turnitin merilis sebuah fitur deteksi pelewat-AI pada Agustus 2025, sebuah upaya untuk menangkap teks yang telah dijalankan melalui humanizer, vendor humanizer dengan cepat mulai mengiklankan klaim pelewatan mereka sendiri. Setiap pembaruan detektor mendefinisikan target baru; setiap target terkena.

Ada suatu kesimpulan yang bisa ditarik pembaca dari semua ini, dan layak ditandai sebagai kesimpulan alih-alih fakta. Dibaca dengan cara ini, detektor sebagian besar menangkap orang-orang yang mengirimkan keluaran AI mentah tanpa suntingan: pengguna yang paling tidak termotivasi dan paling tidak berhati-hati. Mereka yang paling ingin ditangkap sebuah kebijakan adalah mereka yang paling mudah terlewat.

Perlombaan senjata ini bukanlah kesenjangan sementara yang akan ditutup para vendor. Ia asimetris menurut desainnya.

Apa yang Sedang Dilakukan Institusi Saat Ini?

Daftar universitas yang bertambah (Vanderbilt, Yale, Curtin, the University of Waterloo, dan lainnya) telah menonaktifkan atau membatasi detektor AI Turnitin, dengan alasan volume positif palsu, bias terhadap penutur non-natif, skor yang tidak stabil, dan kurangnya transparansi. Yang lain mempertahankannya hanya sebagai sinyal penasihat, tidak pernah menjadi dasar tunggal sebuah tuduhan. Putusan institusional tiba secara independen dari makalah-makalah akademik, dan ia sepakat dengan mereka.

Alasannya terdokumentasi dan spesifik. Vanderbilt menyebut empat dasar ketika menonaktifkan fitur itu pada Agustus 2023: aritmetika 750-tuduhan-palsu-per-tahun, bias terhadap penutur non-natif, ketiadaan penjelasan apa pun tentang bagaimana Turnitin mencapai putusannya, dan kekhawatiran privasi tentang pengiriman data pihak ketiga. Curtin University mengumumkan bahwa, mulai 1 Januari 2026, fitur deteksi tulisan AI Turnitin akan dinonaktifkan di seluruh kampus dan periode studi, sementara pemeriksaan pencocokan teks reguler akan tetap aktif. University of Waterloo menghentikan fungsi deteksi AI Turnitin mulai September 2025 setelah konsultasi akademik internal. The University of Texas at Austin tidak mendukung perangkat lunak deteksi AI, tidak memiliki kontrak pusat atau pesanan pembelian dengan fitur deteksi AI yang aktif, dan mengklasifikasikan perangkat lunak ini sebagai berisiko tinggi untuk pengadaan. Panduan fakultas dari institusi termasuk MIT dan Stanford sampai pada pelajaran praktis yang sama: detektor AI memiliki tingkat kesalahan tinggi, positif palsu, dan risiko bias, sehingga tidak boleh diperlakukan sebagai bukti yang menentukan.

Di balik bahasa kebijakan ada orang-orang. Marley Stevens, seorang mahasiswa di University of North Georgia, ditandai oleh Turnitin atas karya yang ia tulis sendiri, ditempatkan pada masa percobaan akademik, dan kehilangan HOPE Scholarship-nya; ia mengatakan ia hanya menjalankan teks itu melalui Grammarly. Di UC Davis, satu mahasiswa yang dituduh menggunakan AI kemudian dibebaskan setelah menunjukkan riwayat suntingan Google Docs, dan sebuah uji terpisah yang dijalankan mahasiswa melaporkan bahwa GPTZero secara keliru menandai 40% dari 247 dokumen non-AI. Ini bukan kasus batas yang dibulatkan oleh tingkat kesalahan. Pada volume tempat alat-alat ini beroperasi, mereka adalah tingkat kesalahan yang dibuat terlihat.

Apa yang Menggantikan Deteksi Statistik?

Jawaban yang muncul adalah provenans: alih-alih memeriksa teks jadi dan menebak asal-usulnya, catat sinyal asal-usul yang dapat diverifikasi pada saat pembuatan. Dua pendekatan sedang menyatu, watermarking SynthID milik Google DeepMind dan standar C2PA Content Credentials, dipasangkan dengan bukti lama seperti riwayat draf dan pekerjaan di kelas. Provenans tidak menebak lebih baik. Ia mengubah pertanyaan menjadi pertanyaan yang bisa dijawab.

SynthID bekerja dengan menyenggol probabilitas token saat sebuah model menghasilkan teks, meninggalkan pola statistik yang nantinya bisa diperiksa oleh verifikator. Google telah menerapkan SynthID di berbagai gambar, teks, audio, dan video buatan; implementasi gambar dan bingkai-videonya telah digunakan untuk memberi watermark pada lebih dari 10 miliar gambar dan bingkai video, dan Google kini menyediakan portal SynthID Detector untuk media yang didukung. Batasannya terdokumentasi: ia bekerja paling baik pada keluaran yang lebih panjang dan bervariasi, berkinerja buruk pada jawaban yang pendek atau murni faktual (hanya ada satu cara benar untuk menulis ibu kota Prancis, jadi tidak ada yang bisa dimodulasi), dan keyakinannya menurun di bawah penulisan ulang atau penerjemahan yang berat. Ia juga tidak bisa melihat teks dari model apa pun yang tidak mengimplementasikannya.

C2PA Content Credentials mengambil pendekatan pelengkap: metadata bertanda tangan kriptografis yang dilekatkan pada saat pembuatan, mencatat alat apa yang membuat konten dan kapan. OpenAI bergabung dengan komite pengarah C2PA pada Mei 2024. Pada Mei 2026, ia memperluas tumpukan provenansnya untuk keluaran gambar yang didukung dengan memasangkan C2PA Content Credentials dengan watermarking SynthID milik Google DeepMind dan mempratinjau perkakas verifikasi. Kedua lapisan itu saling mendukung. Metadata bertanda tangan kaya tetapi bisa dilucuti saat diunggah ulang, sementara watermark SynthID bertahan pada tangkapan layar dan perubahan format tetapi membawa informasi lebih sedikit. Jebakannya sama dengan yang membatasi setiap skema provenans: ia memverifikasi konten dari alat yang berpartisipasi, dan tidak berkata apa-apa tentang konten dari alat yang tidak. Cakupannya sukarela, dan ia tumbuh hanya seiring pertumbuhan adopsi.

Itulah mengapa bidang ini tidak berhenti pada watermark. Alternatif yang terus disepakati panduan universitas dan konsensus komunitas bersifat prosedural: mensyaratkan riwayat draf dan komit versi, membangun komponen singkat di kelas atau lisan, dan merancang asesmen yang sulit dipalsukan tanpa keterlibatan sungguhan. Dan ketika sebuah sinyal memang muncul, perlakukan itu sebagai pembuka percakapan, bukan penutup sebuah kasus.

Itulah kesimpulan konkret yang bisa dibawa seorang evaluator ke pemangku kepentingan. Deteksi statistik bertanya "apakah teks ini tampak seperti AI?", sebuah pertanyaan yang, menurut Garland, tidak punya jawaban andal. Provenans bertanya "apakah alat yang patuh menandatangani ini?", sebuah pertanyaan yang punya jawaban yang dapat diverifikasi, untuk subset konten yang disentuh alat-alat itu. Pertukarannya adalah cakupan yang lebih sempit demi klaim yang benar-benar bisa Anda pertahankan, yang merupakan posisi lebih baik untuk berada di dalamnya ketika status seseorang dipertaruhkan.

Akurasi yang Dipasarkan vs. Temuan Independen

Klaim akurasi vendor dan pengukuran independen tidak berdekatan. Tabel di bawah menyandingkan angka yang dipasarkan setiap alat dengan apa yang ditemukan pengujian independen. Ini bukan panduan pembelian; tidak ada kolom "direkomendasikan," karena argumen artikel ini adalah bahwa kerangka di balik kolom semacam itu rusak. Ini adalah catatan tentang kesenjangannya.

Angka-angka ini tidak langsung dapat dibandingkan sebagai skor tolok ukur karena setiap uji menggunakan dataset, ambang, dan kondisi penulisan yang berbeda. Intinya adalah kesenjangan berulang antara klaim vendor yang terkendali dan evaluasi dunia-nyata atau independen yang lebih berantakan.

Pertanyaan yang Sering Diajukan