Chạy các văn bản do con người viết ra từ trước, đã được coi là chuẩn mực, qua các công cụ phát hiện AI và chúng vẫn có thể bị gắn nhãn là do AI tạo ra. Điều đó cho bạn biết một điều mà các trang tiếp thị của nhà cung cấp không nói: công cụ này không đo lường thứ mà cái tên của nó tuyên bố sẽ đo lường.
Khoảng cách đó chính là toàn bộ chủ đề. Một công cụ phát hiện văn bản AI không phát hiện quyền tác giả của AI. Nó phát hiện một loại văn viết, loại văn bản có dấu vân tay thống kê giống với đầu ra AI mà công cụ được huấn luyện trên đó. Khi văn bản của con người tình cờ có chung dấu vân tay ấy, công cụ sẽ gắn cờ nó, và nó không thể phân biệt được sự khác nhau. Những người mất học bổng, hợp đồng và vị thế học thuật vì một điểm số phần trăm chính là nạn nhân của sự nhầm lẫn đó.
Đây là ý nghĩa của điểm số ấy, vì sao các sai sót mang tính cấu trúc chứ không phải một lỗi mà phiên bản sau sẽ sửa, ai là người gánh chịu, và một tổ chức nghiêm túc có thể dùng gì thay thế. Đó là lý do các công cụ phát hiện AI sai ở đúng bối cảnh mà câu hỏi thực sự quan trọng: những quyết định có rủi ro cao về con người thật.
Phiên bản ngắn gọn
- Các công cụ phát hiện AI đo lường sự giống nhau về mặt thống kê, không phải quyền tác giả. Một điểm số "AI" cao có nghĩa là văn bản trông giống loại văn viết mà công cụ được huấn luyện để liên hệ với AI. Nó không chứng minh được rằng một cỗ máy đã tạo ra nó, và nó không thể làm được điều đó.
- Tỷ lệ dương tính giả là một ngưỡng sàn toán học, không phải một lỗi kỹ thuật. Một cách diễn giải toán học năm 2026 lập luận rằng bất kỳ công cụ phát hiện chỉ dựa trên văn bản, một lần chạy nào hữu ích cũng phải đối mặt với những lời buộc tội sai ở một tỷ lệ được quyết định bởi mức độ chồng lấn giữa văn bản của con người và văn bản AI. Mô hình tốt hơn không loại bỏ được nó.
- Các sai sót giáng mạnh nhất lên những người viết có kỷ luật. Người không nói tiếng Anh bản ngữ và người viết theo các phong cách có kỷ luật, bị ràng buộc, bao gồm người viết khoa học, pháp lý và kỹ thuật, bị gắn cờ thường xuyên hơn, vì văn xuôi rõ ràng, dễ đoán có chung hồ sơ thống kê mà các công cụ đọc thành "AI".
- Nguồn gốc là cách tiếp cận đang thay thế cho việc phát hiện bằng thống kê. Watermark (SynthID) và chứng thực nội dung được ký (C2PA) ghi lại nguồn gốc ngay tại thời điểm tạo ra thay vì đoán mò về sau. Điều đó có thể kiểm chứng được, nhưng chỉ với nội dung mà các công cụ tuân thủ đã chạm tới.
Bài viết này không đề cập đến điều gì
- Đây không phải là một bảng xếp hạng xem công cụ phát hiện nào "tốt nhất". Lập luận ở đây là câu hỏi về xếp hạng mới chính là câu hỏi sai.
- Đây không phải một hướng dẫn né tránh việc bị phát hiện. Loại đó có nhiều ở nơi khác; bài này bàn về ý nghĩa của phép đo.
- Đây không phải lời khuyên pháp lý cho một lời buộc tội cụ thể. Nếu bạn đang tranh biện một vụ, hãy nói chuyện với người chuyên xử lý việc đó.
- Đây không phải một bài hướng dẫn từng bước. Không có công cụ nào để cài đặt và không có cấu hình nào để sao chép.
Các Công Cụ Phát Hiện AI Thực Sự Đang Đo Lường Điều Gì?
Một công cụ phát hiện văn bản AI đo lường một đoạn văn viết giống văn bản do AI tạo ra tới mức nào, dùng ba tín hiệu: perplexity, burstiness và các bộ phân loại đã được huấn luyện. Nó báo cáo xác suất rằng văn bản đó do máy viết. Điều nó không làm, và về mặt cấu trúc không thể làm, là xác minh ai hoặc cái gì đã tạo ra văn bản. Nó xem xét các từ ngữ và suy luận, chứ không bao giờ thấy được quá trình đã tạo ra chúng.
Perplexity là mức độ "bất ngờ" của một mô hình ngôn ngữ trước từ tiếp theo trong một chuỗi. Văn bản AI có xu hướng chọn token tiếp theo có xác suất thống kê cao nhất ở mỗi bước, đọc thấy như perplexity thấp. Văn bản con người rẽ theo những hướng lạ lùng hơn và có điểm cao hơn. Burstiness đo lường sự biến thiên về độ dài và cấu trúc câu. Con người pha trộn câu ngắn và câu dài; AI thiên về sự đồng đều. Một công cụ phát hiện kết hợp cả hai thành một điểm số tổng hợp. Cách tiếp cận dùng bộ phân loại đã huấn luyện bỏ qua các tín hiệu chọn thủ công và thay vào đó học các mẫu tiềm ẩn từ các tập dữ liệu lớn gồm văn bản con người và AI đã được gắn nhãn.
Mỗi tín hiệu đều có cùng một khiếm khuyết, chỉ khoác lớp áo khác nhau. Burstiness không thể tách "người viết có kỷ luật" khỏi "AI"; một bản tóm tắt pháp lý và một chatbot đều tạo ra độ biến thiên thấp. Bộ phân loại huấn luyện trên đầu ra của một mô hình không chuyển được sang mô hình kế tiếp. Bộ chuẩn đánh giá RAID, một trong những đánh giá công bố lớn nhất về các công cụ phát hiện văn bản AI, đã thử nghiệm hơn 6 triệu lần tạo văn bản trên 11 mô hình, 8 lĩnh vực, 11 cuộc tấn công đối kháng và 4 chiến lược giải mã. Phát hiện cốt lõi của nó là các công cụ phát hiện dễ bị làm suy yếu bởi các cuộc tấn công đối kháng, thay đổi lấy mẫu, các hình phạt lặp lại và các bộ tạo văn bản chưa từng thấy. Và perplexity có một vấn đề về độ chính xác đáng để nói thẳng ra.
Vấn đề mô hình đại diện. Để đo perplexity của một văn bản một cách chính xác, bạn cần toàn bộ phân phối xác suất (các logit) từ chính mô hình đã viết ra nó. Các công cụ phát hiện gần như không bao giờ có được điều đó; thay vào đó chúng ước lượng perplexity bằng một mô hình đại diện. Khi mô hình viết và mô hình đo khác nhau, vốn là trường hợp thường gặp, con số perplexity mang theo sai số hệ thống ngay từ đầu. Phương pháp thống kê tinh vi nhất tới nay, Binoculars, giảm nhiễu đó bằng cách so sánh perplexity của hai mô hình có liên quan, và nó vẫn đang đo thống kê của văn bản, chứ không phải nguồn gốc của nó.
Mệnh đề cuối cùng đó chính là điểm mấu chốt của cả phần này. Mọi phương pháp ở đây, từ một ngưỡng perplexity thô sơ tới Binoculars, đều đang đọc các thuộc tính của từ ngữ. Không một phương pháp nào quan sát hành vi viết. Chúng đo lường sự giống nhau với một phân phối huấn luyện.
Sự giống nhau không phải là quyền tác giả, đó là toàn bộ vấn đề, gói gọn trong vài từ.
Vì Sao Các Công Cụ Phát Hiện AI Tạo Ra Quá Nhiều Dương Tính Giả?
Các công cụ phát hiện gắn cờ văn bản của con người là AI vì chúng gắn cờ bất kỳ văn bản nào có thuộc tính thống kê giống đầu ra AI. Một cách diễn giải toán học năm 2026 coi đây không chỉ là một lỗi tinh chỉnh: khi bên đánh giá không biết phân phối văn viết riêng của từng người, những lời buộc tội sai là không thể tránh khỏi, ở một tỷ lệ được quyết định bởi mức độ chồng lấn giữa văn bản con người và AI. Ngưỡng sàn ấy là có thật, và nó không dịch chuyển.
Bài báo là công trình năm 2026 của Garland "AI Detectors Fail Diverse Student Populations: A Mathematical Framing of Structural Detection Limits." Lý thuyết phát hiện thông thường coi nhiệm vụ như một bài kiểm định giữa hai phân phối đã biết: đây là dáng vẻ văn viết của con người, đây là dáng vẻ văn viết của AI, hãy quyết định cái nào tạo ra văn bản. Lập luận của Garland là phía con người không phải là một phân phối duy nhất. Phong cách tự nhiên của mỗi người là một phân phối riêng, và phong cách của một số người chồng lấn nặng với đầu ra AI. Theo thuật ngữ thống kê, giả thuyết vô hiệu là hợp thành (một bó gồm nhiều phân phối chứ không phải một phân phối đơn), và một công cụ phát hiện chỉ dựa trên văn bản, một lần chạy, đối mặt với một giả thuyết vô hiệu hợp thành thì không có cách nào tránh khỏi những lời buộc tội sai.
"Bất kỳ công cụ phát hiện chỉ dựa trên văn bản, một lần chạy nào có năng lực hữu ích cũng phải tạo ra những lời buộc tội sai ở một tỷ lệ được chi phối bởi mức độ chồng lấn phân phối giữa văn viết của sinh viên và đầu ra AI." Garland, 2026 (arXiv:2603.20254)
Hệ quả đáng để nói cho chính xác, vì đó là điều tách nó ra khỏi cách diễn giải quen thuộc "các công cụ phát hiện chưa hoàn hảo". Ranh giới này đến từ sự đa dạng của quần thể, chứ không phải từ chất lượng mô hình. Một công cụ phát hiện tốt hơn, một tập huấn luyện lớn hơn, một bộ phân loại thông minh hơn: không cái nào chạm được tới nó, vì mức chồng lấn mà nó phụ thuộc vào là một thuộc tính của cách con người viết, chứ không phải của việc công cụ được chế tạo tốt tới đâu. Chính đường lối chính sách của Garland cũng đi thẳng theo đó: "điểm số phát hiện không nên là bằng chứng duy nhất trong các thủ tục xử lý sai phạm."
Bằng chứng thực nghiệm khớp với phần toán học. OpenAI đã xây một bộ phân loại cho đầu ra của chính các mô hình của mình, chứng kiến nó chỉ nhận diện được văn bản AI 26% số lần trong khi gắn cờ sai con người 9% số lần, và đã đóng nó lại vào tháng 7 năm 2023, viện dẫn độ tin cậy thấp của nó "khi mà các nhà giáo dục có thể đang đưa ra phán xét về sinh viên với những hệ quả có khả năng kéo dài." Một nghiên cứu bình duyệt năm 2026 trên International Journal of Educational Integrity đặt Turnitin ở mức 61% và Originality.ai ở mức 69% độ chính xác trong thực tế trên một tập dữ liệu hỗn hợp, cách rất xa so với con số 99% trên các trang tiếp thị. Một chuẩn đánh giá hCaptcha kết luận rằng không có công cụ phát hiện công khai nào mà nó thử nghiệm vượt qua được mức ngẫu nhiên. Curtin University sau đó đã vô hiệu hóa tính năng phát hiện văn viết AI của Turnitin kể từ ngày 1 tháng 1 năm 2026, viện dẫn nhu cầu về sự tin cậy, rõ ràng, công bằng và đánh giá sẵn sàng cho tương lai.
Rồi nhân với quy mô. Vanderbilt đã vô hiệu hóa công cụ phát hiện của Turnitin sau khi làm phép tính trên khối lượng của chính mình: ở tỷ lệ dương tính giả 1% được tuyên bố trên 75.000 bài nộp hằng năm, khoảng 750 sinh viên mỗi năm sẽ bị gắn cờ sai. Đó là con số ước tính thấp, lấy từ chính con số lạc quan của nhà cung cấp.
Tỷ lệ dương tính giả là một ngưỡng sàn được đặt bởi sự khác biệt trong cách con người viết, không phải một trần mà bản phát hành sau sẽ hạ xuống.
Ai Là Người Bị Gắn Cờ Sai Nhiều Nhất?
Đúng vậy, các công cụ phát hiện có thiên kiến, và một cách có hệ thống. Người viết tiếng Anh không bản ngữ và người viết theo các phong cách có kỷ luật, bị ràng buộc (pháp lý, khoa học, kỹ thuật) bị gắn cờ thường xuyên hơn vì văn viết của họ có thể mang hồ sơ perplexity thấp, burstiness thấp mà các công cụ đọc thành "AI". Thiên kiến này không phải về việc họ là ai; mà là văn xuôi cẩn thận, giản dị, dễ đoán có thể trông giống đầu ra máy móc về mặt thống kê.
Bằng chứng nền tảng là nghiên cứu năm 2023 của Liang và cộng sự trên Patterns. Bảy công cụ phát hiện được sử dụng rộng rãi đã được chạy trên 91 bài luận TOEFL của người không nói tiếng Anh bản ngữ và 88 bài luận của học sinh lớp tám Mỹ nói tiếng Anh bản ngữ. Các công cụ phát hiện đã phân loại sai hơn một nửa số bài luận không bản ngữ (tỷ lệ dương tính giả trung bình là 61.3%) trong khi đạt điểm gần như hoàn hảo trên tập của người nói bản ngữ. Cả bảy công cụ phát hiện đồng loạt gắn cờ 19.8% số bài luận TOEFL do con người viết là do AI viết ra.
Thí nghiệm khép lại vụ việc là phần can thiệp. Khi các nhà nghiên cứu dùng ChatGPT để làm giàu vốn từ vựng của chính những bài luận không bản ngữ đó cho nghe giống bản ngữ hơn, tỷ lệ dương tính giả giảm từ 61.3% xuống 11.6%. Làm cho văn bản có dấu vết AI nhiều hơn lại khiến các công cụ phát hiện gắn cờ nó ít hơn, vì thứ chúng phản ứng suốt từ đầu là tính dễ đoán của từ vựng, chứ không phải quyền tác giả. Tín hiệu dẫn dắt lời buộc tội là perplexity, và perplexity chưa bao giờ là một phép đo về việc ai đã viết ra các từ ngữ.
Khuôn mẫu này không dừng lại ở trình độ ngôn ngữ. BAID, chuẩn đánh giá thiên kiến có hệ thống đầu tiên, đã đánh giá các công cụ phát hiện trên bảy trục ngôn ngữ xã hội (nhân khẩu học, độ tuổi, cấp lớp, phương ngữ, mức trang trọng, khuynh hướng chính trị và chủ đề) trên hơn 200.000 mẫu, và tìm thấy sự chênh lệch nhất quán ở cả bảy trục. Rashidi và cộng sự phát hiện một công cụ phát hiện văn bản AI đã nhận diện sai tới 8% số bản tóm tắt khoa học được biết là do con người viết thành do AI tạo ra, dùng các bản tóm tắt được công bố từ năm 1980 đến năm 2023, vì văn viết y khoa và khoa học vận hành trên vốn từ vựng bị ràng buộc, cách diễn đạt dè dặt và cấu trúc chuẩn hóa. Văn viết pháp lý vốn có công thức theo thiết kế. The Authors Guild đã nói thẳng phiên bản dành cho người viết chuyên nghiệp của vấn đề này: phong cách của một người viết càng tinh luyện và được kiểm soát, thì càng giống đầu ra mà các công cụ này được tạo ra để gắn cờ.
Những người viết dễ bị buộc tội sai nhất chính là những người viết theo cách có kỷ luật, bị ràng buộc nhất, hoàn toàn ngược lại với điều mà "gian lận" lẽ ra phải báo trước.
Nếu Các Công Cụ Phát Hiện Hoạt Động Được, Vì Sao Ai Cũng Có Thể Qua Mặt Chúng?
Qua mặt một công cụ phát hiện là chuyện thường, chẳng có gì tài tình. Các công cụ phát hiện vốn đã chạy với điểm thấp, và thao túng đối kháng còn kéo chúng xuống thấp hơn nữa; diễn giải lại theo lối đối kháng cắt giảm tỷ lệ dương tính thật của các công cụ phát hiện trung bình 88%. Cuộc chạy đua vũ trang bất đối xứng ngay từ trong cấu trúc: một công cụ phát hiện phải phòng thủ mọi ngả né tránh cùng một lúc, trong khi một công cụ qua mặt chỉ phải đánh bại đúng một khuôn mẫu duy nhất mà công cụ phát hiện hiện đang đo.
Các con số đến trực tiếp từ nghiên cứu. Perkins và cộng sự (2024) đã đo độ chính xác của công cụ phát hiện ở mức 39.5% trên văn bản do máy tạo ra, rơi xuống 17.4% khi các kỹ thuật né tránh được áp dụng. Cheng và cộng sự (2025) phát hiện việc diễn giải lại theo lối đối kháng đã giảm tỷ lệ dương tính thật trung bình 87.88% trên các loại công cụ phát hiện, và cắt giảm Fast-DetectGPT tới 98.96%. Sadasivan và cộng sự (2023) đã cho thấy việc diễn giải lại đệ quy có thể giảm mạnh hiệu năng của công cụ phát hiện, kể cả với các công cụ phát hiện dựa trên watermark, trong khi vẫn giữ cho văn bản dễ đọc. Xoay quanh những phát hiện này là cả một ngành công nghiệp phản kháng gồm các công cụ "humanizer" mà công việc là viết lại văn bản AI cho tới khi nó đạt điểm là con người, và sự tồn tại của ngành công nghiệp đó tự nó là bằng chứng về điều mà các công cụ phát hiện đo lường. Bạn không thể xây một công cụ đáng tin để đánh bại một phép đo về quyền tác giả. Bạn có thể xây một công cụ để đánh bại một phép đo về thống kê văn bản, và người ta đã làm được.
Sự bất đối xứng mang tính cấu trúc, và nó thể hiện qua nhịp phát hành. Khi Turnitin ra mắt một tính năng phát hiện công cụ qua mặt AI vào tháng 8 năm 2025, một nỗ lực bắt các văn bản đã được chạy qua humanizer, các nhà cung cấp humanizer nhanh chóng bắt đầu quảng cáo những tuyên bố qua mặt của riêng họ. Mỗi bản cập nhật công cụ phát hiện định nghĩa một mục tiêu mới; mỗi mục tiêu đều bị đánh trúng.
Có một suy luận mà người đọc có thể rút ra từ tất cả những điều này, và đáng ghi nhận nó như một suy luận chứ không phải một sự thật. Đọc theo cách này, các công cụ phát hiện chủ yếu bắt được những người nộp đầu ra AI thô, chưa chỉnh sửa: những người dùng ít động lực nhất và ít cẩn thận nhất. Những người mà một chính sách muốn bắt nhất lại là những người dễ bị bỏ sót nhất.
Cuộc chạy đua vũ trang không phải là một khoảng cách tạm thời mà các nhà cung cấp sẽ khép lại. Nó bất đối xứng theo thiết kế.
Các Tổ Chức Đang Làm Gì Bây Giờ?
Một danh sách ngày càng dài các trường đại học (Vanderbilt, Yale, Curtin, cái University of Waterloo, và nhiều hơn nữa) đã vô hiệu hóa hoặc hạn chế công cụ phát hiện AI của Turnitin, viện dẫn khối lượng dương tính giả, thiên kiến chống lại người không nói bản ngữ, điểm số không ổn định, và sự thiếu minh bạch. Những trường khác chỉ giữ nó như một tín hiệu tham khảo, không bao giờ là cơ sở duy nhất cho một lời buộc tội. Phán quyết của các tổ chức đang đến một cách độc lập với các bài báo học thuật, và nó đồng ý với chúng.
Lập luận được ghi chép và cụ thể. Vanderbilt đã nêu bốn căn cứ khi vô hiệu hóa tính năng này vào tháng 8 năm 2023: phép tính 750 lời buộc tội sai mỗi năm, thiên kiến chống lại người không nói bản ngữ, sự thiếu vắng bất kỳ lời giải thích nào về cách Turnitin đưa ra phán quyết, và các lo ngại về quyền riêng tư đối với việc nộp dữ liệu cho bên thứ ba. Curtin University đã thông báo rằng, kể từ ngày 1 tháng 1 năm 2026, tính năng phát hiện văn viết AI của Turnitin sẽ bị vô hiệu hóa trên toàn bộ các cơ sở và kỳ học, trong khi việc kiểm tra đối chiếu văn bản thông thường vẫn duy trì hoạt động. University of Waterloo đã ngừng chức năng phát hiện AI của Turnitin kể từ tháng 9 năm 2025 sau khi tham vấn học thuật nội bộ. The University of Texas at Austin không tán thành phần mềm phát hiện AI, không có hợp đồng trung tâm hay đơn đặt mua nào có tính năng phát hiện AI đang hoạt động, và xếp loại phần mềm này là rủi ro cao đối với việc mua sắm. Hướng dẫn dành cho giảng viên từ các tổ chức bao gồm MIT và Stanford cùng đi tới bài học thực tiễn giống nhau: các công cụ phát hiện AI có tỷ lệ sai cao, có dương tính giả và có rủi ro thiên kiến, nên chúng không nên được coi là bằng chứng mang tính quyết định.
Bên dưới ngôn ngữ chính sách là những con người. Marley Stevens, một sinh viên tại University of North Georgia, đã bị Turnitin gắn cờ trên bài do chính cô viết, bị đưa vào diện cảnh cáo học thuật, và mất HOPE Scholarship; cô nói cô chỉ chạy văn bản qua Grammarly. Tại UC Davis, một sinh viên bị cáo buộc dùng AI sau đó đã được minh oan sau khi cho thấy lịch sử chỉnh sửa trên Google Docs, và một bài kiểm tra riêng do sinh viên thực hiện đã báo cáo rằng GPTZero đã gắn cờ sai 40% trong số 247 tài liệu không phải do AI tạo ra. Đây không phải những trường hợp biên mà tỷ lệ sai làm tròn bỏ qua. Ở khối lượng mà các công cụ này chạy, chúng chính là tỷ lệ sai được hiện ra thành hình.
Điều Gì Thay Thế Cho Việc Phát Hiện Bằng Thống Kê?
Câu trả lời đang hình thành là nguồn gốc: thay vì xem xét văn bản đã hoàn thành rồi đoán mò nguồn gốc của nó, hãy ghi lại một tín hiệu về nguồn gốc có thể kiểm chứng ngay tại thời điểm tạo ra. Hai cách tiếp cận đang hội tụ, watermark SynthID của Google DeepMind và tiêu chuẩn C2PA Content Credentials, kết hợp với các bằng chứng cũ hơn như lịch sử bản nháp và bài làm trên lớp. Nguồn gốc không đoán giỏi hơn. Nó thay đổi câu hỏi thành một câu có thể trả lời được.
SynthID hoạt động bằng cách hích nhẹ các xác suất token khi một mô hình tạo ra văn bản, để lại một khuôn mẫu thống kê mà một bộ kiểm chứng có thể kiểm tra về sau. Google đã triển khai SynthID trên hình ảnh, văn bản, âm thanh và video được tạo ra; cách triển khai trên hình ảnh và khung hình video của nó đã được dùng để đánh watermark hơn 10 tỷ hình ảnh và khung hình video, và Google nay cung cấp một cổng SynthID Detector cho các loại phương tiện được hỗ trợ. Các giới hạn của nó được ghi chép: nó hoạt động tốt nhất trên các đầu ra dài, đa dạng, hoạt động kém trên các câu trả lời ngắn hoặc thuần túy thực tế (chỉ có một cách đúng để viết ra thủ đô của nước Pháp, nên chẳng có gì để điều biến), và độ tin cậy của nó suy giảm khi bị viết lại nhiều hoặc dịch thuật. Nó cũng không thể thấy văn bản từ bất kỳ mô hình nào không triển khai nó.
C2PA Content Credentials áp dụng cách tiếp cận bổ trợ: siêu dữ liệu được ký bằng mật mã đính kèm tại thời điểm tạo ra, ghi lại công cụ nào đã tạo ra nội dung và vào lúc nào. OpenAI đã gia nhập ủy ban điều hành C2PA vào tháng 5 năm 2024. Vào tháng 5 năm 2026, họ đã mở rộng ngăn xếp nguồn gốc cho các đầu ra hình ảnh được hỗ trợ bằng cách ghép C2PA Content Credentials với watermark SynthID của Google DeepMind và giới thiệu trước công cụ kiểm chứng. Hai lớp này bổ trợ cho nhau. Siêu dữ liệu được ký thì phong phú nhưng có thể bị lột bỏ khi tải lên lại, trong khi một watermark SynthID sống sót qua ảnh chụp màn hình và thay đổi định dạng nhưng mang ít thông tin hơn. Điều đáng lưu ý cũng chính là điều giới hạn mọi phương án nguồn gốc: nó kiểm chứng nội dung từ các công cụ có tham gia, và không nói gì về nội dung từ các công cụ không tham gia. Độ phủ là tự nguyện, và nó chỉ lớn lên khi mức độ áp dụng lớn lên.
Đó là lý do lĩnh vực này không dừng lại ở watermark. Những phương án thay thế mà hướng dẫn của các trường đại học và đồng thuận cộng đồng liên tục đi tới đều mang tính quy trình: yêu cầu lịch sử bản nháp và các lần commit phiên bản, lồng vào các phần làm trên lớp hoặc vấn đáp ngắn, và thiết kế các bài đánh giá khó giả mạo nếu không có sự tham gia thực chất. Và khi một tín hiệu quả thật xuất hiện, hãy coi nó là sự mở đầu của một cuộc trò chuyện, chứ không phải sự khép lại của một vụ việc.
Đó là điều rút ra cụ thể mà một người đánh giá có thể mang tới các bên liên quan. Phát hiện bằng thống kê hỏi "văn bản này có trông giống AI không?", một câu hỏi mà, theo Garland, không có lời đáp đáng tin. Nguồn gốc hỏi "một công cụ tuân thủ có ký lên nội dung này không?", một câu hỏi có lời đáp có thể kiểm chứng được, cho tập con nội dung mà các công cụ đó đã chạm tới. Sự đánh đổi là độ phủ hẹp hơn để lấy một tuyên bố mà bạn thực sự có thể đứng ra bảo vệ, đó là vị thế tốt hơn để có được khi vị thế của một con người đang bị đặt lên bàn cân.
Độ Chính Xác Được Quảng Cáo so với Các Phát Hiện Độc Lập
Các tuyên bố về độ chính xác của nhà cung cấp và các phép đo độc lập không hề sát nhau. Bảng dưới đây đặt con số được quảng cáo của mỗi công cụ cạnh những gì thử nghiệm độc lập tìm thấy. Đây không phải một cẩm nang mua hàng; không có cột "được khuyến nghị", vì lập luận của bài viết này là cách đóng khung phía sau một cột như vậy đã hỏng. Đây là một ghi chép về khoảng cách.
| Công cụ | Độ chính xác / FPR do nhà cung cấp quảng cáo | Phát hiện độc lập |
|---|---|---|
| GPTZero | độ chính xác 99%, tỷ lệ dương tính giả 1% | tỷ lệ dương tính giả 16% trên các bài luận do con người viết trong một nghiên cứu 78 bài luận |
| Turnitin | tỷ lệ dương tính giả <1% | độ chính xác tổng thể 61% trong một nghiên cứu năm 2026 trên International Journal for Educational Integrity |
| ZeroGPT | độ chính xác phát hiện 98.5% | 83% dương tính giả trên các bản tóm tắt y khoa do con người viết trong một nghiên cứu về phẫu thuật bàn chân và mắt cá chân |
| Originality.ai | tuyên bố độ chính xác 99%+ / tỷ lệ dương tính giả thấp, tùy theo mô hình | độ chính xác tổng thể 76% trong bài đánh giá năm 2024 của Scribbr; độ chính xác tổng thể 69% trong một nghiên cứu bối cảnh học thuật năm 2026 |
| Copyleaks | Độ chính xác trên 99% | Độ chính xác rơi xuống 71% trên văn bản do DeepSeek tạo ra đã được humanize trong một nghiên cứu công cụ phát hiện năm 2025 |
| Bộ phân loại OpenAI | Không áp dụng | tỷ lệ dương tính thật 26%, tỷ lệ dương tính giả 9%; đã ngừng vào ngày 20 tháng 7 năm 2023 vì độ chính xác thấp |
Các con số này không thể so sánh trực tiếp như những điểm số chuẩn đánh giá vì mỗi bài kiểm tra dùng các tập dữ liệu, ngưỡng và điều kiện viết khác nhau. Điểm mấu chốt là khoảng cách lặp đi lặp lại giữa các tuyên bố có kiểm soát của nhà cung cấp và các đánh giá thực tế hoặc độc lập lộn xộn hơn.
Câu hỏi thường gặp
Một Công Cụ Phát Hiện Văn Bản AI Thực Sự Phát Hiện Điều Gì: AI, hay Một Loại Văn Viết?
Nó phát hiện một loại văn viết. Một công cụ phát hiện đo lường xem văn bản có giống đầu ra AI về mặt thống kê hay không: perplexity thấp và burstiness thấp, hoặc khớp với các mẫu đã học của một bộ phân loại đã huấn luyện. Nó không thể xác minh quyền tác giả. Một điểm số cao có nghĩa là văn viết trông giống văn bản AI mà công cụ được huấn luyện trên đó, chứ không phải rằng một cỗ máy đã tạo ra nó.
Vì Sao Bài Luận Do Con Người Viết Của Tôi Bị Gắn Cờ Là Do AI Tạo Ra?
Vì văn viết của bạn có chung hồ sơ thống kê perplexity thấp mà các công cụ phát hiện đọc thành AI, một hồ sơ phổ biến trong văn viết trau chuốt, kỹ thuật, hoặc tiếng Anh không bản ngữ. Công cụ phát hiện phản ứng với từ vựng dễ đoán và cấu trúc câu đồng đều, chứ không phải với quyền tác giả. Một lời gắn cờ là một phát biểu về thống kê của văn bản của bạn, không phải bằng chứng rằng bạn đã dùng AI.
Các Công Cụ Phát Hiện AI Có Thiên Kiến Chống Lại Người Nói Tiếng Anh Không Bản Ngữ Không?
Có, một cách đo lường được. Liang và cộng sự (2023) đã tìm thấy tỷ lệ dương tính giả trung bình 61.3% trên các bài luận TOEFL của người viết không bản ngữ, so với gần bằng không trên các bài luận của người nói bản ngữ. Chuẩn đánh giá BAID sau đó đã tìm thấy sự chênh lệch tương tự trên bảy trục bao gồm phương ngữ, mức trang trọng và chủ đề. Nguyên nhân mang tính thống kê: từ vựng bị ràng buộc đọc thành perplexity thấp, mà các công cụ phát hiện đọc nhầm thành AI.
Vì Sao Cùng Một Văn Bản Lại Nhận Các Điểm Phát Hiện AI Khác Nhau Qua Các Lần Quét Lặp Lại?
Vì các điểm số của công cụ phát hiện là các ước lượng dựa trên mô hình, không phải quan sát trực tiếp về quyền tác giả. Các ngưỡng, hành vi của bộ phân loại, khâu tiền xử lý, và các bản cập nhật công cụ đều có thể ảnh hưởng tới con số phần trăm cuối cùng, nên một điểm số nên được coi là một tín hiệu yếu chứ không phải một phép đo ổn định.
Các Tổ Chức Nên Dùng Gì Thay Cho Các Công Cụ Phát Hiện Văn Bản AI?
Các công cụ nguồn gốc (watermark SynthID và C2PA Content Credentials) cho nội dung từ các bộ tạo tuân thủ, kết hợp với bằng chứng quy trình như lịch sử bản nháp, các lần commit phiên bản, và bài làm trên lớp, cộng với các bài đánh giá được thiết kế lại để đòi hỏi sự tham gia thực chất. Bất kỳ đầu ra nào của công cụ phát hiện cũng chỉ nên mở đầu một cuộc trò chuyện, không bao giờ được là bằng chứng duy nhất trong một quyết định ảnh hưởng tới vị thế của một ai đó.
