Мы больше не сможем отличить человека от ИИ? Что теперь считать доказательством?

Человек пишет эссе сам, а детектор показывает «100% AI». Другой человек берёт полностью сгенерированный текст, немного его меняет — и система видит обычную человеческую работу. Именно в этой точке разговор о распознавании ИИ перестаёт быть технической игрушкой. Если от такого результата зависит университет, работа, судебный спор или профессиональная репутация, ошибочный процент превращается в реальное наказание.

В выпуске Александр Волчек начинает с простой ловушки: мы привыкли спрашивать, «сделал это человек или машина», хотя современные инструменты отвечают на несколько разных вопросов. Водяной знак оператора может показать, что текст проходил через Claude или Gemini. Криптографическая подпись файла фиксирует, каким сервисом он был создан или обработан. Статистический детектор только оценивает, насколько текст похож на типичный вывод модели. А история документа записывает, что человек печатал, вставлял и редактировал. Ни один из этих сигналов сам по себе не доказывает обман.

Это особенно заметно в образовании. В деле Ньюби против Adelphi University преподаватель опирался на Turnitin, который оценил работу как полностью сгенерированную ИИ. Студент отрицал использование модели и показывал историю Google Docs; другие проверки дали противоположный результат. Суд не устанавливал математически, кто написал каждую строку. Он показал другое: противоречивого результата детектора и слабой внутренней процедуры недостаточно, чтобы наказывать человека. Для университетов это принципиальная граница между инструментом риска и системой вынесения приговора.

Та же логика работает на собеседованиях. За двадцать лет найма Александр видел разрыв между тем, что кандидат показывает на интервью, и тем, как он потом работает. ИИ увеличивает этот разрыв: один человек честно использует модель как рабочий инструмент, другой получает незаметные подсказки и имитирует собственную компетентность. Запретить ИИ одной фразой здесь недостаточно. Компания должна заранее определить, что именно проверяет: знание, способность поставить задачу, качество результата или умение работать без внешней помощи.

В науке, журналистике, праве и медицине цена ошибки ещё выше. Там важно не только происхождение формулировки, но и существование источника, подлинность данных, цепочка эксперимента и человек, который принимает ответственность. Юрист может использовать ИИ для договора, врач — для черновика заключения, журналист — для проверки цитаты. Сам факт использования модели ничего не говорит о качестве работы. Вопрос начинается там, где человек перестаёт проверять результат или скрывает существенную роль системы.

Anthropic предлагает невидимый машиночитаемый знак внутри генерируемого текста. Он может пережить копирование и небольшую редактуру, но ослабевает после перевода, сильного переписывания или смешивания с другим материалом. Короткого фрагмента может не хватить для проверки. Ещё важнее обратная ситуация: человек написал статью сам и отправил её в Claude только на перевод или редактирование — после этого человеческий текст может получить машинную отметку. Маркер подтверждает участие инструмента, но не определяет происхождение идеи.

Выпуск собирает четыре уровня доказательства. Первый — водяной знак конкретного оператора. Второй — подписанные данные о происхождении файла, например C2PA. Третий — статистические детекторы вроде Turnitin, GPTZero, Copyleaks и Originality.ai. Четвёртый — запись процесса создания в Google Docs, Microsoft Word или инструментах авторства. Чем серьёзнее последствия, тем меньше смысла доверять одному уровню. Нужна комбинация сигналов, контекст и возможность обжалования.

Даже история документа не является абсолютной защитой. Сгенерированный текст можно открыть на втором мониторе и постепенно перепечатать в течение нескольких месяцев. Формально система увидит ручной набор, правки и версии. Это современная версия старого трюка: если знаешь, что именно проверяет преподаватель или платформа, можно сымитировать правильный процесс. Поэтому цель проверки — не построить идеальный детектор, а сделать обман дороже и одновременно не разрушить жизнь человеку из-за ложного срабатывания.

Главный сдвиг происходит дальше. Модели быстро приближаются к качеству, при котором человек не сможет по стилю отличить текст, изображение, голос или видео. Тогда вопрос «кто это сделал» останется важным только в конкретных контекстах: экзамен, лицензируемая работа, доказательство в суде, научный результат, политическая реклама. Во многих других ситуациях полезнее спросить, проверены ли факты, кто отвечает за итог и стало ли качество лучше. Иногда проблема не в том, что человек использовал ИИ, а в том, что он не использовал его там, где модель могла бы найти ошибки и усилить анализ.

Когда результат человека и модели невозможно отличить глазами, центр тяжести переносится с угадывания стиля на цепочку доказательств, прозрачные правила и ответственность за итог. Система может показать участие инструмента; она не должна сама решать, кто автор и кто виноват.