Весной 2026 года российские студенты столкнулись с неприятной новостью: проверка работ на «следы нейросети» стала находить машинный текст там, где человек писал сам. От цифры в отчёте зависит допуск к защите, поэтому вопрос совсем не академический. Разберём, что за процент показывает такая проверка, почему она ошибается и что известно о том, как действовать, если обвинение оказалось ложным.
Что случилось
Первым о проблеме написал телеграм-канал Baza, затем её разобрали «Коммерсантъ» (28 апреля 2026 года) и «Т—Ж». Картина по рассказам студентов выглядит так.
Студентка одного из вузов объяснила «Ъ FM»: работу нужно сдать до 15 мая, и к этому времени на руках должна быть справка «Антиплагиата» о полном отсутствии использования искусственного интеллекта. Если найден хотя бы 1% генерации, к защите не допускают, потому что система не выдаёт выписку. В её тексте с первого раза нашли 96% использования нейросетей, хотя ИИ она не подключала. Пришлось перефразировать, упрощать язык и убирать сложные обороты — «делать из своего научного труда работу пятиклассника».
У студентки журфака РЭУ им. Плеханова система сочла нейросетевым десять страниц с описанием её личных наблюдений и насчитала 34% «ИИ-контента» при требовании вуза иметь строго 0%. Процент удалось снизить, только сделав стиль разговорным. По её словам, работа от этого стала хуже. Студентка Кемеровского университета переписывала диплом объёмом больше 90 страниц тринадцать раз: каждый раз система снова отмечала текст как созданный ИИ.
Ошибка бывает и в обратную сторону. Студентка РАНХиГС рассказала, что вуз обнуляет работу, если находит следы ИИ, и ей поставили 0 за текст, написанный самостоятельно. А её бывшая одногруппница, по её словам, целиком скопировала курсовую из ответа нейросети и получила больше 70 баллов. Преподаватель НИЯУ МИФИ Роман Душкин провёл похожий опыт: загрузил две статьи, настоящую и сгенерированную по той же теме. Обе система пометила на 20% одной и той же формулировкой — «Похоже, что этот текст сгенерирован».
Масштаб немаленький: по данным самого «Антиплагиата», в первом квартале 2026 года признаки ИИ нашли в 27% студенческих работ, годом ранее — в 17%. Студенты из разных регионов стали писать в Минпросвещения: просят пересмотреть подход к проверке и отменить обязательные платные подписки на внутривузовские сервисы.
Самый показательный пример — рассказ Чехова «Дама с собачкой», написанный в 1898 году. В обращении к министру науки и высшего образования его привели как случай, когда система «узрела нейросетевой след» в тексте, который появился больше чем за сто лет до нейросетей.
Что на самом деле показывает процент
Сам «Антиплагиат» описывает проверку так: детектор сравнивает текст с моделями генерации и определяет, похож ли он на контент, который могла бы создать нейросеть. Директор компании говорил, что алгоритм автоматически находит части текста с признаками искусственной генерации на основе большого набора признаков, но какие именно, не раскрывается. В отчёте появляется процент «вероятной ИИ-генерации» и подсвеченные подозрительные фрагменты.
Отсюда главное: это не доля текста, которую написала машина, а оценка того, насколько текст похож на машинный. Цифра выглядит как измеренная величина, но измерена в ней только похожесть. Кроме того, у любой такой системы есть граница уверенности: выше неё текст называют машинным, ниже — человеческим. Сдвиньте границу, и ошибок одного рода станет больше, другого меньше. Поэтому голая цифра без условий проверки мало что говорит.
Разработчики это признают. На странице сервиса сказано: «Полностью исключить вероятность ошибки нельзя, потому что современные генеративные системы постоянно развиваются». Долю ошибок классификации там оценивают не выше 1%, и это заявление самого сервиса. Он же называет себя инструментом, который лишь подсвечивает подозрительные фрагменты, а вывод делает человек.
Почему детектор ошибается на живом тексте
Ошибки бывают двух видов: ложное срабатывание, когда человеческий текст принимают за машинный, и пропуск, когда машинный принимают за человеческий. Для проверки работ первая ошибка хуже: обвинение в чужом авторстве бьёт по репутации и по допуску к защите.
Почему человеческий текст попадает под подозрение? «Т—Ж» разобрал инструкцию «Антиплагиата» и заметил: большинство названных признаков описывает просто плохо написанный текст. Скудная лексика, «вода», шаблонные фразы бывают и у студента, который писал сам. А часть пунктов, по оценке издания, противоречит тому, что от студента требуют: текст не должен быть «излишне структурирован», хотя дипломы пишут по методичкам, а «отсутствие технических совпадений с другими работами» делает подозрительной слишком оригинальную работу. Профессор ВШЭ Ирина Абанкина отметила, что раньше такого нацеленного блока проверки не было, и работа усложнилась и у студентов, и у преподавателей.
Это не только российская история. Исследование на английских текстах показало, что детекторы систематически принимают за машинные тексты людей, для которых английский не родной, а тексты носителей определяют верно. Авторы предостерегают от применения таких инструментов в оценивании и образовании: они могут несправедливо наказать тех, у кого ограничен набор языковых средств. Другая работа показала, что машинный текст, который несколько раз перефразировали, обнаруживается заметно хуже, а качество при этом почти не страдает. Детекторы ошибаются в обе стороны.
Как устроен один из детекторов: Pangram
Чтобы понять, откуда берутся цифры точности, посмотрим, как учат один из самых заметных детекторов, Pangram. Компания сама публикует технический отчёт. Ниже пересказ по нему, и это рассказ разработчиков, а не независимая оценка.
Откуда берут примеры. Человеческих текстов у разработчиков миллионы, из открытых наборов. Готового набора машинных текстов нет, поэтому их создают. К каждому человеческому документу подбирают «синтетическое зеркало»: языковую модель просят написать текст на ту же тему и той же длины. Иногда она начинает с первого предложения человеческого текста, чтобы примеры были разнообразнее.
Как ищут трудные примеры. Сначала обучение упёрлось в потолок: новые примеры не улучшали результат, а доля ложных срабатываний на многих видах текста оставалась выше 1%. Тогда разработчики просмотрели десятки миллионов человеческих документов из открытых наборов и нашли те, которые модель ошибочно принимала за машинные. К ним сделали «зеркала», добавили в обучение и повторили круг. По словам компании, так доля ложных срабатываний упала в 100 раз. Сама модель — нейросеть-трансформер, другие подробности отчёт не раскрывает.
Что заявлено. На проверочном наборе из 1976 документов (половина человеческих, половина от восьми языковых моделей, десять областей) точность составила 99,85%, а доля ложных срабатываний — 0,19%. На 91 отложенном эссе людей, для которых английский не родной, ложных срабатываний не было.
Что компания говорит о границах. Задача, по их словам, «никогда не будет полностью решена»; проверочный набор близок к исчерпанию и лишь «немного сложнее» реального спама, так что будущие цифры могут выглядеть хуже. Работать лучше всего на длинном тексте полными предложениями; хуже всего — на рецептах и поэзии. Поэтому Pangram не советует проверять короткие списки и планы, математику, совсем короткие ответы и крайне шаблонные тексты: таблицы, бланки, инструкции.
Что из этого следует читателю. Во-первых, все цифры — собственные измерения компании. Во-вторых, отчёт 2024 года описывает английские тексты, а расширение на другие языки названо планами: переносить эти проценты на русские дипломы нельзя. В-третьих, сама идея обучения на трудных человеческих примерах показывает, где детекторы ошибаются чаще всего: на текстах, которые просто «слишком правильные» или шаблонные.
Что делать, если вас обвинили зря
Готовой процедуры обжалования в источниках нет, и обещать её было бы неправдой. Вот что в них подтверждено.
- Не считайте цифру доказательством. Руководитель «Антиплагиата» Борис Тхориков говорит, что ответственность за допуск лежит на преподавателях: «Только человек в полной мере сможет оценить интеллектуальную работу человека». Компания же заявляет, что система лишь подсвечивает фрагменты.
- Просите полный отчёт. В нём есть подробности по найденным фрагментам. Разговор о конкретных подсвеченных местах полезнее, чем спор об общем проценте.
- Будьте готовы объяснить текст. Эксперт ВШЭ советует преподавателям просить автора объяснить, откуда у него такие показатели. Разумно подготовить рассказ о том, как вы писали каждое подсвеченное место.
- Подключайте научного руководителя. По словам Абанкиной, ответственность за оценку работы лежит и на нём. Но учтите: студенты рассказывают, что научные руководители признавались — не знают, как распознаётся такой текст, а один советовал просто писать дальше.
- Узнайте порог вуза. Требование «строго 0%» ставит вуз, а не сервис. Абанкина прямо говорит, что вопросы могут быть к установленным вузом процентам.
Что делали другие: переписывали текст проще и разговорнее, и это проходило проверку, но, по словам студенток, ухудшало работу. Коллективно писали в Минпросвещения. Что из этого сработает у вас, источники не говорят.
Итог
Процент в отчёте — оценка того, насколько текст похож на машинный, а не измеренная доля. Ошибки возможны в обе стороны, причём ложное обвинение дороже для человека. Заявления о точности остаются заявлениями самих компаний, а самые надёжные цифры относятся к длинным английским текстам. Поэтому справедливый порядок такой: цифра — повод посмотреть на подсвеченные фрагменты и поговорить с автором о том, как он писал, а не повод для недопуска.
