Cum detectezi dacă un text e scris de AI: detectoare și cât sunt de fiabile (2026)

Detectarea textului scris de AI a devenit una dintre cele mai cerute — și cele mai neînțelese — abilități ale anului 2026. Un profesor vrea să știe dacă eseul a fost generat, un editor vrea să filtreze conținutul automat, un manager de recrutare se întreabă dacă scrisoarea de intenție e autentică. Reflexul e simplu: lipești textul într-un detector, aștepți un procent și tragi o concluzie. Problema e că acel procent minte mai des decât crezi. Un text scris de AI poate trece drept uman, iar un text perfect uman poate fi marcat, cu deplină „încredere", drept AI. În ghidul acesta îți arăt cum funcționează cu adevărat detectoarele de text AI, de ce se înșală, ce semnale poți citi tu singur, ce înseamnă watermarking-ul și ce îți cere legea din 2026. Concluzia scurtă, pe care o voi susține cu dovezi: niciun detector nu e dovadă definitivă.

Cum funcționează detectoarele de text AI

Ca să înțelegi de ce greșesc, trebuie să vezi ce măsoară de fapt aceste instrumente. Cele mai multe detectoare de text AI nu „citesc" înțelesul, ci statistica limbajului. Două concepte fac aproape tot lucrul: perplexitatea și burstiness-ul.

Perplexitatea (perplexity) măsoară cât de „surprins" e un model de limbaj de cuvântul următor dintr-un text. Modelele generative sunt antrenate să aleagă cuvântul cel mai probabil în context, așa că textul produs de ele tinde să fie foarte previzibil — perplexitate scăzută. Un om scrie mai neregulat: alege un sinonim neașteptat, o construcție ciudată, o metaforă personală. Detectoarele presupun deci că textul foarte „lin", foarte previzibil, e mai probabil generat de AI.

Burstiness-ul privește variația dintre propoziții. Oamenii alternează: o frază lungă și complicată, urmată de una scurtă. Sacadat. Modelele tind spre uniformitate — propoziții de lungimi și complexități asemănătoare, un ritm regulat. Un burstiness scăzut (variație mică) e interpretat, din nou, ca semn de AI.

Alte instrumente merg pe altă cale: antrenează un clasificator — un model care a văzut mii de exemple etichetate „uman" și „AI" și învață tiparele care le disting. Aici intră detectoare comerciale precum GPTZero, Originality.ai, Copyleaks sau modulul de detecție AI din Turnitin. Ideea comună e aceeași: se caută o amprentă statistică, nu o dovadă factuală. Iar amprenta statistică se poate imita, dilua sau declanșa din greșeală.

Reține distincția asta pentru tot restul articolului: un detector nu „știe" cine a scris textul. Estimează o probabilitate pe baza unor tipare de suprafață. Iar probabilitatea, oricât de sigură pare interfața, nu e un verdict.

De ce detectoarele dau greș: fals-pozitive și bias

Aici e miezul problemei și motivul pentru care titlul acestui articol există. Detectoarele nu greșesc rar și inofensiv — greșesc sistematic, în moduri care lovesc exact oamenii nevinovați.

Cazul care spune totul: OpenAI și-a retras propriul detector

Cea mai clară dovadă vine chiar de la creatorul ChatGPT. În 31 ianuarie 2023, OpenAI a lansat un „AI Text Classifier" pentru a distinge textul scris de om de cel generat de AI. Pe 20 iulie 2023, l-a retras discret, invocând „un procent scăzut de acuratețe" (low rate of accuracy). Cifrele publicate chiar de OpenAI explică decizia: clasificatorul identifica corect doar 26% din textele scrise de AI ca fiind „probabil AI" (true positives) și marca greșit texte scrise de oameni drept AI în 9% din cazuri (false positives). Cu alte cuvinte, sub un sfert din textele AI erau prinse, iar aproape unul din zece autori umani era acuzat pe nedrept.

Dacă firma care construiește chiar modelele generative nu a putut face un detector fiabil pentru propriile texte și a preferat să-l scoată din uz, e o lecție de umilință pentru orice instrument care astăzi afișează „98% AI" cu aplomb.

Studiul Stanford: bias împotriva vorbitorilor non-nativi

A doua dovadă e și mai tulburătoare, pentru că arată cine plătește pentru aceste erori. Un studiu Stanford condus de Weixin Liang și James Zou (Liang et al., 2023), publicat în revista Patterns (Cell Press), a testat șapte detectoare GPT populare pe eseuri reale. Rezultatul: eseurile TOEFL scrise de vorbitori non-nativi de engleză au fost marcate greșit ca „AI" cu o rată medie de fals-pozitive de 61,3%, în timp ce eseurile scrise de vorbitori nativi (elevi americani) erau semnalate în circa 5,1% din cazuri. Mai grav: toate cele șapte detectoare, în unanimitate, au etichetat greșit 19,8% dintre eseurile TOEFL ca fiind generate de AI, iar cel puțin un detector a marcat drept AI 97,8% din ele.

Explicația propusă de autori se leagă direct de mecanismul descris mai sus: textul vorbitorilor non-nativi are adesea o perplexitate mai mică — vocabular mai limitat, construcții mai simple, mai puțină variație lexicală. Exact semnalul pe care detectoarele îl interpretează drept „AI". Nu e o coincidență, ci un defect structural: aceste instrumente penalizează scrisul simplu, uniform, indiferent de cine îl produce. Iar scrisul simplu e semnul unui om care învață o limbă, nu al unei fraude.

Turnitin și retragerea instituțiilor

În mediul academic, Turnitin a introdus detecție AI în 2023, susținând inițial o rată de fals-pozitive de circa 1%. Ulterior, compania a recunoscut că rata reală de fals-pozitive e mai mare decât afirmase la lansare. Consecința a fost un val de neîncredere instituțională: universități mari din SUA — printre care Vanderbilt, University of Pittsburgh, Michigan State, Northwestern — au dezactivat detecția AI din Turnitin, iar University of Texas at Austin a mers până la a interzice achiziția de instrumente de detecție AI, invocând ratele de fals-pozitive, biasul documentat împotriva vorbitorilor non-nativi și lipsa unui proces echitabil pentru studenți.

Când chiar instituțiile care au cel mai mult de câștigat dintr-un detector fiabil îl scot din uz, mesajul e clar: tehnologia nu e suficient de bună pentru a fundamenta o acuzație.

Semnale prin care recunoști manual un text AI (fără detector)

Dacă detectoarele automate nu sunt de încredere, ce îți rămâne? Judecata ta antrenată. Un cititor atent, care știe ce să caute, prinde adesea mai mult decât un scor automat — și, mai important, poate explica de ce suspectează un text, în loc să arate cu degetul spre un procent. Iată tiparele care apar frecvent în textele generate, mai ales când autorul nu le-a editat:

• Fluență fără substanță. Textul curge impecabil, dar când îl reciteai nu ai reținut nimic concret. Multe cuvinte, puține fapte verificabile, zero exemple personale.
• Generic și echilibrat până la fadoare. Formulări de tipul „pe de o parte... pe de altă parte", concluzii care nu riscă nicio poziție, un ton perfect neutru care evită orice colț ascuțit.
• Structură prea ordonată. Liste cu exact trei puncte, paragrafe de lungimi aproape identice, fraze de introducere și de încheiere aproape formulaice („În concluzie, este important de reținut că...").
• Repetiții și clișee de registru. Cuvinte precum „de asemenea", „mai mult decât atât", „în peisajul actual", „joacă un rol crucial" apar des și predictibil.
• Detalii vagi sau ușor greșite. Nume proprii aproximate, date care nu se leagă, citate atribuite generic („studiile arată"). Aici se suprapune cu un fenomen diferit — halucinațiile AI: ce sunt și cum le eviți — atenție însă: acela e despre AI care inventează fapte, pe când aici discutăm despre cine a scris textul. Sunt lucruri diferite, deși un text plin de fapte inventate și impersonale ridică suspiciunea pe ambele planuri.
• Lipsa vocii. Nicio idiosincrazie, niciun umor, nicio experiență trăită, nicio greșeală umană. Textul e „curat" într-un fel care, paradoxal, sună artificial.

Avertisment onest: și aceste semnale te pot induce în eroare. Un om care scrie corect, ordonat și neutru — un jurist, un funcționar, un student conștiincios — bifează multe dintre ele fără să fi atins vreodată un chatbot. Iar modelele din 2026, corect îndrumate, pot imita voce, umor și imperfecțiune. Semnalele manuale nu sunt un test, ci indicii care îți spun unde să pui întrebări, nu ce concluzie să tragi.

Watermarking și proveniență: SynthID și C2PA

Fiindcă detecția „după fapt" e nesigură, industria mizează tot mai mult pe o abordare diferită: marcarea conținutului chiar în momentul generării. Sunt două direcții mari, ambele reale.

Watermarking-ul de text înseamnă un semnal statistic ascuns, imperceptibil pentru cititor, introdus în text de modelul care îl generează. Cel mai cunoscut exemplu este SynthID, dezvoltat de Google DeepMind. SynthID influențează subtil probabilitățile cu care modelul alege cuvintele, țesând un tipar care poate fi detectat ulterior de un instrument dedicat, fără a schimba sensul textului. În octombrie 2024, Google DeepMind a făcut SynthID Text open-source, punându-l la dispoziție inclusiv pe platforma Hugging Face, și l-a integrat în produsele Gemini. Limita e evidentă: funcționează doar dacă modelul care a generat textul a aplicat watermark-ul și dacă textul nu a fost rescris masiv ulterior. Un text parafrazat manual sau trecut printr-un al doilea model poate pierde semnalul.

Proveniența merge pe altă filozofie: nu ascunde un semnal în conținut, ci atașează o „etichetă de origine" verificabilă. Standardul dominant e C2PA (Coalition for Content Provenance and Authenticity), cunoscut și sub numele de Content Credentials — o inițiativă deschisă fondată de Adobe, Arm, BBC, Intel, Microsoft și Truepic, cu specificația ajunsă la versiunea 2.2 în 2025. C2PA înregistrează cine a creat un fișier, cu ce unelte, când, și dacă a fost implicat un sistem AI, sub forma unui manifest semnat criptografic. E folosit deja de generatoare de imagini precum Adobe Firefly, DALL·E și Imagen. Slăbiciunea, recunoscută inclusiv de analiști independenți: funcționează doar dacă întregul lanț respectă standardul. O simplă captură de ecran, o recompresie la încărcarea pe rețele sociale sau o conversie de format pot șterge complet datele de proveniență.

Concluzia acestei secțiuni: watermarking-ul și proveniența sunt viitorul mai serios al „detecției", pentru că mută încrederea de la ghicit statistic la semnal verificabil. Dar niciunul nu e infailibil astăzi, iar ambele depind de cooperarea producătorilor de modele și de faptul că nimeni nu a rupt lanțul pe drum.

Ce spune legea: EU AI Act și articolul 50

Din 2026, discuția nu mai e doar tehnică, ci și juridică. Regulamentul european privind inteligența artificială (EU AI Act) introduce, prin articolul 50, obligații de transparență pentru conținutul generat de AI. Pe scurt și în termeni prudenți: furnizorii de sisteme AI care produc text, imagine, audio sau video sintetic trebuie să se asigure că rezultatele sunt marcate într-un format care poate fi citit automat (machine-readable) și că pot fi detectate ca fiind generate artificial. În paralel, cei care folosesc astfel de sisteme au obligații de a informa publicul în anumite situații.

Aceste obligații se aplică de la 2 august 2026. Pentru sistemele deja prezente pe piață înainte de acea dată există o perioadă de tranziție — până în jur de 2 decembrie 2026 — pentru a îndeplini cerința de marcare machine-readable. În 2026, pachetul legislativ cunoscut ca „Digital Omnibus" a ajuns la un acord la nivel european care amână unele termene (de exemplu, pentru anumite sisteme cu risc ridicat din Anexa III), dar termenul pentru transparența din articolul 50 rămâne 2 august 2026. Nerespectarea obligațiilor de transparență poate atrage sancțiuni semnificative: conform articolului 99, amenzi de până la 15 milioane EUR sau 3% din cifra de afaceri mondială anuală, oricare e mai mare (cu praguri mai blânde pentru IMM-uri).

Ce înseamnă asta practic pentru discuția noastră? Legea NU obligă pe nimeni să folosească detectoare de text AI ca probă. Direcția aleasă de legiuitorul european e marcarea la sursă (watermarking și proveniență), tocmai pentru că detecția post-hoc e nesigură. Dacă vrei să aprofundezi cadrul de transparență și cum se aplică în practică, avem un curs dedicat exact acestui subiect — Transparența conținutului AI (Art. 50).

Disclaimer: secțiunea de mai sus e informativă și nu constituie consultanță juridică. Textele legislative evoluează, iar termenele și interpretările pot fi ajustate; pentru situații concrete consultă sursele oficiale (eur-lex.europa.eu) și un specialist.

Cum verifici corect un text suspect: proces în pași

Dacă ai ajuns aici, ai înțeles deja de ce „am dat pe detector și a zis 90% AI" nu e o concluzie. Iată un proces echilibrat, care respectă și adevărul tehnic, și dreptul persoanei de a nu fi acuzată pe nedrept.

1. Tratează orice scor de detector ca indiciu, niciodată ca verdict. Dacă folosești un instrument, folosește mai multe și compară — dezacordul dintre ele îți spune singur cât de fragil e semnalul.
2. Citește textul cu ochii tăi. Aplică semnalele manuale de mai sus. Caută substanță, voce, exemple concrete, detalii verificabile.
3. Verifică faptele, nu doar stilul. Un text plin de afirmații care nu rezistă la verificare e o problemă în sine — indiferent cine l-a scris.
4. Ține cont de context și de persoană. Autorul e vorbitor non-nativ? Scrie într-un registru formal, standardizat? Acestea cresc riscul de fals-pozitiv, nu probabilitatea de fraudă.
5. Cere procesul, nu produsul. Dacă miza e reală (o notă, un contract, un post), cere dovezi de proces: versiuni intermediare, istoric de editare, capacitatea de a explica sau reproduce conținutul. Un om care a scris ceva poate vorbi despre ce a scris.
6. Nu acuza pe baza unui procent. Un scor de detector nu întrunește standardul de probă pentru o acuzație care poate afecta serios pe cineva. Folosește-l ca punct de pornire pentru dialog, nu ca sentință.

Pentru studenții care se întreabă cum să folosească AI-ul onest, fără să rămână niciodată în zona suspiciunii, avem un ghid separat: AI pentru studenți: cum înveți și cercetezi etic. Acolo discutăm etica academică; aici am discutat doar mecanica detecției.

Ce poți învăța mai departe

Detecția și transparența conținutului AI nu mai sunt curiozități, ci competențe de bază pentru oricine lucrează cu text în 2026. Dacă vrei să treci de la „am citit despre asta" la „știu să aplic":

• Pentru cadrul legal și obligațiile de marcare a conținutului generat, cursul Transparența conținutului AI (Art. 50) îți dă exact fundamentul de care ai nevoie ca să nu confunzi mit cu obligație reală.
• Ca să înțelegi din interior de ce textele generate au tiparele statistice discutate aici — și cum să scrii prompturi care produc conținut de calitate, verificabil — Prompt Engineering Masterclass e pasul natural.
• Dacă lucrezi în conținut și SEO, unde detecția, autenticitatea și proveniența devin factori de vizibilitate, SEO/AEO/GEO în era AI îți arată cum arată jocul în noul context.

Fiecare curs e construit cu profesor AI interactiv și învățare aplicată, în română. Explorează-le și alege-l pe cel care ți se potrivește.

Întrebări frecvente

Sunt fiabile detectoarele de text AI în 2026? Nu ca dovadă definitivă. Ele estimează o probabilitate pe baza unor tipare statistice și produc fals-pozitive documentate. Chiar OpenAI și-a retras propriul detector în 2023 din cauza acurateței scăzute, iar universități mari au dezactivat detecția AI din Turnitin. Folosește-le ca indiciu, nu ca verdict.

De ce un text scris de mine, om, e marcat drept AI? Pentru că detectoarele penalizează scrisul previzibil, uniform și cu vocabular simplu — exact profilul unui text corect, formal sau al unui vorbitor non-nativ. Un studiu Stanford (Liang et al., 2023) a arătat o rată medie de fals-pozitive de peste 61% pe eseuri TOEFL scrise de non-nativi. Nu ești vinovat de scris ordonat.

Pot ocoli detectoarele parafrazând textul generat? Adesea, da — și tocmai asta e slăbiciunea lor. Rescrierea manuală sau trecerea prin alt model schimbă tiparele statistice și poate șterge chiar și un watermark precum SynthID. Faptul că un text „păcălește" detectorul nu spune nimic despre cine l-a scris cu adevărat, motiv în plus să nu te bazezi pe scor.

Ce e watermarking-ul și rezolvă problema? Watermarking-ul (de ex. SynthID de la Google DeepMind, open-source din octombrie 2024) inserează un semnal ascuns în textul generat, detectabil ulterior. Ajută, dar funcționează doar dacă modelul l-a aplicat și textul nu a fost rescris masiv. Împreună cu standardele de proveniență (C2PA / Content Credentials) e o direcție mai serioasă decât detecția post-hoc, însă nu e infailibilă azi.

Îmi cere legea să marchez sau să detectez conținut AI? EU AI Act, prin articolul 50, cere furnizorilor de sisteme AI să marcheze conținutul generat într-un format citibil automat, cu aplicare de la 2 august 2026 (și o perioadă de tranziție pentru sistemele preexistente). Legea vizează marcarea la sursă, nu obligă la folosirea detectoarelor ca probă. Aceasta e informație generală, nu consultanță juridică.

Pot acuza un student sau un angajat pe baza unui scor de detector? Nu ar trebui. Un procent de detector nu întrunește standardul de probă pentru o acuzație cu consecințe serioase și riscă să lovească nedrept exact persoanele vulnerabile la fals-pozitive. Folosește scorul ca punct de pornire pentru dialog și cere dovezi de proces, nu ca sentință.

Concluzie

Întrebarea „e scris de AI?" e legitimă, dar răspunsul nu vine de la un buton care afișează un procent. Detectoarele de text AI măsoară o amprentă statistică — perplexitate, burstiness, tipare învățate — pe care o pot rata la textele AI bine editate și o pot declanșa fals la oameni care scriu simplu, formal sau într-o limbă străină. Dovezile sunt clare și publice: OpenAI și-a retras propriul detector în 2023, un studiu Stanford a arătat un bias masiv împotriva vorbitorilor non-nativi, iar universități întregi au renunțat la detecția AI din Turnitin. Viitorul serios stă în marcarea la sursă — watermarking și proveniență, direcția pe care o consacră și articolul 50 din EU AI Act din 2026 — nu în ghicitul de după.

Până atunci, cea mai bună „detecție" ești tot tu: un cititor care verifică fapte, citește voce și cere proces, nu un procent. Folosește instrumentele ca indiciu, tratează oamenii cu prezumția de nevinovăție și investește în a înțelege cu adevărat cum funcționează textul generat. Restul e statistică deghizată în certitudine.