Ha ma olvasol valamit a neten, egyre kevésbé magától értetődő, hogy ember írta-e, vagy egy modell „öntötte ki” ipari mennyiségben. Erre a bizonytalanságra épít a Pangram: azt ígéri, hogy megmondja, mennyi benne az AI.

Mi történt

A New York-i Pangram 9 millió dolláros tőkét vont be (a kört a Menlo Ventures vezette), és ezzel egy időben elindította új generációs szövegdetektorát, a Pangram 4-et, valamint egy AI-képfelismerő modellt (Pangram Image). A képes megoldás egyelőre csak „research preview”, vagyis korlátozott tesztverzió; a szélesebb elérését a következő hetekre ígérik.

A cég állítása szerint a Pangram 4 99% feletti pontossággal találja meg az AI-asszisztált és a vegyes (ember + AI) szövegeket, és könnyebben kiszúrja az úgynevezett „humanizer” programokat is. Ezek olyan eszközök, amelyek célja, hogy az AI által írt szöveg „emberibbnek” hasson, és így átcsússzon a detektorokon — gondolj rájuk úgy, mint egy stilisztikai álcázó rétegre.

A Pangram megközelítése nem vízjelekre vagy rejtett metaadatokra támaszkodik. Ehelyett egy nagy gépi tanulási modell tanul több tízmillió ismert emberi dokumentumból, majd minden dokumentumhoz készítenek egy „szintetikus tükröt”: ugyanaz a téma, hossz és hangnem, csak épp egy csúcskategóriás nagy nyelvi modell (LLM) írja meg. Így a rendszer a stílusmintákból próbál következtetni arra, hogy egy szöveg mennyire AI-eredetű.

Miért fontos

A vita már nem csak arról szól, hogy „AI írta-e”, hanem arról, mennyire segített be az AI. Egy szöveg lehet teljesen gépi, lehet emberi, vagy lehet olyan, mint egy kézirat, amit valaki megírt, majd AI-val „kicsiszoltatott”. A Pangram logikája szerint az AI-asszisztencia önmagában nem ördögtől való — a lényeg az átláthatóság: ha tudod, mivel van dolgod, máshogy olvasol. Olyan ez, mint amikor tudod, hogy egy fotó retusált: nem feltétlenül baj, csak más a bizalmi szint és más kérdéseket teszel fel.

Közben a következmények egyre kézzelfoghatóbbak: akadnak látványos bakik (például amikor valaki véletlenül promptot olvas fel), és vannak komolyabb ügyek is, mint a kitalált hivatkozásokra épített jogi érvelések. Az intézményi reakciók is keményednek: az arXiv idén olyan szabályt vezetett be, amely akár egyéves kitiltást is adhat, ha a beadott anyagból az látszik, hogy a szerző nem ellenőrizte az LLM kimenetét (hallucinált referenciák, vagy tipikus „ChatGPT-mondatok” alapján).

Mire figyelj

  1. A „99% pontosság” mit jelent a gyakorlatban? A detektoroknál a ritka, de fájdalmas téves jelzések (hamis pozitív) a legnagyobb kockázatok — különösen oktatásban, szerkesztőségekben vagy HR-ben.
  2. A vegyes tartalom lesz a fő csatatér. Nem az a kérdés, hogy valaki használt-e helyesírás-ellenőrzést, hanem hogy a szöveg tartalmi felelőssége kié, és ezt jelzik-e.
  3. Platformintegrációk és „valós idejű címkézés”. A Pangram Chrome-bővítménye több felületen (például X, LinkedIn, Substack) azonnal jelöl, és „feed health score”-t ad — ez könnyen normává teheti, hogy a tartalom eredete ugyanúgy kontextus, mint a szerző neve.
  4. Verseny és standardok hiánya. Több szereplő (Winston AI, Originality.ai, Copyleaks, GPTZero) is ugyanarra a problémára lő, de még nincs általánosan elfogadott mérce arra, hogy mit tekintünk „AI-írtnak” vagy „AI-asszisztáltnak”.

A TechCrunch tesztje alapján a rendszer meggyőzően fogta a teljesen AI-val generált cikkeket, ugyanakkor előfordult, hogy teljesen átírt emberi mondatokat is AI-nak jelölt — ami jól mutatja: a detektorok hasznosak lehetnek, de a végső ítéletet nem érdemes egyetlen százalékértékre rábízni.