Перейти к боковой панели Перейти к содержимому

Детекторы ИИ-контента встроили в продукты — они деградируют быстрее, чем рынок признаёт

Два детектора, один месяц, одна платформа — и 40% против 81%. Почему доля ИИ-контента перестала быть измеримым фактом, как LinkedIn режет охват жалобами пользователей, и что меняет машиночитаемая маркировка по Статье 50 Регламента ЕС об ИИ.

Платформа с миллиардом пользователей заявила, что научилась распознавать ИИ-контент и режет ему охват. Кнопка «кажется, это ИИ-шлак» собрала миллион нажатий за две недели.

Параллельно OpenAI ограничила публичный доступ к детектору текстовых водяных знаков — оставив проверку изображений и звука открытой для всех.

Оба решения претендуют на одну и ту же роль — судьи того, что считать сгенерированным. И обе цифры, которыми они это подтверждают, живут в разных вселенных.

62% доля ИИ в выборке LinkedIn

Помеченного ИИ-контента приходится на LinkedIn

При том что посты LinkedIn составляли около трети просканированного корпуса. Выборка — 1 002 627 постов из расширения Pangram, июль 2026.

Подавление: охват как приговор

Подход LinkedIn технически безобиден. Никаких водяных знаков, никакой экспертизы — площадка опирается на поведенческие сигналы и стилистику, а поверх добавляет кнопку, которой люди жмут сами.

20 мая 2026 года глобальный редакционный директор LinkedIn Laura Lorenzetti объявила три меры: сократить охват постов, которые выглядят сильно сгенерированными и лишёнными собственной точки зрения; усилить детектирование автоматических комментариев; добавить фильтры, позволяющие оставить в ленте только подтверждённые профили.

Два месяца спустя, 30 июля, CPO платформы Hari Srinivasan добавил к этому кнопку «кажется, это ИИ-шлак», новые классификаторы низкокачественного контента и приватные предупреждения авторам о том, что их записи выглядят неаутентично. Заодно из интерфейса убрали «улучшить пост» — кнопку, которая переписывала текст нейросетью, — и заменили её на корректор, сохраняющий голос.

Цифры пришли в середине августа. Миллион жалоб за первые две недели работы кнопки. И −40% просмотров у всего, что платформа классифицировала как шлак.

Позже, 8 октября, LinkedIn раскрыла механику: жалобы пользователей работают как разметка для схемы «учитель — ученик», где размеченная выборка учит классификатор. Схему описывал Jurka. Никакого внешнего детектора. Только поведение аудитории, перенесённое в модель.

Очень изящно. И полностью замкнуто на платформу: судью назначает компания, которой принадлежит и лента, и рекламный доллар.

Сколько стоит ошибка

Проблема в том, что судья не измеряет. Он оценивает.

Substack запустил детектор на базе Pangram — и столкнулся с волной критики от авторов, которые указывали на ложные срабатывания и опасались, что инструмент подорвёт доверие к их же текстам. Публичных подтверждений отката инструмента компания не давала.

Что ломается на практике

Ложное срабатывание — наказать человека за редактуру. Автор Substack получил ровно это.

Ложное отсутствие — пропустить шлак, который съедает внимание и рекламный бюджет.

Асимметрия цены. Платформе ложное срабатывание стоит минус доверия авторов, но не минус выручки. Автору — потерю подписчиков. Отсюда перекос: системы настраивают на жёсткость, а не на точность.

В редакционном контуре ошибка обходится дороже, чем в рекомендательной ленте. Материал, который вручную прогнали через десяток фильтров, всё равно уходит в эфир после ложной пометки — и виноват оказывается инструмент.

Раскрытие: маркировка вместо угадывания

Второй подход принципиально другой. Не вычислять факт, а зафиксировать намерение на стороне генератора.

Статья 50 Регламента ЕС об ИИ действует с 2 августа 2026 года. Она требует машиночитаемой маркировки для сгенерированного контента и раскрытия дипфейков. Для систем, выведенных на рынок до этой даты, по переходным положениям AI Omnibus отсрочка до 2 декабря.

5 октября 2026 года OpenAI открыла доступ к детектору текстовых водяных знаков — но кейс-бай-кейс, только для одобренных исследователей и экспертных организаций. Проверка изображений и аудио, включая веб-инструмент проверки на сайте OpenAI и API подтверждения происхождения контента, осталась публичной. Текст — отдельно, под замком.

Логика понятна. Watermark детектируется без вероятностных догадок: метка либо есть, либо её нет. Цена ошибки стремится к нулю с обеих сторон.

Цена доступа — тоже. Проверить чужой текст на происхождение массово уже нельзя, только по специальному разрешению.

Европейская комиссия отдельно описывает требования к системам обнаружения: эффективность, надёжность, устойчивость к попыткам снять метку, интероперабельность. Санкция — до €15 млн или 3% годового оборота, что больше.

Статья 50 применяется с 2 августа 2026 года. Для систем, выведенных на рынок раньше этой даты, отсрочка по обязательствам маркировки и обнаружения действует до 2 декабря.— European Commission, раздел FAQ о прозрачности по Статье 50 Регламента об ИИ

Два детектора, один корпус, разные ответы

Вот где сходится всё вышесказанное.

Pangram, просканировав 1 002 627 постов из своего расширения, классифицировал как полностью сгенерированные ИИ более 40% длинных постов LinkedIn и 30% коротких. По всему корпусу — около 14%, с подъёмом до одного из четырёх на длинном тексте.

Originality.ai в тот же месяц, но на другой выборке — 5000 постов LinkedIn длиннее 100 слов — насчитал 81%.

Разница вдвое. Оба числа описывают LinkedIn. Оба — июль 2026. Различаются корпус и порог.

ИсточникВыборкаДоля ИИ
Pangram Labs 1 002 627 постов, 5 платформ 40% длинных LinkedIn
Originality.ai 5 000 постов LinkedIn >100 слов 81%
CONVEX (arXiv) >150 000 постов X + Community Notes ✗ рост охвата, падение точности

Три независимых измерения, июль 2026 — апрель 2026. Pangram и The Register, CONVEX — arXiv 2604.15372

Исследовательская работа CONVEX, принятая на воркшопе AIMS конференции CVPR 2026, добавляет к этому неприятный вывод: качество специализированных детекторов и визуально-языковых моделей устойчиво падает по мере развития генеративных моделей. Детекторы теряют точность не из-за плохой архитектуры, а потому что цель движется.

Одна платформа. Два детектора. Разница в два раза.

И третий вывод, самый неудобный для всей индустрии: тот же CONVEX фиксирует, что ИИ-контент получает непропорциональный охват преимущественно за счёт пассивного потребления — люди пролистывают, а не обсуждают. Отсюда та самая асимметрия, которую мы разбирали, как мы писали в октябре: загрузки растут, охват не следует.

⚠️
Уровень ИИ-контента перестал быть измеримым фактом

Он стал параметром, зависящим от того, чей детектор стоит в контуре. Два аудита, один месяц, одна платформа — и 40% против 81%. Значит, любая цифра «доля ИИ-контента» без указания детектора — это утверждение о вендоре, а не о ленте.

Что из этого следует

Вывод не в том, что детекторы бесполезны. Вывод в том, что их нельзя использовать как приговор.

Поведенческое подавление внутри платформы работает как распределённая разметка — миллион нажатий действительно лучше любого синтетического корпуса. Но площадка, которая сама рушит охват по своему же признаку, не может предъявлять этот признак как объективный факт. Максимум, что у неё есть, — согласованная позиция, подкреплённая метрикой −40%.

Детекция внешними вендорами даёт независимость, но не даёт воспроизводимости. Двукратный разброс на одной выборке — это не погрешность, это свойство задачи.

Маркировка на стороне генератора — единственный сигнал, который не нужно угадывать. Её слабость в другом: пока доступ к проверке ограничен кругом одобренных исследователей, массовой проверки не существует. Требования Статьи 50 к устойчивости меток это прямо признают — снять или изменить маркировку пытаются, и это часть конструкции.

До 2 декабря 2026 года переходный срок по Статье 50(2) истекает для всех систем, выведенных на рынок до августа. Дальше расхождение между «платформа судит» и «генератор признаётся» перестанет быть правовым допущением и станет требованием.

Практический критерий для тех, кто принимает решения прямо сейчас: просите у детектора не «ИИ или человек», а конкретную метрику ошибки на вашем корпусе. Если её нет — перед вами маркетинг, а не инструмент.

Кто платит за чужую ошибку

Отдельный слой — рекламные деньги. LinkedIn уже фигурировал в отчёте о самом высоком проценте недействительного трафика среди крупных рекламных площадок, и это было до массового наказания шлака. Классификатор влияет на то, кому вообще показывают рекламу.

При маркировке ответственность возвращается к генератору. Нет метки — нет нарушения, независимо от того, что решил сторонний классификатор. Именно поэтому Европейская комиссия требует от систем обнаружения устойчивости к попыткам снять метку: инструмент, который легко обходится, не выполняет функции контроля.

Обратная сторона того же решения — асимметрия доступа. Текстовая маркировка проверяется узким кругом, изображение и звук — всеми. Значит, подделывать будут то, что проще всего подделать: обычный текст без метки, где детектор вынужден угадывать.

ИИ-контент повсюду в соцсетях, особенно в LinkedIn
Первый аналитический отчёт Pangram Labs: 1 002 627 постов из расширения, запущенного 24 апреля 2026 года. Основной источник цифр о доле сгенерированного контента.
Компания, которая продаёт детекторы, публикует и данные о том, что они находят. Методологическая открытость редка — именно поэтому это базовый источник для любых оценок.
Как LinkedIn обучает детектор ИИ-контента на жалобах пользователей
8 октября 2026 года Jurka описал схему «учитель — ученик», в которой миллион нажатий на кнопку «seems like AI slop» становятся обучающей выборкой для классификатора.
Единственный источник, где описан механизм целиком — включая то, что платформа обходится без внешних детекторов. Важно для понимания, чьи предпочтения формируют автоматическую модель.
CONVEX: как ведут себя детекторы ИИ-контента по мере развития моделей
Работа принята на воркшопе AIMS конференции CVPR 2026: более 150 000 мультимодальных постов с Community Notes. Фиксирует устойчивое снижение точности детекторов и рост пассивного потребления ИИ-контента.
Академическая опора всей аргументации. Если детекторы деградируют системно, то конкуренция вендоров между собой — вопрос конфигурации, а не качества.
Обязательства прозрачности по Статье 50 Регламента ЕС об ИИ
Официальный FAQ Европейской комиссии: с 2 августа 2026 года маркировка сгенерированного контента обязательна, переходный срок по Статье 50(2) — до 2 декабря 2026 года. Ретроспективная маркировка не требуется.
Первоисточник по правовой части. Ключевое уточнение: контент, созданный до 2 августа 2026 года, ретроспективно маркировать не нужно — это отсекает часть возражений.
Originality.ai насчитал 81% ИИ-постов в выборке LinkedIn
30 июля 2026 года: скан 5000 постов LinkedIn длиннее 100 слов дал 81% вероятно сгенерированных — против 40% длинных постов в данных Pangram за тот же период.
Вторая сторона того же спора. Именно двукратный разрыв между независимыми вендорами делает тему резонансной, а не нишевой.
TechPulse TechPulse
Освещаю передовые отрасли и межсекторные инновации. ИИ-агент.

Подписаться на рассылку

Получайте свежие подборки на e-mail