Какие тексты чаще путают с AI: отзывы, статьи, письма, посты и карточки товаров

У карточки товара есть обязательные характеристики и привычные рекламные обороты. Деловое письмо подчиняется правилам вежливости. Отзыв обычно читают как рассказ покупателя о собственном опыте. У статьи и поста ожидания совсем другие. Когда человек пытается угадать происхождение текста по стилю, жанр заметно влияет на его суждение.

В российском исследовании 2026 года авторство информационных статей определяли верно в 64% случаев. Для карточек товаров показатель составил 76%, для сообщений в мессенджерах - 82%. В другом эксперименте читатели едва отличали настоящие отзывы от сгенерированных. Эти результаты помогают понять, где возникают ошибки и почему универсального рейтинга пяти жанров пока нет.

В одном российском сравнении чаще всего ошибались со статьями

Kokoc Group попросила участников определить, какой контент создан человеком, а какой нейросетью. Среди текстовых материалов были сообщения, рекламные карточки товаров и информационные статьи. Результаты опубликованы в 2026 году в материале команды исследования; численные показатели по трем форматам также приводит Hi-Tech Mail.

Жанр	Авторство определили верно	Ошибочные ответы*
Информационные статьи	64%	36%
Карточки товаров	76%	24%
Сообщения в мессенджерах	82%	18%

*Доля ошибочных ответов вычислена как 100% минус опубликованная доля правильных. Это общий показатель ошибок участников, а не частота ложных обвинений человеческих авторов.

Разница между статьями и сообщениями составила 18 процентных пунктов. На каждые сто ответов в группе статей приходилось 36 ошибок, в группе сообщений - 18, если пересчитать опубликованные проценты. Пересчет не восстанавливает число участников и отдельных ответов.

В открытом описании нет полной таблицы по происхождению текстов, численности каждой жанровой группы и доверительным интервалам. По этим сведениям можно сравнить доли правильных ответов внутри опубликованного испытания. Вычислить отдельную частоту ошибочного обвинения человеческих авторов по каждому жанру нельзя. И еще одно ограничение: это проверка людей, а не тест программных AI-детекторов.

Статьи допускают много разных авторских голосов

У информационной статьи бывает строгий, почти справочный тон. Другой автор пишет короткими фразами, добавляет оговорки и спорит с источниками. Оба способа обычны для редакционных материалов. Читателю приходится искать происхождение текста среди признаков, которые встречаются у людей и генеративных моделей.

Участники исследования Kokoc Group обращали внимание на обобщения и гладкость изложения. Такие впечатления помогают описать читательскую реакцию, но сами по себе не подтверждают машинное авторство. Профессиональный редактор тоже может убрать повторы, унифицировать оформление и сделать текст ровнее.

Для оценки статьи полезнее проверить, откуда взяты утверждения, что подтверждают ссылки и сохраняется ли логика между абзацами. Даже обнаруженная фактическая ошибка ничего не говорит об авторстве без сведений о процессе написания. Признаки качества и признаки происхождения текста решают разные задачи.

Отзывы путают в обе стороны

В исследовании Вэйяо Мэн и соавторов 288 взрослых участников из Великобритании просматривали 50 англоязычных отзывов о товарах. Половина отзывов была настоящей, еще 25 подготовили с помощью языковой модели. Каждый участник решал, настоящий перед ним отзыв или сгенерированный. Работа опубликована в 2025 году как предварительная научная публикация.

Общая доля верных решений составила 50,8%, почти столько же, сколько ожидалось бы при случайном выборе между двумя равновероятными вариантами. Особенно показательно распределение ошибок. Участники назвали сгенерированными 34,2% подлинных отзывов, а 64,2% машинных отзывов приняли за настоящие.

Обе ошибки имеют последствия. Покупатель может напрасно усомниться в реальном отзыве и одновременно поверить выдуманному рассказу об использовании товара. Доверие к отзыву разумнее подкреплять сведениями о подтвержденной покупке и контекстом аккаунта. Живые подробности, эмоциональность и опечатки тоже легко воспроизвести в генерации.

Этот эксперимент касался английского языка и одной выборки из 50 отзывов. Его 50,8% нельзя напрямую сопоставить с российскими 64% для статей. Разные участники выполняли задания на разных материалах.

Письма и сообщения похожи, но проверялись отдельно

В переписке читатель узнает знакомый ритм, сокращения и привычную степень формальности. Отсюда высокая доля правильных ответов по сообщениям в российском исследовании. Деловые письма устроены иначе: отказ клиенту или партнеру требует объяснения решения и сохранения отношений.

Уинни Уилсон и Хит Роуз изучили именно деловые письма с отказом. Они собрали 54 англоязычных текста, поровну от профессиональных авторов, ChatGPT и Gemini. Затем 36 преподавателей делового письма оценивали тексты вслепую. Из 36 решений о человеческих оригиналах пять оказались ложным обвинением в использовании AI. Из 72 решений о машинных письмах 23 ошибочно признали человеческими.

Получается 86,1% верных ответов для человеческих текстов и 68,1% для машинных. Участники учитывали тон, отношения с адресатом, подбор слов и структуру письма. Исследование опубликовано в 2025 году. Его результаты нельзя переносить на любую рабочую переписку: проверялись только письма с отказом, созданные по шести заданиям.

С постами сложнее из-за контекста

Пост в социальной сети может быть коротким ответом на чужой вопрос, репликой внутри спора, объявлением или длинной заметкой. Вырванная из обсуждения фраза теряет часть смысла. У автора остаются собственные привычки письма, но у читателя одного поста часто нет примеров, с которыми их можно сопоставить.

В исследовании Арки Датты и соавторов, опубликованном в 2026 году в материалах конференции ICWSM, проверяли несколько систем распознавания AI-текста на публикациях из социальных сетей. Авторы использовали временные признаки происхождения материалов и обнаружили ложные срабатывания. Исследование показывает, что такие ошибки возникают и на реальном сетевом контенте. Единой цифры для всех коротких постов из него вывести нельзя.

При проверке поста имеет смысл учитывать дату, обсуждение, последовательность публикаций и историю редактирования. Одна грамотно оформленная реплика не дает надежных оснований назначать ей машинного автора.

Карточки товара проверяют иначе, чем отзывы

Покупатель ожидает от карточки характеристик, единиц измерения, условий использования и короткого описания преимуществ. Поэтому похожие конструкции могут встречаться у разных продавцов, даже когда тексты готовили люди. Маркетинговый пафос, по словам участников российского исследования, вызывал подозрение в генерации.

Карточка описывает товар, отзыв передает заявленный опыт покупателя. Для первого текста проверяют характеристики и соответствие источнику данных. Для второго особенно важны происхождение свидетельства и признаки реальной покупки. Смешивать эти жанры в одну категорию «текст о товаре» при оценке авторства было бы ошибкой.

На результат детектора влияет и то, какие жанры встречались при его обучении. Большой сравнительный корпус RAID охватывает более шести миллионов генераций, восемь предметных областей и разные способы создания текста. Его авторы обнаружили, что детекторы могут терять надежность при смене условий и типов данных. Значит, результат проверки карточки товара нельзя автоматически оценивать по точности, измеренной на длинных статьях.

Как использовать эти результаты при проверке текста

У каждого жанра есть контекст, который лучше обычной стилистической догадки помогает оценить достоверность материала.

• Отзыв. Ищите подтверждение покупки, последовательность оценок автора и проверяемые обстоятельства использования. Эмоциональная деталь сама по себе ничего не доказывает.
• Статья. Проверяйте источники, даты, имена, цитаты и происхождение редакционных версий. Процент AI-детектора не заменяет эти сведения.
• Письмо. Сопоставляйте тон с адресатом и предыдущей перепиской. Стандартная вежливая формула может быть частью делового этикета.
• Пост. Читайте сообщение вместе с обсуждением и историей публикаций. Отдельная фраза редко отражает устойчивую манеру автора.
• Карточка товара. Сверяйте параметры с документацией и убирайте неподтвержденные обещания. Одинаковая структура карточек часто задана самим каталогом.

Надежность детекторов также зависит от языка и длины фрагмента. Данные по длине русских текстов отдельно приведены в материале «Как длина текста влияет на точность AI-детекторов на русском языке». О последствиях ложного обвинения человеческого автора можно прочитать в статье «Ложные срабатывания AI-детекторов: какие человеческие тексты попадают под подозрение».

Среди трех сопоставленных российских форматов больше всего ошибок оказалось при оценке информационных статей. Отдельные испытания показывают, что отзывы тоже трудно различать, а у деловых писем заметно различаются ошибки по отношению к человеческим и машинным текстам. Для коротких постов единый процент сравнения отсутствует. Происхождение конкретного текста лучше подтверждать историей его создания, когда она доступна.

Источники

• Kokoc Group. Как россияне распознают AI-контент и что это значит для бизнеса. Октябрь 2026 года. Сравнение восприятия информационных статей, карточек товаров и сообщений.
• Hi-Tech Mail. Как россияне распознают AI-контент. Июль 2026 года. Опубликованные доли верных ответов по трем текстовым форматам.
• Meng W. et al. Large Language Models as Hidden Persuaders: Fake Product Reviews are Indistinguishable to Humans and Machines. 2025. Предварительная научная публикация, эксперимент с 288 участниками.
• Wilson W., Rose H. A Genre, Scoring, and Authorship Analysis of AI-Generated and Human-Written Refusal Emails. Business and Professional Communication Quarterly, 2025.
• Dutta A. et al. A Large Scale Social Web Audit of AI Generated Text Detection Systems. ICWSM, 2026.
• Dugan L. et al. RAID: A Shared Benchmark for Robust Evaluation of Machine-Generated Text Detectors. ACL, 2024.