Wykrywacz AI – ranking detektorów treści 2026
Detektory treści AI dzielą się dziś na dwie grupy i różnica między nimi jest większa niż między poszczególnymi narzędziami w każdej z nich. Pierwsza publikuje odsetek fałszywych alarmów i ma recenzowaną dokumentację metody – należą do niej Pangram, Copyleaks, Turnitin i Sapling. Druga podaje samą liczbę „99% skuteczności” bez informacji, na czym była mierzona. Poniżej porównanie dwunastu narzędzi, mechanizm detekcji i wskazanie, którym wynikom można ufać.
Na wstępie fakt, który ustawia perspektywę: OpenAI zamknęło własny detektor. Uruchomiony 31 stycznia 2023 klasyfikator wykrywał 26% tekstów AI i błędnie oznaczał 9% tekstów ludzkich. 20 lipca 2023 firma wycofała go z powodu „niskiej trafności”. Producent modeli nie zbudował działającego detektora własnych modeli.
Ranking detektorów AI – tabela porównawcza
| Detektor | Plan darmowy | Cena od | Deklarowana skuteczność | Podany odsetek fałszywych alarmów | Polski |
|---|---|---|---|---|---|
| Pangram | 20 sprawdzeń dziennie | plany płatne | 99,9%+ | 1 na 10 000 | 20+ języków |
| Copyleaks | ograniczony | plany komercyjne | 99,1% (test własny, ponad 1 mln próbek) | 0,2% | 30+ języków |
| Turnitin | brak, dostęp przez uczelnię | licencja instytucjonalna | ok. 85% wykrywalności | poniżej 1% powyżej progu 20% | brak deklaracji |
| Sapling | 2 000 znaków | plany płatne | 97%+ na dłuższych tekstach | poniżej 3% | brak deklaracji |
| Winston AI | konto bez karty | ok. 18 USD/mies. | 99,98% | brak | tak, wymieniony wprost |
| GPTZero | 10 000 słów/mies. | 8,33 USD/mies. (rocznie) | 99%, w benchmarku zewnętrznym 95,7% | brak | nie wśród w pełni wspieranych |
| Originality.ai | brak | 12,95 USD/mies. (rocznie) | brak deklaracji w cenniku | brak | brak listy |
| ZeroGPT | 15 000 znaków na skan | plany usuwają reklamy | brak jednoznacznej | brak | źródła niespójne |
| Scribbr / QuillBot | tak | plany płatne | 78% w teście własnym Scribbr | brak | wielojęzyczne |
| Hive Moderation | API, limit próbny | rozliczenie API | brak publicznej deklaracji | brak | wielojęzyczne |
| isgen | ograniczony | plany komercyjne | brak deklaracji | brak | pozycjonuje się pod polski |
| JustDone | ograniczony | plany komercyjne | brak deklaracji | brak | wielojęzyczne |
Kolumna, która decyduje, to nie skuteczność, tylko odsetek fałszywych alarmów. Skuteczność wykrywania łatwo podbić – wystarczy oznaczać wszystko jako AI. Dopiero zestawienie obu liczb mówi cokolwiek o narzędziu. Z dwunastu pozycji tylko cztery podają obie.
Uwaga o źródłach deklaracji: Copyleaks podaje 99,1% z testu własnego, Scribbr wskazuje siebie i QuillBota jako najlepsze darmowe detektory we własnym teście. To nie znaczy, że liczby są fałszywe – znaczy, że pochodzą od zainteresowanej strony. Jedynym narzędziem z tej stawki, którego metoda ma recenzowaną dokumentację naukową, jest Pangram.
Detektory otwarte i akademickie
Poza rynkiem komercyjnym istnieje warstwa, o której rankingi nie wspominają, a która stoi za częścią porównań naukowych:
- Binoculars – metoda oparta na porównaniu dwóch modeli, bez uczenia klasyfikatora
- DetectGPT i Fast-DetectGPT – wykrywanie przez analizę krzywizny prawdopodobieństwa
- RADAR – podejście oparte na uczeniu przeciwstawnym
Są darmowe i przejrzyste metodologicznie, ale w testach na tekstach po humanizacji wypadają wyraźnie słabiej od najlepszych rozwiązań komercyjnych. Mają znaczenie jako punkt odniesienia w badaniach, nie jako narzędzie do codziennej pracy.
Jak czytać wynik detektora
Detektor nie odpowiada na pytanie „czy ten tekst napisała AI”. Odpowiada na pytanie „na ile ten tekst przypomina statystycznie tekst modelu językowego”. To dwie różne rzeczy i mylenie ich prowadzi do krzywd.
Wynik procentowy to nie dowód. 80% nie znaczy, że tekst w 80% napisała AI. Znaczy, że narzędzie z takim prawdopodobieństwem klasyfikuje go jako podobny do treści generowanych.
Progi mają znaczenie. Turnitin w ogóle nie pokazuje wyniku w przedziale od 1% do 19% i nie oznacza takich fragmentów – żeby ograniczyć ryzyko fałszywych oskarżeń. To przyznanie wprost, gdzie kończy się wiarygodność narzędzia. Detektory pokazujące każdą wartość od zera tego zastrzeżenia nie robią.
Krótki tekst to gorszy wynik. Im mniej materiału, tym słabszy sygnał statystyczny. Sapling podaje wprost, że jego wskazania stają się miarodajne dopiero od około pięćdziesięciu słów, i zastrzega, że żaden detektor nie powinien być używany jako jedyna przesłanka. To najuczciwsze zdanie na stronie któregokolwiek z dostawców.
Fałszywe alarmy – kiedy detektor myli się na ludzkim tekście
Zespół z Uniwersytetu Stanforda pod kierunkiem Weixina Lianga przebadał siedem powszechnie używanych detektorów na esejach egzaminacyjnych TOEFL, napisanych przez ludzi w warunkach nadzorowanych. Wynik:
- ponad 61% prac napisanych przez osoby nierodzime zostało zaklasyfikowanych jako wygenerowane przez AI
- te same detektory rozpoznawały eseje rodzimych użytkowników angielskiego niemal bezbłędnie
- eseje błędnie oznaczone miały istotnie niższą perplexity niż pozostałe
Ostatni punkt wyjaśnia mechanizm. Detektory karzą tekst za przewidywalność, a osoba pisząca w języku, którego nie zna doskonale, używa prostszego słownictwa i bardziej schematycznych konstrukcji. Statystycznie wygląda to jak model językowy. Detektor tej generacji nie wykrywał AI, tylko brak różnorodności językowej.
Czy to nadal aktualne
Tu potrzebne jest zastrzeżenie, którego brakuje w większości polskich tekstów cytujących to badanie. Badanie testowało detektory dostępne w 2023 roku. Część narzędzi powstałych później celuje wprost w tę wadę.
Pangram w raporcie technicznym podpisanym przez Bradleya Emi i Maxa Spero deklaruje, że jego klasyfikator nie jest stronniczy wobec osób nierodzimych i generalizuje na dziedziny oraz modele nieobecne w treningu. Metoda opiera się na uczeniu z użyciem tak zwanych trudnych negatywów – syntetycznych odpowiedników tekstów ludzkich, mających obniżyć odsetek fałszywych alarmów. Raport podaje ponad trzydziestoośmiokrotnie niższy poziom błędów niż DetectGPT i narzędzia komercyjne, na dziesięciu typach tekstu i ośmiu modelach.
To jest deklaracja producenta poparta publikacją, nie niezależny audyt. Traktuj ją jako mocniejszą przesłankę niż samo hasło marketingowe, ale słabszą niż wynik testu przeprowadzonego przez stronę trzecią.
Kto pozostaje najbardziej narażony niezależnie od generacji narzędzia:
- osoby piszące w języku obcym
- autorzy tekstów technicznych i proceduralnych, gdzie powtarzalność jest zaletą
- teksty po redakcji, w których korektor wygładził nierówności stylistyczne
- pisanie w rejestrze formalnym, z natury schematycznym
Na czym polega detekcja – perplexity i burstiness bez żargonu
Klasyczne detektory opierają się na dwóch miarach.
Perplexity to miara zaskoczenia. Model przewiduje kolejne słowo; jeśli przewiduje je łatwo, perplexity jest niska. Teksty generowane mają ją niską, bo model wybiera słowa najbardziej prawdopodobne. Człowiek pisze mniej przewidywalnie – używa nietypowego słowa, urywa zdanie, wtrąca dygresję.
Burstiness to zmienność. Ludzie piszą nierówno: po zdaniu na cztery linijki przychodzi zdanie na trzy słowa. Modele generują wyrównany rytm.
Detektor liczy obie miary i pyta: czy ten tekst jest podejrzanie przewidywalny i podejrzanie równy?
Stąd bierze się problem tej metody. Tekst człowieka piszącego prosto i równo wygląda dla niej identycznie jak tekst modelu. Nie ma tu analizy sensu – jest statystyka rozkładu słów.
Nowsze narzędzia odchodzą od tego podejścia na rzecz wytrenowanych klasyfikatorów – sieci uczonych na parach tekstów ludzkich i generowanych. To one odpowiadają za skok w wynikach na tekstach po humanizacji, opisany niżej.
Szerzej o standardach piszemy w tekście o wykrywaniu treści AI.
Czego detektory nie wykrywają
Fałszywe alarmy to jedna strona problemu. Druga to teksty faktycznie wygenerowane, które przechodzą bez zastrzeżeń.
Tekst po redakcji. Przepisanie co trzeciego zdania, dołożenie własnego przykładu i zmiana szyku wystarczą, żeby wskaźniki wróciły w zakres uznawany za ludzki. Nie trzeba do tego narzędzia – wystarczy normalna praca redakcyjna.
Tekst z modelu, na którym detektor się nie uczył. Nowy model, model otwarty albo dostrojony do wąskiej dziedziny może dawać rozkład, którego narzędzie nie rozpoznaje.
Tekst krótki. Poniżej kilkuset słów sygnał statystyczny jest zbyt słaby.
Tekst po humanizacji – ale tu przebiega największa różnica między narzędziami. Humanizatory automatycznie wprowadzają nieregularność długości zdań i wymieniają słowa na mniej typowe. Przeciwko detektorom opartym na perplexity działa to skutecznie. Przeciwko wytrenowanym klasyfikatorom – znacznie gorzej. W porównaniach publikowanych przez Pangram jego model rozpoznaje około 97% tekstów po humanizacji, podczas gdy GPTZero około 46%, Fast-DetectGPT 23%, a Binoculars 7%.
Te liczby pochodzą od producenta jednego z porównywanych narzędzi i trzeba je czytać z tą świadomością. Kierunek jest jednak zbieżny z niezależnym badaniem z 2026 roku, w którym na 160 pracach akademickich – w wariantach w pełni generowanych, w pełni ludzkich, hybrydowych i po humanizacji – Pangram wypadł najlepiej spośród porównywanych z nim GPTZero, Turnitina i Copyleaks.
Turnitin podaje około 85% wykrywalności tekstu niezmodyfikowanego, czyli wklejonego prosto z modelu. Warto tę liczbę czytać uważnie: każda ingerencja redakcyjna ten wynik obniża.
Wniosek jest niewygodny dla obu stron sporu o detektory. Narzędzia starszej generacji łatwo obejść świadomie, a jednocześnie karzą one osoby, które niczego nie obchodzą. Nowsze klasyfikatory radzą sobie z obchodzeniem lepiej, ale ich przewaga opiera się głównie na danych publikowanych przez producentów.
Darmowe detektory – co dają, a czego nie
| Narzędzie | Co dostajesz bez opłat |
|---|---|
| Pangram | 20 sprawdzeń dziennie po założeniu konta |
| GPTZero | 10 000 słów miesięcznie |
| ZeroGPT | 15 000 znaków na pojedynczy skan |
| Sapling | 2 000 znaków na zapytanie |
| Winston AI | konto bezpłatne bez podawania karty |
| Scribbr, QuillBot | sprawdzenie bez opłat |
| Originality.ai | nic – brak wersji darmowej |
Darmowe limity wystarczają do sprawdzenia pojedynczego tekstu, nie do systematycznej pracy.
Wersje bezpłatne mają jeszcze jedno ograniczenie, o którym nie mówi się wprost: wklejasz tam cudzy tekst. Sprawdzając pracę studenta, dokument klienta albo materiał poufny, wysyłasz go do zewnętrznego dostawcy. Warto sprawdzić, co jego regulamin mówi o wykorzystaniu przesłanych treści – to ten sam problem, który opisujemy przy zarządzaniu danymi w ChatGPT.
Detektory a język polski
Wsparcie dla polszczyzny jest deklarowane rzadko i nierówno.
Copyleaks podaje ponad 30 języków dla detekcji AI – najszerszy zakres w stawce. Pangram deklaruje ponad 20 języków. Winston AI wymienia polski wprost, wśród jedenastu obsługiwanych.
GPTZero podaje, że w pełni wspiera angielski, niemiecki, portugalski, francuski i hiszpański, zaznaczając, że bywa używany w wielu innych. Polskiego nie ma na liście pełnego wsparcia – to nie znaczy, że nie zadziała, ale że dostawca nie bierze za ten wynik odpowiedzialności.
Originality.ai nie publikuje listy języków w cenniku. Przy ZeroGPT źródła są sprzeczne.
Osobny przypadek to teksty z modeli trenowanych na polszczyźnie, jak Bielik. Detektory uczono rozpoznawać charakterystykę dużych modeli komercyjnych – model o innym rozkładzie może przez nie przejść niezauważony.
Wniosek praktyczny: wynik na polskim tekście jest mniej wiarygodny niż na angielskim, bo klasyfikatory trenowano głównie na korpusach angielskich. Nakłada się na to wniosek z badania Stanforda: jeśli narzędzie karze niższą różnorodność językową, a polszczyzna jest w danych treningowych słabiej reprezentowana, ryzyko fałszywego alarmu rośnie podwójnie.
Wykrywanie AI w pracach dyplomowych
Tu stawka jest najwyższa, bo błąd detektora może kosztować zaliczenie.
Co robić przy fałszywym oskarżeniu:
- Poproś o wskazanie narzędzia i wyniku. Sam procent nic nie znaczy bez informacji, jakie narzędzie go wygenerowało i przy jakim progu.
- Powołaj się na badania. Praca zespołu Stanforda jest recenzowana i publicznie dostępna – pokazuje ponad 61% fałszywych alarmów na tekstach osób nierodzimych.
- Przywołaj przypadek OpenAI. Firma tworząca modele wycofała własny detektor, bo wykrywał 26% tekstów AI i błędnie oznaczał 9% ludzkich.
- Pokaż proces pisania. Historia wersji w edytorze, notatki, bibliografia z datami, kolejne szkice. To jedyny realny dowód, jakim dysponujesz.
- Zapytaj o próg. Przy Turnitinie wyniki od 1% do 19% w ogóle nie są raportowane – producent uznał je za niewiarygodne.
Profilaktycznie: pisz w edytorze zapisującym historię zmian. Pięć sekund konfiguracji, jedyny dowód, który działa.
Wykrywanie obrazów AI to inna technologia
Detektory tekstu i detektory obrazów nie mają ze sobą nic wspólnego poza nazwą.
Detekcja tekstu opiera się na statystyce rozkładu słów albo na wytrenowanym klasyfikatorze. Weryfikacja pochodzenia obrazu opiera się na czymś innym: metadanych i znakach wodnych osadzanych przez producenta – standardzie C2PA opisującym łańcuch pochodzenia pliku oraz niewidzialnych znakach wodnych wbudowywanych w treść.
Praktyczna konsekwencja: przy obrazach nie zgadujesz na podstawie statystyki, tylko sprawdzasz, czy plik niesie deklarację pochodzenia. Podejście pewniejsze, ale zawodne w drugą stronę – metadane da się usunąć jednym poleceniem, a część platform czyści je przy publikacji.
Rozwijamy to w tekście o znakach wodnych AI i weryfikacji autentyczności.
Który detektor wybrać do czego
Do sprawdzania tekstów, które mogły przejść przez humanizator. Pangram – jako jedyny ma recenzowaną dokumentację metody i najlepsze wyniki na tekstach po humanizacji, zarówno we własnych porównaniach, jak i w niezależnym badaniu z 2026 roku.
Do tekstów po polsku. Copyleaks przy najszerszym wsparciu językowym albo Winston AI, który wymienia polski wprost. Wynik traktuj jako wskazówkę, nie rozstrzygnięcie.
Do jednorazowego sprawdzenia bez opłat. Pangram z limitem dwudziestu sprawdzeń dziennie albo GPTZero z pulą 10 000 słów miesięcznie.
Do pracy redakcyjnej na dużą skalę. Originality.ai, jeśli akceptujesz brak wersji darmowej – system kredytowy daje przewidywalny koszt przy stałym wolumenie. Alternatywnie API Copyleaks albo Hive Moderation.
W kontekście akademickim. Turnitin, ale wyłącznie dlatego, że publikuje metodykę i próg, poniżej którego nie raportuje wyniku.
Do czego nie używać żadnego. Do podejmowania decyzji o człowieku na podstawie samego wyniku procentowego. Sam producent Saplinga pisze to wprost: żaden detektor nie powinien być jedyną przesłanką.
Najczęstsze pytania
Czy detektory AI działają?
Najlepsze z nich – tak, w granicach, które same podają. Pangram deklaruje jeden fałszywy alarm na 10 000 tekstów, Copyleaks 0,2%, Turnitin poniżej 1% powyżej progu 20%. Narzędzia starszej generacji, oparte wyłącznie na perplexity, mylą się znacznie częściej.
Jak sprawdzić, czy tekst napisała AI?
Wklej go do detektora i potraktuj wynik jako wskazówkę. Przy tekstach dłuższych niż kilka stron wynik jest bardziej miarodajny. Zawsze zestawiaj go z innymi przesłankami: historią wersji, spójnością ze stylem autora i możliwością rozmowy o treści.
Jakie są darmowe wykrywacze AI?
Pangram daje 20 sprawdzeń dziennie, GPTZero 10 000 słów miesięcznie, ZeroGPT 15 000 znaków na skan, Sapling 2 000 znaków, Winston AI konto bez karty. Originality.ai nie ma wersji darmowej.
Czy detektory AI działają na polskim?
Nierówno. Copyleaks deklaruje ponad 30 języków, Pangram ponad 20, Winston wymienia polski wprost. GPTZero nie umieszcza polskiego wśród języków w pełni wspieranych. Wynik na polskim tekście traktuj ostrożniej niż na angielskim.
Czy detektor może się pomylić na tekście człowieka?
Tak. Badanie Uniwersytetu Stanforda wykazało, że siedem popularnych detektorów uznało ponad 61% esejów napisanych przez osoby nierodzime za wygenerowane przez AI. Badanie dotyczyło narzędzi dostępnych w 2023 roku – nowsze klasyfikatory deklarują znacznie niższe wskaźniki błędu.
Czy da się oszukać detektor?
Zależy który. Detektory oparte na perplexity obchodzi zwykła redakcja albo humanizator. Wytrenowane klasyfikatory radzą sobie lepiej – Pangram podaje około 97% wykrywalności na tekstach po humanizacji wobec 46% u GPTZero.
Czy detektor wykryje każdy tekst z AI?
Nie. Turnitin podaje około 85% wykrywalności dla tekstu niezmodyfikowanego, czyli wklejonego prosto z modelu. Tekst po redakcji albo pochodzący z modelu, na którym detektor się nie uczył, może przejść bez zastrzeżeń.
Dlaczego OpenAI zamknęło swój detektor?
Bo wykrywał tylko 26% tekstów generowanych przez AI i błędnie oznaczał 9% tekstów ludzkich. Narzędzie działało od 31 stycznia do 20 lipca 2023 roku.
Źródła
- GPT detectors are biased against non-native English writers, Liang W., Yuksekgonul M., Mao Y., Wu E., Zou J., Stanford University – dostęp 30.08.2026
- Technical Report on the Pangram AI-Generated Text Classifier, Emi B., Spero M., arXiv:2402.14873 – dostęp 30.08.2026
- Pangram – AI Detector – dostęp 30.08.2026
- How well does Pangram perform on humanizers?, Pangram – dostęp 30.08.2026
- Copyleaks AI Detector accuracy – third-party studies, Copyleaks – dostęp 30.08.2026
- Sapling AI Content Detector – dostęp 30.08.2026
- GPTZero – Pricing – dostęp 30.08.2026
- Winston AI – AI Content Detector – dostęp 30.08.2026
- Originality.ai – Pricing – dostęp 30.08.2026
- ZeroGPT – Free AI Detector – dostęp 30.08.2026
- Best AI Detectors – tested, Scribbr – dostęp 30.08.2026
- Turnitin’s AI writing detection capabilities FAQs, Turnitin Guides – dostęp 30.08.2026
- OpenAI scuttles AI-written text detector over low rate of accuracy, TechCrunch, 25.07.2023 – dostęp 30.08.2026
