Anim na taon na ang nakalipas, ang generative text ay isang novelty. Ngayon ito ay sumusulat ng mga sanaysay ng estudyante, mga artikulo sa balita, marketing copy, at mga thread sa social media sa kalidad na hindi makilala mula sa tao. Ito ang maikling kasaysayan kung paano tayo nakarating dito — at kung bakit lumipat ang detection mula sa academic research patungo sa araw-araw na gawi.
Ang pre-GPT-3 generative text ay karaniwang isang research curiosity. Ang mga Markov chain, recurrent neural network, at pinakamaagang transformer-based na modelo ay makakalikha ng magkakaugnay na pangungusap ngunit bumabagsak sa haba ng talata. Ang isang maikling sample ay maaaring manlinlang sa isang hindi maingat na mambabasa; ang isang buong dokumento ay hindi kailanman.
Ang pananaliksik ng AI detection ay umiiral ngunit nasa niche ito. Ang mga papel tulad ng Grover ni Zellers et al. (2019) ay bumuo ng mga detector para sa GPT-2-era fake news ngunit ang praktikal na pangangailangan ay mababa — ang dami ng machine-generated na teksto na kumakalat ay minimal. Ang detection ay isang solusyon na naghahanap ng problema.
Tatlong bagay ang nagbago nang sabay-sabay noong 2020–2021: ang scale ng modelo ay tumalagpas sa billion-parameter threshold (GPT-3 sa 175B), ang training data ay tumalagpas sa trillion-token threshold, at binuksan ng OpenAI ang API access sa isang simple, human-readable na prompt interface. Ang text generation ay lumipat mula sa mga research lab patungo sa sinumang may credit card.
Inilunsad ang ChatGPT noong Nobyembre 2022 sa tuktok ng GPT-3.5 at nakakuha ng 100 milyong gumagamit sa loob ng dalawang buwan — ang pinakamabilis na consumer-product adoption sa kasaysayan. Sa loob ng anim na buwan, ang mga submission ng estudyante, marketing copy, at mga script ng customer service ay nababago nang masusukat patungo sa LLM-generated na nilalaman.
Ang mga guro ang unang napansin. Sa tagsibol ng 2023, ang bawat pangunahing unibersidad ay may emergency na pulong ng AI policy at marami ang nag-mandato ng pansamantalang mga AI-free na format ng assessment (in-class na exam, oral na depensa). Ang merkado ng detection tool ay sumabog — Originality.ai, GPTZero, Copyleaks AI, at isang dosenang iba pa ay naglunsad sa loob ng 12 buwan mula sa release ng ChatGPT.
Inulit ang pattern sa publishing. Ang mga AI-generated na artikulo ay bumaha sa mga content farm at natukoy ng mga algorithm ng ranking; inilabas ng Google ang helpful-content update nang partikular upang i-deprioritize ang mababang kalidad na AI output; ang mga publisher ng balita ay nag-isyu ng mga patakaran ng pagsisiwalat ng may-akda; hiniling ng mga akademikong journal ang mga pagsisiwalat ng paggamit ng AI sa mga pahayag ng may-akda.
Ang mga unang AI-detection tool ay nakamit ang katamtamang katumpakan sa GPT-3.5 output. Ang mga vendor ay naglathala ng mga numero ng AUC sa hanay na 0.85–0.95 sa mga standard na benchmark. Sa loob ng anim na buwan, ang mga humaniser tool ay lumabas nang tahasan na nagta-target sa mga detector na ito — Undetectable AI (Okt 2023), StealthWriter, Humanbeing — nag-aalok ng mga serbisyo ng paraphrasing na may presyo bawat 1000 salita.
Ang mga vendor ng detection ay sumagot sa pamamagitan ng pag-re-retrain sa mga humanised na sample. Ang mga vendor ng humaniser ay sumagot sa pamamagitan ng pagsasanay laban sa mga bagong detector. Ang arms race cycle ay naging mas maikli mula sa mga buwan patungo sa mga linggo. Sa kalagitnaan ng 2024, walang publicly-deployed na detector ang makakaangkin nang tapat ng stable na katumpakan nang walang patuloy na retraining laban sa humaniser output.
Samantala, nagpabilis ang sopistikasyon ng generator. GPT-4 (Marso 2023), Claude 3 (Marso 2024), Gemini 1.5 (Peb 2024), Llama 2/3 (Hulyo 2023 / Abril 2024), mga release ng Mistral — ang bawat henerasyong modelo ay nababago nang masusukat na mas mahirap matukoy kaysa sa nauna. Ang detection ay naging isang moving-baseline problem.
Noong 2026-04, ang detection landscape ay nakamit na ang isang magaspang na stable state. Ang mga production detector — kasama ang amin — ay nakakamit ng AUC sa hanay na 0.95–0.99 sa in-distribution na academic text, bumababa sa 0.85–0.92 sa mga frontier model (GPT-5, Claude 4.5, Gemini 2.5) hanggang sa makaabala ang retraining. Tingnan ang aming accuracy benchmark para sa kasalukuyang mga numero bawat generator.
Ang mga tool na nakaligtas sa 2023–2024 na shakeout ay ang mga nagturing sa detection bilang isang patuloy na retraining problem mula sa simula. Ang mga vendor na nagpadala ng isang one-shot na modelo at inakala itong tapos ay tahimik na nawala. Ang merkado ay nag-consolidate sa paligid ng iilang provider na may patuloy na investment sa pananaliksik — kami, isang maliit na bilang ng espesyalistang vendor, at ang mga feature ng detection na naka-embed sa mga pangunahing platform ng plagiarism detection.
Nag-stabilize din ang landscape ng gumagamit. Ang mga guro ay nag-publish ng mga patakaran; ang mga publisher ay may mga kinakailangan ng pagsisiwalat; ang mga search engine ay nagpapababa ng priyoridad ng mababang kalidad na AI; ang mga social platform ay nag-la-label ng AI-generated na nilalaman. Ang detection ay karaniwang ginagawa na ngayon, hindi pang-eksklusibo — naka-embed sa mga workflow sa halip na paminsan-minsang pinatakbo.
Subukan ang aming AI & Plagiarism Checker sa anumang teksto. Mga tunay na numero, tunay na per-sentence verdict, walang signup.
Dalawang trend ang nangingibabaw sa 2026–2027 na pananaw. Ang Multi-modal na katibayan: ang text-only detection ay sasama sa typing-dynamics analysis, edit-history verification, at authorship-consistency check laban sa isang kilalang writing corpus. Ang purong teksto score ay nagiging isang miyembro ng pagboto sa isang mas mayamang desisyon.
Ang Watermarking sa oras ng generation: ang OpenAI ay nag-deploy ng experimental na text-watermarking sa ilang GPT interface. Kung ang watermarking ay nagiging standard sa mga pangunahing provider, ang detection ay lumilipat mula sa probabilistic inference patungo sa cryptographic verification. Ito ay isang pundamental na pagbabago ng arkitektura at magbabawas ng halaga ng statistical detection para sa mga watermarked na modelo — habang iniiwan ang mga open-weights na modelo nang ganap sa statistical territory.
Wala sa mga pagbabago ang nag-aalis ng pangangailangan para sa text-based statistical detection. Ang mga open-weights na modelo ay patuloy na magbubuo ng hindi-watermarked na teksto. Ang multi-modal na katibayan ay nangangailangan ng data na hindi kinukuha ng maraming workflow. Ang statistical text detection ay mananatiling unang-linya na depensa para sa maiunaang kinabukasan — ang aming pangako ay panatilihing tapat at kasalukuyan ang linya na iyon.
Ito ay isang makasaysayang pangkalahatang-ideya na nilayon upang ilagay ang kasalukuyang gawi ng AI detection sa konteksto. Ang mga partikular na numero at takdang panahon ay sumasalamin sa pampublikong impormasyon hanggang 2026-04.
Tumayo kasama ang Ukraine!