Je GPTZero přesný? Tohle ukazují důkazy

AI textové detektory jako GPTZero hledají statistické otisky, nikoli že by "četly" váš smysl. Dva z klíčových signálů jsou perplexita (jak předvídatelné je pro referenční jazykový model každé slovo) a burstiness (jak moc se tato předvídatelnost mění mezi větami). Myšlenka je, že lidský text bývá méně předvídatelný a nerovnoměrnější, zatímco syrový strojový výstup je často hladší a jednotnější.

GPTZero uvedl, že tyto klasické signály nyní kombinuje s větším víceprvkovým modelem trénovaným na rozmanitém textu, včetně studentských prací, a produkuje skóre na úrovni vět i celého dokumentu. To má vliv na to, jak výsledek číst: detektor odhaduje pravděpodobnost na základě vzorců psaní, nedokazuje autorství. "Přesnost" proto silně závisí na tom, jaký text mu dáte a kde je nastavená hranice pro projít/neprojít.

V kontrolovaných benchmarcích si GPTZero vede silně. Testy výrobce i třetích stran uváděly detekci v pásmu přes 90 % u jasně AI generovaných pasáží, s velmi nízkou mírou falešně pozitivních výsledků na kurátorovaných datových sadách. Na takto čistém, zjevném AI textu je to schopný nástroj.

Nezávislé testování na nepřehlednějším textu z reálného světa ukazuje opatrnější obrázek. Recenze v roce 2026 uvádějí reálnou přesnost běžně v pásmu polovina 80. až nízká 90. procenta, přičemž míra falešně pozitivních výsledků na skutečném lidském textu je často citovaná kolem 8–12 % v závislosti na vzorku. Tato čísla se mění podle datové sady a nastavení, takže jakékoli jednotlivé procento berte jako orientační odhad, ne záruku. Poctivé shrnutí: silný na neředěném AI výstupu, znatelně vratší na všem ostatním.

Nejzdokumentovanější slabinou je zaujatost vůči autorům, kteří nejsou rodilými mluvčími angličtiny. Široce citovaná studie Stanfordu (Liang a kol., publikovaná v Patterns, 2023) otestovala sedm GPT detektorů na 91 esejích TOEFL napsaných nerodilými mluvčími angličtiny a 88 esejích amerických studentů. Detektory si dobře poradily s americkými esejemi, ale více než polovinu esejí nerodilých mluvčích chybně označily jako AI, s průměrnou mírou falešně pozitivních výsledků kolem 61 %, přičemž téměř všechny označil aspoň jeden detektor a zhruba pětinu označily úplně všechny testované detektory.

Důvod je mechanický, ne zlomyslný. Vzorce, které detektory spojují se "strojovým" psaním, jako jednodušší slovní zásoba, předvídatelnější formulace a omezené idiomatické ozdoby, jsou zároveň přirozenými rysy psaní ve druhém nebo třetím jazyce. Výmluvné je, že stejná studie zjistila, že míra falešně pozitivních výsledků prudce klesla, když byly tyto eseje přepsány propracovanější slovní zásobou, což ukazuje, že skóre odráží styl, ne poctivost. Pokud píšete anglicky jako v dalším jazyce, jediné AI označení si zaslouží skutečnou skepsi.

Přesnost detektoru klesá, jakmile se text vzdálí od syrového výstupu modelu. Nezávislé testování z roku 2026 naznačuje, že přesnost může klesnout zhruba o 15–30 procentních bodů u parafrázovaných nebo silně editovaných pasáží, a výsledky u smíšených lidsko-AI konceptů jsou obzvlášť nekonzistentní. Prolínaný text, kdy člověk edituje AI koncept nebo AI vyleští lidský koncept, je přesně ta šedá zóna, se kterou detektory zápasí nejvíc.

Dalším slabým místem jsou krátké texty: s pouhými pár větami k analýze prostě není dost signálu pro sebejisté rozhodnutí a rostou jak falešně pozitivní, tak falešně negativní výsledky. Praktický závěr je, že GPTZero funguje nejlépe na dlouhém, nedotčeném AI výstupu a nejméně důvěryhodně na editovaném, parafrázovaném, hybridním nebo krátkém textu, kterým ve skutečnosti je většina reálných dokumentů.

Žádný současný detektor, GPTZero nevyjímaje, není definitivní a nástroje samotné obecně nedoporučují používat skóre jako jediný důkaz. Berte jakýkoli výsledek jako pravděpodobnost a podnět podívat se blíže, ne jako verdikt. Pokud je práce označena, zvažte kontext: autorovo zázemí, koncepty a historii verzí a to, jak text vznikl, to vše má větší váhu než jediné číslo.

Rozumný postup je porovnat výsledek s druhým, nezávislým nástrojem, místo důvěry jednomu skóre, a být obzvlášť opatrný u nerodilých mluvčích, krátkých pasáží a editovaných konceptů. Pro pedagogy a hodnotitele to znamená používat detektory jako podnět k rozhovoru vedle lidského úsudku. Pro autory to znamená udržovat proces transparentní a provést vlastní kontrolu před odevzdáním, aby vás překvapivé označení nezaskočilo.