האם GPTZero מדויק? כך מראות הראיות

גלאי טקסט AI כמו GPTZero מחפשים טביעות אצבע סטטיסטיות ולא "קוראים" את המשמעות שלך. שניים מהאותות המרכזיים הם perplexity (עד כמה כל מילה צפויה עבור מודל שפה ייחוס) ו-burstiness (עד כמה הצפיות הזו משתנה ממשפט למשפט). הרעיון הוא שכתיבה אנושית נוטה להיות פחות צפויה ופחות אחידה, בעוד שפלט מכני גולמי הוא לרוב חלק ואחיד יותר.

GPTZero ציין שכיום הוא משלב את האותות הקלאסיים האלה עם מודל רב-רכיבי גדול יותר, מאומן על כתיבה מגוונת כולל טקסט של תלמידים, ומייצר ציונים ברמת המשפט וברמת המסמך. זה משנה את האופן שבו יש לקרוא את התוצאה: הגלאי מעריך הסתברות על סמך דפוסי כתיבה, ולא מוכיח מחברוּת. לכן "הדיוק" תלוי מאוד בסוג הטקסט שמוזן ובאיפה נקבע סף העובר/נכשל.

בבנצ'מרקים מבוקרים, GPTZero מתפקד היטב. בדיקות בנצ'מרק של היצרן וגורמים חיצוניים דיווחו על זיהוי בטווח שנות ה-90 הגבוהות באחוזים על קטעים שנוצרו בבירור על ידי AI, עם שיעורי חיוב-שגוי נמוכים מאוד על מערכי נתונים מטופחים. על סוג כזה של טקסט AI נקי וברור, זהו כלי מוכשר.

בדיקות עצמאיות על כתיבה מבולגנת יותר מהעולם האמיתי מציירות תמונה זהירה יותר. סקירות לאורך 2026 מדווחות על דיוק בעולם האמיתי שנע בדרך כלל בין אמצע שנות ה-80 לתחילת שנות ה-90 באחוזים, עם שיעורי חיוב-שגוי על כתיבה אנושית אמיתית שמצוטטים לעיתים קרובות סביב 8-12% בהתאם לדגימה. הנתונים האלה משתנים לפי מערך הנתונים וההגדרות, כך שיש להתייחס לכל אחוז בודד כהערכה גסה, לא כהבטחה. הסיכום הכן: חזק על פלט AI טהור, רועד באופן ניכר יותר בכל השאר.

החולשה המתועדת ביותר היא הטיה נגד כותבים שאנגלית אינה שפת אמם. מחקר מסטנפורד שמצוטט רבות (Liang et al., פורסם ב-Patterns, 2023) הריץ שבעה גלאי GPT על 91 חיבורי TOEFL שנכתבו על ידי דוברי אנגלית שאינה שפת אמם ו-88 חיבורים של תלמידים אמריקאים. הגלאים טיפלו היטב בחיבורים האמריקאים אך סיווגו לא נכון יותר ממחצית מהחיבורים של דוברי שפה זרה כ-AI — שיעור חיוב-שגוי ממוצע של כ-61%, כאשר כמעט כולם סומנו על ידי לפחות גלאי אחד וכחמישית סומנו על ידי כל הגלאים שנבדקו.

הסיבה מכנית, לא זדונית. הדפוסים שהגלאים משייכים לכתיבה "מכנית", כמו אוצר מילים פשוט יותר, ניסוח צפוי יותר וגימור אידיומטי מוגבל, הם גם מאפיינים טבעיים של כתיבה בשפה שנייה או שלישית. באופן מגלה, אותו מחקר מצא ששיעור החיוב-השגוי ירד בחדות כאשר החיבורים האלה נכתבו מחדש בניסוח מפורט יותר, מה שמראה שהציון משקף סגנון, לא כנות. אם אתה כותב באנגלית כשפה נוספת, סימון AI בודד ראוי לספקנות אמיתית.

דיוק הגלאי יורד ברגע שהטקסט מתרחק מפלט מודל גולמי. בדיקות עצמאיות מ-2026 מצביעות על כך שהדיוק עלול לרדת בכ-15-30 נקודות אחוז בקטעים שנוסחו מחדש או נערכו רבות, ותוצאות בטיוטות מעורבות של אדם ו-AI במיוחד לא עקביות. כתיבה מעורבת, שבה אדם עורך טיוטת AI או AI מלטש טיוטה אנושית, היא בדיוק אזור האפור שבו הגלאים מתקשים הכי הרבה.

טקסטים קצרים הם נקודת חולשה נוספת: עם רק כמה משפטים לניתוח, פשוט אין מספיק אות להחלטה בטוחה, וגם החיוב-השגוי וגם השלילי-השגוי עולים. המסקנה המעשית היא ש-GPTZero במיטבו על פלט AI ארוך ולא נגוע, ופחות אמין ביותר על כתיבה ערוכה, מנוסחת מחדש, היברידית או קצרה — שזה מה שרוב המסמכים האמיתיים למעשה הם.

אף גלאי קיים, כולל GPTZero, אינו סופי, והכלים עצמם ממליצים בדרך כלל שלא להשתמש בציון כהוכחה יחידה. יש להתייחס לכל תוצאה כהסתברות וכתמריץ לבדוק מקרוב, לא כפסק דין. אם קטע מסומן, יש לשקול הקשר: הרקע של הכותב, טיוטות והיסטוריית גרסאות, ואיך הטקסט הופק — כל אלה חשובים יותר ממספר בודד.

זרימת עבודה נכונה היא לבדוק צולבות עם כלי שני ועצמאי במקום לסמוך על ציון אחד, ולהיזהר במיוחד עם כותבים שאינם דוברי שפת אם, קטעים קצרים וטיוטות ערוכות. עבור מחנכים ובודקים, המשמעות היא להשתמש בגלאים כפותחי שיחה לצד שיקול דעת אנושי. עבור כותבים, המשמעות היא לשמור על תהליך שקוף ולהריץ בדיקה עצמית משלך לפני ההגשה, כך שסימון מפתיע לא יתפוס אותך לא מוכן.