Кто-то делится изображением и спрашивает: «это ИИ?» Первый порыв — искать классические признаки: слишком много пальцев, искажённый текст, восковая кожа — или прогнать картинку через один из «детекторов ИИ», которых расплодилось множество. Оба порыва разумны, и у обоих есть срок годности. С каждым новым релизом моделей видимых признаков становится меньше, а у инструментов‑детекторов есть проблема надёжности, которая не исчезает только потому, что интерфейс выглядит уверенно.
Эта статья о том, что действительно верно: о конкретных паттернах, в которых ИИ‑инструменты для изображений всё ещё дают сбой, и о том, почему ни один детектор — человек или программа — не может дать гарантированный вердикт по одному изображению.
Паттерны сбоев, которые всё ещё актуальны
По состоянию на середину 2026 года на несколько категорий всё ещё стоит смотреть внимательнее — не потому, что они всегда дают сбой, и не потому, что их отсутствие доказывает подлинность, а потому, что они по-прежнему достаточно часто встречаются в сгенерированных или сильно отредактированных изображениях, чтобы стоило остановиться и присмотреться:
Руки и мелкая анатомия. Сложные позы рук, перекрывающиеся пальцы и необычная анатомия по-прежнему чаще дают видимые ошибки, чем лица или простые позы, хотя передовые инструменты здесь сильно продвинулись.
Текст внутри изображения. Вывески, этикетки и надписи остаются неровными от инструмента к инструменту и от версии к версии: одни генерации выглядят чисто, другие по-прежнему выдают псевдослова, неровные буквы или текст, чёткий в одном месте и размазанный в другом. Относитесь к «выглядит читаемо» как к слабому аргументу в любую сторону.
Точный подсчёт и точное повторение. Попросите модель изобразить конкретное число одинаковых объектов — и количество часто окажется неверным. Это относится и к генерации, и к тому, как модель сама описывает изображение.
Согласованность между несколькими изображениями или кадрами. Одно сгенерированное изображение может выглядеть безупречно; тот же персонаж или объект, сгенерированный дважды или в разных кадрах видео, часто расходится в мелких, но заметных деталях.
Отражения, тени и физически согласованное освещение. Генераторы чаще создают правдоподобные свет и тень, чем физически корректные.
Ни один из этих признаков не надёжен настолько, чтобы на нём одном строить твёрдый вывод: умелая или удачная генерация может избежать их всех, а на настоящем фото может оказаться странная тень или неуклюжая рука. Считайте их поводом присмотреться, а не доказательством. Они к тому же быстро устаревают: проверяйте их на актуальных инструментах и не считайте этот список неизменным.
Почему инструменты «детекторы ИИ» не могут дать вам уверенность
Яснее всего этот паттерн подтверждает собственное признание OpenAI об аналогичной проблеме в тексте. OpenAI выпустила AI Classifier для письменного текста в январе 2023 года, а позже отключила его «из-за низкой точности» — по собственной опубликованной оценке OpenAI, инструмент правильно помечал лишь 26% текста, написанного ИИ, и при этом ошибочно помечал как сгенерированные ИИ 9% текстов, действительно написанных людьми (OpenAI, “New AI classifier for indicating AI-written text,” 31 January 2023; discontinued 20 July 2023). Эта конкретная цифра относится к тексту, а не к изображениям, — но это ясный, публично признанный пример базовой проблемы: детектор, обученный на одном поколении моделей, теряет точность на более новых и ошибается в обе стороны, пропуская настоящий ИИ‑контент и ложно помечая настоящий человеческий.
Детекторы изображений и видео сталкиваются с аналогичной, непрекращающейся гонкой вооружений — по структурной причине: следующее поколение моделей изображений в принципе можно обучить обходить любое улучшение в детекции, и нет публично доступного, независимо проверенного детектора, который надёжно работал бы со всеми нынешними генераторами, всеми типами правок и всеми вариантами сжатия и повторной загрузки, через которые может пройти изображение. Относитесь к любому конкретному проценту точности, который рекламирует поставщик детектора, как к утверждению о его тестовом наборе на ту дату, а не как к гарантии в отношении изображения, которое перед вами.
Не используйте балл инструмента‑детектора как решающий фактор в значимом решении — в рабочем споре, конфликте в отношениях, публичном обвинении. Ложноположительный результат может ошибочно заклеймить настоящее фото как подделку; ложноотрицательный — пропустить убедительную подделку. Используйте результат детектора — если вообще используете — как один слабый довод наряду со всем остальным, о чём говорится в этой статье, но никогда как вердикт.
Что действительно помогает, по убыванию полезности
Информация о происхождении, где она есть. Content Credential по стандарту C2PA может показать, кто подписал файл и какую историю создания или редактирования он заявил, — это действительно более сильное доказательство, чем догадка детектора, хотя всё зависит от того, поддерживают ли его инструмент и платформа и сохранился ли он за время пути файла к вам. О том, что этот значок доказывает, а что нет, см. Content Credentials и основы водяных знаков.
Поиск первоисточника. Самая надёжная проверка для большинства изображений — вовсе не анализ пикселей, а поиск того, где изображение впервые появилось, от кого и когда. Обратный поиск по изображению или прямой поиск по заявленному событию часто выявляет исходный контекст (или его отсутствие) быстрее и надёжнее, чем любой визуальный анализ.
Согласованность с тем, что известно помимо этого. Упоминается ли заявленное событие где-то ещё, в независимом источнике? Сходятся ли обстановка, одежда или отметка времени с тем, что можно проверить другими способами? Это медленнее, чем нажать кнопку детектора, но заслуживает куда большего доверия.
Паттерны сбоев выше — только как вспомогательный сигнал. На них стоит взглянуть, но сами по себе они никогда не тянут на вердикт.
Где это применимо за пределами одного подозрительного фото
По той же причине статья происхождение синтетических медиа и согласие считает Content Credential полезным, но недостаточным, и это же — прямой ответ на частый вопрос в плане первого реагирования на дипфейк для взрослых: не откладывайте обращение с жалобой ради того, чтобы сначала «доказать» синтетическое происхождение. Если вы сами генерируете изображения и хотите практическое руководство по тому, что нынешние инструменты делают хорошо и где их ограничения проявляются в повседневной работе, статья генерация ИИ‑изображений 101 разбирает те же ограничения со стороны выбора инструментов и промптинга.
Типичные ошибки
- Считать «нет видимых признаков» доказательством подлинности. Отсутствие классических ошибок из списка выше означает, что модель их избежала, а не что изображение подлинное.
- Принимать процент от детектора за факт об изображении. Это факт о том, как именно этот детектор оценил это изображение относительно своих обучающих данных на ту дату.
- Тратить время на «доказательство» синтетического происхождения, прежде чем действовать в срочной ситуации. Если решение нужно принять сейчас — например, пожаловаться на вредоносный контент, — не позволяйте погоне за детектором его задерживать. Почему ИИ иногда даёт уверенные неверные ответы разбирает ту же проблему избыточной уверенности в другом контексте; вывод здесь тот же.
- Считать, что модели следующего года сделают это проще. Паттерны сбоев со временем становятся всё менее заметными; фундаментальная проблема детекции — нет, потому что детекция и генерация втянуты в одну и ту же гонку вооружений.
Попробуйте на этой неделе
В следующий раз, когда изображение заставит вас насторожиться, удержитесь от соблазна прогнать его через приложение‑детектор и довериться числу. Вместо этого: сначала ищите первоисточник, проверяйте перечисленные выше паттерны сбоев как вспомогательный сигнал и посмотрите, есть ли Content Credential, если платформа это поддерживает. Используйте чек-лист ограничений ИИ‑изображений, чтобы выработать привычку проверять то, что нужно, и в нужном порядке.
