Kako da sa 100% sigurnosti prepoznate da li je tekst ili sliku napravila veštačka inteligencija

Najbitnije stvari u tekstu (Key takeaways):

Potpuna, apsolutna 100% sigurnost putem jednostavnog softverskog klika ne postoji – automatski AI detektori (AI Checkers) imaju visoku stopu lažno pozitivnih i lažno negativnih rezultata.
Detekcija AI teksta oslanja se na razumevanje matematičkih koncepata kao što su perpleksnost (perplexity) i rafalnost (burstiness), ali i na uočavanje sintaksičkih klišea, sintetičke strukture i „halucinacija“ u činjenicama.
Generisane slike otkrivaju se kroz analizu fizike svetla, mikroskopskih defekata na zenicama i šakama, kao i kroz proveru kriptografskih metapodataka i standarda C2PA Content Credentials.
U ovom tekstu razlažemo konkretne metode za forenziku sintetičkog sadržaja, objašnjavamo zašto softverski detektori zakazuju i kako kombinacija ljudske analitike i tehnoloških vodenih žigova donosi najpouzdaniju procenu.

Živimo u eri u kojoj je granica između ljudskog i mašinskog stvaralaštva postala tanja nego ikada u istoriji. Profesori pregledaju seminarske radove sumnjajući u svaki previše tečan pasus, urednici portala analiziraju članke svojih novinara, a kompanije troše resurse pokušavajući da utvrde da li su vizuelna rešenja njihovih dizajnera originalan rad ili rezultat jednog prompta unutar Midjourney ili Flux modela.

Prirodna reakcija na ovu masovnu pojavu generativnog sadržaja bila je potraga za „srebrnim metkom“ – alatom ili aplikacijom koja će učitati tekst ili sliku i sa matematičkom preciznošću izbaciti presudu: 0% ili 100% AI.

Međutim, ovde moramo početi od jedne neprijatne i surove istine: svako ko vam obećava 100% pouzdan detektor koji radi na principu jednog klika – obmanjuje vas.

Generativni modeli (LLM – Large Language Models i generativne mreže za slike) projektovani su sa jednim jedinim ciljem: da savršeno simuliraju ljudsku distribuciju podataka. Kako modeli postaju napredniji, njihovi statistički otisci se sve više preklapaju sa ljudskim načinom izražavanja.

Pa ipak, stopostotna procena je moguća, ali ne kroz slepo verovanje aplikacijama za detekciju, već kroz kombinaciju digitalne forenzike, poznavanja arhitekture modela i identifikovanja sistemskih grešaka koje veštačka inteligencija, po svojoj prirodi, jednostavno ne može da sakrije.

Mrtva trka: kako funkcionišu AI detektori teksta i zašto masovno zakazuju

Da biste razumeli zašto automatski alati poput GPTZero, Turnitin AI Detection ili CopyLeaks prave greške, morate razumeti kako oni uopšte pokušavaju da „prepoznaju“ AI tekst.

Automatski detektori ne pročitaju tekst kao čovek. Oni koriste manje jezičke modele koji analiziraju dve glavne statističke metrike:

1. Perpleksnost (Perplexity)

Perpleksnost je mera nepredvidivosti teksta. To je matematički pokazatelj koliko je jezički model „iznenađen“ izborom sledeće reči u rečenici.

Niska perpleksnost: Znači da su reči u rečenici izuzetno predvidive. S obzirom na to da AI modeli uvek biraju reči koje imaju najveću statističku verovatnoću da se nađu jedna pored druge, AI tekst ima konstantno nisku perpleksnost.
Visoka perpleksnost: Znači da je izbor reči nekonvencionalan, neočekivan i stilski specifičan – što je odlika ljudskog pisanja.

2. Rafalnost ili varijabilnost (Burstiness)

Ljudski pisci pišu u „rafalima“. Čovek će napisati jednu dugačku, složenu rečenicu sa dve pauze i sporednom misli, a odmah iza nje staviti izrazito kratku rečenicu. Možda će upotrebiti uzvičnik, pa postaviti retoričko pitanje.

AI modeli, s druge strane, teže ujednačenosti. Dužina rečenica, njihova sintaksička struktura i ritam pasusa kod AI-ja su statistijski uravnoteženi i monotoniji.

LJUDSKI TEKST:  [Dugačka složena rečenica] -> [Kratka] -> [Srednja] -> [Pitanje?]
AI TEKST:       [Srednja] -> [Srednja] -> [Srednja] -> [Srednja]

Zašto detektori prave katastrofalne greške?

Upravo zbog oslanjanja na ove dve metrike, detektori imaju sistemsku manu.

Ako čovek piše tehničku dokumentaciju, pravni ugovor ili akademski rad u kojem je jezik po prirodi formalan i predvidiv, detektor će taj rad skoro sigurno označiti kao AI generisan (lažno pozitivan rezultat). Studije su pokazale da detektori teksta daju izuzetno visoku stopu lažno pozitivnih rezultata kod tekstova koje su pisali ljudi kojima engleski (ili bilo koji drugi jezik) nije maternji, jer oni prirodno koriste jednostavniji i predvidljiviji vokabular.

Pored toga, detektori se lako zaobilaze. Dovoljno je da korisnik provuče AI tekst kroz alat za parafraziranje ili u promptu naglasi: „Piši sa varijacijom u dužini rečenica i koristi nekonvencionalne metafore“, i perpleksnost teksta se veštački podiže, čime softverski detektor postaje potpuno slep.

Čak je i kompanija OpenAI zvanicno ugasila svoj rođeni alat za detekciju teksta (AI Text Classifier) priznavši da je njegova preciznost bila ispod 26%.

Ljudska forenzika teksta: prepoznavanje „strojnog otiska“ bez alata

Kada automatski softveri zakažu, ljudska analiza i dalje ostaje najpouzdaniji filter. Veštačka inteligencija ostavlja jasne sintaksičke i semantičke tragove u tekstu koje iskusan čitalac može uočiti za manje od minut.

1. Zloglasni leksički klišei i struktura

Svaki model (ChatGPT, Claude, Gemini) ima svoje preferirane fraze i strukturalne kalupe kojih se drži kada nema specifična sistemska uputstva.

Ovo su najčešći jezički markeri AI teksta na srpskom i engleskom jeziku:

Prazni uvodni klišei: „U današnjem digitalnom dobu…“, „U svetu koji se brzo menja…“, „Važno je istaći da…“, „U eri tehnološkog napretka…“.
Strukturni prelazi: Preterana upotreba konektora kao što su Nadalje, Štoviše, U konačnici, S jedne strane… s druge strane.
Zaključni pasus sa lažnom sintazom: AI skoro bez izuzetka završava tekstove pasusom koji počinje sa: „U zaključku…“ ili „Na kraju, možemo reći da…“, nakon čega sledi potpuno neutralan, zaobljen i bezličan sažetak koji ne donosi nikakav nov stav.
Leksički balast: Reči poput revolucionarno, nezaobilazno, otključati potencijal, holistički pristup, tapiserija.

2. Otpor prema zauzimanju čvrstog stava (Politička neutralnost)

AI modeli su trenirani uz pomoć RLHF metoda (Reinforcement Learning from Human Feedback) da budu izuzetno oprezni, neutralni i bezbedni.

Ako u tekstu uočite da autor u nedogled izlaže obe strane nekog problema bez davanja jasnog, ličnog ili provokativnog suda, ili ako se na svaku oštriju tvrdnju odmah dodaje ograda („Ipak, važno je uzeti u obzir da postoje i drugačija mišljenja…“), to je snažan signal da iza teksta stoji algoritam, a ne čovek sa imenom, prezimenom i stavom.

3. Faktualne halucinacije i „fantomske“ reference

Najsigurniji način da sa 100% pouzdanošću dokažete da je tekst generisan jeste pronalaženje halucinacije.

LLM ne pretražuje baze podataka kao klasičan pretraživač; on generiše tekst tako što predviđa sledeći token. Kada od njega tražite citate, izvore ili naučne radove, on će vrlo često napraviti nepostojeću referencu koja zvuči savršeno uverljivo.

Kako to proveriti u praksi?

Nepostojeći ISBN brojevi ili DOI linkovi: AI će izmisliti naslov knjige, ime autora i dodati DOI broj koji vodi na nepostojeću stranicu.
Pogrešno pripisivanje citata: AI će uzeti stvarne istorijske ličnosti ili naučnike i pripisati im radove ili rečenice koje nikada nisu izgovorili.
Izmišljeni zakonski članovi: U pravnim i ekonomskim tekstovima, AI će se pozvati na „Član 45, stav 3“ zakona koji uopšte ne sadrži taj član.

Ako u tekstu koji analizirate pronađete samo jednu potvrdno iznetu činjenicu ili referencu koja fizički ne postoji nigde na internetu, imate nepobitan dokaz da je tekst ili u celini generisan ili da je autor slepo kopirao izlaz sa AI modela bez provere.

Više o tome kako da naterate AI modele da pišu prirodnije i izbegnu ove dečije bolesti možete pročitati u našem vodiču o podešavanju ChatGPT-a i Claude-a na srpskom jeziku.

Forenzika generisanih slika: od piksela do fizike svetla

Dok je detekcija teksta borba na polju lingvistike i statistike, prepoznavanje generisanih slika (Midjourney, DALL-E 3, Stable Diffusion, Flux) predstavlja vizuelnu i fizikalnu analizu.

Modeli za generisanje slika rade na principu difuzije (diffusion models). Oni počinju od nasumičnog šuma i postepeno ga oblikuju u sliku na osnovu naučenih obrazaca. Iako su najnovije verzije ovih modela dostigle zastrašujući nivo realizma, algoritam i dalje nema razumevanje trodimenzionalne fizike sveta – on samo spaja piksele koji vizuelno „postoje zajedno“ u njegovoj bazi.

Evo gde mašta algoritma puca pod detaljnim pregledom:

+-------------------------------------------------------------------+
|               KRITIČNE TAČKE ZA ANALIZU AI SLIKA                  |
+-------------------------------------------------------------------+
|  1. ANATOMIJA: Šake, nokti, uši, zubi, dužina ekstremiteta.       |
|  2. FIZIKA SVETLA: Neslaganje senki, višestruki izvori svetla.    |
|  3. SIMETRIJA I TEKSTURA: Zenice, nakit, šare na odeći.           |
|  4. TEKST I POZADINA: Mrljasta slova, "stopljeni" objekti.        |
+-------------------------------------------------------------------+

1. Mikro-anatomija: očni kapci, zenice i zubi

Iako su modeli rešili problem čuvenih „šest prstiju na ruci“, mikro-detalji ljudskog tela i dalje predstavljaju ozbiljnu prepreku.

Oblik zenica (Irregular Pupils): Na pravoj fotografiji ljudskog oka, zenica je savršen krug (osim u slučajevima medicinskih stanja). AI generisane slike vrlo često imaju blago izobličene, eliptične ili „razlivene“ zenice na zumu od 200%.
Refleksija u očima (Catchlight): Ako na slici postoje dva oka, odsjaj svetlosti u zenicama mora biti identičan na oba oka jer svetlost dolazi iz istog izvora u prostoru. AI izuzetno često generiše različite odsjaje u levom i desnom oku.
Zubi i desni: AI često kreira previše ujednačene, „previše bele“ zube koji izgledaju kao jedna monolitna celina, ili pak generiše dodatan zub u sredini vilice (odsustvo prirodne centralne linije).

2. Fizika svetla, senke i refleksije

Generativni modeli ne računaju putanju svetlosnih zraka (Ray Tracing). Oni samo predviđaju kako bi svetlost trebalo da izgleda.

Proverite senke: Ako sunce na slici dolazi sa leve strane (što se vidi po osvetljenju lica), a senka objekta na zemlji pada ulevo ili pod potpuno pogrešnim uglom, slika je nesumnjivo generisana.
Refleksije na naočarima i staklu: Naočare za sunce ili izlozi na AI slikama često prikazuju refleksije okruženja koje uopšte ne postoji na ostatku fotografije.

3. Teksture, nakit i pozadinski „šum“

Nakon što analizirate primarni subjekat na slici, preusmerite pažnju na pozadinu. AI modeli ulažu najviše „pažnje“ (kroz Attention mechanisms) na centralni lik, dok pozadina često trpi.

Stopljeni objekti u pozadini: Pogledajte ljude u pozadini ili arhitekturu. Na AI slikama ćete često videti nogu koja se stapa sa zidom, automobil koji ima dva volana ili ogradu čije se prečke jednostavno gube u vazduhu.
Nakit i odeća: Minđuše na levom i desnom uhu retko su potpuno simetrične na AI slikama. Takođe, rajsferšlusi, dugmad i šare na odeći često gube kontinuitet – rajsferšlus se pri dnu pretvara u glatku liniju ili šav.
Tekst na predmetima: Iako DALL-E 3 i Flux znaju da napišu kraće reči, nasumični natpisi u pozadini (reklame, ulične table) i dalje izgledaju kao vanzemaljsko pismo – mješavina izmišljenih slova koja podsećaju na latinicu, ali nemaju nikakvo značenje.

Kriptografska detekcija: C2PA, Watermarking i SynthID kao jedini put ka 100% tačnosti

S obzirom na to da vizuelna i lingvistička analiza zavise od ljudskog oka i da će generativni modeli vremenom ispraviti greške u anatomiji i sintaksi, industrija se okrenula jedinom rešenju koje pruža matematičku sigurnost: kriptografskom označavanju porekla sadržaja.

Ako želite 100% sigurnosti, ona u budućnosti neće dolaziti iz analize samog izgleda slike ili teksta, već iz proveravanja njegovog digitalnog potpisa.

1. C2PA Standard i Content Credentials

C2PA (Coalition for Content Provenance and Authenticity) je otvoreni tehnički standard iza kojeg stoje giganti poput kompanija Adobe, Microsoft, Google, Sony, Leica i OpenAI.

C2PA funkcioniše tako što u sam fajl (sliku, video ili audio zapis) ugrađuje kriptografske metapodatke u trenutku stvaranja:

Ako je slika uslikana Sony ili Leica kamerom, fotoaparat svojim privatnim ključem potpisuje fajl i beleži senzor, vreme i lokaciju.
Ako je slika generisana u DALL-E 3 ili Adobe Firefly, softver ugrađuje digitalni certifikat koji jasnom oznakom kaže da je slika nastala pomoću AI alata.

Ove podatke ne možete prosto obrisati klasičnim brisanjem EXIF podataka, jer je matematički potpis vezan za sam raspored piksela. Kroz besplatne alate kao što je Verify (Content Credentials), možete učitati sliku i dobiti kompletnu istoriju: od kog je modela nastala, da li je i kojim softverom naknadno menjana.

[Fotoaparat / AI Model] ---> Kriptografski potpis (C2PA) ---> [Verifikator] ---> 100% Potvrda porekla

2. SynthID od kompanije Google DeepMind

Jedno od najnaprednijih tehnoloških rešenja predstavlja SynthID, tehnologija koju je razvio Google DeepMind.

SynthID ne oslanja se na klasične metapodatke. On ugrađuje nevidljivi vodeni žig direktno u spektar piksela slike, audio talase ili u sam raspored generisanih tokena u tekstu.

Čak i ako sliku isečete (crop), promenite joj boje, komprimujete je ili promenite format iz PNG u JPG, SynthID vodeni žig ostaje prisutan i čitljiv za Google-ove sisteme detekcije.
Kod teksta, SynthID suptilno modifikuje verovatnoću izbora sledećih reči na način koji je ljudskom čitaocu potpuno neprimetan, ali stvara jasnu matematičku šaru koju algoritam prepoznaje.

Kada ovakvi standardi postanu zakonski obavezni na nivou Evropske Unije (kroz AI Act), detekcija sintetičkog sadržaja preći će sa nivoa „nagađanja“ na nivo jednostavne verifikacije digitalnog certifikata.

Praktični protokol za provere u poslovnom i obrazovnom okruženju

Ako ste urednik, profesor, HR menadžer ili klijent koji želi da proveri rad koji mu je dostavljen, nemojte se oslanjati samo na jedan test. Primenite ovaj matrični protokol od tri koraka:

Korak 1: Tehnička verifikacija metapodataka i alata

Učitajte sliku na Verify Content Credentials ili proverite EXIF podatke. Ako analizirate tekst, izbegavajte besplatne detektore kao jedini dokaz. Ako detektor izbaci 90% AI, to smatrajte samo povod za sumnju, a ne konačnom presudom.

Korak 2: Provera faktičke tačnosti (Forenzika teksta)

Nasumično izaberite tri citata, fusnote, statističke podatke ili istorijske tvrdnje iz teksta. Potražite ih ručno na Google-u ili u stručnim bazama. Ako uočite da su autori ili izvori izmišljeni, imate čvrst i neoboriv dokaz o upotrebi nerevidiranog AI izlaza.

Korak 3: „Unakrsno ispitivanje“ (Pritisak na proces)

Najjednostavniji način da proverite da li je čovek zaista napisao tekst ili kreirao vizuelno rešenje jeste da ga zamolite da objasni svoj rad:

Pitajte ga: „Zašto si izabrao baš ovu metodologiju u trećem pasusu?“ ili „Možeš li da mi pokažeš radne skice / prethodne verzije fajla?“.
Osoba koja je sama pisala tekst znaće u sekundi da obrazloži svoje misli. Osoba koja je kopirala AI izlaz biće zatečena jer ne poznaje dubinsku logiku iza generisanog teksta.

O tehničkim i bezbednosnim aspektima upravljanja digitalnim identitetom i zaštiti od zloupotreba više možete pročitati u našoj sekciji o sajber-bezbednosti na ITNetwork.rs.

Trka u naoružanju bez konačnog pobednika

Potraga za 100% sigurnošću u prepoznavanju AI sadržaja nas uči jednoj važnoj lekciji: tehnologija napreduje brže od naše sposobnosti da je detektujemo prostim posmatranjem.

Oslanjanje promotes isključivo na softverske AI detektore jeste opasna zamka koja može dovesti do lažnih optužbi i uništenja poverenja između kolega, studenata i klijenata. Automatizovani alati su samo prvi indikator koji vas usmerava gde treba da pogledate pažljivije.

Stvarna pouzdanost leži u razumevanju mehanike: prepoznavanju specifičnih grešaka u fizici slika, uočavanju halucinacija u tekstovima i, konačno, prihvatanju kriptografskih standarda poput C2PA koji će u godinama pred nama postati standard digitalne pismenosti.

Veštačka inteligencija može generisati savršene pasuse i impresivne piksele, ali za sada još uvek ne može da simulira dubinsko, autentično ljudsko iskustvo bez pravljenja karakterističnih matematičkih grešaka. Na nama je samo da naučimo gde te greške treba tražiti.