Генеративті нейрожелілердің веб-контентке ену ауқымы жалпы қабылданғаннан әлдеқайда тереңірек болып шықты. Менің жаңа деректерге жасаған талдауым көрсеткендей: барлық қолданыстағы веб-парақшалардың шамамен 10%-ы синтетикалық генерацияның немесе алгоритмдермен елеулі өңдеудің айқын іздерін тасымалдайды. Дегенмен, ең алаңдатарлық көрсеткіш — ChatGPT дебютінен кейін жарияланған материалдар арасында мұндай контенттің үлесі үштен бірден асады.
Әдіснама және негізгі сандар
Зерттеу барысында 2026 жылдың шілдесінде Common Crawl мұрағаты арқылы жиналған 10 000 ағылшын тілді парақшалардан кездейсоқ іріктеме талданды. Анықтау үшін қазіргі заманғы LLM-ге тән спецификалық лингвистикалық үлгілерді іздеуге бапталған машиналық оқыту моделі қолданылды.
Жалпы массивте әрбір оныншы парақшада ғана ИИ белгілерінің болуы жаңылыстыруы мүмкін. Бұл іріктемеге генеративті ИИ дәуіріне дейін жасалған орасан зор «легаси»-контенттің түсуімен түсіндіріледі. Егер тарихи қабатты сүзіп, тек 2022 жылдың қарашасынан кейін шыққан жарияланымдарға назар аударсақ, көрініс түбегейлі өзгереді: жаңа парақшалардың 33%-дан астамы қалай да нейрожелілермен жасалған немесе өңделген.
ИИ қай жерде еркін сезінеді
Синтетиканың домендік аймақтар бойынша таралуы өте біркелкі емес, және бұл көп нәрсені аңғартады. .com аймағында ИИ белгілері шамамен әрбір оныншы парақшада анықталды. Салыстыру үшін, .org-та бұл көрсеткіш 4,6%-ды құрайды, ал академиялық (.edu) және үкіметтік (.gov) домендерде — шамамен 1%.
Мұндай диспропорция заңды. Коммерциялық сектор тарихи тұрғыдан контенттің үлкен көлеміне байланысты — тауар сипаттамалары, SEO-мәтіндер, жаңалықтар ленталары. Дәл осы форматтарды автоматтандыру оңайырақ, біз мұны тәжірибеде байқаймыз. ChatGPT бумының басында аймақтар арасындағы алшақтық азырақ байқалды, бұл синтетиканың коммерциялануының жеделдеп келе жатқанын көрсетеді.
Маңызды ескертулер
Зерттеу әрбір нақты парақша үшін «өтірік детекторы» емес екенін атап өткен жөн. Әдіснама ИИ қолданылғанының нақты фактісін емес, ықтималдығын бағалайды. Мәселе машиналық араласу үлесі айтарлықтай болатын мәтіндер туралы болып отыр; нейрожелімен жасалған ұсақ түзету немесе корректура, ең алдымен, назардан тыс қалды.
Менің пікірім: Бұл сандар — айсбергтің тек ұшы ғана. Менің бағалауымша, қазіргі уақытта жаңа контенттегі синтетика үлесі 50% белгісінен асып кетті, әсіресе жаңалықтар агрегаторлары мен тауашалық блогтарда. Біз қайта оралу нүктесіне жақындап келеміз, онда іздеу алгоритмдері мен ұсыныс жүйелері ранжирлеу критерийлерін толығымен қайта қарауға мәжбүр болады, әйтпесе олар жай ғана генерацияланған шудың ағынында батып кетеді. Мәселе интернеттің синтетикалық болатынында емес, біздің астықты қауыздан ажыратуды қалай үйренетінімізде.