Narzędzia generatywne sprawiły, że seryjne produkowanie wariacji tego samego niskiej jakości filmu, artykułu czy oszustwa jest tanie, a każda wersja jest na tyle inna, by prześlizgnąć się obok starych filtrów. Zespół badaczy Google opublikował artykuł o tym, jak firma walczy z tym na dużą skalę. Czytaj go tak, jak jest: to opis systemu dla platform wideo. Nic w artykule nie mówi, że Wyszukiwarka Google używa tego systemu ani niczego podobnego. Jeśli prowadzisz stronę internetową, dotyczy cię inny dokument Google, o którym piszemy na końcu.

Artykuł „Scalable Detection of Adversarial Synthetic Slop and Coordinated Media Abuse” (Google Research, 2026) opisuje wdrożony produkcyjnie system S-CTS, Scalable Cluster Termination System. Jest sformułowany pod „platformy wideo online”, a terminologia („kanały”) wskazuje na usługę typu YouTube, choć sam artykuł pozostaje ogólny.

Kluczowa zmiana: od postów do sieci

Tradycyjna moderacja ocenia treść post po poście. Tę właśnie słabość wykorzystuje skoordynowany spam: modele generatywne produkują nieograniczoną liczbę unikalnych wariantów funkcjonalnie identycznych śmieci, więc żadne dwa nie pasują do siebie, a filtry hashujące przepuszczają je wszystkie.

S-CTS zmienia pytanie. Zamiast „czy to wideo jest syntetyczne?” pyta: „czy te konta zachowują się jak jeden operator uruchamiający skrypt generatywny?“. Szuka klastrów skoordynowanych kont („Generation Clusters” w artykule, grup, które prawdopodobnie używają tego samego API lub skryptu generatywnego) za pomocą dwóch komponentów:

  • Coordinated Bot-Net Detector (ΨA): wewnętrzne sygnały Google, takie jak wzorce użycia API, szeregi czasowe przesyłania i pokrewieństwo kont, ta sama linia wykrywania Sybil, co przeciwko sieciom fałszywych kont.
  • Synthetic Pattern Classifier (ΨC): dwuetapowy „Synthetic Content Rater”, który sprowadza klatki wideo, dźwięk i transkrypcje do zwartego streszczenia tekstowego (oznaczając np. szablonowe narracje i nieludzkie tempo przesyłania), a następnie każe LLM rozumować nad tym streszczeniem, a nie nad surowymi pikselami.

Ten LLM jest wyspecjalizowany przez LoRA (Low-Rank Adaptation) i Automatic Prompt Optimization, w artykule nazywa się to „użyciem AI do łapania AI”. Zysk to zwinność: adaptery LoRA potrzebują „rzędów wielkości mniej etykiet” niż przetrenowanie pełnego klasyfikatora, więc system nadąża za nowym syntetycznym trendem w dni, a nie w kwartały.

Co podaje artykuł

W sześciomiesięcznym okresie bazowym Google podaje zyski efektywności, a nie liczniki usuniętych kanałów. Zestawień usuniętych kanałów, które krążą w omówieniach, w artykule nie ma, więc je pomijamy:

  • −50% czasu obsługi przeglądu treści syntetycznych w porównaniu z ludźmi;
  • −32% czasu walidacji klastrów;
  • „wyjątkowo niski odsetek fałszywych alarmów” (podany jakościowo, bez liczby);
  • przy automatycznym egzekwowaniu precyzja ustawiona wysoko (92-95%), a automatyczne zatwierdzenia działają przy czułości do 96%, by kierować nieszkodliwe treści poza przegląd ręczny.

Kreatywność kontra „slop”

Decyzja projektowa jest ważniejsza niż jakakolwiek metryka. Google deklaruje „mandat precyzji ponad czułość” (precision-over-recall), żeby nie cenzurować legalnych twórców używających narzędzi AI, a wymóg „klastra” to świadome zabezpieczenie: system celuje w skoordynowane sieci syntetycznego spamu, a nie w jedną osobę eksperymentującą z narzędziami generatywnymi.

Ograniczenia, które podają autorzy

Wykrywanie najnowszych modeli generatywnych (autorzy wymieniają Sora i Kling) jest ograniczone przez „niedobór dużych, opisanych zbiorów danych adwersarialnych”: nie da się niezawodnie wytrenować detektora na modelu, którego wyników prawie nie skatalogowano. Autorzy zaznaczają też, że kryptograficzna proweniencja, C2PA i znakowanie Google DeepMind SynthID to prawdziwy „złoty standard”, ale dopóki nie będzie powszechny i odporny na manipulację (przeciwnicy używają modeli bez niego lub usuwają metadane), takie systemy wykrywania pozostają rozwiązaniem tymczasowym.

Co dotyczy strony internetowej

Artykuł dotyczy platform wideo i nie mówi, że Wyszukiwarka ma ten sam system. Dla stron oficjalnym stanowiskiem Google jest jego polityka antyspamowa dotycząca nadużywania treści na dużą skalę: tworzenia wielu stron głównie po to, by manipulować rankingiem, niezależnie od sposobu ich wytworzenia. To ten dokument warto przeczytać i nie zależy on od tego artykułu.

Dwa nasze odczytania, oznaczone jako takie, a nie ustalenia artykułu:

  • Nacisk artykułu na wzorce w obrębie kont, a nie pojedyncze materiały, przypomina, że szablonowa, niemal zduplikowana treść publikowana w nienaturalnym tempie wygląda jak ślad. Artykuł pokazuje to dla kont wideo. Przenosimy to na strony, czego on nie twierdzi.
  • Proweniencja może stać się wyraźniejszym sygnałem zaufania dla mediów tworzonych z pomocą AI. Autorzy nazywają ją złotym standardem wykrywania, co nie jest twierdzeniem o tym, czego będą wymagać od wydawców.

Celem w żadnym z dokumentów nie jest praca z AI. Oryginalna treść, własne doświadczenie, dane i punkt widzenia odróżniają użyteczną stronę od wypełniacza, co głosi też stanowisko Google w tekście dobre SEO to dobre GEO.

Źródła