Генеративні інструменти зробили дешевим штампування нескінченних варіацій одного й того ж низькоякісного відео, статті чи скаму, кожна рівно настільки інша, щоб прослизнути повз старі фільтри. Команда дослідників Google опублікувала статтю про те, як компанія бореться з цим у масштабі. Читайте її такою, якою вона є: опис системи для онлайн-відеоплатформ. У статті ніщо не каже, що Пошук Google використовує цю систему чи щось подібне. Якщо ви ведете вебсайт, діє для вас інший документ Google, про який ідеться наприкінці.

Стаття «Scalable Detection of Adversarial Synthetic Slop and Coordinated Media Abuse» (Google Research, 2026) описує розгорнуту в продакшені систему S-CTS, Scalable Cluster Termination System. Вона оформлена під «онлайн-відеоплатформи», і термінологія («канали») натякає на сервіс YouTube-типу, хоча сама стаття лишається узагальненою.

Головний зсув: від постів до мереж

Традиційна модерація судить контент по одному посту за раз. Саме цю слабкість експлуатує скоординований спам: генеративні моделі видають необмежену кількість унікальних варіацій функціонально однакового сміття, тому два шматки ніколи не збігаються, і хеш-фільтри пропускають їх усі.

S-CTS змінює питання. Замість «це відео синтетичне?» вона запитує «чи поводяться ці акаунти як один оператор, що запустив генеративний скрипт?». Вона шукає кластери скоординованих акаунтів («Generation Clusters» у статті, групи, які, ймовірно, використовують той самий генеративний API чи скрипт) за допомогою двох компонентів:

  • Coordinated Bot-Net Detector (ΨA): внутрішні сигнали Google, як-от патерни використання API, часові ряди завантажень і спорідненість акаунтів, та сама лінія Sybil-детекції, що й проти мереж фейкових акаунтів.
  • Synthetic Pattern Classifier (ΨC): двоетапний «Synthetic Content Rater», що зводить кадри відео, аудіо й транскрипти в компактне текстове резюме (позначаючи, наприклад, шаблонні наративи й нелюдський темп завантажень), а потім дає LLM міркувати над цим резюме, а не над сирими пікселями.

Ця LLM спеціалізована через LoRA (Low-Rank Adaptation) та Automatic Prompt Optimization, у статті це називають «ШІ ловить ШІ». Виграш у гнучкості: LoRA-адаптерам потрібно «на порядки менше розмітки», ніж перенавчанню повної моделі, тому система наздоганяє новий синтетичний тренд за дні, а не за квартали.

Що повідомляє стаття

За шестимісячний базовий період Google повідомляє про виграш в ефективності, а не про лічильники знищених каналів. Підрахунків знищених каналів, що трапляються в переказах, у статті немає, тому ми їх опускаємо:

  • −50% до часу обробки рев’ю синтетичного контенту порівняно з людьми;
  • −32% до часу валідації кластерів;
  • «вкрай низький рівень хибнопозитивних» (сказано якісно, без числа);
  • для автоматичного енфорсменту точність тримають високою (92-95%), тоді як автоматичні схвалення йдуть на повноті до 96%, щоб відводити безпечний контент від ручного рев’ю.

Креатив проти слопу

Проєктне рішення важливіше за будь-яку метрику. Google заявляє «мандат точності над повнотою» (precision-over-recall), щоб не цензурувати легітимних авторів, які використовують ШІ-інструменти, а вимога «кластера» це свідома страховка: система цілиться в скоординовані мережі синтетичного спаму, а не в одну людину, що експериментує з генеративними інструментами.

Обмеження, які називають автори

Детекція найновіших генеративних моделей (вони називають Sora і Kling) обмежена «дефіцитом великих розмічених змагальних датасетів»: не можна надійно навчити детектор на моделі, чиї виходи ви ледь каталогізували. Автори також зазначають, що криптографічний provenance, C2PA і watermarking Google DeepMind SynthID це справжній «золотий стандарт», але доки він не стане повсюдним і захищеним від підробки (зловмисники беруть моделі без нього або зрізають метадані), подібні системи детекції лишаються тимчасовим рішенням.

Що стосується вебсайту

Стаття про відеоплатформи і не каже, що Пошук має ту саму систему. Для вебсайтів офіційна позиція Google це його спам-політика щодо зловживання масштабованим контентом: створення багатьох сторінок переважно заради маніпуляції ранжуванням, хоч би як їх створено. Саме цей документ варто прочитати, і він не залежить від цієї статті.

Два прочитання від нас, позначені як такі, а не висновки статті:

  • Наголос статті на патернах серед акаунтів, а не на окремих матеріалах, нагадує, що шаблонний, майже дубльований контент, який виходить неприродним темпом, виглядає як слід. Стаття показує це для відеоакаунтів. Ми переносимо це на вебсайти, чого вона не стверджує.
  • Provenance може стати дедалі помітнішим сигналом довіри для медіа, створених за допомогою ШІ. Автори називають його золотим стандартом для детекції, а це не твердження про те, що вимагатимуть від видавців.

Ціллю в жодному з документів не є робота з ШІ. Оригінальна суть, власний досвід, дані й погляд відрізняють корисну сторінку від наповнювача, як і стверджує позиція Google в матеріалі хороший SEO це хороший GEO.

Джерела