Detektor AI a SEO: czy Google karze treści z AI

Google nie karze tekstu za to, że powstał z pomocą AI. W swojej dokumentacji pisze, że właściwe użycie AI lub automatyzacji nie narusza jego wytycznych, a naruszeniem zasad dotyczących spamu jest dopiero generowanie treści głównie po to, by manipulować pozycjami w wynikach, na przykład masowe tworzenie stron, które niczego nie wnoszą. Wynik detektora AI nie jest w tej ocenie dowodem: Google publicznie nie opisuje używania zewnętrznych detektorów, a badania naukowe pokazują, że te narzędzia mylą się w obie strony.

Czy Google karze treści z AI? Stanowisko Google

Najpełniej Google odpowiedział na to pytanie w lutowym wpisie z 2023 roku na blogu Google Search Central, podpisanym przez Danny'ego Sullivana i Chrisa Nelsona w imieniu zespołu jakości wyszukiwania. Cytaty z dokumentacji Google podajemy tu w naszym tłumaczeniu, zawsze z linkiem do oryginału.

Najważniejsze zdanie z sekcji pytań i odpowiedzi brzmi: „Właściwe użycie AI lub automatyzacji nie narusza naszych wytycznych”. Google od razu precyzuje, co uważa za niewłaściwe: używanie automatyzacji, także AI, do generowania treści przede wszystkim w celu manipulowania pozycjami w wynikach wyszukiwania to naruszenie zasad dotyczących spamu. Granica nie przebiega więc między tekstem ludzkim a maszynowym, tylko między tekstem pisanym dla ludzi a tekstem pisanym dla rankingu.

Ten sam wpis działa w obie strony. Google pisze, że użycie AI nie daje treści żadnej szczególnej przewagi, bo to po prostu treść: jeśli jest użyteczna, oryginalna i spełnia założenia E-E-A-T, może sobie radzić w wyszukiwarce, a jeśli nie, to raczej nie. Tekst wygenerowany przez model nie jest ani z góry gorszy, ani z góry lepszy. Ocenia się go tymi samymi kryteriami co każdy inny.

Słowo „kara” ma w dokumentacji Google konkretne znaczenie. Zasady dotyczące spamu mówią, że Google wykrywa naruszenia systemami automatycznymi oraz, w razie potrzeby, przez weryfikację prowadzoną przez ludzi, która może zakończyć się ręcznym działaniem. Strony naruszające zasady mogą zajmować niższe miejsca w wynikach albo w ogóle się w nich nie pojawiać. To dotyczy jednak naruszeń, nie narzędzia, którym tekst napisano.

Co mówią wytyczne Google o treściach generowanych w 2026 roku

Osobny dokument, wytyczne Google o używaniu treści generowanych przez AI w witrynie, był ostatnio aktualizowany 1 października 2026 roku. Zaczyna się od stwierdzenia, że generatywna AI bywa szczególnie przydatna przy zbieraniu informacji o temacie i przy porządkowaniu struktury oryginalnego tekstu. Zaraz potem pada zastrzeżenie: generowanie narzędziami AI wielu stron, które nie dodają wartości dla użytkowników, może naruszać zasadę dotyczącą skalowanego nadużycia treści.

Najbardziej praktyczna część dokumentu dotyczy dokładności. Google przypomina, że modele generatywne nie wyszukują faktów, tylko przewidują prawdopodobny ciąg słów na podstawie danych, na których je trenowano, więc mogą zawierać nieprawdziwe informacje, czyli halucynacje. Dlatego Google pisze, że kluczowe jest ręczne sprawdzenie faktów i przejrzenie całej treści wygenerowanej przez AI pod kątem dokładności i wiarygodności, zanim trafi do publikacji. Ten przegląd obejmuje też metadane, które mogą pojawić się w wynikach: element title, meta description, dane strukturalne i teksty alternatywne obrazów.

Druga część dotyczy kontekstu dla czytelnika. Google sugeruje, by przy automatycznie generowanych treściach rozważyć informację o tym, jak powstały, na przykład opis roli automatyzacji i metadane obrazów. Dla sklepów dokument jest bardziej stanowczy: Google Merchant Center ma własne zasady, a obrazy wygenerowane przez AI muszą zawierać metadane IPTC DigitalSourceType o wartości TrainedAlgorithmicMedia. Wygenerowane przez AI dane produktów, takie jak tytuł i opis, trzeba podać osobno i oznaczyć jako wygenerowane.

Dokument odsyła też do wytycznych dla oceniających jakość wyszukiwania, do sekcji 4.6.5 o skalowanym nadużyciu treści i 4.6.6 o treści głównej stworzonej małym nakładem pracy, z niewielką oryginalnością i niewielką wartością dodaną. Google zaznacza przy tym, że te wytyczne nie są instrukcją zdobycia pierwszego miejsca, a oceny ludzi, którzy z nich korzystają, nie wpływają bezpośrednio na ranking.

Jak działają detektory AI

Model językowy pisze tekst po jednym słowie, a ściślej po jednym tokenie, i każdemu kandydatowi na następne słowo przypisuje prawdopodobieństwo. Tak opisuje to Google DeepMind na stronie SynthID: w zdaniu o ulubionych owocach tropikalnych słowo „banany” jest bardziej prawdopodobne niż „samoloty”. Detektor AI próbuje z gotowego tekstu odczytać ślad tego procesu i oszacować, czy tekst napisał człowiek, czy model.

Zespół, który w badaniu „Can AI-Generated Text be Reliably Detected?” sprawdzał odporność detektorów, wymienia kilka ich rodzajów: klasyfikatory oparte na sieciach neuronowych, trenowane na przykładach tekstów ludzkich i maszynowych; klasyfikatory „zero-shot”, które nie wymagają takiego treningu; detektory oparte na wyszukiwaniu, porównujące tekst z bazą tekstów wygenerowanych wcześniej; wreszcie metody oparte na znaku wodnym, który model dodaje do tekstu już w chwili pisania.

Część detektorów opiera się na perpleksji (ang. perplexity), czyli na tym, jak przewidywalny jest tekst dla modelu językowego. Niska perpleksja, czyli tekst złożony z najbardziej spodziewanych słów, ma sugerować maszynę. Autorzy badania ze Stanforda, o którym niżej, ostrzegają wprost, że traktowanie niskiej perpleksji jako oznaki tekstu z AI wymaga ostrożności. Przewidywalnie pisze także człowiek, zwłaszcza gdy pisze prosto albo w obcym języku.

Niezależnie od metody wynik detektora jest oszacowaniem, a nie odczytem pochodzenia tekstu. Procent wyświetlany przez narzędzie mówi, jak bardzo tekst przypomina to, czego narzędzie nauczyło się kojarzyć z modelem. Nie mówi, kto go napisał, ile pracy w niego włożono ani czy jest prawdziwy, a właśnie o te trzy rzeczy pytają wytyczne Google.

Dlaczego wynik detektora nie jest dowodem

Trzy badania z 2023 roku dobrze pokazują, gdzie detektory zawodzą. W badaniu naukowców ze Stanforda „GPT detectors are biased against non-native English writers” siedem popularnych detektorów oceniało eseje uczniów amerykańskich i eseje osób piszących po angielsku jako drugim języku. Eseje amerykańskie oceniły niemal bezbłędnie, ale ponad połowę esejów drugiej grupy uznały za wygenerowane przez AI, choć napisali je ludzie.

To samo badanie pokazało drugą słabość. Gdy autorzy poprosili model o wzbogacenie słownictwa tych esejów, liczba fałszywych alarmów wyraźnie spadła. Proste polecenia dla modelu pozwalały też obejść detektory w tekstach rzeczywiście wygenerowanych. Autorzy przestrzegają przed używaniem takich narzędzi do oceniania ludzi, szczególnie w edukacji.

Zespół, który opisał wyniki w badaniu „Testing of Detection Tools for AI-Generated Text”, sprawdził dwanaście ogólnodostępnych narzędzi i dwa systemy komercyjne używane na uczelniach. Wniosek autorów: dostępne narzędzia nie są ani dokładne, ani wiarygodne i częściej uznają tekst za ludzki, niż wykrywają tekst z AI. Zaciemnianie tekstu, czyli celowe przekształcanie go tak, żeby ukryć jego pochodzenie, wyraźnie pogarsza ich wyniki.

Trzecie badanie, wspomniane już przy rodzajach detektorów, testowało je w obecności kogoś, kto chce je oszukać. Wielokrotne parafrazowanie tekstu znacząco obniżało skuteczność wykrywania, przy czym jakość tekstu w wielu przypadkach spadała tylko nieznacznie. Autorzy pokazali też odwrotny atak: tekst napisany przez człowieka można spreparować tak, żeby detektor oparty na znaku wodnym uznał go za wygenerowany.

Razem daje to obraz narzędzia, które myli się w obie strony. Fałszywie oskarża ludzi piszących prosto i przepuszcza tekst maszynowy po parafrazie. Taki wynik może być sygnałem do przyjrzenia się tekstowi, ale nie jest dowodem jego pochodzenia, a tym bardziej jego jakości.

Znaki wodne i metadane: co jest udokumentowane

Znak wodny działa inaczej niż detektor: nie zgaduje pochodzenia, tylko sprawdza, czy w treści jest ślad celowo zostawiony przez model, który ją wytworzył. Google DeepMind opisuje SynthID jako narzędzie, które dodaje niewidoczne cyfrowe znaki wodne do obrazów, dźwięku, wideo i tekstu generowanych przez AI. W tekście SynthID lekko zmienia prawdopodobieństwa, z jakimi model wybiera kolejne słowa. Według strony SynthID dotyczy to tekstu generowanego w aplikacji Gemini i jej wersji przeglądarkowej.

Strona SynthID opisuje też sposób sprawdzenia. Użytkownik może wgrać obraz, wideo albo nagranie do czatu i zapytać, czy powstało lub zostało zmienione przez AI Google, a Gemini, wyszukiwarka i Chrome sprawdzą obecność znaku wodnego. Do tego dochodzi portal SynthID Detector, w którym można sprawdzić, czy obraz, wideo lub plik dźwiękowy powstał z pomocą AI od Google lub jego partnerów.

Z tego opisu wynikają dwie rzeczy ważne dla właściciela strony. Po pierwsze, znak wodny rozpoznaje tylko treść z modeli, które go dodają, więc jego brak nie oznacza, że tekst napisał człowiek. Po drugie, to funkcja dla użytkownika, który chce coś sprawdzić. W dokumentach, które tu przywołujemy, Google publicznie nie opisuje, żeby obecność znaku wodnego SynthID wpływała na pozycję strony w wynikach.

Metadane obrazów to drugi udokumentowany mechanizm. W dokumentacji metadanych obrazów Google wymienia obsługiwane wartości pola IPTC Digital Source Type, w tym trainedAlgorithmicMedia dla obrazu stworzonego przez model wytrenowany na próbkach treści i compositeWithTrainedAlgorithmicMedia dla kompozycji z takim elementem. W wyszukiwarce to zalecenie, w Merchant Center wymóg.

Gdzie przebiega granica między pomocą AI a nadużyciem

Granicę najprecyzyjniej wyznacza zasada dotycząca skalowanego nadużycia treści w zasadach Google dotyczących spamu. Nadużycie polega na tym, że wiele stron powstaje głównie po to, by manipulować pozycjami w wynikach, a nie pomagać użytkownikom, i to niezależnie od tego, jak zostały wytworzone. Wśród przykładów Google wymienia generowanie narzędziami AI wielu stron bez wartości dla użytkowników, ale także przepisywanie cudzych tekstów przez synonimy lub tłumaczenie i zszywanie fragmentów z różnych stron.

Dokument o tworzeniu pomocnych, wiarygodnych treści podaje pytania kontrolne. Jedno z nich brzmi: czy używasz rozbudowanej automatyzacji, żeby tworzyć treści na wiele tematów? Inne pytają, czy tekst powstał głównie po to, by przyciągnąć ruch z wyszukiwarek, i czy tylko streszcza to, co napisali inni. To samo podejście opisuje hasło helpful content w naszym słowniku.

W tym samym dokumencie Google opisuje, jak oceniający jakość patrzą na nakład pracy. Automatyczne generowanie stron z kanałów danych albo tworzenie generatywną AI dużych ilości tekstu bez ręcznego nadzoru i selekcji oznacza nakład pracy bliski zeru. Oryginalność ocenia się po tym, czy treść daje informacje lub perspektywy niedostępne na innych stronach, co nazywamy przyrostem informacji (information gain).

Google proponuje też pytania „kto, jak i dlaczego”. „Kto” to widoczne autorstwo, przy czym tworzenie fikcyjnych profili autorów, na przykład ze zdjęciami wygenerowanymi przez AI, Google nazywa formą oszustwa. „Jak” to informacja o roli automatyzacji tam, gdzie czytelnik mógłby o nią zapytać. „Dlaczego” Google nazywa być może najważniejszym pytaniem: tekst ma powstawać po to, żeby pomóc ludziom. Jak działał sam system oceny pomocności i co zmieniały jego kolejne aktualizacje, opisujemy osobno w tekście o Helpful Content Update.

Czy warto sprawdzać tekst detektorem przed publikacją

Wiele osób wpisuje „detektor AI” w wyszukiwarkę, bo chce sprawdzić tekst przed publikacją: od copywritera, od agencji albo własny, napisany z pomocą modelu. Z perspektywy SEO odpowiedź jest prosta. Google ocenia jakość, oryginalność i cel tekstu, a publicznie nie opisuje, by korzystał z wyniku zewnętrznego detektora. Niski procent „AI” nie chroni słabego tekstu, a wysoki nie obciąża dobrego.

W audytach regularnie widzimy zespoły, które przepuszczają teksty przez detektor i poprawiają je tak długo, aż wynik spadnie. Zmiany dotyczą wtedy słownictwa i rytmu zdań, a nie tego, co oceniają wytyczne Google, czyli faktów, źródeł i wartości dla czytelnika. Tekst bywa po takich poprawkach mniej jasny, a jego słabości merytoryczne zostają. Dlatego nie polecamy żadnego detektora jako wiarygodnego źródła oceny.

Jeśli trzeba ustalić, jak powstał tekst, na przykład przy odbiorze zleconych materiałów, lepiej zapytać wprost i umówić się z wykonawcą na zasady korzystania z AI. Badacze ze Stanforda przestrzegają przed opieraniem ocen ludzi na wynikach detektorów, a w umowie o tekst ważniejsze jest, czy fakty się zgadzają i czy tekst nie kopiuje cudzych źródeł. To da się sprawdzić bez zgadywania.

Czas, który szedłby na zbijanie wyniku detektora, lepiej przeznaczyć na to, czego Google wymaga wprost: ręczne sprawdzenie faktów, przejrzenie metadanych i odpowiedź na pytanie, co tekst wnosi ponad to, co już jest w wynikach. Jak może wyglądać taki proces pracy z modelem, od pierwszej wersji do redakcji, opisujemy w artykule o AI w tworzeniu treści marketingowych.

Czego szukamy w audycie treści pisanych z pomocą AI

W audycie nie ustalamy, czy tekst napisał człowiek, czy model, bo wytyczne Google nie od tego uzależniają ocenę. Szukamy problemów, które przy pisaniu z pomocą AI pojawiają się częściej, bo tekst powstaje szybciej, niż ktoś zdąży go przeczytać.

Fakty, liczby i źródła. Sprawdzamy liczby, daty, nazwy własne i twierdzenia branżowe względem źródeł. Halucynacje modelu wyglądają wiarygodnie, a Google wprost nazywa ręczne sprawdzenie faktów przed publikacją kluczowym.

Strony z jednego szablonu. Szukamy grup stron, które różnią się tylko nazwą miasta, produktu albo branży, a resztę mają wspólną. To najprostsza droga do skalowanego nadużycia treści, niezależnie od tego, czy szablon wypełniał człowiek, czy model.

Autorstwo. Sprawdzamy, czy widać, kto stoi za tekstem, i czy profil autora jest prawdziwy. Wymyślony ekspert ze zdjęciem z generatora to dla Google oszustwo, nie zabieg wizerunkowy.

Własna informacja. Porównujemy tekst z tym, co już jest w wynikach. Jeśli niczego nie dodaje, problem nie polega na tym, że napisała go AI, tylko na tym, że nie ma powodu, by ktoś go czytał.

Metadane. Przeglądamy tytuły, opisy, teksty alternatywne i dane strukturalne. Przy szybkiej produkcji to one najczęściej trafiają na stronę bez czytania, a Google obejmuje je tym samym zaleceniem sprawdzenia.

Search Console. Nie spotkaliśmy w Search Console raportu ani komunikatu, który oznaczałby stronę jako napisaną przez AI. Sprawdzamy sekcję poświęconą bezpieczeństwu i ręcznym działaniom, a w raporcie „Skuteczność” porównujemy grupy stron z jednego szablonu z resztą serwisu. W sklepach dochodzi kontrola metadanych IPTC na obrazach z generatora. Pisanie treści z redakcją, sprawdzaniem faktów i autorem prowadzimy w ramach usługi tworzenia treści.

Podsumowanie

Google nie karze tekstu za to, że powstał z pomocą AI. Jego dokumentacja mówi wprost, że właściwe użycie AI lub automatyzacji nie narusza wytycznych, a naruszeniem jest generowanie treści głównie w celu manipulowania wynikami, w tym tworzenie wielu stron bez wartości dla użytkowników. Wytyczne w wersji z października 2026 roku podkreślają, że przed publikacją trzeba ręcznie sprawdzić fakty i metadane, a w Merchant Center wymagają oznaczania obrazów i danych produktów wygenerowanych przez AI.

Detektor AI nie jest w tej ocenie miarodajny. Google publicznie nie opisuje używania zewnętrznych detektorów, a badania pokazują, że mylą się one w obie strony: oskarżają ludzi piszących prosto i przepuszczają tekst po parafrazie. Udokumentowane mechanizmy to znaki wodne, takie jak SynthID, i metadane IPTC, ale żaden z nich nie zastępuje oceny jakości.

Jeśli chcesz sprawdzić, czy treści w Twoim serwisie spełniają te wymagania, zacznij od wyceny audytu treści.