40+ Kata dan Frasa yang Membocorkan ChatGPT

Pada 2024, setidaknya satu dari delapan makalah biomedis yang terindeks di PubMed memuat tanda leksikal bantuan AI, dan di beberapa negara serta jurnal, proporsinya melampaui dua dari lima. Tidak ada yang perlu mengaku apa pun. Sejumlah kecil kata formal yang agak teatrikal justru yang melakukan pengakuan itu, muncul bersama dalam satu abstrak jauh lebih sering daripada yang diizinkan oleh kebetulan.

Kata-kata yang membocorkan ChatGPT bukanlah kata yang eksotis. Kata-kata itu adalah bahasa Inggris formal yang biasa, yang dipilih sedikit terlalu sering, dalam kombinasi yang jarang sekali akan disusun oleh penulis yang cermat di dalam satu paragraf. Berikut rujukan kerja lengkapnya, lebih dari empat puluh kata, disusun menurut tempat kemunculannya yang cenderung khas, beserta apa yang biasanya dipilih oleh penyunting yang cermat sebagai gantinya untuk masing-masing kata. Sebagian cukup terkenal hingga memiliki reputasinya sendiri. Sebagian besar tidak, dan lolos dari perhatian pembaca justru karena tidak satu pun dari kata itu tampak mencurigakan jika berdiri sendiri. Mekanisme yang lebih luas di balik mengapa hal ini terjadi sama sekali dibahas dalam tulisan pendamping, di sini, pokoknya adalah daftar itu sendiri.

Mengapa Kata-Kata Ini Membocorkan ChatGPT

Sebuah model bahasa membangun kalimat dengan memilih kata berikutnya yang paling mungkin secara statistik, berulang kali, di dalam sistem yang dilatih agar terdengar kompeten, bukan khas. Kebiasaan itu tampak pada pilihan kata, irama kalimat, tanda baca, dan struktur, yang dibahas lengkap dalam panduan TextPulse tentang pola penulisan AI. Pilihan kata hanyalah tingkat yang pertama kali disadari pembaca, karena itulah yang paling mudah ditunjuk pada halaman.

Pilihan kata memperoleh rujukannya sendiri karena satu alasan, yaitu dapat diperiksa. Pembaca tidak memerlukan langganan detektor untuk menyadari bahwa sebuah paragraf bertumpu pada lima atau enam kata formal yang minim informasi sekaligus. Menghitungnya adalah keterampilan yang dapat dipelajari siapa pun dalam waktu yang diperlukan untuk membaca daftar ini satu kali. Irama kalimat dan tanda baca dibahas panjang lebar di bagian lain situs ini, kosakata adalah satu-satunya tingkat yang memberi pembaca tidak lebih dari perhatian.

Daftar Lengkap Kata-Kata yang Membocorkan ChatGPT

Daftar di bawah ini mencakup lebih dari empat puluh entri, dikelompokkan berdasarkan tempat tiap kata cenderung muncul, yaitu prosa akademik dan penelitian, penulisan bisnis dan karier, frasa stok transisional, serta penyangga yang menutup paragraf tanpa banyak mengatakan apa pun. Sekitar separuhnya ditelusuri ke satu studi besar tentang abstrak biomedis, sisanya didokumentasikan secara informal, misalnya pemindaian milik sendiri oleh vendor deteksi terhadap lebih dari sepuluh juta kata keluaran ChatGPT, atau analisis November 2025 yang mencatat frasa "notable works include" pada sekitar 120 kali tingkat normalnya dalam teks yang dihasilkan AI dan "today's fast-paced world" pada sekitar 107 kali. Dua jenis sumber itu perlu dibedakan, sampel yang ditelaah sejawat sebanyak lima belas juta abstrak memiliki bobot yang berbeda dari pemindaian keluaran chatbot oleh satu analis, dan kolom di bawah ini tidak berpura-pura sebaliknya.

Kata atau frasa	Tempat kemunculannya	Apa yang digunakan penulis yang cermat sebagai gantinya
delve (into)	Akademik	melihat, memeriksa
underscore / underscores	Akademik	menunjukkan, memperlihatkan
showcase / showcasing	Akademik	menyajikan, mendemonstrasikan
intricate	Akademik	kompleks, terperinci
meticulous	Akademik	cermat, menyeluruh
comprehensive	Akademik	lengkap, menyeluruh
notably	Akademik	khususnya
crucial	Akademik	penting, kunci
exhibited	Akademik	menunjukkan
multifaceted	Akademik	berbagai sisi
encompasses	Akademik	mencakup, meliputi
facilitates	Akademik	membantu, memungkinkan
elucidates	Akademik	menjelaskan
discernible	Akademik	terlihat, jelas
underpinning	Akademik	mendukung
insights	Akademik	temuan, poin
within	Akademik	di dalam
across	Akademik	di, di seluruh
particularly	Akademik	terutama
noteworthy	Akademik	patut disebutkan
leverage	Bisnis	menggunakan
utilize	Bisnis	menggunakan
streamline	Bisnis	menyederhanakan
elevate	Bisnis	meningkatkan, menaikkan
unlock	Bisnis	membuka, memungkinkan
seamlessly	Bisnis	lancar, tanpa langkah tambahan
cutting-edge	Bisnis	baru, mutakhir
robust	Bisnis	kuat, andal
innovative	Bisnis	baru
results-driven	Bisnis	efektif
actionable	Bisnis	dapat digunakan, praktis
groundbreaking	Bisnis	baru, orisinal
transformative	Bisnis	signifikan, besar
state-of-the-art	Bisnis	terbaru, paling mutakhir
additionally	Transisi	juga, dan
furthermore	Transisi	juga, dan
moreover	Transisi	juga
in order to	Transisi	untuk
due to the fact that	Transisi	karena
a wide range of	Transisi	beberapa, atau jumlah yang sebenarnya
today's fast-paced world	Hedge / closer	sebutkan tahun atau bidang yang sebenarnya
notable works include	Hedge / closer	sebutkan dua atau tiga yang penting
aims to explore	Hedge / closer	mengkaji, menguji
it is worth noting	Hedge / closer	nyatakan fakta itu secara langsung
plays a vital role in	Hedge / closer	penting bagi, membentuk
serves as a testament to	Hedge / closer	menunjukkan, membuktikan
boasts	Hedge / closer	memiliki, mencakup

"Delve" mendapat tepat satu baris di atasnya dan tidak lebih: kata ini sudah menjadi kata yang paling terdokumentasi di seluruh daftar ini, dan mengulang kasus itu dalam prosa akan menyingkirkan empat puluh enam kata lainnya. Pemeriksaan yang lebih cepat daripada membaca seluruh tabel dengan mata adalah menjalankan draf melalui pembersih kata AI gratis milik TextPulse, yang menandai jenis kepadatan ini secara otomatis.

Contoh yang Dikerjakan

Ambil satu kalimat yang memuat empat entri dari tabel sekaligus: "This comprehensive study aims to explore the multifaceted challenges that underscore the pivotal role of policy in modern research." Setiap kata nyata dan setiap klausa gramatikal, dan itulah tepatnya masalahnya. Seorang penyunting manusia akan memangkasnya menjadi sesuatu seperti: "This study looks at how policy shapes research, and why it matters." Tidak ada fakta yang hilang. Yang hilang adalah pengisi.

Kategori Kata Mana yang Paling Jelas Menunjukkan?

Register akademik membawa bukti yang paling jelas. Dalam sebuah studi terhadap 15.1 juta abstrak PubMed yang diterbitkan antara 2010 dan 2024, "underscores" naik menjadi kira-kira 14 kali dari tingkat yang diharapkan pada 2024, dan "showcasing" menjadi hampir 11 kali. Bahkan kata-kata biasa ikut bergerak: "potential", "findings" dan "crucial" semuanya menjadi lebih sering secara terukur, hanya karena titik awal yang lebih tinggi, sehingga lonjakannya tampak lebih kecil sebagai rasio mentah meskipun memang nyata. Tim peneliti yang sama menyoroti sekelompok sepuluh penghubung yang pada dasarnya tidak menonjol, di antaranya "additionally", "comprehensive", "notably" dan "within", yang bersama-sama menjadi tidak lazim secara statistik sebagai satu kelompok: tidak satu pun dari kata-kata itu berarti apa pun jika berdiri sendiri, tetapi empat atau lima di antaranya dalam satu abstrak berarti demikian.

Pola yang sama muncul di luar biomedis, dengan intensitas yang berbeda menurut bidang. Sebuah analisis terpisah terhadap sekitar 951,000 makalah di arXiv, bioRxiv, dan jurnal keluarga Nature antara Januari 2020 dan Februari 2024 menempatkan kemungkinan keterlibatan LLM setinggi 17.5 persen dalam ilmu komputer, dibandingkan dengan batas yang lebih dekat ke 6.3 persen dalam matematika dan dalam portofolio Nature. Seorang pembimbing humaniora dan seorang pembimbing ilmu komputer tidak membaca tingkat dasar kemunculan kata-kata ini yang sama, dan hal ini patut diingat sebelum memperlakukan satu esai sebagai pencilan. Makalah yang lebih pendek dan makalah dari penulis yang sering mengunggah pracetak juga lebih sering menunjukkan pola ini, yang sesuai dengan penjelasan sederhana, kata-kata itu menghemat waktu, dan tekanan waktu tidak tersebar merata di seluruh disiplin ilmu.

Kolom bisnis dan karier di atas didokumentasikan dengan lebih longgar, tetapi tidak kalah terlihat. "Aims to explore" muncul sekitar 50 kali lipat dari tingkat normalnya dalam analisis November 2025 yang sama yang dikutip sebelumnya, dan surat lamaran, ringkasan LinkedIn, serta siaran pers adalah tempat "streamline", "elevate" dan "results-driven" cenderung berkelompok. Seorang manajer perekrutan yang membaca empat puluh surat lamaran yang hampir identik dalam satu sore akan menyadari hal ini lebih cepat daripada yang dapat diukur oleh studi mana pun, itulah sebabnya para perekrut sudah menggambarkan pola ini secara anekdotal jauh sebelum siapa pun menghitung angkanya. Tidak satu pun dari ini membuktikan bahwa surat lamaran tertentu disusun oleh chatbot. Ini membuktikan bahwa kosakata tulisan korporat dan kosakata yang cenderung dipilih oleh model bahasa sangat banyak tumpang tindih, dan hal itu sudah benar sebelum ChatGPT ada, serta menjadi lebih mudah dikenali setelah satu alat mulai menghasilkan begitu banyak darinya sekaligus.

Bagaimana Daftar Itu Terus Berubah

Daftar ini tidak tetap. Pedoman penyuntingan Wikipedia sendiri untuk mengenali tambahan yang ditulis mesin, yang dipelihara oleh para sukarelawan yang setiap hari membatalkan jenis suntingan ini, mengikuti perubahan yang sedang berlangsung secara waktu nyata. Gelombang dari 2023 hingga pertengahan 2024 berpusat pada kata-kata seperti "boasts", "crucial", "pivotal" dan "tapestry". Pada pertengahan 2025 pedoman yang sama melacak gugus yang berbeda, termasuk "align with", "fostering" dan "showcasing", dengan kata-kata yang lebih sederhana seperti "enhance" dan "highlighting" memikul lebih banyak beban daripada kata-kata yang lebih mencolok setahun sebelumnya. Tidak ada dari ini yang dikoordinasikan secara terpusat.

Daftar yang dibekukan pada satu saat akan cepat usang karena alasan yang persis ini. Yang bertahan adalah kebiasaan yang mendasarinya: kata-kata formal, yang dipilih sedikit terlalu sering, tanpa memandang kata mana yang sedang populer tahun ini.

Apakah Kata-Kata Ini Membuktikan ChatGPT Menulisnya?

Tidak. Seorang penulis yang cermat di bawah tekanan tenggat waktu, penutur nonasli bahasa Inggris yang memilih kosakata formal yang aman, dan seorang mahasiswa yang diajari kata-kata persis ini dalam kelas menulis, semuanya dapat menghasilkan paragraf yang mendapat skor tinggi terhadap daftar ini tanpa chatbot apa pun di sekitarnya. Memperlakukan tabel di atas sebagai bukti pelanggaran adalah kesalahan yang membuat penulis cermat dituduh secara keliru, dan layak disebut sebagai kesalahan alih-alih diulang secara diam-diam. Produk TextPulse sendiri ada karena masalah sebaliknya sama nyatanya: sebuah tulisan manusia yang asli, yang kebetulan mengelompokkan beberapa kata ini dalam satu paragraf, dapat terseret ke dalam peninjauan yang tidak pernah layak diterimanya.

Detektor statistik bekerja pada sinyal yang terkait tetapi sama sekali berbeda, yang dibahas dalam tulisan TextPulse tentang how AI detectors work, dan AI humanizer milik TextPulse sendiri melaporkan perkiraan Human Score yang dihitung dari teks di depannya, bukan putusan dari detektor mana pun. Daftar kata seperti ini adalah titik awal untuk keputusan manusia, bukan pengganti keputusan manusia. Sisa koleksi free tools collection TextPulse mencakup tingkat lainnya, ritme, tanda baca, dan struktur, bagi siapa pun yang memeriksa draf lengkap, bukan hanya satu paragraf.

Satu verba menyumbang lebih banyak pada daftar ini daripada yang lain, dan mengapa model meraihnya dijelaskan secara terpisah. Tanda baca juga mengungkap hal yang sama, dan kebiasaan em dash memiliki halamannya sendiri.

Pada saat berikutnya sebuah paragraf terasa sedikit janggal, jangan meraih satu sinonim lalu menganggapnya sudah diperbaiki. Sebaliknya, periksa kepadatannya: dua atau tiga dari kata-kata ini yang benar-benar bekerja adalah penulisan biasa, empat atau lima yang sama sekali tidak bekerja adalah petunjuknya, dan perbedaannya adalah sesuatu yang dapat dipelajari oleh setiap pembaca untuk dilihat tanpa menjalankan apa pun melalui detektor terlebih dahulu.