40+ słów i fraz, które zdradzają ChatGPT

W 2024 roku co najmniej jedna na osiem prac biomedycznych indeksowanych w PubMed nosiła leksykalny ślad pomocy AI, a w niektórych krajach i czasopismach odsetek ten przekraczał dwie na pięć. Nikt nie musiał się do niczego przyznawać. Zrobiło to za nich kilka formalnych, nieco teatralnych słów, pojawiających się razem w jednym abstrakcie znacznie częściej, niż pozwalałby na to przypadek.

Słowa, które zdradzają ChatGPT, nie są egzotyczne. To zwyczajne, formalne angielskie wyrazy, po które sięga się odrobinę zbyt często, w połączeniach, których staranny autor rzadko układałby tyle w jednym akapicie. Oto pełne praktyczne zestawienie, ponad czterdziestu z nich, uporządkowanych według tego, gdzie zwykle się pojawiają, wraz z tym, po co sięga staranny redaktor zamiast każdego z nich. Niektóre są na tyle znane, że mają własną reputację. Większość nie, i umyka czytelnikowi właśnie dlatego, że żadne z nich osobno nie wygląda podejrzanie. Szersze mechanizmy stojące za tym, dlaczego w ogóle tak się dzieje, należą do tekstu towarzyszącego, tutaj chodzi o samą listę.

Dlaczego te słowa zdradzają ChatGPT

Model językowy buduje zdanie, wybierając statystycznie najbardziej prawdopodobne następne słowo, raz za razem, w systemie trenowanym tak, by brzmieć kompetentnie, a nie wyróżniająco. Ten nawyk ujawnia się w doborze słów, rytmie zdań, interpunkcji i strukturze, co w pełni omawia przewodnik TextPulse po wzorcach pisania AI. Dobór słów jest po prostu tym poziomem, który czytelnik zauważa jako pierwszy, ponieważ najłatwiej wskazać go na stronie.

Dobór słów zasługuje na osobne omówienie z jednego powodu, można go sprawdzić. Czytelnik nie potrzebuje subskrypcji detektora, by zauważyć, że akapit opiera się jednocześnie na pięciu lub sześciu formalnych, niosących mało informacji słowach. Ich liczenie to umiejętność, której każdy może się nauczyć w czasie potrzebnym na jednokrotne przeczytanie tej listy. Rytm zdań i interpunkcja są szeroko omówione gdzie indziej na tej stronie, słownictwo jest jedynym poziomem, który nagradza czytelnika niczym więcej niż uwagą.

Pełna lista słów, które zdradzają ChatGPT

Poniższa lista obejmuje ponad czterdzieści pozycji, pogrupowanych według tego, gdzie dane słowo zwykle się pojawia: w akademickiej i badawczej prozie, w piśmie biznesowym i zawodowym, w przejściowych frazach szablonowych oraz w zastrzeżeniach, które zamykają akapit, nie mówiąc zbyt wiele. Około połowa pochodzi z jednego dużego badania abstraktów biomedycznych, pozostałe są udokumentowane nieformalnie, na przykład we własnym skanie dostawcy narzędzia detekcyjnego obejmującym ponad dziesięć milionów słów wygenerowanych przez ChatGPT, albo w analizie z listopada 2025, która odnotowała, że fraza "notable works include" występowała około 120 razy częściej niż zwykle w tekście generowanym przez AI, a "today's fast-paced world" około 107 razy. Warto znać te dwa rodzaje źródeł osobno, próbka recenzowana obejmująca piętnaście milionów abstraktów ma inną wagę niż skan wypowiedzi chatbota wykonany przez jednego analityka, a poniższa kolumna nie udaje niczego innego.

Słowo lub wyrażenie	Gdzie się skupia	Czego zamiast tego używa staranny autor
delve (into)	Academic	przyjrzeć się, zbadać
underscore / underscores	Academic	wskazywać na, pokazywać
showcase / showcasing	Academic	przedstawiać, demonstrować
intricate	Academic	złożony, szczegółowy
meticulous	Academic	staranny, dokładny
comprehensive	Academic	pełny, kompletny
notably	Academic	zwłaszcza
crucial	Academic	ważny, kluczowy
exhibited	Academic	pokazał
multifaceted	Academic	wielostronny
encompasses	Academic	obejmuje, zawiera
facilitates	Academic	pomaga, umożliwia
elucidates	Academic	wyjaśnia
discernible	Academic	widoczny, jasny
underpinning	Academic	wspierający
insights	Academic	ustalenia, punkty
within	Academic	w
across	Academic	w, w całym
particularly	Academic	szczególnie
noteworthy	Academic	godny odnotowania
leverage	Business	używać
utilize	Business	używać
streamline	Business	uprościć
elevate	Business	poprawić, podnieść
unlock	Business	otworzyć, umożliwić
seamlessly	Business	płynnie, bez dodatkowych kroków
cutting-edge	Business	nowy, niedawny
robust	Business	solidny, niezawodny
innovative	Business	nowy
results-driven	Business	skuteczny
actionable	Business	użyteczny, praktyczny
groundbreaking	Business	nowy, oryginalny
transformative	Business	znaczący, duży
state-of-the-art	Business	najnowszy, najświeższy
additionally	Transition	także, i
furthermore	Transition	także, i
moreover	Transition	także
in order to	Transition	aby
due to the fact that	Transition	ponieważ
a wide range of	Transition	kilka, albo rzeczywistą liczbę
today's fast-paced world	Hedge / closer	nazwij rzeczywisty rok lub dziedzinę
notable works include	Hedge / closer	nazwij dwa lub trzy najważniejsze
aims to explore	Hedge / closer	bada, testuje
it is worth noting	Hedge / closer	podaj fakt bezpośrednio
plays a vital role in	Hedge / closer	ma znaczenie dla, kształtuje
serves as a testament to	Hedge / closer	pokazuje, dowodzi
boasts	Hedge / closer	ma, zawiera

"Delve" dostaje dokładnie jeden wiersz powyżej i nic więcej: jest już najbardziej udokumentowanym słowem na całej tej liście, a powtarzanie tego przypadku w prozie zajęłoby miejsce pozostałym czterdziestu sześciu. Szybszym sprawdzeniem niż czytanie całej tabeli wzrokiem jest przepuszczenie szkicu przez darmowy AI word cleaner TextPulse, który automatycznie oznacza tego rodzaju zagęszczenie.

Przykład krok po kroku

Weźmy jedno zdanie zawierające naraz cztery pozycje z tabeli: "This comprehensive study aims to explore the multifaceted challenges that underscore the pivotal role of policy in modern research." Każde słowo jest rzeczywiste i każda klauzula jest gramatyczna, i właśnie w tym tkwi problem. Ludzki redaktor skróciłby je do czegoś w rodzaju: "This study looks at how policy shapes research, and why it matters." Nie zniknęła żadna treść faktograficzna. Zniknęło natomiast wypełnienie.

Która kategoria słów jest najbardziej oczywistym sygnałem?

Rejestr akademicki dostarcza najczytelniejszych dowodów. W badaniu 15.1 million abstraktów PubMed opublikowanych między 2010 i 2024, "underscores" wzrosło do około 14 razy swojej oczekiwanej częstości do 2024, a "showcasing" do niemal 11 razy. Nawet zwykłe słowa się przesunęły: "potential", "findings" i "crucial" stały się mierzalnie częstsze, wyłącznie z powodu wyższego punktu wyjścia, więc wzrost wygląda na mniejszy jako surowy stosunek, mimo że jest rzeczywisty. Ten sam zespół badawczy wyróżnił grupę dziesięciu w innych okolicznościach niepozornych łączników, wśród nich "additionally", "comprehensive", "notably" i "within", które razem stały się statystycznie nietypowe jako grupa: żaden z nich osobno nic nie znaczy, ale cztery lub pięć z nich w jednym abstrakcie już tak.

Ten sam wzorzec pojawia się także poza biomedycyną, z różnym natężeniem w zależności od dziedziny. Oddzielna analiza około 951,000 prac z arXiv, bioRxiv oraz czasopism z rodziny Nature z okresu od stycznia 2020 do lutego 2024 oszacowała prawdopodobny udział LLM na nawet 17.5 percent w informatyce, wobec pułapu bliższego 6.3 percent w matematyce i w portfolio Nature. Opiekun pracy z humanistyki i opiekun pracy z informatyki nie czytają tego samego tła częstości występowania tych słów, i warto o tym pamiętać, zanim uzna się pojedynczy esej za odstający. Krótsze prace oraz prace autorów, którzy często publikują preprinty, również częściej wykazywały ten wzorzec, co pasuje do prostego wyjaśnienia: te słowa oszczędzają czas, a presja czasu nie rozkłada się równomiernie między dyscyplinami.

Powyższa kolumna dotycząca biznesu i kariery jest udokumentowana mniej precyzyjnie, ale nie mniej wyraźnie. Wyrażenie "Aims to explore" pojawiło się mniej więcej 50 razy częściej niż zwykle w tej samej analizie z listopada 2025 przywołanej wcześniej, a listy motywacyjne, podsumowania na LinkedIn i komunikaty prasowe to miejsca, gdzie "streamline", "elevate" i "results-driven" mają tendencję do skupiania się. Osoba odpowiedzialna za rekrutację, która po południu czyta czterdzieści niemal identycznych listów motywacyjnych, zauważa to szybciej, niż jakiekolwiek badanie zdoła to zmierzyć, dlatego rekruterzy opisywali ten wzorzec anegdotycznie na długo przed tym, zanim ktokolwiek policzył dane. Nic z tego nie dowodzi, że dany list motywacyjny został sporządzony przez chatbota. Dowodzi to, że słownictwo pisma korporacyjnego i słownictwo, po które sięga model językowy, w dużym stopniu się pokrywają, co było prawdą już przed pojawieniem się ChatGPT, a po prostu stało się łatwiejsze do zauważenia, gdy jedno narzędzie zaczęło wytwarzać tak dużo tego materiału naraz.

Jak lista nadal się zmienia

Lista nie jest stała. Własna wytyczna Wikipedii dotycząca edytowania, służąca do rozpoznawania dodatków napisanych przez maszynę i utrzymywana przez wolontariuszy, którzy codziennie cofają tego rodzaju edycje, śledzi tę modę w czasie rzeczywistym. Fala z okresu od 2023 do połowy 2024 roku koncentruje się na słowach takich jak "boasts", "crucial", "pivotal" i "tapestry". Do połowy 2025 roku ta sama wytyczna śledziła już inny zestaw, obejmujący "align with", "fostering" i "showcasing", przy czym prostsze słowa, takie jak "enhance" i "highlighting", niosły większą część ciężaru niż bardziej efektowne wyrażenia rok wcześniej. Nic z tego nie jest centralnie koordynowane.

Lista zamrożona w jednym momencie szybko się dezaktualizuje właśnie z tego powodu. To, co się utrzymuje, to leżący u podstaw nawyk, formalne słowa, używane nieco zbyt często, niezależnie od tego, które konkretnie z nich są modne w danym roku.

Czy te słowa dowodzą, że napisał to ChatGPT?

Nie. Staranny autor pracujący pod presją terminu, osoba niebędąca native speakerem języka angielskiego, sięgająca po bezpieczne formalne słownictwo, oraz student, który nauczył się dokładnie tych słów na zajęciach z pisania, mogą wszyscy stworzyć akapit, który uzyska wysoki wynik według tej listy, bez żadnego chatbota w pobliżu. Traktowanie powyższej tabeli jako dowodu nadużycia jest błędem, przez który staranni autorzy są fałszywie oskarżani, i warto nazwać to błędem zamiast powtarzać to po cichu. Własne produkty TextPulse istnieją dlatego, że problem odwrotny jest równie realny, autentyczny fragment ludzkiego pisania, który niefortunnie skupia kilka z tych słów w jednym akapicie, może zostać wciągnięty do analizy, na którą nigdy nie zasłużył.

Detektory statystyczne działają na całkowicie powiązanym, lecz odmiennym sygnale, opisanym w tekście TextPulse o how AI detectors work, a własny humanizer AI TextPulse podaje szacowany Human Score obliczony na podstawie tekstu znajdującego się przed nim, a nie werdykt jakiegokolwiek detektora. Lista słów taka jak ta jest punktem wyjścia do ludzkiej decyzji, a nie jej zastępstwem. Pozostała część free tools collection TextPulse obejmuje inne poziomy, rytm, interpunkcję i strukturę, dla każdego, kto sprawdza cały szkic, a nie jeden akapit.

Jeden czasownik odpowiada za większą część tej listy niż jakikolwiek inny, a dlaczego modele sięgają po niego jest wyjaśnione osobno. Interpunkcja zdradza to samo, a nawyk używania em dash ma własną stronę.

Następnym razem, gdy akapit wyda się nieco nie w porządku, nie sięgaj po jeden synonim i nie uznawaj sprawy za naprawioną. Zamiast tego sprawdź zagęszczenie: dwa lub trzy z tych słów wykonujące rzeczywistą pracę to zwykły zapis, cztery lub pięć nie wykonujących żadnej pracy w ogóle to sygnał, a różnicę może nauczyć się dostrzegać każdy czytelnik, bez przepuszczania czegokolwiek najpierw przez detektor.