Pangram zbiera 9 milionów dolarów. Cel: wykrywać AI w natłoku AI

• Pangram pozyskał 9 milionów dolarów od Menlo Ventures i innych inwestorów
• Startup wypuścił Pangram 4 - model wykrywający AI w tekście z dokładnością ponad 99%
• Nowy detektor obrazów Pangram Image jest dostępny w wersji testowej
• Narzędzie wykrywa również programy "humanizujące" treści AI

"To niewiarygodnie wartościowe - wiedzieć, czy to co czytasz, zostało wygenerowane przez AI" - mówi Max Spero, współzałożyciel Pangram. Trudno się nie zgodzić, patrząc na internet w 2026 roku.

Pangram, startup z Nowego Jorku, właśnie zamknął rundę finansowania na 9 milionów dolarów. Pieniądze poprowadził Menlo Ventures, dołożyli się też Haystack, ScOp, Script Capital i Cadenza. Cel? Skalować oprogramowanie, które odróżnia tekst napisany przez człowieka od tego, co wypluł ChatGPT, Claude czy inny LLM.

Pangram 4 i detektor obrazów - co nowego

Wraz z ogłoszeniem finansowania Pangram wypuścił dwa nowe narzędzia. Pierwsze to Pangram 4 - czwarta generacja modelu wykrywającego AI w tekście. Według firmy osiąga dokładność ponad 99% w rozpoznawaniu treści pisanych z pomocą AI oraz mieszanych tekstów (część człowiek, część AI).

Drugie narzędzie to Pangram Image - detektor obrazów generowanych przez AI. Na razie dostępny tylko w wersji testowej (research preview), startup zapowiada pełne wdrożenie w ciągu najbliższych tygodni.

Spero podkreśla, że nowy model lepiej radzi sobie z wykrywaniem programów typu "AI humanizer" - narzędzi, które przepisują tekst z ChatGPT tak, żeby wyglądał bardziej "po ludzku". To odpowiedź na rosnący problem: ludzie używają AI do pisania, a potem próbują zamaskować ślady.

Jak to działa - bez magii, z maszyną uczącą się

System Pangram to duży model uczenia maszynowego wytrenowany na dziesiątkach milionów dokumentów napisanych przez ludzi. Startup stworzył dla każdego z nich "syntetyczne lustro" - tekst o tym samym temacie, długości i tonie, wygenerowany przez LLM.

"Nasz model uczy się stylistycznych różnic i wyborów, które AI robi konsekwentnie. Dzięki temu potrafi z dużą pewnością rozpoznać, co zostało wygenerowane przez AI" - tłumaczy Spero. Kluczowe: detektor nie polega na metadanych typu copy-paste, tylko na analizie samego stylu pisania.

Dlaczego to w ogóle problem

Max Spero i Bradley Emi, obaj absolwenci programu AI i machine learning na Stanfordzie, założyli Pangram około dwa lata temu. Moment? Tuż po premierze ChatGPT, kiedy internet zaczął tonąć w botach, SEO-slopie i - jak to ujmuje Spero - "kampaniach dezinformacyjnych LLM z Rosji i UAE na Twitterze".

Spero mówi wprost: "To zmienia sposób, w jaki podchodzisz do tekstu. Jeśli wiesz, że coś napisał AI, musisz uważać na halucynacje i podchodzić sceptycznie. Jeśli to dziennikarz - ufasz, że był research".

Problem nie dotyczy tylko fake newsów. Uczelnie próbują wyłapać prace pisane przez ChatGPT. Redakcje sprawdzają, czy freelancerzy nie podrzucają im AI-slopu. Firmy weryfikują, czy kandydaci sami napisali cover letter. W każdym z tych przypadków liczy się pewność - a obecne detektory często mylą się na tyle, że nikt im nie ufa.

99% dokładności - co to znaczy w praktyce

Pangram chwali się dokładnością ponad 99%. Brzmi imponująco. Przy milionach tekstów dziennie nawet 1% błędów to tysiące fałszywych alarmów. Startup nie podał szczegółów, jak testował model - na jakich danych, w jakich językach, na jakich typach treści.

Jeśli model był trenowany głównie na angielskich artykułach, może mieć problem z polskimi postami na blogu albo kodem w Pythonie. To standardowy problem detektorów AI - działają super na danych treningowych, gorzej na tym, czego nie widziały.

Rynek detektorów AI - kto jeszcze gra

Pangram nie jest sam. OpenAI wypuścił własny detektor AI (i wycofał go po kilku miesiącach, bo nie działał). Turnitin, platforma antyplagiatowa dla uczelni, dodała moduł wykrywania AI. GPTZero, konkurent Pangram, też zbiera miliony od inwestorów.

Żaden z tych narzędzi nie jest stuprocentowy. W sytuacji, gdzie fałszywe oskarżenie może kosztować kogoś pracę, ocenę czy reputację - "prawie pewny" to za mało. Pangram musi udowodnić, że jego 99% to nie marketing, tylko rzeczywista przewaga.

Spero nie mówi wprost, kto płaci za Pangram. Startup ma klientów w edukacji, mediach i firmach - szczegóły zostają za kurtyną. 9 milionów dolarów to sygnał, że inwestorzy wierzą w popyt. Pytanie, czy rynek faktycznie chce płacić za detekcję AI, czy woli nauczyć się żyć w świecie, gdzie połowa internetu to LLM.

Co dalej z internetem pełnym AI

Pangram stawia na scenariusz, w którym umiejętność odróżnienia AI od człowieka staje się krytyczna. Równie prawdopodobny jest scenariusz odwrotny: ludzie przestają się przejmować, kto napisał tekst, i oceniają go po jakości, nie po pochodzeniu.

Jeśli AI pisze lepsze poradniki niż copywriterzy z content millu - czy naprawdę ma znaczenie, kto to napisał? Jeśli student używa ChatGPT do zrozumienia tematu, a potem pisze esej własnymi słowami - czy to oszustwo, czy narzędzie?

Pangram zakłada, że transparentność ma wartość. Że czytelnik ma prawo wiedzieć, czy rozmawia z człowiekiem, czy z modelem. Że firmy zapłacą za narzędzie, które to gwarantuje. Zobaczymy, czy rynek się zgodzi.

Najczęstsze pytania

Czy Pangram wykrywa AI w każdym języku?

Startup nie podał szczegółów dotyczących obsługi języków. Większość detektorów AI działa najlepiej w angielskim, ponieważ na nim były trenowane. Jeśli Pangram nie wspomina o polskim czy innych językach, bezpieczniej założyć, że model może mieć ograniczenia poza angielskim.

Jak Pangram radzi sobie z programami humanizującymi AI?

Według Spero nowy model Pangram 4 lepiej wykrywa teksty przepisane przez narzędzia typu "AI humanizer". Te programy próbują zamaskować ślady AI, zmieniając styl i strukturę zdań. Pangram analizuje głębsze wzorce stylistyczne, które trudniej ukryć.

Czy 99% dokładności to wystarczająco dużo?

Zależy od kontekstu. W skali milionów tekstów dziennie nawet 1% błędów to tysiące fałszywych oskarżeń. Dla uczelni czy redakcji to może być problem - jeden błąd może kosztować kogoś ocenę lub reputację. Pangram musi udowodnić, że jego dokładność sprawdza się w realnych warunkach, nie tylko na danych testowych.