Pangram, סטארט-אפ מניו יורק שנוסד על ידי בוגרי AI מסטנפורד, Max Spero ו-Bradley Emi, סגר סבב גיוס Series A של 9 מיליון דולר בהובלת Menlo Ventures. המימון יאפשר פיתוח API לפלטפורמות ותוסף Chrome ב-20 דולר לחודש, הטוען כי הוא מזהה טקסט שנכתב בסיוע AI בדיוק של 99 אחוזים — טענה שעשויה לעצב מחדש את האופן שבו עיתונאים, חוקרים ומגייסים מאמתים אותנטיות.

גל ה-"slop" המיוצר על ידי AI

מודלי שפה גדולים (LLMs) מייצרים כעת מאמרים, פוסטים ברשתות חברתיות ואפילו ציטוטים משפטיים בקנה מידה רחב. התוצאה: שטף של ספאם SEO באיכות נמוכה, קמפיינים מתואמים של דיסאינפורמציה, ו"אזור אפור" שבו בני אדם משפצים טיוטות שנוצרו על ידי AI. מוסדות כבר מגיבים. שרת ה-pre-print arXiv הזהיר כי מחברים שיגישו תוצרים של LLM ללא בדיקה עלולים לעמוד בפני איסור של שנה, ובתי המשפט החלו להטיל סנקציות על עורכי דין הנשענים על ציטוטים מפוברקים שנוצרו על ידי AI. הלחץ להפריד בין תוצר אנושי לתוצר מכונה הולך וגובר, ו-Pangram מהמרת שהטכנולוגיה שלה תהפוך לשכבת האימות המוגדרת כברירת מחדל.

שיקוף סינתטי: אימון על תאום של כל מסמך

המודל המוביל של Pangram, ‏Pangram 4, משתמש בשיטה שהחברה מכנה "synthetic mirroring" (שיקוף סינתטי). עבור כל מסמך שנכתב על ידי אדם במערך האימון שלה — עשרות מיליוני יצירות מאומתות — הצוות יצר מקבילה באמצעות מודל LLM מתקדם. התאום הסינתטי תואם למקור בנושא, באורך ובטון, אך הוא מופק על ידי AI. על ידי הזנת שתי הגרסאות לאותה רשת עצבית, Pangram מלמדת את המודל לזהות את ה"טביעות האצבע" הסטטיסטיות העדינות שמתמידות בטקסט שנוצר על ידי AI, גם כאשר כותבים משתמשים בכלי "AI humanizer" שנועדו להסוות תוצר מכונה.

המתחרים נשענים על מטא-דאטה או סימני מים בלתי נראים, שניתן להסיר או להתעלם מהם. Pangram מתמקדת במקום זאת בניתוח סגנוני: דפוסים בבחירת מילים, קצב משפטים והתפלגות טוקנים (tokens) שנשארים עקביים לאורך הפלט של המודל. בבדיקות פנימיות, המערכת סימנה כתיבה בסיוע AI בדיוק של 99 אחוזים, כך על פי הודעת החברה.

מ-APIs לדפדפנים: היכן הטכנולוגיה תתמקם

Pangram ממצבת את עצמה כתשתית ולא כאפליקציה למטרה אחת בלבד. ה-API שלה כבר משתלב ב-Substack, שם ניוזלטרים מציגים תווית המציינת את שיעור התוכן שנוצר על ידי AI. משתמשים מוקדמים כוללים גם את פלטפורמת השאלות והתשובות Quora, מספר מרכזי כתיבה באוניברסיטאות וסוכנויות גיוס הזקוקות לאימות המקוריות של הגשות מועמדים.

עבור משתמשים פרטיים, הסטארט-אפ מציע תוסף Chrome שמציג "ציון בריאות הפיד" (feed health score) באתרים כמו X, LinkedIn, Reddit ו-Medium. הציון מפרק את אחוז הטקסט שהמודל סבור שהוא אנושי לעומת AI. מנויים משלמים 20 דולר לחודש עבור תיוג בזמן אמת והיכולת לסמן קטעים חשודים לבדיקה נוספת.

מבט ספקני

טענות לגבי דיוק מושכות בהכרח בחינה מדוקדקת. זיהוי סיוע AI ב"אזור האפור" — שבו כותב עורך טיוטה שהופקה על ידי מודל — נותר מטרה נעה. ככל שמודלים גנרטיביים משתפרים, הפער הסגנוני שעליו נשענת Pangram עלול להצטמצם, מה שיעורר מרוץ חימוש בין טכניקות זיהוי לטכניקות התחמקות. מבקרים מזהירים גם מפני התראות שווא (false positives): תיוג יצירה אנושית לגיטימית ככזו שנוצרה על ידי AI עלול לפגוע במוניטין, במיוחד בהקשרים אקדמיים או משפטיים שבהם הסיכון גבוה.

Pangram מכירה באתגר, ומציינת כי היא מאמנת מחדש את המודל שלה באופן רציף על "שיקופים סינתטיים" חדשים ככל שמופיעים מודלי LLM חדשים. עם זאת, החברה לא חשפה תוצאות מבחן (benchmark) עצמאיות מעבר לבדיקות הפנימיות שלה, מה שמותיר את הקהילה הרחבה לבדוק את נתון ה-99 אחוזים.

מה כדאי לעקוב

החודשים הקרובים יחשפו האם Pangram תוכל לעבור מעבר לשלבי הטמעת פיילוט לאימוץ רחב יותר בפלטפורמות. אינדיקטורים מרכזיים כוללים:

  • הרחבת חוזי API מעבר לרשימה הנוכחית של השותפים המוקדמים.
  • משוב ממשתמשים מוסדיים על שיעורי התראות שווא וההשפעה על תהליכי עריכה.
  • תגובות מצד מפתחי LLM, שעשויים להגיב בעדכוני מודלים שמטרתם לחקות סגנון אנושי בצורה קרובה יותר.
  • התפתחויות רגולטוריות שעשויות להפוך כלי זיהוי AI לחובה עבור פרסומים מסוימים או הגשות אקדמיות.

אם הסטארט-אפ תשמור על יתרון הזיהוי שלה תוך שמירה על שיעורי שגיאה נמוכים, היא עשויה להפוך לתקן דה-פקטו לאותנטיות דיגיטלית. אם לא, השוק עלול להתפרק למערך של כלים מתחרים, שלכל אחד מהם פשרות משלו.

שורה תחתונה

הזרקת 9 מיליון הדולרים של Pangram מזינה אסטרטגיית זיהוי הנשענת על שיטת אימון מבוססת מסמך כפול, במטרה לטעון ליכולת זיהוי כמעט מושלמת של סיוע באמצעות בינה מלאכותית. הצלחתה תלויה בשאלה האם השיטה תתאים עצמה למודלי שפה מתפתחים ותזכה לאמון מצד הפלטפורמות והמוסדות הזקוקים לה ביותר.