Jak rozpoznać zdjęcie wygenerowane przez AI

Jeszcze niedawno zdjęcia z generatora zdradzały sześć palców, rozmyte napisy i plastikowa skóra. W 2026 roku najlepsze modele robią poprawne dłonie, czytelne litery i naturalne światło. Ludzie radzą sobie z tym słabo: w badaniu Nightingale i Farida (PNAS, 2022) uczestnicy rozpoznawali twarze z generatora z trafnością 48,2%, czyli na poziomie zgadywania. Badanie Millera i współpracowników (Psychological Science, 2023) pokazało coś jeszcze bardziej niepokojącego: wygenerowane twarze osób białych częściej uznawano za prawdziwe (66%) niż zdjęcia prawdziwych ludzi (51%).

Dlatego zamiast szukać jednej „zdradzającej” cechy lepiej sprawdzać obraz warstwami: skąd pochodzi, co mówi sam plik, co widać na obrazie i co pokazują narzędzia. Żadna z tych warstw nie wystarcza sama.

1. Zacznij od pochodzenia, nie od pikseli

Najwięcej mówi często kontekst. Kto pierwszy opublikował obraz? Czy ta sama scena jest na innych zdjęciach, z innego miejsca albo w innej chwili? Czy źródło ma historię rzetelnych publikacji?

Wyszukiwanie obrazem (Google Lens, TinEye, Bing) pokazuje starsze wersje, oryginalny kontekst i przeróbki. Nie wykrywa AI wprost, ale dobrze łapie prawdziwe zdjęcia, w których coś podmieniono, i stare zdjęcia podpisane jako nowe.
Szukaj oryginału. Zrzut ekranu albo zdjęcie z komunikatora ma mniej śladów niż plik od autora: niższą rozdzielczość, mocniejszą kompresję, zero metadanych.

2. Sprawdź, co mówi sam plik

Zdjęcie z aparatu albo telefonu zwykle zawiera metadane EXIF: model aparatu, obiektyw, czas naświetlania, przysłonę, ISO, datę, czasem lokalizację. Obraz z generatora najczęściej ich nie ma albo ma w nich nazwę programu.

Ale uwaga na dwie pułapki:

Brak metadanych niczego nie dowodzi. Komunikatory i portale społecznościowe usuwają je przy wysyłaniu. Prawdziwe zdjęcie z Messengera czy z X wygląda pod tym względem tak samo jak obraz z generatora.
Metadane łatwo podrobić. Jednym poleceniem programu ExifTool można skopiować dane aparatu z dowolnego zdjęcia do dowolnego pliku. Dane aparatu to więc tylko słaba wskazówka autentyczności.

Mocnym sygnałem jest za to sytuacja odwrotna: plik, który sam deklaruje pochodzenie z AI. Część generatorów zapisuje w metadanych kod IPTC trainedAlgorithmicMedia („treść wygenerowana przez algorytm uczony”) albo compositeWithTrainedAlgorithmicMedia (obraz złożony lub edytowany z użyciem AI). Narzędzia oparte na Stable Diffusion, takie jak AUTOMATIC1111 czy ComfyUI, zapisują w plikach PNG cały zestaw parametrów generowania: opis, liczbę kroków, sampler, ziarno losowania. Takie ślady można usunąć, ale rzadko ktoś je podrabia.

3. Content Credentials i niewidoczne znaki wodne

Content Credentials (standard C2PA) to podpisany kryptograficznie zapis pochodzenia pliku: czym go utworzono i jak potem edytowano. Dołączają go m.in. narzędzia Adobe (w tym Firefly), obrazy z ChatGPT i API OpenAI, aplikacja Gemini i aparat w telefonach Pixel, a także niektóre aparaty Leiki, Sony, Nikona i Canona. Zapis można odczytać np. na stronie contentcredentials.org/verify.

Drugie podejście to niewidoczny znak wodny wpisany w same piksele. Najbardziej znany jest SynthID z Google DeepMind. W 2026 roku OpenAI ogłosiło, że także oznacza nim obrazy z ChatGPT i swojego API. Google zapowiedziało sprawdzanie znaków SynthID i Content Credentials w wyszukiwarce i w Chrome, a w aplikacji Gemini taka weryfikacja już działa.

Brzmi jak rozwiązanie, ale ma granice:

Brak podpisu nic nie znaczy. Wiele platform usuwa metadane przy wgrywaniu, więc zapis C2PA zwykle znika po pierwszym udostępnieniu. Generatory uruchamiane lokalnie (modele otwarte) nie muszą niczego oznaczać.
Podpis to nie prawda. C2PA mówi, skąd pochodzi plik i czy zmieniono go po podpisaniu, a nie czy przedstawia prawdziwe zdarzenie. Standard pozwala wykryć zmiany, ale nie chroni przed nimi w pełni: w 2025 roku Nikon wstrzymał swoją usługę po wykryciu luki, która pozwalała podpisać zmieniony obraz, a w 2026 roku badacze opisywali kolejne słabe punkty specyfikacji i implementacji.
Znak wodny sprawdzi tylko jego właściciel. SynthID odczytują narzędzia Google, a każdy dostawca stosuje własny system.

Od 2 sierpnia 2026 roku unijny akt o sztucznej inteligencji (AI Act, art. 50) wymaga od dostawców systemów generatywnych, by ich wyniki były oznaczone w formacie odczytywalnym maszynowo i wykrywalne jako sztucznie wygenerowane. Według dostępnych omówień systemy wprowadzone na rynek wcześniej mają na to czas do 2 grudnia 2026 r. To poprawi sytuację z legalnymi generatorami, ale nie rozwiąże problemu plików, z których oznaczenia usunięto.

4. Obejrzyj obraz — systematycznie

Oglądanie wciąż ma sens, jeśli robi się to metodycznie i szuka konkretów, a nie „ogólnego wrażenia”. Na co patrzeć:

Dłonie, zęby, oczy, uszy. Liczba i układ palców, zęby zlewające się w jeden pas, różne odbicia światła w obu źrenicach, niepasujące kolczyki. Nowsze modele mylą się tu rzadziej, ale błędy wciąż się zdarzają, zwłaszcza na drugim planie.
Napisy i symbole. Szyldy, etykiety, tablice rejestracyjne, tarcze zegarów, logotypy. Pseudolitery i słowa bez sensu są nadal częstym śladem, choć najnowsze modele piszą coraz lepiej.
Światło, cienie i odbicia. Czy cienie padają w jednym kierunku? Czy odbicie w lustrze lub szybie pasuje do sceny? Czy źródło światła zgadza się z jasnymi miejscami na twarzy?
Geometria. Poprowadź wzrokiem prostą linię — parapet, poręcz, krawędź stołu — za postacią lub przedmiotem. W obrazach z AI linia często „nie wraca” w tym samym miejscu. Sprawdź też perspektywę budynków i układ okien.
Tekstury. Skóra jak z wosku, idealnie gładkie tkaniny, powtarzające się wzory, brak naturalnego ziarna w ciemnych partiach. Ostrożnie: retusz, tryb portretowy i filtry upiększające w telefonach dają podobny efekt.
Tło i detale. Przedmioty wtapiające się w siebie, schody donikąd, zniekształcone twarze w tłumie, biżuteria i okulary bez logicznej konstrukcji.
„Estetyka generatora”. Kinowe światło, wycentrowana postać, perfekcyjne rozmycie tła, przesycone kolory. To słaba wskazówka — tak wygląda też wiele profesjonalnych zdjęć.

Najważniejsza zasada: brak błędów nie dowodzi autentyczności. Najlepsze generatory ich po prostu nie robią. Pojedynczy błąd też nie przesądza sprawy — prawdziwe zdjęcia mają rozmycia ruchu, artefakty kompresji i dziwne kadry.

5. Detektory automatyczne: pomocne, ale omylne

Klasyfikatory uczone na obrazach z generatorów osiągają w laboratorium wysoką trafność, ale tracą ją na obrazach z nowych modeli i po zwykłej obróbce. Kilka przykładów z badań:

W teście na 12 tysiącach obrazów pełnych tekstu (plakaty, paragony, tabele, zrzuty ekranu) z GPT-Image-2 najlepszy detektor osiągnął 89% trafności, ale po kompresji JPEG (jakość 65) jego czułość spadła niemal do zera. Model językowy z widzeniem osiągnął 74% i radził sobie słabo z tabelami.
Prawdziwe zdjęcia skompresowane nowym formatem JPEG AI detektory brały za sztuczne, a douczenie detektora nie usunęło problemu.
W badaniu na obrazach z laboratoriów (Western blot) popularne serwisy oznaczały jako AI od 6 do 28 z 48 prawdziwych obrazów.

Detektor warto więc traktować jak jeszcze jedną opinię, a nie wyrok — zwłaszcza dla obrazów zmniejszonych, przyciętych, skompresowanych lub będących zrzutami ekranu.

Jak sprawdza obrazy detektorai.pl

Nasz detektor łączy kilka z opisanych warstw:

Plik: rozpoznajemy format po zawartości (nie po nazwie), sprawdzamy wymiary i przygotowujemy obraz do analizy.
Metadane: odczytujemy EXIF (aparat, obiektyw, ekspozycja), program, kod IPTC oznaczający treść z AI, obecność Content Credentials i parametry generatorów w plikach PNG. Podpisów C2PA nie weryfikujemy, a współrzędnych GPS nie zapisujemy.
Analiza wizualna: model z widzeniem ocenia anatomię, światło i perspektywę, tekstury, napisy, tło i ogólną „estetykę generatora”, a podejrzane miejsca zaznacza na obrazie.
Kalibracja: łączymy ocenę obrazu z tym, co mówi plik. Jawny znacznik AI w metadanych podnosi wynik; brak metadanych go nie podnosi.

Wynik pokazuje, co przemawia za AI, a co za prawdziwym obrazem — razem z miejscami na obrazie. Jak każdy detektor, nasz też się myli. Traktuj wynik jako sygnał do dalszego sprawdzania, nie jako dowód, i nie opieraj na nim decyzji, które mogą komuś zaszkodzić.

Ściąga

Szukaj źródła i starszych wersji obrazu (wyszukiwanie obrazem).
Sprawdzaj oryginalny plik, nie zrzut ekranu.
Jawny znacznik AI w metadanych lub Content Credentials to mocny sygnał; brak metadanych — żaden.
Oglądaj systematycznie: dłonie, napisy, światło, linie, tekstury, tło.
Brak błędów nie oznacza prawdziwego zdjęcia, a jeden błąd nie oznacza AI.
Wynik detektora to jedna z opinii — porównuj go z kontekstem.

Chcesz sprawdzić konkretny obraz? Wgraj go w detektorze (zakładka „Zdjęcie”). O ograniczeniach detektorów przeczytasz też w artykule Dlaczego detektory AI się mylą, a o oznaczaniu treści — w tekście Znaki wodne w tekstach AI.

Źródła

S. J. Nightingale, H. Farid, AI-synthesized faces are indistinguishable from real faces and more trustworthy, PNAS, 2022.
E. J. Miller i in., AI Hyperrealism: Why AI Faces Are Perceived as More Real Than Human Ones, Psychological Science, 2023.
K. G. Hartman, Forensic Detection of AI-Generated Images: A Practical Walkthrough (EXIF, C2PA, ograniczenia metod).
OpenAI, Advancing content provenance for a safer, more transparent AI ecosystem, 2026.
Content Credentials — Wikipedia (wsparcie C2PA, znane luki).
A Multi-Domain Benchmark for Detecting AI-Generated Text-Rich Images from GPT-Image-2, arXiv, 2026.
E. D. Cannas i in., Three Forensic Cues for JPEG AI Images, arXiv, 2025.
AI Detectors are Poor Western Blot Classifiers: A Study of Accuracy and Predictive Values, arXiv, 2024.
IPTC, Digital Source Type vocabulary (kody trainedAlgorithmicMedia i compositeWithTrainedAlgorithmicMedia).
Rozporządzenie (UE) 2024/1689 (AI Act), art. 50 — obowiązki w zakresie przejrzystości.