Posso vibecodare WasItAIGenerated?

Cosa costruisci

Costruire uno spazio di lavoro privato in cui incollare del testo, chiedere a un solo modello generalista un giudizio sulla probabilità che sia AI con relativa motivazione, conservare i risultati ed esportarli.

cosa ti serve

• una API key OpenAI o Anthropic in .env
• Node.js 22
• un database SQLite
• un README che dica chiaramente che l'output è un'ipotesi, non un rilevamento, e che non va mai usato per accusare nessuno

La casella di testo è banale. Il prodotto sono il classificatore addestrato e il suo tasso di falsi positivi misurato.

Il prompt

Il verdetto è NON PROPRIO, e il prompt resta lo stesso: non rimpiazza l’app, ricostruisce il pezzo che è davvero codice. Il resto è il moat.

Build the closest honest consolation tool inspired by WasItAIGenerated. Do not claim it detects AI writing.
Use exactly this stack: Next.js 15 + TypeScript + SQLite.
Primary job: paste text, send it to one general language model, and record that model's opinion on how machine-like the writing reads, with its reasoning.
Start from an empty folder and create the complete working project.
Single-user and private by default; store everything locally.
Put every secret in .env and provide .env.example.
Show the result as an opinion with reasoning, never as a score, a percentage or a verdict - the whole point of this build is that it cannot measure what the paid product measures.
Put a permanent, non-dismissable notice in the UI and the README: this is one model's guess, it has no measured error rate, and it must never be used to accuse anyone of anything.
Include clear empty, loading, validation, success and failure states.
Add export so the user is not trapped in the app.
Accessible keyboard navigation, labels, focus states and sensible contrast.
Deliberately exclude these paid-product advantages: a trained classifier, a labelled corpus, a published false-positive rate, image/audio/video detection, per-sentence attribution.
Do not fake accuracy claims, benchmarks or compliance statements.
Write unit tests for the data model and one end-to-end smoke test of the core loop.
Create a README with setup, architecture, data location and an explicit limitations section.
Run the tests and build before finishing, then fix what fails.

Cosa perdi

• un classificatore addestrato e il corpus etichettato che ci sta dietro
• un tasso di falsi positivi misurato che puoi citare a un'istituzione
• il rilevamento su immagini, audio e video, non solo sul testo
• l'evidenziazione frase per frase al posto di un'unica ipotesi sull'intero documento
• il riaddestramento man mano che i generatori cambiano

Perché pagano ancora

Le istituzioni non comprano un verdetto: ne comprano uno difendibile. Un'università che segnala uno studente ha bisogno di un tasso di errore documentato, di una traccia di audit e di un fornitore che ci metta la faccia su quel numero. È un problema di misurazione, non di interfaccia, ed è il motivo per cui in questa categoria ogni acquirente serio chiede dei falsi positivi prima che delle funzioni.

moat: Modelli proprietari Dati proprietari Compliance e normative cos’è un moat

classificatore addestrato, corpus etichettato, tassi di errore pubblicati

Chi l’ha già costruito

Partire da qui è vibecoding lo stesso: il prompt serve quando lo vuoi esattamente a modo tuo.

• Binoculars (si apre in una nuova scheda) — Zero-shot LLM text detection using perplexity ratios between two models.
• DetectGPT (si apre in una nuova scheda) — Curvature-based zero-shot detection of machine-generated text.

Sei d’accordo?

App correlate

GPTZero — NON PROPRIO Originality.ai — NON PROPRIO Copyleaks — NON PROPRIO