GPT-5.5 vs Claude 4.6 vs Gemini 3.1: AI Mana di 2026 yang Paling Sulit Dideteksi?

Pada Mei 2026, tiga model AI terdepan mendominasi penulisan profesional dan akademik: GPT-5.5 dari OpenAI, Claude 4.6 dari Anthropic, dan Gemini 3.1 dari Google. Masing-masing hadir dengan klaim pemasaran tentang betapa manusiawi hasil outputnya. Masing-masing digunakan jutaan kali sehari untuk jenis penulisan yang berakhir sebagai esai, laporan, dan pustaka konten. Dan masing-masing meninggalkan sidik jari statistik berbeda yang dapat — atau terkadang tidak dapat — ditangkap oleh alat deteksi.

Kami menguji 600 sampel segar di ketiga model tersebut dan memasukkan masing-masing ke detektor ansambel multi-model yang sama. Hasilnya mematahkan beberapa asumsi umum tentang model mana yang paling sulit dideteksi — dan memperjelas mengapa jawabannya lebih penting di tahun 2026 daripada tahun-tahun sebelumnya.

Bagaimana Kami Menguji

Kami menghasilkan 200 output per model — masing-masing 50 untuk esai akademis, salinan pemasaran, penjelasan teknis, dan fiksi kreatif. Setiap pembuatan menggunakan prompt sistem default tanpa instruksi untuk menghindari deteksi. Kami kemudian membuat varian adversarial untuk masing-masing: versi yang diproses oleh humanizer dan versi yang diedit ringan (15–20% kata ditulis ulang secara manual). Total: 600 sampel garis dasar, 1.200 sampel adversarial.

Setiap sampel dievaluasi oleh ansambel Agentic Council Plagly.ai (perplexity, burstiness, stylometry, fingerprint, discourse) and diperiksa silang dengan pengklasifikasi terbaru dari detektor model tunggal komersial terkemuka. Hasil di bawah ini melaporkan tingkat deteksi Plagly.

Hasil Utama: Output Mentah

Pada output default tanpa pengeditan adversarial, ketiga model tersebut berkumpul sangat dekat — tetapi perbedaan kecil tersebut sangat mengungkapkan.

Akurasi deteksi pada output mentah

GPT-5.5 (mentah): 94% tertangkap. Claude 4.6 (mentah): 88% tertangkap. Gemini 3.1 (mentah): 92% tertangkap. Pada output bawaan tanpa instruksi adversarial, ketiganya terdeteksi secara andal oleh alat ansambel — namun celah antara Claude 4.6 dan yang lainnya adalah nyata.

Mengapa Claude 4.6 memimpin dalam hal kerahasiaan (stealth)

Claude 4.6 dilatih dengan fokus kuat pada variasi register dan ritme prosa yang mirip manusia. Model ini memvariasikan struktur kalimat secara lebih agresif dibandingkan rekan-rekannya, menggunakan lebih sedikit transisi formulatis, dan menunjukkan komitmen yang lebih tulus pada suatu posisi dalam penulisan argumentatif. Hasilnya adalah teks dengan skor yang lebih dekat ke prosa manusia pada sumbu perplexity dan burstiness yang ditekankan oleh detektor model tunggal.

Mengapa GPT-5.5 adalah yang paling mudah dikenali

Meskipun paling dioptimalkan untuk kelancaran, GPT-5.5 mempertahankan pola struktural top-down terkuat di antara ketiganya. Pelatihannya menekankan keandalan dan keseimbangan, yang menghasilkan bentuk argumen yang mudah dikenali: pengenalan, menyajikan berbagai perspektif, diakhiri dengan sintesis terukur. Detektor yang memodelkan wacana (discourse) tingkat paragraf dan dokumen mendeteksi hal ini secara konsisten, bahkan ketika fitur permukaan tingkat kalimat lolos.

Di Mana Model Berbeda: Rincian Per Fitur

Angka akurasi utama menyembunyikan perbedaan yang lebih besar dalam fitur mana yang memicu deteksi. Melihat skor per-pengklasifikasi menceritakan kisah yang lebih berguna.

Sinyal wacana (discourse)

GPT-5.5 memiliki sidik jari wacana terkuat di antara ketiganya. Preferensinya pada argumen yang seimbang, penggunaan frasa transisi tertentu secara berlebihan, dan kecenderungannya untuk meringkas terlebih dahulu menjadikannya model terdepan yang paling mudah dikenali pada tingkat paragraf — bahkan ketika kalimat individu lolos dari detektor model tunggal.

Sinyal stilometrik (stylometric)

Gemini 3.1 memimpin dalam tanda-tanda stilometrik. Hasil outputnya menunjukkan pola khas dalam frekuensi kata keterangan, konstruksi kalimat pasif, dan ritme tingkat klausa. Fitur-fitur ini sangat melekat dalam cara data pelatihan Google dikurasi dan terbukti sulit untuk ditekan oleh model tanpa kehilangan kelancarannya.

Sinyal perplexity

Claude 4.6 memiliki profil perplexity paling bersih — hasil outputnya berada paling dekat dengan garis dasar tulisan manusia. Inilah yang membuatnya paling sulit ditangkap oleh detektor perplexity model tunggal. Namun Claude 4.6 masih memiliki fitur sidik jari dan wacana yang terukur, itulah sebabnya detektor ansambel mempertahankan akurasi padanya di saat alat yang lebih sederhana gagal.

Kondisi Adversarial: Ketika Segalanya Menjadi Lebih Sulit

Celah yang lebih besar di antara model-model tersebut muncul di bawah kondisi adversarial. Setelah menjalankan hasil output setiap model melalui humanizer, kami menguji kembali:

• GPT-5.5 + humanizer: 72% tertangkap.
• Claude 4.6 + humanizer: 64% tertangkap.
• Gemini 3.1 + humanizer: 70% tertangkap.

Keunggulan Claude 4.6 dalam kondisi mentah melebar lebih jauh setelah humanizer masuk dalam pengujian — tetapi bahkan pada pengaturan yang paling adversarial sekalipun, sebagian besar output Claude 4.6 masih ditandai. Gagasan bahwa model-model ini dapat menghindari detektor ansambel modern secara andal tidak terbukti oleh data.

Mengapa Ini Penting di Tahun 2026

Persaingan model semakin cepat sepanjang akhir tahun 2025 dan 2026, dengan OpenAI merilis GPT-5.5 dalam upaya melompati keunggulan kerahasiaan Claude, Anthropic merespons dengan peningkatan ritme prosa Claude 4.6, dan Google mendorong Gemini 3.1 untuk memperkecil celah kelancaran. Dari sudut pandang deteksi, implikasi praktisnya mulai mengerucut.

Detektor model tunggal semakin tidak andal

Di ketiga model tersebut, detektor pengklasifikasi tunggal adalah yang paling rentan. Alat khusus perplexity yang bekerja dengan baik pada GPT-3.5 kini salah mengkategorikan output Claude 4.6 sebanyak 50–60% kali. Alat khusus burstiness juga gagal dengan cara serupa. Ansambel multi-model mempertahankan akurasi karena tidak ada model tunggal yang harus melakukan semua pekerjaan.

Pelatihan ulang yang berkelanjutan lebih penting daripada algoritma tunggal mana pun

Agentic Council Plagly.ai melatih ulang modul sidik jarinya secara terus-menerus pada output segar dari setiap model terdepan utama. Akurasi deteksi pada Claude 4.6 telah meningkat sekitar enam poin persentase sejak peluncuran karena pola gaya model tersebut menjadi terwakili lebih baik dalam data pelatihan — pola yang berulang pada setiap rilis model baru.

Apa Berikutnya: Claude 5, GPT-6, Gemini 4

Ketiga laboratorium telah secara publik memberi sinyal rilis generasi berikutnya sepanjang tahun 2026 dan hingga tahun 2027. Berdasarkan siklus GPT-5.5/Claude 4.6/Gemini 3.1, inilah yang dapat diharapkan: penurunan akurasi deteksi sementara lainnya di semua alat pada setiap rilis besar, pemulihan yang lebih cepat untuk produk ansambel, dan terus melebarnya celah antara detektor multi-model modern dan produk pengklasifikasi tunggal lama.

Perlombaan senjata jangka panjang sedikit menguntungkan deteksi. Setiap generasi LLM mengurangi petunjuk gaya yang dangkal tetapi tidak dapat dengan mudah menghilangkan pola struktural yang lebih dalam yang berasal dari pelatihan sebagai prediktor token berikutnya pada data berskala internet. Pola-pola itulah yang dipelajari oleh detektor yang dirancang dengan baik, dan itulah lapisan yang bertahan dari pembaruan model.

Intinya

Claude 4.6 saat ini merupakan model yang paling sulit dideteksi di antara tiga model terdepan tersebut — tetapi hanya selisih beberapa poin persentase saja, dan hanya ketika diukur terhadap detektor model tunggal. Ansambel multi-model tetap menandai mayoritas output dari ketiga model tersebut, dan celah tersebut semakin menutup pada setiap putaran pelatihan ulang detektor. Pertanyaan yang tepat untuk tahun 2026 bukanlah “model mana yang dapat saya gunakan untuk menghindari deteksi?” melainkan “detektor mana yang dapat saya percayai untuk memberikan pembacaan yang akurat?” Jawaban atas pertanyaan tersebut — ansambel, multi-model, dilatih ulang terus-menerus — tidak pernah sejelas ini.