Как ИИ используют для генерации поддельных карточек и отзывов на маркетплейсах

Искусственный интеллект давно стал рабочим инструментом бизнеса: с его помощью пишут описания товаров, обрабатывают изображения, отвечают клиентам. Но те же технологии всё активнее используют и недобросовестные продавцы – генеративный ИИ позволяет за несколько минут подготовить карточку товара, почти неотличимую от оригинальной, и сгенерировать десятки правдоподобных отзывов. Разберем, как это работает и почему брендам стоит пересмотреть подход к защите интеллектуальной собственности.

Контрафакт стало сложнее распознать

Раньше нарушение можно было найти по точному совпадению названия или фото, т.к. поддельные карточки выдавали себя сами: некачественные фото, ошибки в описании, небрежное оформление.

Сегодня с помощью генеративного ИИ продавцы за минуты создают профессиональный контент, который почти не уступает оригиналу. ИИ переписывает описание товара и меняет его изображение на основе оригинальных материалов таким образом, что карточки не выглядят прямыми копиями друг друга. При этом, сам товарный знак и элементы фирменного стиля бренда меняются незначительно, оставаясь узнаваемыми для покупателей, поэтому простой поиск дубликатов такие карточки уже не выявляет. Теперь для выявления нарушения приходится анализировать множество более тонких признаков.

Как это выглядит на практике

Возьмем типичный сценарий, с которым сегодня сталкиваются команды защиты бренда. Недобросовестный продавец берет фотографии и описание оригинального товара и прогоняет их через генеративную модель: текст переписывается близко к оригиналу, но другими словами и с другой структурой, на фото слегка меняются ракурс, фон и цветовая гамма, логотип на упаковке размывается или обрезается кадром. Формально карточка не является точной копией – ни текст, ни изображение не совпадают побайтово с оригиналом и, по сути, покупатель видит подделку, однако, невольно ассоциирует ее с известным брендом.

Дальше эту карточку размножают: под нее генерируют несколько разных вариантов описания и фото, публикуют от имени разных продавцов, а затем «поднимают» отзывами – десятками коротких, но по-разному сформулированных комментариев о качестве товара, быстрой доставке, соответствии описанию. Ни один автоматический фильтр маркетплейса, ищущий дубликаты текста или совпадающие изображения, такую карточку не отмечает: каждая копия уникальна на уровне формулировок и пикселей, хотя вся группа карточек явно происходит из одного источника.

Специалисту по защите бренда, чтобы найти такую группу карточек вручную, приходится не искать точное совпадение, а сопоставлять косвенные признаки: похожую компоновку кадра, характерные для конкретного продавца обороты речи, повторяющиеся паттерны в отзывах. На практике это означает, что на один такой кейс уходит в разы больше времени, чем несколько лет назад, а таких кейсов становится все больше.

Отзывы, которым нельзя доверять

Отдельная проблема – автоматическая генерация отзывов. Современные языковые модели создают большие объемы естественно звучащих комментариев, разных по стилю и длине, которые сложно отличить от настоящих – и это не просто предположение, а результат, подтвержденный экспериментально.

Исследование 2025 года показало: люди больше не способны отличить настоящие отзывы от сгенерированных ИИ – точность распознавания в среднем составила лишь 50,8%, что практически равно случайному угадыванию. Более того, сами языковые модели тоже не справляются с этой задачей и показывают результат не лучше, а порой и хуже, чем люди. Иными словами, ни человек, ни алгоритм сегодня не могут гарантированно отделить реальный отзыв от сгенерированного, то есть автоматические фильтры маркетплейсов, полагающиеся только на анализ текста отзыва, ловят такие подделки ненамного эффективнее случайного отбора (см. Meng W., Harvey J., Goulding J., Carter C. J., Lukinova E., Smith A., Frobisher P., Forrest M., Nica-Avram G. «Large Language Models as 'Hidden Persuaders': Fake Product Reviews are Indistinguishable to Humans and Machines»).

Такие отзывы используют для искусственного повышения доверия к товару и продвижения карточек в поисковой выдаче маркетплейсов. В результате высокий рейтинг товара - уже не гарантия качества, а негативные отзывы могут быть инструментом недобросовестной конкуренции. Для покупателя это означает, что привычные ориентиры при выборе товара перестают работать.

Чем это грозит правообладателям

Использование ИИ делает контрафакт не просто более массовым, но и более убедительным, а значит, растут и риски для брендов:

• нарушений становится больше и их сложнее отслеживать вручную;

• поддельные карточки труднее отличить от оригинальных даже при внимательной проверке;

• накрученный рейтинг и фальшивые отзывы подталкивают покупателей к покупке контрафакта, что приводит к разочарованию от некачественного товара, который связывают с самим брендом, а не с продавцом-нарушителем.

В итоге страдают и продажи, и репутация, причем ущерб репутации может проявиться далеко не сразу.

Почему нужен системный мониторинг

Периодическая ручная проверка маркетплейсов больше не справляется с масштабом проблемы: сотрудникам пришлось бы анализировать сотни карточек, сравнивать изображения и отслеживать изменения практически в реальном времени. Даже сильная команда неизбежно будет пропускать часть нарушений.

Поэтому компании переходят к постоянному автоматизированному мониторингу с оперативной фиксацией нарушений, подачей жалоб и анализом повторных случаев незаконного использования товарного знака. Такие решения, как ZIPDetect, помогают не только находить подозрительные карточки, но и выстраивать весь процесс защиты бренда – от мониторинга до юридического сопровождения.

Чем раньше компания внедряет подобные инструменты, тем выше шанс вовремя заметить нарушение и не потерять доверие покупателей.