Как мы создали «убийцу» студенческих фрилансеров: ИИ, который пишет оригинальную ВКР по ГОСТу за 10 минут

В ноябре 2025-го мой знакомый заплатил фрилансеру 12 000 рублей за курсовую по экономической теории. Через неделю получил 30 страниц текста, в котором половина источников была выдумана, формулы не сходились, а оригинальность оказалась 40%. После предъявления претензии, он оказался в черном списке у автора, после чего сидел над этим файлом ещё трое суток, переписывая всё руками. Тогда мы и подумали: а что, если этот ужас можно автоматизировать — но сделать в десять раз лучше и в сто раз дешевле?

Так начался Zachetka AI.

Первое, что приходит в голову любому студенту в 2026 году: «Зачем какой-то сервис, у меня же есть ChatGPT». Многие мои знакомые думали именно так, после чего получили — внимание — 12 страниц воды, в которой Procter & Gamble цитирует выдуманный отчёт «Минэкономразвития РФ за 2019 год», а в списке литературы красуется монография несуществующего профессора Иванова И.И. 2018 года издательства «Наука-Пресс».

Если коротко — обычный ChatGPT для студенческой работы не подходит по четырём причинам.

Он галлюцинирует источники

Не «иногда ошибается» — а уверенно, с серьёзным лицом, выдумывает книги, статьи, ГОСТы и фамилии авторов. Студент скачивает файл, несёт научнику, и тот за десять секунд гуглит первую же сноску — и всё, разговор окончен.

Он не знает, что такое ГОСТ 7.32-2017

Не понимает, чем «Введение» отличается от «Аналитической части», не выставляет правильные отступы, путает заголовки уровней, не умеет в оформление файла, нумерацию приложений и в формат списка литературы по ГОСТ 7.1-2003.

Он проваливает антиплагиат

Текст, написанный Chat GPT, ловится антиплагиатом на 40-60% ИИ-контента, потому что языковые модели тяготеют к самым вероятным формулировкам, а самые вероятные формулировки уже сто раз кем-то написаны.

И главное — он не читает методичку

А в каждом вузе своя методичка. У МГУ один формат сносок, у Финансового университета другой, у регионального педа третий. Без её учёта работа уходит на доработку с первого захода.

Когда мы начали проектировать сервис, первая мысль была наивной: «Возьмём GPT, обернём в интерфейс, добавим кнопку "Скачать в Word"». На бумаге звучит как уикенд-проект.

Реальность нас отрезвила за неделю.

Чтобы сгенерировать нормальную курсовую на 25-30 страниц, недостаточно одного запроса в LLM. Модель просто не выдаст необходимый текст такой длины — она потеряет нить через 8 страниц, начнёт повторяться или забудет, о чём вообще речь.

Мы пошли по пути пайплайна. Не будем раскрывать всех секретов, но вкратце — мы обучили модель на сотнях живых работ, заставили ее писать живым языком и выстроили путь от построения списка литературы как базы, к написанию по главам связного аналитического текста. Далее, мы собираем текст, который отдает LLM и форматируем его в готовый файл DOCX, оформленный по ГОСТу. Получилось десятка два этапов, от получения данных с инпутов (тема, план, предмет) до выхода конечного файла. Занимает вся эта магия примерно 3-7 минут (меньше для рефератов, больше для ВКР)

Если бы антиплагиата не существовало, мы бы выкатили MVP за месяц. Но он существует — и это самая болезненная часть всей задачи.

Студенческие работы прогоняют через «Антиплагиат.ВУЗ», и порог обычно — 70-80% уникальности. Чистый GPT-текст там получает 40-55%. Это провал.

Мы перепробовали кучу подходов: рерайт через вторую модель, синонимизация, перестановка структур, температурные хаки. Что-то работало на 5%, что-то ломало смысл, что-то срабатывало на одной теме и проваливалось на другой. Вообще, мы не хотели использовать костыли, вставлять какие-то белые буквы для выпрямления оригинальности; нашей задачей было сделать реально качественный массовый продукт.

В итоге собрался многослойный пайплайн: модель генерирует текст с определёнными настройками вариативности, потом отдельный этап «расчеловечивает» его обратно — превращает в живую речь с естественными для студенческой работы конструкциями. Плюс грамотная работа со структурой абзацев и подбором лексики под конкретную дисциплину.

Сейчас уникальность — стабильно 90-95% по «Антиплагиат.ВУЗ». Это уровень, на котором научник смотрит отчёт и говорит: «Ну, нормально, защищайся».

Если в работе по социологии хватает текста, то в экономике, финансах, бухучёте, инженерных дисциплинах студент должен принести таблицы, формулы, цифры и расчёты. И они должны сходиться. Не просто «выглядеть как расчёт», а реально считаться.

Тут мы упёрлись в классическую проблему LLM: модели плохо считают арифметику, а особенно в процессе написания текста — найти данные в интернете, упомянуть их в тексте, а потом провести их по формуле — задача непосильная для обычного Chat GPT.

Решение оказалось скучным, но рабочим: ИИ генерирует структуру расчёта и подставляет переменные, а реальные арифметические операции выполняются отдельным кодом. Модель отвечает за «как считать», а считает уже Python. Звучит просто — но чтобы это собрать, ушло несколько месяцев.

Список литературы — отдельная история. По ГОСТ 7.1-2003 сноска на книгу выглядит примерно так: «Иванов А.Б. Финансовый анализ предприятия: учебное пособие / А.Б. Иванов. — М.: Финансы и статистика, 2021. — 348 с.» Каждый знак препинания на своём месте. Один пробел не там — научник возвращает работу на доработку.

Мы сделали отдельный модуль, который подбирает реальные источники по теме (а не выдумывает их, как ChatGPT), форматирует по ГОСТу и проставляет сноски в тексте. Это была одна из самых душных частей проекта — но без неё всё остальное теряло смысл.

Сегодня средняя ВКР генерируется примерно за 7 минут. Курсовая — за 4-5, а реферат — за пару минут.

Стоимость работы для студента — на порядок дешевле фрилансера. Где биржа берёт 5-50 тысяч рублей и неделю времени, у нас получается несколько сотен. Студент пополняет баланс, выбирает тип работы, заливает методичку, получает готовый docx. Дальше — только отнести научнику.

«Я думал, это фантастика, — написал нам один из первых пользователей. — Закинул 500 рублей, ввёл тему, через 3 минуты скачал готовый файл. Открыл — а там моя курсовая. Реально моя, по моей теме, по моей методичке, со списком литературы. Я полчаса пытался понять, в чём подвох».

Подвох в том, что подвоха нет. Это просто хорошо собранный пайплайн поверх современной языковой модели — и несколько месяцев работы над тем, чтобы он не галлюцинировал, анализировал, думал как студент, не валил антиплагиат и понимал, что такое ГОСТ.

Важно понимать, что сложные диссертации, узкоспециализированные работы, где нужна реальная экспериментальная база, — это всё ещё территория живых людей. Но 80% потока стандартных курсовых, рефератов и ВКР — типовые задачи, которые автоматизируются.

История с тем парнем, который заплатил 12тысяч за выдуманный список литературы, — это история не про лень студента. Это история про неэффективный рынок, на котором посредник берёт дикую маржу за работу, которую современный ИИ делает быстрее и точнее.

Мы просто построили инструмент, который этот разрыв закрывает. Если вам или знакомому студенту нужна курсовая, реферат или ВКР по ГОСТу — Zachetka.pro делает её за 10 минут и за сумму, на которую раньше можно было купить разве что обед в студенческой столовой.

А 12 тысяч лучше потратить на что-то более полезное, чем курсовая по экономической теории...