Sådan ser du, om en tekst er skrevet af AI: tegnene, detektorerne og 24 rigtige anklager

Kort fortalt: i dag kan man ikke pålideligt afgøre, om en tekst er skrevet af AI — hverken med øjet eller med en detektor. Men vi har noget mere interessant end teori. Da vi kortlagde markedet for AI-kurser, trak vi anmeldelser fra kursister på Udemy og Coursera og ramte en sjælden åre: rigtige mennesker, der offentligt anklager forfatteren af et betalt kursus for at sælge materiale lavet af en maskine. Ingen af dem kørte en detektor. Vi så på, hvad der faktisk afslørede det — og det viste sig ikke at være noget af det, detektorer måler.

Hvorfor opgaven overhovedet ikke kan løses

En sprogmodel er trænet på menneskers tekster og optimeret til at producere statistisk »normal« tekst. God maskintekst er per definition ikke til at skelne fra gennemsnitlig menneskelig skrivning. Opgaven »at skelne AI fra menneske« støder ind i, at den rigtige grænse ikke går mellem maskine og person, men mellem en stil med signatur og en gennemsnitlig stil. Og gennemsnitligt skriver mennesker også — især når de er trætte, forsigtige eller arbejder på et andetsprog.

Læg dertil, at næsten ingen udgiver modellens rå output: teksten bliver rettet, udbygget, blandet med ens eget. Rene tilfælde af »menneske« og »AI« findes stort set ikke; der er et kontinuum. Kurset, vi skiller ad nedenfor, er præcis sådan en hybrid: manuskriptet ser maskinskrevet ud, men slidesene er bygget af et menneske, der lagde stemme til og solgte det hele. »Har en AI skrevet det?« har her ikke engang ét svar. Og det er normaltilfældet, ikke det eksotiske.

Vores data: 24 anklager om maskinelt forfatterskab, nul detektorer

Vi trak anmeldelserne af de største kurser om ChatGPT og generativ AI — vores egen markedsresearch, måling fra 17.07.2026. Biproduktet endte med at være mere værd end hovedresultatet. I de negative anmeldelser dukker den samme anklage op igen og igen: det her har en maskine lavet. Og den kommer fra folk, der har betalt for kurset og set det til ende.

Den mest direkte version rammer Prompt Engineering with ChatGPT Masterclass fra RPATech: 118.803 kursister, 57.836 anmeldelser, bedømmelse 4,48. Det er ikke et randprodukt, men et af de største kurser i nichen:

"Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word"
— Bradley M., 16.04.2026, 1★

Og på samme kursus — kortere bliver en dom næppe:

"AI voice, not recommended. didn't learned anything"
— Ashvin D., 22.06.2026, 1★

Læg mærke til, hvad der ikke står i de anmeldelser. Ingen procent. Ingen omtale af GPTZero eller ZeroGPT. Intet om perplexity, sætningsrytme eller vendingen »ikke bare X, men Y«. Ingen kørte en detektor — to ting var nok: sliden var overfyldt, og det talte stemte ord for ord med det skrevne. Det er ikke spor efter stil. Det er spor efter proces: sådan ser en tekst ud, som ingen har skrevet om til øret, fordi der ikke stod et menneske mellem generering og optagelse.

Hvad der reelt afslører en maskine: ikke stilen, men arbejdet der mangler

Vi sorterede alle negative anmeldelser i grupper, og et mønster faldt ud. Den hyppigste klage over videokurser handler slet ikke om AI — den handler om at læse op fra sliden.

"why read straight from the slide? I can do that. This was not a helpful course at all"
— Janie I., 02.07.2026, 1★ (Justin Barnetts kursus)

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website"
— Shashank T., 13.04.2026, 1★ (The Complete AI Guide)

"They are just reading the prompter sometimes without even knowing the point. Hating myself after purchasing it."
— Sachin S., 13.07.2026, 1★ (The Complete AI Guide)

Se på Sachins formulering: »sometimes without even knowing the point«. Det er den skarpeste definition af maskintekst, jeg har læst, og den har intet med statistik at gøre. En tekst bliver maskinel, når der mellem den og læseren ikke stod nogen, der forstod den. En model kan simulere forståelse inde i hver enkelt sætning. Det, den ikke kan simulere, er beslutningen om at smide halvdelen ud — for den beslutning kræver, at du ved, hvorfor du skriver.

Deraf den anden gruppe: fyld og gentagelser.

"I finished week 2. And all the lessons could be in 1 lesson. I jumped to week 3, 4, 5 and 6, and I see some concept reapeted. Very bad time spending for me."
— Shai Mizrachi, 22.07.2023, 1★ (Vanderbilt)

"The course is far too drawn out… padding the course with filler and making it longer than it needs to be."
— Victoria X., 13.02.2026, 2★ (The Complete AI Guide)

"The majority of the class he just rambles around unimportant subject… There's really no 'meat' in this course. A major waste of time and money!"
— Kevin K., 20.02.2026, 1★ (ChatGPT for Work)

Og den tredje: tomhed solgt som indhold.

"The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models."
— Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

"Didnt meet expectations, only theory is discussed which we already know."
— Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone)

Læg det sammen. Læseren fælder dommen »maskine« ikke ud fra sætningsrytmen, men ud fra tre ting: der er aldrig skåret i teksten, teksten afgør ingenting, forfatteren er der ikke. Alle tre er ikke egenskaber ved en generator, men ved en redaktion, der aldrig fandt sted. Et menneske med en deadline og uden lyst leverer præcis det samme. Netop derfor rammer anklagen plet og forbi på én gang.

Et ærligt forbehold mod os selv: det her er ikke et eksperiment. Vi ved ikke, om en model faktisk skrev det kursus — RPATech har aldrig kommenteret, og Bradley M.s anmeldelse er stadig én seers mening. Vores påstand er mere beskeden: vi ved, hvad rigtige, betalende mennesker bygger deres dom på. Det er data om detektoren, der hedder »menneske«, ikke om selve genereringen.

Hvad man tager for spor af AI — og hvorfor det er en fejl

Se nu på den kanoniske liste over »tegn« og læg mærke til, hvordan den ikke beskriver nogen maskine. Det her fremlægges som regel som bevis:

• Mistænkelig glathed. Alle sætninger nogenlunde lige lange og lige komplekse, rytmen svinger aldrig.
• Alt i tre. Opremsninger med præcis tre punkter, symmetriske afsnit, afsnit af samme størrelse.
• Konstruktionen »ikke X, men Y«. »Det er ikke bare et værktøj, det er en måde at tænke på« — fem gange per side.
• Nul konkret. Ingen navne, datoer, tal eller oplevede tilfælde. Sandt om hvad som helst og derfor til ingen nytte.
• Afslørende ordforråd. »Landskab«, »frigøre potentialet«, »i den digitale tidsalder«, »det er vigtigt at bemærke«.

Ikke ét af disse punkter skiller maskine fra menneske. De skiller alle skabelonskrivning fra levende skrivning — og efter skabelon skriver mennesker også: trætte, forsigtige, dem der terper efter et kompendium, eller dem der arbejder på et andetsprog. Med den liste »dømmer« du ubesværet en omhyggelig person. Og omvendt: outputtet fra en model med en god prompt viser ikke ét af dem. Bed om konkret stof, et rigtigt eksempel og en holdning, så fordamper det maskinelle (hvordan det gøres, ser du i formlen for en stærk prompt).

Prøv det lige her. Prompten nedenfor får modellen til at skrive det samme afsnit to gange — én gang »maskinelt«, én gang levende — og derefter fælde dom over sit eget output. Begge versioner kommer fra maskinen, så enhver detektordom »det er AI / det er ikke AI« vil per konstruktion være forkert halvdelen af gangene:

Skriv det samme afsnit på 120 ord om, hvorfor onboarding af nye medarbejdere på afstand fejler, to gange.

Version A: sådan som et træt menneske skriver, der bare skal have siden fyldt — uden navne, uden tal, uden tilfælde, alle sætninger nogenlunde lige lange.

Version B: med én opdigtet, men konkret virksomhed, én konkret fiasko i den første uge, ét tal og sætninger af meget forskellig længde.

Svar derefter i tre punkter: hvilken version en AI-detektor baseret på perplexity ville markere som maskinel, hvorfor — og om den dom ville være rigtig, når du har skrevet dem begge.

Hvordan en detektor virker indeni — og hvorfor den lyver

En AI-detektor »genkender« ikke tekst. Den måler statistiske egenskaber: hvor forudsigeligt hvert næste ord er (perplexity), og hvor ujævnt sætningernes kompleksitet er fordelt (burstiness). Logikken: en model vælger per konstruktion den sandsynlige fortsættelse, så dens tekst er i gennemsnit mere forudsigelig og mere jævn. Logikken holder. Problemet er, hvad der følger af den.

• Falske træffere på mennesker. Den, der skriver enkelt og forudsigeligt, ligner statistisk en model. Et smallere ordforråd giver lav perplexity — og et smalt ordforråd har en skoleelev, en forsigtig jurist og enhver, der skriver på et sprog, han har lært i stedet for at suge til sig.
• Falske frifindelser. Bed modellen om mere variation, eller ret teksten let i hånden, så tier detektoren. Den fanger forudsigelighed, ikke oprindelse.
• Ingen kalibrering. Procenten ser videnskabelig ud, men kan ikke efterprøves: detektorer offentliggør ingen gennemsigtig metode, og træfsikkerheden falder på tekster, der ikke ligner træningsdataene. »87 % sandsynlighed« og »vores apparat spyttede tallet 87 ud« er to forskellige udsagn — de sælger dig det første og giver dig det andet.
• På korte tekster er det gæt. Ét afsnit bærer simpelthen ikke statistik nok.
• Et kapløb, detektoren taber per definition. Hver forbedring af en model gør dens output mere lig gennemsnitlig menneskelig skrivning. Detektoren indhenter ikke et mål — målet kører fra den.

Konklusionen er hård, men nødvendig: en detektors procent kan ikke bruges som grundlag for en anklage — hverken på universitetet, på en redaktion eller i rekruttering. Det er et værktøj med en ukendt fejl, der er ulige fordelt og rammer hårdest hos dem, der i forvejen står svagest.

Om at skrive på et andetsprog: hvad vi kan bevise, og hvad vi ikke kan

Tesen »detektorer straffer dem, der skriver på et andetsprog« lyder rigtig, og perplexity-mekanismen forudsiger den direkte. Men en måling af selve detektorerne har vi ikke, og den vil vi ikke finde på.

Det, vi har, er et nabofakta, og det er hårdt. Vores markedsresearch læner sig op ad et randomiseret kontrolleret studie af Bälter, Kann, Mutimukwe & Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2.263 svenske studerende, samme onlinekursus i programmering på to sprog:

• Frafald på svensk: 57 %. På engelsk: 71 % (φ = 0,2; p < 0,00001).
• Gennemsnitskarakter blandt dem, der blev: 16,9 mod 14,3 — en ubetydelig forskel (δ = 0,085).

Læs det grundigt: engelsk ødelagde ikke forståelsen — det fik folk til at forlade kurset. Og, vigtigst for vores emne, den selvvurderede sprogbeherskelse beskyttede ikke: de, der mente, deres engelsk var godt, faldt lige så meget fra.

Om detektorer siger det direkte ingenting. Det siger til gengæld dette: omkostningen ved at arbejde på et sprog, der ikke er dit, er reel, målbar og usynlig for den, der betaler den. En detektor, der straffer lav perplexity, er endnu et lag af den samme skat, lagt på dem, der allerede betaler den. Det er et argument, ikke et bevis, og jeg sælger det ikke som det sidste.

Sporet, der virker: tjek fakta

Det stærkeste, vi fandt, er en anmeldelse, hvor nogen ikke gættede, men fangede:

"Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models."
— Jose C., 12.05.2026, 1★ (Justin Barnetts kursus)

Fejlen sad ikke kun i forelæsningen, men også i testen — altså talte det forkerte svar som det rigtige. Det er et spor. Ikke »87 % sandsynlighed«, men en konkret falsk påstand, du kan lægge på bordet, og som forfatteren ikke kan forklare, fordi han ikke selv fandt på den.

Ingen detektor ville have fundet noget af det — forelæsningens sprog er upåklageligt. Det fandt et menneske, der kendte emnet. Reglen er enkel: er der fakta i en tekst, så tjek fakta, ikke stilen. Et link, der ikke fører nogen steder hen, en forvekslet arkitektur, et tal uden kilde — det er hårde spor, og samtidig fingeraftrykket fra en AI-hallucination.

Prompten til den kontrol kører lige her:

Tjek disse fire påstande, og markér hver som SAND, FALSK eller KAN IKKE VERIFICERES UDEN KILDER, med én sætnings begrundelse til hver:

1. Midjourney, DALL-E og Stable Diffusion er bygget på GAN-arkitekturen.
2. Perplexity måler i sprogmodellering, hvor forudsigelig en tekst er for en model.
3. En tekst, der får »100 % AI« af en detektor, beviser, at forfatteren har brugt AI.
4. Vandmærkning gør det muligt at opdage output fra en hvilken som helst model.

Sig derefter, hvilke af disse fire fejl du ville forvente at finde i et hastigt lavet onlinekursus, og hvorfor netop dem.

Og vandmærker?

Teknisk kan man indlejre et umærkeligt statistisk mærke under genereringen og tjekke det bagefter: modellen forskyder sit ordvalg en smule efter en hemmelig regel, og forskydningen genkendes senere. Google DeepMind kører en sådan tilgang under navnet SynthID. Metodens grænser er principielle, ikke et spørgsmål om udførelse:

• Mærket findes kun, hvor nogen har sat det. En model uden vandmærke — herunder enhver, der kører lokalt — er slet ikke med i spillet.
• Mærket overlever ikke alt. Omskrivning, oversættelse frem og tilbage eller tæt manuel redigering vasker den statistiske forskydning ud.
• Ingen er forpligtet. Der findes ingen bindende branchestandard, og en frivillig identificerer de ærlige.
• Fravær af mærke betyder ingenting. Selv et perfekt vandmærke svarer »ja, det er vores model« — men aldrig »nej, det er et menneske«.

Det er nyttig teknologi for platforme, ikke en universel detektor for dig.

Hvad du kan gøre i stedet for en detektor

Underviser du, redigerer du eller leder du et team, er »har en AI skrevet det?« næsten altid det forkerte spørgsmål. De rigtige er: »forstår forfatteren det, han har afleveret?« og »gør teksten sit arbejde?«. Begge kan tjekkes.

• En samtale. To opfølgende spørgsmål om indholdet svarer på alt det, ingen detektor svarer på.
• Processen. Udkast, versionshistorik, delafleveringer. Man ser vejen, ikke kun resultatet.
• En opgave, AI ikke lukker alene. Lokal kontekst, egen erfaring, data fra timen, kobling til et konkret tilfælde.
• Faktatjek. Se tilfældet Jose C. ovenfor: én kontrollerbar påstand slår ti procentpoints sikkerhed.
• Åbne regler. Sig på forhånd, hvad der er tilladt: »AI er fin til udkast og kontrol, ikke til de endelige konklusioner.« En gennemsigtig regel fjerner det halve problem.

Den oplagte indvending: en samtale skalerer ikke, og en detektor er ét klik. Fair indvending. Men se, hvad der kommer ud af at bygge hele systemet om det, der skalerer:

"you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not."
— Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt — 698.444 tilmeldte)

"quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'"
— Cory Covino, 04.05.2024, 2★ (IBM)

"Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience."
— Laurie J Phillips, 12.04.2024, 3★ (IBM)

Det er den samme sygdom som detektoren, bare set fra den anden side: automatisk retning, der måler det forkerte, fordi det rigtige er dyrt at måle. Automaten »100% correct« og »87 % AI« er i familie. Begge giver dig et tal i stedet for en vurdering.

Og det er ikke dovenskab fra platformens side, men en strukturel grænse. For at tjekke en prompt kræves en model inde i lektionen. Coursera har ingen: Vanderbilts Prompt Engineering Specialization kræver, at kursisten separat køber et betalt ChatGPT-abonnement og laver opgaverne et andet sted. Hvad der kom ud af det, kan platformen fysisk ikke se, så den stempler en automatisk beståelse. Præcis derfor bor modellen i vores AI-kursus direkte i lektionen — og af samme grund har promptblokkene i denne artikel en kør-knap i stedet for at bede dig skrive dem af et andet sted.

Hvis det er dig, der bliver anklaget

Situationen er reel og ubehagelig: detektoren spyttede en procent ud, og teksten er din. Hvad der hjælper:

• Versionshistorik. Google Docs, Word, enhver editor med autogem. Det er det bedste bevis, der findes — skriveprocessen er sværere at forfalske end resultatet. Slå autogem til, før du får brug for det.
• Udkast og noter. At gemme dem er kedeligt; det er netop dem, der redder dig.
• Vilje til at forklare. Forstår du din egen tekst, lukker en samtale sagen på to minutter.
• Rolig adskillelse af værktøjet. Bed om ikke at få en procent, men det konkrete sted i teksten, der udløste den, og metoden bag tallet. En detektor giver hverken det ene eller det andet — og det fravær er i sig selv svaret.
• Skift af spørgsmål. »Spørg mig om indholdet« er den eneste sætning, der flytter samtalen fra gætteri til kontrol. For den, der anklager, er det ubehageligt at sige nej til.

Prompten, der forbereder dig på sådan en samtale, er ikke »narr detektoren«, men »tjek, om du selv har styr på din tekst«:

Her er en studerendes afsnit:

»Grønne byområder forbedrer indikatorerne for mental sundhed. Studier har vist, at adgang til parker reducerer stress og øger den generelle trivsel. I den digitale tidsalder er det vigtigt at bemærke, at byplanlæggere holistisk må inddrage landskabet af byudvikling for at frigøre potentialet i grøn infrastruktur.«

Døm ikke, om en AI har skrevet det. Formulér i stedet fem spørgsmål, jeg kan stille forfatteren på to minutters samtale, og som vil vise, om han forstår det, han har afleveret. Skriv til hvert spørgsmål, hvad svaret fra en, der ved besked, ville indeholde, og hvordan svaret fra en, der bluffer, ville lyde.

Sådan skriver du med AI uden at lyde som en maskine

Og den mest praktiske pointe. Bruger du AI ærligt — som udkast — så fjernes det maskinelle ikke med et trick, men med indhold. Her er citatet, der er værd at huske, hvis du leder efter det magiske greb:

"I've studied best practices to avoid it generating content that sounds like AI, but I'm not having any success. … It is reported as 100% written by AI according to zerogpt."
— OpenAI-forummet, tråden »Prompt to insert content without sounding like AI«

"the email writing tools just seems to strip out my personal voice making me sound like I'm writing unsolicited marketing spam."
— kommentar på Hacker News

Forbehold: det er tre kilder fra fora, hvor der sidder avancerede brugere, ikke et massepublikum. Stikprøven er lille, og det, der kommer ud af den, er en hypotese, ikke en måling. Men hypotesen passer med alt det andet: personen i det første citat gennemgik alle »best practices mod AI-stil« og fejlede. Fordi han kæmpede mod stilen. Stilen er symptomet. Sygdommen er tomheden.

Her er et udkast. Har du dit eget — så sæt det ind i stedet.

»AI forandrer den måde, teams arbejder på. Det er vigtigt at bemærke, at organisationer må frigøre potentialet i disse værktøjer. I den digitale tidsalder risikerer virksomheder, der ikke tilpasser sig, at sakke bagud i forhold til konkurrenterne i et landskab i konstant forandring.«

Opgave: gør teksten mere konkret uden at gøre den længere.
Regler:
- streg hver sætning, der stadig ville være sand, hvis du udskiftede »AI« med en hvilken som helst anden teknologi;
- hver overlevende påstand skal have et eksempel eller et tal, ellers ryger den ud;
- skift lange sætninger ud med korte.
Slut af med en separat liste »Kræver forfatterens erfaring«: de steder, kun et menneske kan udfylde.

Den sidste regel er nøglen. En tekst holder op med at være maskinel præcis der, hvor der kommer noget i den, som modellen ikke har: dit konkrete tilfælde, dit tal, din holdning. Derfor står der navne, datoer og stjerner i denne artikel — ikke for pænhedens skyld, men fordi de ikke kan genereres.

Det vigtigste

AI-detektorer er ikke en sandhedssensor, men et sandsynlighedsgæt med en ukendt fejl, der rammer hårdest hos dem, der skriver enkelt og på et andetsprog. »Tegnene på maskinstil« skiller skabelonskrivning fra levende skrivning, ikke maskine fra menneske. Og de mennesker, der faktisk fanger maskintekst — Bradley M. og Jose C. i vores data — fanger den ikke på stilen: de fanger den på en tekst, der aldrig blev skåret, på en faktuel fejl, på forfatterens fravær. Så det er dét, der er værd at tjekke. Den eneste pålidelige måde at finde ud af, om der står et menneske bag en tekst, er at tale med vedkommende om indholdet.

Videre om emnet: AI i skolen og snyd — hvad en underviser kan gøre i praksis; AI-hallucinationer — hvor de ikke-eksisterende links, der er det rigtige spor, kommer fra; formlen for en stærk prompt — at fjerne det maskinelle ved indgangen i stedet for ved udgangen; AI på arbejdet — om udkast og redigering.