Slik ser du om en tekst er skrevet av AI: tegnene, detektorene og 24 ekte anklager

Kort sagt: i dag går det ikke an å slå pålitelig fast om en tekst er skrevet av AI — verken med øyet eller med en detektor. Men vi har noe mer interessant enn teori. Da vi kartla markedet for AI-kurs, hentet vi ut anmeldelser fra kursdeltakere på Udemy og Coursera og traff en sjelden åre: virkelige mennesker som offentlig anklager forfatteren av et betalt kurs for å selge materiale laget av en maskin. Ingen av dem kjørte en detektor. Vi så på hva som faktisk avslørte det — og det viste seg å ikke være noe av det detektorene måler.

Hvorfor oppgaven i det hele tatt er uløselig

En språkmodell er trent på menneskers tekster og optimalisert for å produsere statistisk «normal» tekst. God maskintekst er per definisjon ikke til å skille fra gjennomsnittlig menneskelig skriving. Oppgaven «å skille AI fra menneske» støter på at den virkelige grensen ikke går mellom maskin og person, men mellom en stil med signatur og en gjennomsnittlig stil. Og gjennomsnittlig skriver mennesker også — særlig når de er slitne, forsiktige eller jobber på et andrespråk.

Legg til at nesten ingen publiserer modellens rå utdata: teksten blir rettet, utvidet, blandet med ens egen. Rene tilfeller av «menneske» og «AI» finnes nesten ikke; det finnes et kontinuum. Kurset vi tar fra hverandre nedenfor er nettopp en slik hybrid: manuset ser maskinskrevet ut, men lysbildene ble satt sammen av et menneske, som la på stemmen og solgte det hele. «Har en AI skrevet dette?» har ikke engang ett svar her. Og dette er normaltilfellet, ikke det eksotiske.

Våre data: 24 anklager om maskinelt forfatterskap, null detektorer

Vi hentet ut anmeldelsene til de største kursene om ChatGPT og generativ AI — vår egen markedsundersøkelse, måling fra 17.07.2026. Biproduktet endte opp med å være verdt mer enn hovedresultatet. I de negative anmeldelsene dukker den samme anklagen opp igjen og igjen: dette har en maskin laget. Og den kommer fra folk som har betalt for kurset og sett det ferdig.

Den mest direkte versjonen rammer Prompt Engineering with ChatGPT Masterclass fra RPATech: 118 803 deltakere, 57 836 anmeldelser, vurdering 4,48. Dette er ikke et randprodukt, men et av de største kursene i nisjen:

"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 kurs — kortere blir en dom knapt:

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

Legg merke til hva som ikke står i disse anmeldelsene. Ingen prosent. Ingen omtale av GPTZero eller ZeroGPT. Ingenting om perplexity, setningsrytme eller vendingen «ikke bare X, men Y». Ingen kjørte en detektor — to ting holdt: lysbildet var overfylt, og det talte stemte ord for ord med det skrevne. Dette er ikke spor etter stil. Det er spor etter prosess: slik ser en tekst ut som ingen har skrevet om for øret, fordi det ikke sto et menneske mellom generering og opptak.

Hva som faktisk avslører en maskin: ikke stilen, men arbeidet som mangler

Vi sorterte alle negative anmeldelser i grupper, og et mønster falt ut. Den vanligste klagen på videokurs handler ikke om AI i det hele tatt — den handler om å lese opp fra lysbildet.

"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 kurs)

"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 formuleringen til Sachin: «sometimes without even knowing the point». Det er den skarpeste definisjonen av maskintekst jeg har lest, og den har ingenting med statistikk å gjøre. En tekst blir maskinell når det mellom den og leseren ikke sto noen som forsto den. En modell kan simulere forståelse inne i hver enkelt setning. Det den ikke kan simulere, er beslutningen om å kaste halvparten — for den beslutningen krever at du vet hvorfor du skriver.

Derav den andre gruppen: fyllstoff og gjentakelser.

"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: tomhet solgt som innhold.

"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)

Legg det sammen. Leseren feller dommen «maskin» ikke ut fra setningsrytmen, men ut fra tre ting: det er aldri kuttet i teksten, teksten avgjør ingenting, forfatteren er ikke der. Alle tre er ikke egenskaper ved en generator, men ved en redigering som aldri skjedde. Et menneske med frist og uten lyst leverer nøyaktig det samme. Nettopp derfor treffer anklagen blink og bommer på én gang.

Et ærlig forbehold mot oss selv: dette er ikke et eksperiment. Vi vet ikke om en modell faktisk skrev det kurset — RPATech har aldri kommentert, og anmeldelsen til Bradley M. er fortsatt én seers mening. Påstanden vår er mer beskjeden: vi vet hva virkelige, betalende mennesker bygger dommen sin på. Det er data om detektoren som heter «menneske», ikke om selve genereringen.

Hva man tar for spor av AI — og hvorfor det er en feil

Se nå på den kanoniske listen over «tegn» og legg merke til hvordan den ikke beskriver noen maskin. Dette legges vanligvis fram som bevis:

• Mistenkelig glatthet. Alle setninger omtrent like lange og like komplekse, rytmen svinger aldri.
• Alt i tre. Opplistinger med nøyaktig tre punkter, symmetriske avsnitt, seksjoner av samme størrelse.
• Konstruksjonen «ikke X, men Y». «Dette er ikke bare et verktøy, det er en måte å tenke på» — fem ganger per side.
• Null konkret. Ingen navn, datoer, tall eller opplevde tilfeller. Sant om hva som helst og derfor til ingen nytte.
• Avslørende ordforråd. «Landskap», «frigjøre potensialet», «i den digitale tidsalderen», «det er viktig å merke seg».

Ikke ett av disse punktene skiller maskin fra menneske. Alle skiller malskriving fra levende skriving — og etter mal skriver mennesker også: slitne, forsiktige, de som pugger etter et kompendium, eller de som jobber på et andrespråk. Med den listen «feller» du uten anstrengelse en nøyaktig person. Og omvendt: utdataene fra en modell med en god prompt viser ikke ett av dem. Be om konkret stoff, et ekte eksempel og et standpunkt, så fordamper det maskinelle (hvordan det gjøres, ser du i formelen for en sterk prompt).

Prøv det her og nå. Prompten under får modellen til å skrive samme avsnitt to ganger — én gang «maskinelt», én gang levende — og deretter felle dom over sine egne utdata. Begge versjonene kommer fra maskinen, så enhver detektordom «dette er AI / dette er ikke AI» vil per konstruksjon være feil halvparten av gangene:

Skriv det samme avsnittet på 120 ord om hvorfor onboarding av nyansatte på avstand mislykkes, to ganger.

Versjon A: slik et slitent menneske skriver som bare skal fylle siden — uten navn, uten tall, uten tilfeller, alle setninger omtrent like lange.

Versjon B: med én oppdiktet, men konkret bedrift, én konkret smell i den første uken, ett tall og setninger av svært ulik lengde.

Svar deretter i tre punkter: hvilken versjon en AI-detektor basert på perplexity ville merket som maskinell, hvorfor — og om den dommen ville vært riktig, når du har skrevet begge.

Hvordan en detektor virker inni — og hvorfor den lyver

En AI-detektor «gjenkjenner» ikke tekst. Den måler statistiske egenskaper: hvor forutsigbart hvert neste ord er (perplexity), og hvor ujevnt kompleksiteten i setningene er fordelt (burstiness). Logikken: en modell velger per konstruksjon den sannsynlige fortsettelsen, så teksten dens er i snitt mer forutsigbar og jevnere. Logikken holder. Problemet er hva som følger av den.

• Falske treff på mennesker. Den som skriver enkelt og forutsigbart, ligner statistisk på en modell. Et smalere ordforråd gir lav perplexity — og et smalt ordforråd har en skoleelev, en forsiktig jurist og enhver som skriver på et språk han har lært i stedet for å suge til seg.
• Falske frifinnelser. Be modellen om mer variasjon, eller rett teksten lett for hånd, så tier detektoren. Den fanger forutsigbarhet, ikke opphav.
• Ingen kalibrering. Prosenten ser vitenskapelig ut, men kan ikke etterprøves: detektorer publiserer ingen åpen metode, og treffsikkerheten faller på tekster som ikke ligner treningsdataene. «87 % sannsynlighet» og «apparatet vårt spyttet ut tallet 87» er to ulike påstander — de selger deg den første og gir deg den andre.
• På korte tekster er det gjetting. Ett avsnitt bærer rett og slett ikke nok statistikk.
• Et kappløp detektoren taper per definisjon. Hver forbedring av en modell gjør utdataene mer lik gjennomsnittlig menneskelig skriving. Detektoren tar ikke igjen et mål — målet stikker av.

Konklusjonen er hard, men nødvendig: prosenten fra en detektor kan ikke brukes som grunnlag for en anklage — verken på universitetet, i en redaksjon eller i rekruttering. Det er et verktøy med ukjent feil, ujevnt fordelt, som slår hardest hos dem som allerede står svakest.

Om å skrive på et andrespråk: hva vi kan bevise og hva vi ikke kan

Tesen «detektorer straffer dem som skriver på et andrespråk» høres riktig ut, og perplexity-mekanismen forutsier den direkte. Men en måling av selve detektorene har vi ikke, og den skal vi ikke finne på.

Det vi har, er et nabofakta, og det er hardt. Markedsundersøkelsen vår støtter seg på en randomisert kontrollert studie av Bälter, Kann, Mutimukwe & Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2 263 svenske studenter, samme nettkurs i programmering på to språk:

• Frafall på svensk: 57 %. På engelsk: 71 % (φ = 0,2; p < 0,00001).
• Snittkarakter blant dem som ble: 16,9 mot 14,3 — en ubetydelig forskjell (δ = 0,085).

Les det nøye: engelsk ødela ikke forståelsen — det fikk folk til å forlate kurset. Og, viktigst for temaet vårt, den selvvurderte språkbeherskelsen beskyttet ikke: de som mente engelsken deres var god, falt like mye fra.

Om detektorer sier det direkte ingenting. Det sier derimot dette: kostnaden ved å jobbe på et språk som ikke er ditt, er reell, målbar og usynlig for den som betaler den. En detektor som straffer lav perplexity, er enda et lag av den samme skatten, lagt på dem som allerede betaler den. Det er et argument, ikke et bevis, og jeg selger det ikke som det siste.

Sporet som virker: sjekk fakta

Det sterkeste vi fant, er en anmeldelse der noen ikke gjettet, men tok:

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

Feilen satt ikke bare i forelesningen, men også i testen — altså telte det gale svaret som riktig. Det er et spor. Ikke «87 % sannsynlighet», men en konkret usann påstand du kan legge på bordet, og som forfatteren ikke kan forklare, fordi han ikke fant på den selv.

Ingen detektor ville funnet noe av dette — språket i forelesningen er upåklagelig. Det fant et menneske som kunne faget. Regelen er enkel: er det fakta i en tekst, sjekk fakta, ikke stilen. En lenke som ikke fører noe sted, en forvekslet arkitektur, et tall uten kilde — det er harde spor, og samtidig fingeravtrykket til en AI-hallusinasjon.

Prompten for denne sjekken kjører rett her:

Sjekk disse fire påstandene og merk hver som SANN, USANN eller KAN IKKE VERIFISERES UTEN KILDER, med én setnings begrunnelse til hver:

1. Midjourney, DALL-E og Stable Diffusion er bygget på GAN-arkitekturen.
2. Perplexity måler i språkmodellering hvor forutsigbar en tekst er for en modell.
3. En tekst som får «100 % AI» av en detektor, beviser at forfatteren har brukt AI.
4. Vannmerking gjør det mulig å oppdage utdata fra hvilken som helst modell.

Si deretter hvilke av disse fire feilene du ville forventet å finne i et hastig laget nettkurs, og hvorfor nettopp dem.

Og vannmerker?

Teknisk går det an å bygge inn et umerkelig statistisk merke under genereringen og sjekke det etterpå: modellen forskyver ordvalget sitt litt etter en hemmelig regel, og forskyvningen gjenkjennes senere. Google DeepMind kjører en slik tilnærming under navnet SynthID. Grensene for metoden er prinsipielle, ikke et spørsmål om utførelse:

• Merket finnes bare der noen har satt det. En modell uten vannmerke — inkludert enhver som kjøres lokalt — er rett og slett ikke med i spillet.
• Merket overlever ikke alt. Omskriving, oversettelse fram og tilbake eller tett manuell redigering vasker ut den statistiske forskyvningen.
• Ingen er forpliktet. Det finnes ingen bindende bransjestandard, og en frivillig identifiserer de ærlige.
• Fravær av merke betyr ingenting. Selv et perfekt vannmerke svarer «ja, dette er modellen vår» — men aldri «nei, dette er et menneske».

Det er nyttig teknologi for plattformer, ikke en universell detektor for deg.

Hva du kan gjøre i stedet for en detektor

Underviser du, redigerer du eller leder du et team, er «har en AI skrevet dette?» nesten alltid feil spørsmål. De riktige er: «forstår forfatteren det han har levert?» og «gjør teksten jobben sin?». Begge kan sjekkes.

• En samtale. To oppfølgingsspørsmål om innholdet svarer på alt ingen detektor svarer på.
• Prosessen. Utkast, versjonshistorikk, delinnleveringer. Du ser veien, ikke bare resultatet.
• En oppgave AI ikke lukker alene. Lokal kontekst, egen erfaring, data fra timen, kobling til et konkret tilfelle.
• Faktasjekk. Se tilfellet Jose C. over: én kontrollerbar påstand slår ti prosentpoeng med sikkerhet.
• Åpne regler. Si på forhånd hva som er lov: «AI er greit til utkast og kontroll, ikke til de endelige konklusjonene.» En åpen regel fjerner halve problemet.

Den åpenbare innvendingen: en samtale skalerer ikke, og en detektor er ett klikk. Rimelig innvending. Men se hva som kommer ut av å bygge hele systemet rundt det som 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 påmeldte)

"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 sykdommen som detektoren, bare sett fra den andre siden: automatisk retting som måler feil ting, fordi det riktige er dyrt å måle. Automaten «100% correct» og «87 % AI» er i slekt. Begge gir deg et tall i stedet for en vurdering.

Og det er ikke latskap fra plattformen, men en strukturell grense. For å sjekke en prompt trengs en modell inne i leksjonen. Coursera har ingen: Vanderbilts Prompt Engineering Specialization krever at deltakeren kjøper et betalt ChatGPT-abonnement separat og gjør oppgavene et annet sted. Hva som kom ut av det, kan plattformen fysisk ikke se, så den stempler en automatisk bestått. Nettopp derfor bor modellen i AI-kurset vårt rett i leksjonen — og av samme grunn har promptblokkene i denne artikkelen en kjør-knapp i stedet for å be deg skrive dem av et annet sted.

Hvis det er du som blir anklaget

Situasjonen er reell og ubehagelig: detektoren spyttet ut en prosent, og teksten er din. Hva som hjelper:

• Versjonshistorikk. Google Docs, Word, hvilken som helst editor med autolagring. Det er det beste beviset som finnes — skriveprosessen er vanskeligere å forfalske enn resultatet. Slå på autolagring før du trenger det.
• Utkast og notater. Å ta vare på dem er kjedelig; det er nettopp de som redder deg.
• Vilje til å forklare. Forstår du din egen tekst, lukker en samtale saken på to minutter.
• Rolig demontering av verktøyet. Be om ikke å få en prosent, men det konkrete stedet i teksten som utløste den, og metoden bak tallet. En detektor gir verken det ene eller det andre — og det fraværet er svaret i seg selv.
• Bytte av spørsmål. «Spør meg om innholdet» er den ene setningen som flytter samtalen fra gjetting til kontroll. For den som anklager, er det ubehagelig å si nei til den.

Prompten som forbereder deg på en slik samtale, er ikke «lur detektoren», men «sjekk om du faktisk har kontroll på din egen tekst»:

Her er avsnittet til en student:

«Grønne byområder forbedrer indikatorene for psykisk helse. Studier har vist at tilgang til parker reduserer stress og øker den generelle trivselen. I den digitale tidsalderen er det viktig å merke seg at byplanleggere helhetlig må ta hensyn til landskapet av byutvikling for å frigjøre potensialet i grønn infrastruktur.»

Ikke døm om en AI har skrevet det. Lag i stedet fem spørsmål jeg kan stille forfatteren i løpet av to minutters samtale, og som vil vise om han forstår det han har levert. Skriv til hvert spørsmål hva svaret fra en som kan faget ville inneholdt, og hvordan svaret fra en som bløffer ville hørtes ut.

Slik skriver du med AI uten å høres ut som en maskin

Og det mest praktiske poenget. Bruker du AI ærlig — som utkast — så fjernes det maskinelle ikke med et triks, men med innhold. Her er sitatet det er verdt å huske hvis du leter etter det magiske grepet:

"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-forumet, 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: dette er tre kilder fra fora der avanserte brukere sitter, ikke et massepublikum. Utvalget er lite, og det som kommer ut av det, er en hypotese, ikke en måling. Men hypotesen passer med alt det andre: personen i det første sitatet gikk gjennom alle «beste praksiser mot AI-stil» og mislyktes. Fordi han kjempet mot stilen. Stilen er symptomet. Sykdommen er tomheten.

Her er et utkast. Har du ditt eget — sett det inn i stedet.

«AI forandrer måten team jobber på. Det er viktig å merke seg at organisasjoner må frigjøre potensialet i disse verktøyene. I den digitale tidsalderen risikerer bedrifter som ikke tilpasser seg å havne bak konkurrentene i et landskap i stadig endring.»

Oppgave: gjør teksten mer konkret uten å gjøre den lengre.
Regler:
- stryk hver setning som fortsatt ville vært sann om du byttet ut «AI» med hvilken som helst annen teknologi;
- hver påstand som overlever trenger et eksempel eller et tall, ellers ryker den;
- veksle mellom lange og korte setninger.
Avslutt med en egen liste «Krever forfatterens erfaring»: stedene bare et menneske kan fylle.

Den siste regelen er nøkkelen. En tekst slutter å være maskinell nøyaktig når det kommer noe inn i den som modellen ikke har: ditt konkrete tilfelle, ditt tall, ditt standpunkt. Derfor står det navn, datoer og stjerner i denne artikkelen — ikke for å ta seg ut, men fordi de ikke lar seg generere.

Det viktigste

AI-detektorer er ingen sannhetssensor, men en sannsynlighetsgjetning med ukjent feil som slår hardest hos dem som skriver enkelt og på et andrespråk. «Tegnene på maskinstil» skiller malskriving fra levende skriving, ikke maskin fra menneske. Og de menneskene som faktisk tar maskintekst — Bradley M. og Jose C. i dataene våre — tar den ikke på stilen: de tar den på en tekst som aldri ble kuttet, på en faktafeil, på fraværet av forfatteren. Så det er dét som er verdt å sjekke. Den eneste pålitelige måten å finne ut om det står et menneske bak en tekst, er å snakke med vedkommende om innholdet.

Videre om temaet: AI på skolen og juks — hva en lærer kan gjøre i praksis; AI-hallusinasjoner — hvor de ikke-eksisterende lenkene som er det virkelige sporet kommer fra; formelen for en sterk prompt — å fjerne det maskinelle ved inngangen i stedet for ved utgangen; AI på jobben — om utkast og redigering.