Så ser du om en text är skriven av AI: tecknen, detektorerna och 24 riktiga anklagelser

Kort sagt: i dag går det inte att på ett tillförlitligt sätt avgöra om en text är skriven av AI — varken med ögat eller med en detektor. Men vi har något intressantare än teori. När vi kartlade marknaden för AI-kurser plockade vi ut recensioner från kursdeltagare på Udemy och Coursera och träffade en ovanlig åder: verkliga människor som offentligt anklagar upphovsmannen till en betalkurs för att sälja material gjort av en maskin. Ingen av dem körde en detektor. Vi tittade på vad som faktiskt avslöjade det — och det visade sig inte vara något av det detektorerna mäter.

Varför uppgiften över huvud taget inte går att lösa

En språkmodell har tränats på människors texter och är optimerad för att producera statistiskt ”normal” text. Bra maskintext är per definition omöjlig att skilja från genomsnittligt mänskligt skrivande. Uppgiften ”skilja AI från människa” kör fast i att den verkliga gränsen inte går mellan maskin och person, utan mellan en stil med signatur och en genomsnittlig stil. Och genomsnittligt skriver människor också — särskilt trötta, försiktiga eller de som jobbar på ett andraspråk.

Lägg till att nästan ingen publicerar modellens råa utdata: texten redigeras, byggs på, blandas med ens egen. Rena fall av ”människa” och ”AI” finns knappt; det finns ett kontinuum. Kursen vi plockar isär nedan är precis en sådan hybrid: manuset ser maskinskrivet ut, men bilderna byggdes av en människa, som lade på rösten och sålde alltihop. ”Har en AI skrivit det här?” har inte ens ett entydigt svar. Och det är normalfallet, inte undantaget.

Våra data: 24 anklagelser om maskinellt författarskap, noll detektorer

Vi plockade ut recensionerna till de största kurserna om ChatGPT och generativ AI — vår egen marknadsundersökning, mätning från 17.07.2026. Biprodukten visade sig vara värd mer än huvudresultatet. I de negativa recensionerna dyker samma anklagelse upp gång på gång: det här har en maskin gjort. Och den kommer från folk som har betalat för kursen och sett den till slut.

Den mest direkta versionen träffar Prompt Engineering with ChatGPT Masterclass från RPATech: 118 803 deltagare, 57 836 recensioner, betyg 4,48. Det här är ingen randprodukt, utan en av de största kurserna i nischen:

"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★

Och på samma kurs — kortare blir en dom knappast:

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

Lägg märke till vad som inte står i de recensionerna. Ingen procent. Ingen nämner GPTZero eller ZeroGPT. Inget om perplexity, meningsrytm eller vändningen ”inte bara X, utan Y”. Ingen körde en detektor — två saker räckte: bilden var överlastad, och det talade stämde ord för ord med det skrivna. Det är inte spår efter stil. Det är spår efter process: så ser en text ut som ingen har skrivit om för örat, eftersom det inte stod en människa mellan generering och inspelning.

Vad som faktiskt avslöjar en maskin: inte stilen, utan arbetet som saknas

Vi sorterade alla negativa recensioner i grupper, och ett mönster föll ut. Den vanligaste klagomålet på videokurser handlar inte om AI alls — det handlar om att läsa innantill från bilden.

"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 Sachins formulering: ”sometimes without even knowing the point”. Det är den vassaste definitionen av maskintext jag har läst, och den har inget med statistik att göra. En text blir maskinell när det mellan den och läsaren inte stod någon som förstod den. En modell kan simulera förståelse inuti varje enskild mening. Det den inte kan simulera är beslutet att slänga hälften — för det beslutet kräver att du vet varför du skriver.

Därav den andra gruppen: utfyllnad och upprepning.

"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)

Och den tredje: tomhet såld som innehåll.

"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)

Lägg ihop det. Läsaren fäller domen ”maskin” inte utifrån meningsrytmen, utan utifrån tre saker: ingen har skurit i texten, texten avgör ingenting, författaren är inte där. Alla tre är inte egenskaper hos en generator, utan hos en redigering som aldrig ägde rum. En människa med deadline och utan lust levererar exakt samma sak. Just därför träffar anklagelsen rätt och fel på samma gång.

Ett ärligt förbehåll mot oss själva: det här är inget experiment. Vi vet inte om en modell faktiskt skrev den kursen — RPATech har aldrig kommenterat, och Bradley M:s recension är fortfarande en tittares åsikt. Vår slutsats är blygsammare: vi vet vad verkliga, betalande människor bygger sin dom på. Det är data om detektorn som heter ”människa”, inte om själva genereringen.

Vad man tar för spår av AI — och varför det är fel

Titta nu på den kanoniska listan över ”tecken” och se hur den inte beskriver någon maskin. Det här läggs vanligtvis fram som bevis:

• Misstänkt jämnhet. Alla meningar ungefär lika långa och lika komplexa, rytmen svänger aldrig.
• Allt i tre. Uppräkningar med exakt tre punkter, symmetriska stycken, avsnitt av samma storlek.
• Konstruktionen ”inte X, utan Y”. ”Det här är inte bara ett verktyg, det är ett sätt att tänka” — fem gånger per sida.
• Noll konkretion. Inga namn, datum, siffror eller upplevda fall. Sant om vad som helst och därför till ingen nytta.
• Avslöjande ordförråd. ”Landskap”, ”frigöra potentialen”, ”i den digitala tidsåldern”, ”det är viktigt att notera”.

Inte en enda av dessa punkter skiljer maskin från människa. Alla skiljer mallskrivande från levande skrivande — och efter mall skriver människor också: trötta, försiktiga, de som pluggar efter ett kompendium, eller de som jobbar på ett andraspråk. Med den listan ”fäller” du utan ansträngning en noggrann person. Och tvärtom: utdata från en modell med en bra prompt visar inte en enda av dem. Be om konkret stoff, ett riktigt exempel och en ståndpunkt, så avdunstar det maskinella (hur det går till ser du i formeln för en stark prompt).

Testa det här och nu. Prompten nedan får modellen att skriva samma stycke två gånger — en gång ”maskinellt”, en gång levande — och sedan döma sina egna utdata. Båda versionerna kommer från maskinen, så varje detektordom ”det här är AI / det här är inte AI” blir per konstruktion fel hälften av gångerna:

Skriv samma stycke på 120 ord om varför onboarding av nyanställda på distans misslyckas, två gånger.

Version A: så som en trött människa skriver som bara ska få sidan fylld — utan namn, utan siffror, utan fall, alla meningar ungefär lika långa.

Version B: med ett påhittat men konkret företag, ett konkret misslyckande under första veckan, en siffra och meningar av mycket olika längd.

Svara sedan i tre punkter: vilken version en AI-detektor baserad på perplexity skulle märka som maskinell, varför — och om den domen skulle vara riktig, när du har skrivit båda.

Hur en detektor fungerar inuti — och varför den ljuger

En AI-detektor ”känner inte igen” text. Den mäter statistiska egenskaper: hur förutsägbart varje nästa ord är (perplexity) och hur ojämnt meningarnas komplexitet är fördelad (burstiness). Logiken: en modell väljer per konstruktion den sannolika fortsättningen, så dess text är i snitt mer förutsägbar och jämnare. Logiken håller. Problemet är vad som följer av den.

• Falska träffar på människor. Den som skriver enkelt och förutsägbart liknar statistiskt en modell. Ett smalare ordförråd ger låg perplexity — och ett smalt ordförråd har en skolelev, en försiktig jurist och var och en som skriver på ett språk han har lärt sig i stället för att suga åt sig.
• Falska friande. Be modellen om mer variation, eller putsa texten lätt för hand, så tystnar detektorn. Den fångar förutsägbarhet, inte ursprung.
• Ingen kalibrering. Procenten ser vetenskaplig ut men går inte att pröva: detektorer publicerar ingen öppen metod, och träffsäkerheten faller på texter som inte liknar träningsdatan. ”87 % sannolikhet” och ”vår apparat spottade ur sig talet 87” är två olika påståenden — de säljer dig det första och ger dig det andra.
• På korta texter är det gissning. Ett enda stycke bär helt enkelt inte tillräckligt med statistik.
• En kapplöpning detektorn förlorar per definition. Varje förbättring av en modell gör dess utdata mer lik genomsnittligt mänskligt skrivande. Detektorn hinner inte ifatt ett mål — målet drar ifrån.

Slutsatsen är hård men nödvändig: en detektors procent kan inte användas som grund för en anklagelse — varken på universitetet, på en redaktion eller vid rekrytering. Det är ett verktyg med okänt fel, ojämnt fördelat, som slår hårdast mot dem som redan står svagast.

Om att skriva på ett andraspråk: vad vi kan bevisa och vad vi inte kan

Tesen ”detektorer straffar dem som skriver på ett andraspråk” låter rimlig, och perplexity-mekanismen förutsäger den direkt. Men en mätning av detektorerna själva har vi inte, och den tänker vi inte hitta på.

Det vi har är ett angränsande faktum, och det är hårt. Vår marknadsundersökning lutar sig mot en randomiserad kontrollerad studie av Bälter, Kann, Mutimukwe & Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2 263 svenska studenter, samma onlinekurs i programmering på två språk:

• Avhopp på svenska: 57 %. På engelska: 71 % (φ = 0,2; p < 0,00001).
• Medelbetyg bland dem som stannade: 16,9 mot 14,3 — en försumbar skillnad (δ = 0,085).

Läs det noga: engelskan försämrade inte förståelsen — den fick folk att lämna. Och, viktigast för vårt ämne, den självskattade språkfärdigheten skyddade inte: de som ansåg sin engelska god hoppade av lika mycket.

Om detektorer säger det direkt ingenting. Däremot säger det detta: kostnaden för att arbeta på ett språk som inte är ditt är verklig, mätbar och osynlig för den som betalar den. En detektor som straffar låg perplexity är ytterligare ett lager av samma skatt, lagt på dem som redan betalar den. Det är ett argument, inte ett bevis, och jag säljer det inte som det senare.

Spåret som fungerar: kolla fakta

Det starkaste vi hittade är en recension där någon inte gissade utan tog:

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

Felet satt inte bara i föreläsningen, utan också i testet — alltså räknades det felaktiga svaret som rätt. Det är ett spår. Inte ”87 % sannolikhet”, utan ett konkret falskt påstående som du kan lägga på bordet, och som författaren inte kan förklara, eftersom han inte kom på det själv.

Ingen detektor skulle ha hittat något av det — föreläsningens språk är oklanderligt. Det hittade en människa som kunde ämnet. Regeln är enkel: finns det fakta i en text, kolla fakta, inte stilen. En länk som inte leder någonstans, en förväxlad arkitektur, en siffra utan källa — det är hårda spår, och samtidigt fingeravtrycket från en AI-hallucination.

Prompten för den kontrollen körs här:

Kolla dessa fyra påståenden och märk vart och ett som SANT, FALSKT eller GÅR INTE ATT VERIFIERA UTAN KÄLLOR, med en mening motivering till varje:

1. Midjourney, DALL-E och Stable Diffusion är byggda på GAN-arkitekturen.
2. Perplexity mäter i språkmodellering hur förutsägbar en text är för en modell.
3. En text som får ”100 % AI” av en detektor bevisar att författaren använt AI.
4. Vattenmärkning gör det möjligt att upptäcka utdata från vilken modell som helst.

Säg sedan vilka av dessa fyra fel du skulle förvänta dig att hitta i en hastigt hopkommen onlinekurs, och varför just dem.

Och vattenmärken då?

Tekniskt går det att bygga in ett omärkligt statistiskt märke under genereringen och kontrollera det efteråt: modellen förskjuter sitt ordval en aning enligt en hemlig regel, och förskjutningen känns igen senare. Google DeepMind driver ett sådant grepp under namnet SynthID. Metodens gränser är principiella, inte en fråga om utförande:

• Märket finns bara där någon satt det. En modell utan vattenmärke — inklusive vilken som helst som körs lokalt — är helt enkelt inte med i spelet.
• Märket överlever inte allt. Omskrivning, översättning fram och tillbaka eller tät manuell redigering tvättar bort den statistiska förskjutningen.
• Ingen är skyldig. Det finns ingen bindande branschstandard, och en frivillig identifierar de ärliga.
• Avsaknad av märke betyder ingenting. Även ett perfekt vattenmärke svarar ”ja, det här är vår modell” — men aldrig ”nej, det här är en människa”.

Det är användbar teknik för plattformar, inte en universell detektor för dig.

Vad du kan göra i stället för en detektor

Undervisar du, redigerar du eller leder du ett team är ”har en AI skrivit det här?” nästan alltid fel fråga. De riktiga är: ”förstår författaren det han lämnat in?” och ”gör texten sitt jobb?”. Båda går att pröva.

• Ett samtal. Två följdfrågor om innehållet svarar på allt som ingen detektor svarar på.
• Processen. Utkast, versionshistorik, delinlämningar. Du ser vägen, inte bara resultatet.
• En uppgift som AI inte stänger på egen hand. Lokal kontext, egen erfarenhet, data från lektionen, koppling till ett konkret fall.
• Faktakoll. Se fallet Jose C. ovan: ett kontrollerbart påstående slår tio procentenheters säkerhet.
• Öppna regler. Säg i förväg vad som är tillåtet: ”AI går bra till utkast och kontroll, inte till de slutliga slutsatserna.” En öppen regel tar bort halva problemet.

Den uppenbara invändningen: ett samtal skalar inte, och en detektor är ett klick. Rimlig invändning. Men se vad som kommer ut när hela systemet byggs kring det som skalar:

"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 anmälda)

"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 är samma sjukdom som detektorn, fast sedd från andra hållet: automatisk rättning som mäter fel sak, eftersom rätt sak är dyr att mäta. Automaten ”100% correct” och ”87 % AI” är släkt. Båda ger dig en siffra i stället för en bedömning.

Och det är inte lättja från plattformen, utan en strukturell gräns. För att kontrollera en prompt krävs en modell inuti lektionen. Coursera har ingen: Vanderbilts Prompt Engineering Specialization kräver att deltagaren separat köper en betald ChatGPT-prenumeration och gör uppgifterna någon annanstans. Vad som kom ut av det kan plattformen fysiskt inte se, så den stämplar ett automatiskt godkänt. Just därför bor modellen i vår AI-kurs direkt i lektionen — och av samma skäl har promptblocken i den här artikeln en kör-knapp i stället för att be dig skriva av dem någon annanstans.

Om det är du som anklagas

Situationen är verklig och obehaglig: detektorn spottade ur sig en procent, och texten är din. Vad som hjälper:

• Versionshistorik. Google Docs, Word, vilken editor som helst med autospar. Det är det bästa beviset som finns — skrivprocessen är svårare att förfalska än resultatet. Slå på autospar innan du behöver det.
• Utkast och anteckningar. Att spara dem är tråkigt; det är just de som räddar dig.
• Vilja att förklara. Förstår du din egen text stänger ett samtal saken på två minuter.
• Lugn isärplockning av verktyget. Be om att inte få en procent, utan det konkreta stället i texten som utlöste den, och metoden bakom siffran. En detektor ger varken det ena eller det andra — och den avsaknaden är i sig svaret.
• Byte av fråga. ”Fråga mig om innehållet” är den enda mening som flyttar samtalet från gissning till kontroll. För den som anklagar är det obekvämt att säga nej.

Prompten som förbereder dig på ett sådant samtal är inte ”lura detektorn”, utan ”kolla om du faktiskt håller din egen text”:

Här är en students stycke:

”Gröna stadsytor förbättrar indikatorerna för psykisk hälsa. Studier har visat att tillgång till parker minskar stress och höjer det allmänna välbefinnandet. I den digitala tidsåldern är det viktigt att notera att stadsplanerare holistiskt måste beakta landskapet av stadsutveckling för att frigöra potentialen i grön infrastruktur.”

Döm inte om en AI har skrivit det. Formulera i stället fem frågor som jag kan ställa till författaren under två minuters samtal och som visar om han förstår det han lämnat in. Skriv till varje fråga vad svaret från någon som kan ämnet skulle innehålla och hur svaret från någon som bluffar skulle låta.

Så skriver du med AI utan att låta som en maskin

Och den mest praktiska poängen. Använder du AI ärligt — som utkast — tas det maskinella inte bort med ett trick, utan med innehåll. Här är citatet värt att minnas om du letar efter det magiska greppet:

"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

Förbehåll: det här är tre källor från forum där avancerade användare sitter, inte en masspublik. Urvalet är litet, och det som kommer ur det är en hypotes, inte en mätning. Men hypotesen stämmer med allt annat: personen i det första citatet gick igenom alla ”bästa praxis mot AI-stil” och misslyckades. För att han slogs mot stilen. Stilen är symtomet. Sjukdomen är tomheten.

Här är ett utkast. Har du ett eget — sätt in det i stället.

”AI förändrar hur team arbetar. Det är viktigt att notera att organisationer måste frigöra potentialen i dessa verktyg. I den digitala tidsåldern riskerar företag som inte anpassar sig att hamna efter konkurrenterna i ett landskap i ständig förändring.”

Uppgift: gör texten mer konkret utan att göra den längre.
Regler:
- stryk varje mening som fortfarande skulle vara sann om du bytte ut ”AI” mot vilken annan teknik som helst;
- varje påstående som överlever behöver ett exempel eller en siffra, annars åker det ut;
- växla långa meningar med korta.
Avsluta med en separat lista ”Kräver författarens erfarenhet”: ställena som bara en människa kan fylla.

Den sista regeln är nyckeln. En text slutar vara maskinell exakt när det kommer in något i den som modellen inte har: ditt konkreta fall, din siffra, din ståndpunkt. Därför står det namn, datum och stjärnor i den här artikeln — inte för att verka seriöst, utan för att de inte går att generera.

Det viktigaste

AI-detektorer är ingen sanningssensor, utan en sannolikhetsgissning med okänt fel som slår hårdast mot dem som skriver enkelt och på ett andraspråk. ”Tecknen på maskinstil” skiljer mallskrivande från levande skrivande, inte maskin från människa. Och de människor som verkligen tar maskintext — Bradley M. och Jose C. i våra data — tar den inte på stilen: de tar den på en text som aldrig skars ner, på ett sakfel, på författarens frånvaro. Så det är det som är värt att kontrollera. Det enda tillförlitliga sättet att veta om det står en människa bakom en text är att prata med henne om innehållet.

Vidare om ämnet: AI i skolan och fusk — vad en lärare kan göra i praktiken; AI-hallucinationer — varifrån de obefintliga länkarna som är det riktiga spåret kommer; formeln för en stark prompt — att ta bort det maskinella vid ingången i stället för vid utgången; AI på jobbet — om utkast och redigering.