15 av 16 ledande AI-modeller lutar åt vänster — och ett nytt verktyg döljer att din forskning är skriven av AI
Femton av sexton ledande AI-modeller lutar politiskt åt samma håll.
Nålarna pekar åt samma håll
Det är inte ovanligt att AI-skeptiker hävdar att språkmodellerna är politiskt vinklade. Det ovanliga den här veckan är att någon faktiskt testade det systematiskt — och fick ett resultat som är svårt att vifta bort.
Forskningsgruppen Unslop.run lät 16 av marknadens ledande språkmodeller genomgå det välkända politiska testet Political Compass, rapporterar The Register. I testet ingick tre versioner av GPT, flera varianter av Claude, Googles Gemini Flash, Meta:s Llama 4 Maverick och DeepSeeks V3. Samtliga landade konsekvent i den frihetliga vänsterkvadrantens — det politiska fält som förknippas med social jämlikhet, progressiva värderingar och motstånd mot hierarkier.
Det som gör resultaten extra svårare att avfärda är att experimentet varierade på flera sätt: frågorna ställdes i ursprunglig form, omformulerades för att vända på innebörden och presenterades i annan ordning. Modellerna svarade ändå på ungefär samma ställe på kartan.
"Kör om en modell 30 gånger och dess placering förflyttas med 0,2 till 1,2 enheter på en skala upp till 10", skriver Unslop i sin rapport. "Det är inga osäkra moln — det är nålar."
Endast Grok, Elon Musks modell från xAI, avviker från mönstret — vilket är ironiskt nog, med tanke på att Musk länge kritiserat just politisk partiskhet i AI-system. Att hans eget system sticker ut i mätningen skapar fler frågor än svar: är Grok aktivt justerad åt ett visst håll, eller speglar den bara sin träningsdata på ett annorlunda sätt?
Den ansvarige bakom studien, en AI-ingenjör som går under namnet Victor, medger öppet att studien inte håller full vetenskaplig stringens — bland annat saknas ett jämförelsematerial med mänskliga testdeltagare. Men metodens transparens och konsekventa resultat ger ändå anledning att fundera.
Mer mänsklig — men inte mer ärlig
Samtidigt, och med en nästan poetisk träffsäkerhet, lanserades Academic Humanizer — ett verktyg från företaget MorphMind, grundat av bland annat Jie Ding, docent vid University of Minnesota. Verktyget är utformat för att skriva om AI-genererade texter så att de låter mer mänskliga, riktat specifikt mot akademiker som använder AI för att producera forskningsartiklar och anslagsansökningar.
Tanken, förklarar MorphMind, är att AI-skapade utkast ofta är generiska och svulstiga, utan forskarens personliga röst. Academic Humanizer bygger på Anthropics Claude och kan matas med användarens egna tidigare texter för att efterlikna hens skrivstil. Företaget betonar att skyldigheten att redovisa AI-användning kvarstår, och att verktyget bara är ett redaktionellt hjälpmedel.
Men kritiken är uppenbar: ett verktyg som inte granskar källhänvisningar, inte kontrollerar fakta och inte bedömer argumentens bärkraft — utan enbart putsar på formuleringarna — riskerar att göra bristfällig forskning låta mer trovärdig än den är. Det är inte ett skrivhjälpmedel. Det är en förpackningstjänst.
Och det är här de två nyheterna möts på ett obehagligt sätt.
Två problem, ett gemensamt mönster
Vi har alltså modeller som speglar en viss världsbild — formad av träningsdata, av mänsklig återkoppling, av de val som gjorts längs vägen — och verktyg som gör det svårare att se när dessa modeller faktiskt använts. Det ena problemet handlar om vad AI säger. Det andra handlar om att dölja att AI sagt det.
Jag vill vara tydlig: jag ser inte detta som bevis på att AI-utvecklingen är på fel spår. Partiskhet i träningsdata är ett känt och aktivt diskuterat problem, och transparens kring AI-användning i akademin är en pågående och viktig diskussion. Dessa fynd är inte avslöjanden om dolda agendor — de är symptom på att tekniken skalat snabbare än de normer och granskningsverktyg som borde omgärda den.
Men det betyder också att vi som arbetar med och skriver om AI har ett ansvar att ställa de obekväma frågorna. Vad formas vi av när vi konsulterar dessa system dagligen? Och hur säkerställer vi att den forskning som formar vår förståelse av världen faktiskt håller vad den lovar?
Vår analys
De två fynden denna vecka belyser något viktigt: trovärdighetsinfrastrukturen kring AI är fortfarande skör. Politisk partiskhet i språkmodeller är ingen nyhet för dem som följt fältet — det är en nästan oundviklig konsekvens av att träna på text producerad av människor med värderingar. Det intressanta är snarare att partiskheten verkar stabil och mätbar, och att den inte försvinner ens när modellerna justeras med mänsklig återkoppling för att bli mer "balanserade".
Academic Humanizer är i sig ett rimligt svar på ett verkligt problem — AI-genererat text låter ofta platt och opersonligt. Men att lansera ett verktyg vars primära syfte är att dölja ursprunget, oavsett hur man formulerar det, är ett steg i fel riktning.
Det vi egentligen behöver är inte bättre kamouflage — det är bättre normer. Akademiska tidskrifter, myndigheter och teknikutvecklare behöver enas om vad som är acceptabel AI-användning, och bygga granskningsmekanismer därefter. Transparens är grundbulten. Utan den urholkas förtroendet för både forskning och AI-system i ett slag.