Forskning avslöjar AI:s dolda språkmönster — Claudes fras "this matters" dyker upp 116 gånger oftare än i mänsklig text

Maskinen har lärt sig dölja sig — men inte tillräckligt bra

Det var länge sedan "delve" och "I cannot assist with that" var de säkraste tecknen på att en text kom från en språkmodell snarare än en människa. Laboratorier som Anthropic och OpenAI har aktivt jobbat med att tona ned de mest iögonfallande språkliga tics hos sina modeller. Men ny forskning visar att kampen mot avslöjande är långt ifrån vunnen — maskinen lämnar fortfarande spår efter sig.

Marknadsföringsföretaget Graphite har genomfört en av de mer metodiskt rigorösa analyser av AI-skriven text som publicerats. Enligt en rapport som refereras av TechCrunch byggde studien på 10 000 artiklar skrivna före ChatGPT:s lansering — ett kontrollmaterial som representerar hur människor faktiskt skriver. Sedan fick ledande AI-modeller skriva om artiklarna utifrån sammanfattningar, för att minimera risken att modellerna helt enkelt kopierade källornas formuleringar. Det skapade ett jämförbart underlag där skillnaderna kunde isoleras och mätas.

Resultatet var slående: totalt identifierade forskarna 13 000 fraser som förekom minst dubbelt så ofta i AI-genererad text som i mänsklig. Graphite kallar dessa för "avslöjanden".

Ord som Claude och Astra inte kan låta bli

Anthropics Claude Opus 5.5 visar sig exempelvis använda ordet "dependable" hela 23 gånger oftare än vad en typisk mänsklig skribent gör. Ännu mer talande är frasen "this matters" — den dyker upp 116 gånger oftare i Claudes texter. Det verkar som att modellen har en närmast tvångsmässig tendens att förklara varför saker är viktiga, som om den ständigt vill försäkra läsaren om textens relevans.

OpenAI:s Astra bär på andra särdrag. Den modellen föredrar konstruktioner som "not simply X" eller "rather than relying on X" — fraser som enligt studien är över 100 gånger vanligare i Astras produktion än i mänskligt skrivande. Det är en retorisk figur som signalerar nyansering och djup, men som uppenbarligen används i en utsträckning som ingen människa naturligt gör.

Det är fascinerande ur ett byggperspektiv. Dessa mönster uppstår inte av en slump — de är en direkt konsekvens av hur modellerna tränats. Återkopplingen från mänskliga bedömare har sannolikt belönat texter som känns välformulerade, övertygande och trovärdiga. Och vad signalerar trovärdighet? Just fraser som understryker relevans och nyansering. Modellerna har lärt sig att låtsas vara genomtänkta, och det syns i statistiken.

Den goda nyheten: de mest välkända tecknen har försvunnit

Forskarna noterar en positiv trend i studien: laboratorierna har faktiskt lyckats bli av med en del av de mest välkända avslöjarna. De ord och fraser som för ett par år sedan fungerade som närmast säkra markörer för AI-text förekommer nu i långt lägre utsträckning. Det tyder på att aktiv styrning av modellernas språkliga beteende fungerar.

Men det skapar också ett slags kapprustning. När de grova mönstren poleras bort uppstår subtilare ersättare — och dessa är svårare att fånga upp, både för automatiserade detektionsverktyg och för den vanlige läsaren. Det är ett klassiskt mönster inom systemutveckling: när man täpper till en uppenbar sårbarhet förflyttas problemet till ett svårare plan.

Vad betyder det här för dig som läser?

Det praktiska takeaway:t är inte att lära sig utantill vilka ord Claude gillar för tillfället — det förändras med varje ny modellversion. Det viktiga är att förstå att AI-text tenderar att ha en viss överdrift i sin struktur: den är lite för välformulerad, lite för angelägen om att betona sin egen relevans, lite för symmetrisk i sina kontraster.

För redaktioner, organisationer och privatpersoner som möter allt mer AI-producerat innehåll i sin vardag är detta en viktig påminnelse: det räcker inte med att läsa texten — man behöver också läsa mönstret bakom den.