Det finns inget säkert sätt att avgöra om en text är skriven av AI, varken för en läsare eller för de detektorverktyg som säljs för ändamålet. Verktygen mäter statistiska mönster i språket, framför allt hur förutsägbart varje ord är, och lämnar ett sannolikhetsvärde, inte ett facit. Här går vi igenom hur måtten perplexitet och burstiness fungerar, och hur stora felmarginalerna faktiskt är enligt oberoende forskning.
Vanliga frågor om AI-skriven text
Hur vet man om en text är skriven av AI?
Ingen enskild markör räcker som bevis. En läsare kan lägga märke till stildrag som är vanliga i AI-genererad text, som jämn meningslängd, återkommande övergångsfraser och en brist på konkreta, verifierbara detaljer. Sådana intryck är indicier, inte bevis: en människa kan skriva på samma sätt, och ett AI-utkast som skrivits om för hand tappar ofta just det mönstret (se vår genomgång av legitima skäl att skriva om text med AI). De verktyg som säljs för att avgöra saken bygger i stället på statistiska mått över hela texten, framför allt perplexitet och burstiness, och de ger ett sannolikhetsvärde, aldrig en säker slutsats.
Vad är perplexitet, och varför använder detektorer det?
Perplexitet mäter hur överraskande varje ord är för en språkmodell, givet orden som kom före. Ett lågt värde betyder att texten följer de ord modellen själv skulle ha valt, vilket är typiskt för maskingenererad text eftersom den byggs genom att upprepat välja sannolika ord. Ett högre värde, med fler oväntade formuleringar och omvägar, är vanligare i mänskligt skrivande. Den akademiska grunden för att använda ordsannolikhet som signal går tillbaka till visualiseringsverktyget GLTR, presenterat av Sebastian Gehrmann, Hendrik Strobelt och Alexander Rush vid ACL 2019. Med hjälp av verktyget steg testpersonernas träffsäkerhet i att hitta maskingenererad text från 54 till 72 procent, en tydlig förbättring, men fortfarande långt ifrån ett säkert facit.
Vad är burstiness, och vad säger det om en text?
Burstiness beskriver hur mycket förutsägbarheten varierar genom en text, snarare än nivån i sig. Mänskligt skrivande växlar ofta mellan enkla och mer komplexa eller oväntade formuleringar, så mönstret av lätta och svåra ordval pulserar. Språkmodeller tenderar att hålla en jämnare nivå rakt igenom, eftersom samma urvalsprincip styr varje ord i texten. Begreppet är mest känt genom kommersiella detektorer som GPTZero snarare än som en egen fristående forskningslinje, men det bygger på samma typ av ordsannolikhetsstatistik som perplexitet och bör läsas som ett komplement till det måttet, inte som ett fristående bevis.
Hur tillförlitliga är AI-detektorer, egentligen?
Sämre än de flesta tror. Den hittills bredaste oberoende granskningen publicerades 2023 i International Journal for Educational Integrity: Debora Weber-Wulff och sju medförfattare testade fjorton verktyg, tolv gratisverktyg och två kommersiella (Turnitin och PlagiarismCheck), och drog slutsatsen att inget av dem var tillräckligt träffsäkert eller pålitligt för att användas som facit, med en tydlig slagsida mot att klassa text som mänskligt skriven snarare än att fånga AI-text. En färskare studie, publicerad i tidskriften Advances in Simulation i november 2025 av Adam Cheng och medförfattare, testade tre gratisverktyg (ZeroGPT, PhraslyAI och Grammarly AI Detector) på vetenskaplig text i fem olika grader av AI-inblandning. Rent mänskligt skriven text flaggades felaktigt som AI av mellan 1,6 och 6,5 procent av verktygen, en andel som för två av de tre testade verktygen steg till 43 respektive 45 procent för text som redigerats tungt med AI (det tredje verktyget, Grammarly, låg då kvar på 11,5 procent, vilket visar hur olika detektorerna bedömer samma text). Även för text som var helt AI-genererad missade ett av verktygen, Grammarly, hälften.
Kan människor själva se skillnad, utan verktyg?
Sämre än de flesta tror, återigen. I samma studie fick fem sakkunniga bedömare läsa texterna blint och gissa ursprung, utan hjälp av något detektorverktyg. Deras samlade träffsäkerhet landade på 19 procent i en uppgift med fem svarsalternativ, i praktiken oskiljbart från att gissa slumpmässigt. De blindade bedömarna stämplade mänskligt skriven text som AI-genererad i 72 procent av fallen och missade helt AI-genererad text i 77 procent av fallen. Den mänskliga magkänslan är alltså ingen pålitlig detektor. Den låg i den här studien snarast sämre till än de statistiska verktygen på samma uppgift.
Var går gränsen för vad en AI-detektor faktiskt kan visa?
En detektor kan visa ett sannolikhetsvärde för hur statistiskt lik en text är känd AI-text. Den kan inte bevisa vem som skrev texten, och den blir mindre tillförlitlig ju mer texten har redigerats i efterhand, oavsett om redigeringen gjordes av en människa som skrev om ett AI-utkast eller av AI som finputsade en människas text. Som redaktion är vår hållning att ett detektorutslag är ett underlag att väga in tillsammans med annat, aldrig ett facit att fälla en bedömning på. Den bredare frågan om när AI faktiskt tillför något i ett textarbete, i stället för att bara fylla ut det, går vi igenom i guiden om AI och SEO-text, och hur själva verktygen bakom texten fungerar beskrivs i guiden om AI text generator.
Redaktörens slutsats
AI-detektorer mäter statistiska mönster, inte sanning. De kan peka ut något som är värt att titta närmare på, men ett enskilt utslag räcker aldrig ensamt som bevis, vare sig det gäller ett studentarbete, en artikel eller ett manus. Den mest träffsäkra granskningen är fortfarande den gamla journalistiska: kontrollera källor, sakuppgifter och sammanhang, oavsett vem eller vad som höll i pennan från början.
Senast faktagranskad: 8 augusti 2026