AI-detektor

AI-detektor er et værktøj, der vurderer sandsynligheden for, at en tekst eller et billede er skabt af en kunstig intelligens. De fleste tekstdetektorer ser efter statistiske mønstre i ordvalg og sætningsbygning, men de er upålidelige, især på dansk. Resultatet er et indikatornummer, ikke et juridisk bevis.

Sådan virker AI-detektor i praksis

Tekstdetektorer arbejder statistisk. De kigger på hvor sandsynligt det er, at en række ord og formuleringer ville opstå i en tekst, når en sprogmodel har skrevet den. Hvis mønstrene ligner det, modelerne typisk producerer, stiger sandsynligheden for 'AI'. Det er ikke et spørgsmål om at finde en signatur, men om at måle stil og gentagelsesmønstre.

En hverdagsanalog: det svarer til at gætte om et brev er skrevet på en maskine ud fra håndskriftens rytme. Hjælpsomt, men fejlkilder findes. For dansk tekst er fejlraten ofte højere, fordi de store modeller og deres træningsdata er mere domineret af engelsk. Det fører både til falske positive, hvor menneskers tekst fejlagtigt markeres som AI, og falske negative, hvor rigtig AI-tekst slipper igennem.

Hvorfor ledere støder på AI-detektor

Du møder ordet, fordi chefer og rekrutteringsansvarlige bruger det til at tjekke ansøgninger, elevopgaver og leverandørtekster. Det virker tiltalende: et hurtigt ja/nej. Problemet er, at et højt 'AI-score' ikke i sig selv kan retfærdiggøre en afvisning eller disciplinær handling. Google straffer ikke AI-genereret indhold i sig selv, og mange kvalitetsspørgsmål handler om indholdets nøjagtighed og originalitet, ikke om hvem eller hvad der skrev det.

Når du får en rapport, så forstå den som et dyrkningskort, ikke som dom. Spørg hvad værktøjet måler, test det på egne tekster, og husk at sproglig kvalitet, kildeangivelser og faglig viden stadig er det, der tæller i en beslutning.

Eksempel: AI-detektor hos en tekstforfatter

En tekstforfatter arbejder i en marketingafdeling og skal levere tre produktbeskrivelser inden kl. 10 onsdag morgen, ugen før en kampagne. Hun bruger en sprogmodel som sparringspartner og afleverer versioner i et delt dokument. Marketingchefen scanner teksterne med en AI-detektor og får en høj score på den ene tekst. Chefen sender en mailkæde på otte beskeder og kræver forklaring, hvilket forsinker korrekturgangen med to arbejdsdage. Tekstforfatteren forklarer, at hun har bearbejdet et AI-udkast og tilføjet konkrete kundeeksempler; hun sender tidligere udkast, redigeringsspor og kilder. Efter manuel gennemgang vurderer chefen, at teksten er god nok, men erfaringen koster tid og skaber mistillid i teamet. Læringen var, at et enkelt detektorresultat ikke løser en tvist, og at en hurtig politik for dokumentation ville have sparet et par dages arbejde.

AI-detektor versus billeddetektor og Tekst-til-tale (TTS)

Billeddetektorer har andre forudsætninger end tekstdetektorer. Hvis et billede indeholder et digitalt vandmærke eller C2PA-metadata, er det betydeligt nemmere at bevise oprindelsen. Uden sådanne spor må billeddetektorer igen bruge mønstre i pixels og forarbejdning, hvilket kan være mere robust end rent sproglige mønstre, men stadig langt fra ufejlbarligt. For lyd og Tekst-til-tale (TTS) er der endnu andre signaler: stemme-karakteristika, artefakter i optagelsen og syntesefeatures. Kort sagt: nogle medier giver stærkere tekniske spor end andre, men intet er 100 procent sikkert.

Brug begrebet AI-genereret indhold samlet: det dækker tekst, billeder, lyd og video. Vær konkret i din bedømmelse: spørg efter kilder, arbejdsspor eller originale filer, ikke kun et tal fra en detektor.

Hvad du skal være opmærksom på

Det vigtigste er fejlraterne. Falske positive kan skade ansattes eller ansøgeres omdømme; falske negative kan give falsk tryghed. Ingen detektor er et bevis i en juridisk eller disciplinær sag. Hvis du er i tvivl om regler for persondata eller opbevaring af arbejdsprøver, så tjek myndighederne, for eksempel Datatilsynet. Husk også, at man i nogle situationer kan kræve forklaring eller originalfiler, men det bør ske som en del af en gennemtænkt proces, ikke på et mistillidsøjeblik.

En typisk fejltagelse er at behandle et detektor-output som endegyldigt. Brug i stedet detektoren som et startpunkt: dobbelttjek, få en kollega til at læse, og bed om dokumentation. Det koster tid, men det koster mindre end en forkert beslutning.

Sådan kommer du i gang med AI-detektor

1. Definer konkrete tilfælde hvor du vil bruge det: ansøgninger, opgaver, leverandørmateriale. Hold det til få, klare scenarier.
2. Test værktøjerne mod kendte tekster fra jeres virksomhed, både menneskeskrevne og AI-udkast, for at forstå falske positiver.
3. Brug flere metoder: et detektorresultat + manuel gennemgang + anmodning om kilder eller redigeringsspor.
4. Lav en kort intern politik: hvad et højt score betyder, hvilke skridt der følger, og hvordan dokumentation håndteres.
5. Evaluer løbende. Modeller og detektorer ændrer sig hurtigt, så genafprøv jeres proces efter tre til seks måneder.

Som en sidste analogi: at stole blindt på en detektor er som at dømme en håndskrevet note ud fra penneføringen alene. Det kan være nyttigt, men det kan ikke stå alene... og nogle gange fører det til forkerte konklusioner.

Det er svært at læse sig til AI-detektor. I kommer længere med en workshop, hvor I bygger på jeres egne opgaver. Når arbejdet med AI-detektor skal passes, mens I laver noget andet, så se, hvad et AI-team i huset kan.