Industrialiserende humanisering

Gig‑opslag og serviceudbud på uformelle arbejdsplatforme som Upwork og Fiverr indeholder i dag i høj grad ordet ‘humanisere’, med en række job og udbydere der foreslår forskellige niveauer af sløring af faktum, at en artikel blev skrevet, eller delvist skrevet, eller medskrevet, med AI.

‘Humanize’-trenden i faktiske opslag på Upwork.

Efterspørgslen efter menneskelige og automatiserede tjenester, der kan omskrive AI‑‘forurenet’ output, så det fremstår som om et menneske satte sig ned og svedte i nogle timer, tyder på, at der er opnået en universel konsensus om, at det ‘menneskelige touch’ er nødvendigt for forbindelse og outreach – og at den enorme mængde indhold i AI‑alderen vil gøre den forbindelse igen essentiel.

Jeg vil personligt gerne tro på det, men det er ikke nødvendigvis tilfældet – ikke mindst fordi Googles egne retningslinjer om emnet behandler kvalitet af teksten, snarere end de midler, hvormed den blev skabt.

Sandheden er, at vi i øjeblikket ikke ved præcis hvor meget eller hvilken slags AI, vi er villige til at tolerere, eller i hvilken grad vi kan rationalisere de fordele, som milliarder af os får fra AI hver dag, i forhold til en følelse af ‘medvirken’ og moralsk forførelse i forhold til teknologiens bredere implikationer.

De førnævnte jobopslag afspejler dette også; der er skabere og virksomheder, der skriger efter automatisering, formodentlig fordi de ønsker at publicere i stor skala, hvilket er præcis den praksis, som Google lover specifikt at straffe i sin rangeringsalgoritme. Samtidig søger de både automatiserede og menneskebaserede metoder til at ‘industrialiserende’ humanisering.

Det minder mig på en måde om en af de bedste vittigheder i Steven Wrights neurodivergente komedier fra 1980’erne:

‘I mit hus har jeg en mikrobølgeovnpejs. Jeg kan lægge mig foran ilden for aftenen på kun 8 minutter.’

Formen på den kommende slop

Som sædvanligt er disse tanker inspireret af min daglige gennemgang af Arxiv, hvor jeg i dag især faldt over en artikel af Jochen Madler hos marketingautomatiseringsfirmaet Sitefire, med titlen SlopShape: Identifying AI-Generated Commercial Web Content.

Jeg afviser normalt artikler med enkeltforfattere, efter ‘Victor Frankenstein’-princippet, men premissen for denne er spartansk, og testmetodologien robust.

Undersøgelsen siger i bund og grund, at når et AI‑genereret opslag er fuldstændigt omskrevet, selv af mennesker, bevarer det et særskilt arkitektonisk signatur, som befinder sig på et niveau langt over ordniveau, og udgør en karakteristisk ‘form’, som ikke kan udryddes ved nogen mængde omskrivning eller overfladisk ændring af teksten:

Sammenligning af strukturelle mønstre i menneskeligt og AI‑skrevne opslag. Menneskelig skrivning har en tendens til at bruge sjældnere kombinationer af strukturer, mens alle fem AI‑modeller foretrækker mere konventionelle kombinationer. Kilde

Det er åbenlyst, at man kan omgå dette problem (hvis man betragter det som et problem) ved faktisk selv at planlægge skriveprocessen, og enten ikke bruge AI overhovedet, eller kun anvende den på de separate komponenter, som man selv har planlagt.

Men som de rasende annoncer på Upwork bevidner, er dette ikke, hvad der ønskes; man kan udlede af tonen i sådanne opslag, at artikelindholdet helst ikke kun skal struktureres af AI, men også ideeret af AI – det vil sige, at en LLM ville foreslå passende emner i overensstemmelse med en virksomheds eller en enheds overordnede mål.

Derefter forventes det fuldt ud, at AI vil producere forskellige progressive udkast til indholdet, med den irriterende ‘meatware’-komponent, der kun træder i kraft for en afsluttende og afslappet menneskelig glans (selvom processen ideelt set ville udvikle sig til en Python‑workflow).

Fremtrædende funktioner

Forfatteren af den nye artikel opnåede disse indsigter ved at indsamle nogle få tusinde virksomhedsblogindlæg lige før udgivelsen og spredningen af ChatGPT (2020‑2022) og udlede prompts fra dem.

Det vil sige, at han brugte Gemini 3 Flash til at læse de ægte, menneskeskrevne artikler og reverse‑engineere en prompt designet til at producere et lignende arbejde på tværs af nogle af de førende LLM’er, nemlig GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6 og Gemini 3.

Disse prompts blev derefter brugt til at skabe fem AI‑versioner af hvert af de ægte menneskelige opslag, hvorefter funktioner blev udtrukket, som til sidst ville beskrive den LLM‑specifikke ‘form’ af indhold på tværs af de fem modeller; og Madler bemærker, at ‘AI‑opslag deler en ryddelig, selv‑annoncerende form’.

Den samlede undersøgelse er en genkørsel af StoryScope project fra COLM 2026 i august, et samarbejde mellem University of Maryland og Google DeepMind, som i bund og grund anvendte den samme metode på fiktion og fandt, at AI‑genererede historier konvergerer mod et smallere og mere forudsigeligt udvalg af narrative strukturer end menneskelig skrivning:

Fra StoryScope‑undersøgelsen, en scatter‑plot‑sammenligning af narrative mønstre i menneskelig og AI‑genereret fiktion. Menneskeskrevne historier indtager et særskilt område, mens historier fra fem førende AI‑modeller samler sig tættere sammen, hvilket indikerer større lighed i deres underliggende narrative valg. Kilde

Madler besluttede at genkøre StoryScope på virksomhedens blogs på grund af det omfattende økonomiske incitament til at automatisere dem, sammenlignet med det mere excentriske område af fiktionsskrivning, samt den store grad af automatisering som allerede er opnået (50 % automatisering af onlineindhold inden maj 2026, ifølge en Graphite‑undersøgelse citeret i Madlers arbejde).

Måske er den mest interessante analyse at dissekere de funktioner, der er udtrukket fra det AI‑producerede materiale baseret på de før‑2022 menneskeskrevne indlæg:

‘De værdier, der oftest produceres af AI‑modeller, samles i det, vi kalder det ryddelige, selv‑annoncerende blogindlæg: det lover resultatet allerede i titlen, angiver sin tese og annoncerer sin struktur før den første sektion, taler i en redaktionel‑forklarende stemme og afslutter med et afsnit, der opsummerer eller gentager tesen.

‘I et typisk AI‑indlæg loves resultatet i titlen: “How to Cut Onboarding Time in Half.” Tesens formuleres, og flowet annonceres før den første sektion: “I dette indlæg vil vi dække, hvorfor onboarding stopper op, tre løsninger der virker, og hvordan man måler forskellen.”

‘Og afslutningen gentager tesen: “In short, structured onboarding saves time.” De menneskeligt‑orienterede værdier beskriver indlæg uden disse pejlemærker: ingen annonceret sektionstrøm, ingen opspændning af stakes, og ingen afsluttende sektion, der gentager tesen.’

En fejlagtig antagelse

Tilfældigvis blev de fleste af de trøster og klichéer, der er til stede i den beskrevne skabelon/-er, afledt af SEO‑besatte restriktioner i den før‑LLM‑marketingverden. Hvor tror vi, at AI har lært disse vaner?

Skabelonbaseret marketingtekst var altid hadet, længe før AI, og altid produceret i stor skala, langt før maskiner kunne gøre det godt; og på grund af kravet om at overholde SEO‑praksis blev nogle forfærdelige konventioner etableret, såsom nøgleordsplacering og omhyggeligt design af links.

I det sidste tilfælde kan AI derfor have lært den forkerte lektie, da de udelukkende tekstbaserede korpora, som den blev trænet på, fjernede så mange af de SEO‑relaterede taktikker, der oprindeligt var inkluderet i kildematerialet, såsom strategiske diagrammer, visuelle forklaringer; og især hyperlinks.

Hele sektioner af en artikel kan have været udformet for at indramme et hyperlink eller en YouTube‑embed, som en kunde ønskede at fremme; men da dataene var blevet trænet ind i en LLM, var embed‑koden eller linket fjernet, og den tekst, der var designet til at fremhæve det, blev frataget sin oprindelige kontekst.

Derfor var den store fejl i at designe træningsmetoder omkring sådant materiale, at behandle webindhold som om det var 1800‑tals litteratur (fuldstændig selvstændig) i stedet for multimediemateriale (betydeligt påvirket af ikke‑tekstuelle faktorer såsom video, hyperlinks og illustrationer).

Den anden store fejl var at træne på materiale som folk allerede hadede, og som blev tvunget ind i sin upopulære form af regler, der sandsynligvis ikke længere er gyldige.

Opmærksomhed, mennesker

Alligevel, hvis du kan tro på Upwork‑tendenserne, er der en betydelig efterspørgsel efter mere af det samme, produceret i stor skala af LLM’er og ‘humaniseret’ gennem den mindst idiosynkratiske proces, der er tilgængelig, med den højeste hastighed og til den laveste mulige pris.

Alt dette for at skabe effekten af opmærksomhed: idéen om, at nogen som dig (dvs. i besiddelse af et endokrint system, i det mindste) satte sig ned i et par timer og tænkte over, hvad de ønskede at sige til dig.

Opfattelsen af at modtage menneskelig opmærksomhed er meningsfuld for os selv når den ikke er hjælpsom; derfor er den bestemt værd at industrialisere.

Jeg kan ikke lade være med at føle, at Madlers papir på en eller anden måde sandsynligvis vil forværre situationen, da den identificerer karakteristiske højdimensionelle træk, som nu, formodentlig, kan tackles med mere AI, så de standardiserede signaturer vil antage en mere menneskelig form, efterhånden som modellerne udvikler sig.

Først offentliggjort torsdag den 17. september 2026