Industrializing Humanization

Freelance-ilmoitukset ja palvelutarjoukset satunnaisissa työpaikoissa, kuten Upworkissa ja Fiverrissä, korostavat nykyään sanaa ‘humanize’, ja monenlaiset tehtävät sekä tarjoajat ehdottavat erilaisia tasoja sen piilottamiseksi, että artikkeli on kirjoitettu, osittain kirjoitettu tai yhdessä tekoälyn kanssa kirjoitettu.

‘Humanize’-trendit todellisissa Upwork-ilmoituksissa.

Tarve ihmis- ja automaattipalveluille, jotka voivat kirjoittaa uudelleen AI:n ‘saastuttamaa’ sisältöä niin, että vaikuttaa siltä kuin ihminen olisi istunut alas ja hikoillut muutaman tunnin, viittaa siihen, että yleinen konsensus on saavutettu siitä, että ‘inhimillinen kosketus’ on tarpeen yhteyden ja tavoittavuuden kannalta – ja että tekoälykauden valtava sisällön määrä tekee tästä yhteydestä jälleen olennaisen.

Henkilökohtaisesti haluaisin ajatella niin, mutta se ei välttämättä ole totta – erityisesti koska Googlen omat ohjeet asiassa käsittelee tekstin laadun, eivätkä sen luomistapaa.

Totuus on, että emme tällä hetkellä tiedä tarkalleen kuinka paljon tai minkälaista tekoälyä olemme valmiita sietämään, tai missä määrin voimme perustella ne hyödyt, joita miljardit meistä saavat tekoälystä päivittäin, tunteen ‘myötäilystä’ ja moraalisesta viettelystä teknologian laajempien vaikutusten suhteen vastaan.

Edellä mainitut työilmoitukset heijastavat tätä myös; siellä tekijät ja yritykset himoitsevat automaatiota, oletettavasti koska ne haluavat julkaista massoittain, mikä on juuri se käytäntö, jonka Google lupaa erityisesti rangaista ranking-algoritmissaan. Samanaikaisesti ne etsivät sekä automatisoituja että ihmispohjaisia tapoja ‘teollistaa’ ihmistämistä.

Se muistuttaa minua jossain määrin yksi parhaista vitseistä Steven Wrightin neurodivergentissa 1980-luvun komediassa:

‘Talossani on mikroaaltouuni-takka. Voin levätä tulen edessä illalla vain 8 minuutissa.’

Slopin tuleva muoto

Kuten tavallista, nämä ajatukset inspiroituvat päivittäisestä Arxiv-selaustani, jossa tänään erityisesti törmäsin tutkimukseen Jochen Madlerin kirjoittamaan markkinoinnin automaatioyritys Sitefireltä, otsikolla SlopShape: AI:n tuottaman kaupallisen verkkosisällön tunnistaminen.

Yleensä väitän yksittäisten tekijöiden tutkimuksia ‘Victor Frankenstein’ -periaatteella, mutta tämän tutkimuksen premissi on spartalainen ja testausmenetelmä kestävä.

Tutkimus sanoo perimmiltään, että kun AI:n tuottama julkaisu on täysin uudelleenkirjoitettu, jopa ihmiset, se säilyttää erottuvan arkkitehtonisen leiman, joka sijaitsee paljon korkeammalla kuin sanatasolla, koostuen ominaisesta ‘muodosta’, jota ei voida poistaa millään määrällä uudelleenmuotoilua tai pinnallista tekstin korjausta.

Vertailu rakenteellisista malleista ihmisten ja tekoälyn kirjoittamissa julkaisuissa. Ihmiskirjoitus käyttää harvinaisempia rakenteiden yhdistelmiä, kun taas kaikki viisi AI-mallia suosivat perinteisempiä yhdistelmiä. Lähde

Ilmiselvästi tämän ongelman (jos sitä pidetään ongelmana) voi kiertää suunnittelemalla kirjoitusprosessi itse ja joko käyttämättä lainkaan AI:ta tai käyttämällä sitä vain niissä erillisissä osissa, jotka olet itse suunnitellut.

Kuitenkin, kuten Upworkin kiihkeät ilmoitukset todistavat, tämä ei ole toivottua; voidaan päätellä tällaisten ilmoitusten sävystä, että artikkelin sisältö tulisi mieluiten ei vain AI:n rakentelema, vaan myös ideoitu AI:n toimesta – toisin sanoen, että LLM ehdottaisi sopivia aiheita, jotka ovat linjassa yrityksen tai organisaation laajojen tavoitteiden kanssa.

Tämän jälkeen on täysin odotettavissa, että AI tuottaa erilaisia edistyviä sisällön luonnoksia, ja ärsyttävä ihmiskomponentti astuu mukaan vain lopullisen ja rennon inhimillisen viimeistelyn yhteydessä (vaikka ihannetapauksessa prosessi kehittyisi lopulta Python-työnkulkuun).

Huomattavat ominaisuudet

Uuden paperin tekijä sai nämä oivallukset keräämällä muutaman tuhannen yritysblogipostauksen, jotka julkaistiin juuri ennen ChatGPT:n (2020‑2022) julkaisua ja leviämistä, ja päätellen niistä kehotteita.

Toisin sanoen, hän käytti Gemini 3 Flash lukeakseen todelliset, ihmisten kirjoittamat paperit ja käänteissuunnitellakseen kehotteen, jonka tarkoituksena on tuottaa samankaltainen työ joillekin johtaville LLM-malleille, nimittäin GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6 ja Gemini 3.

Nämä kehotteet käytettiin sitten luomaan viisi AI-versiota jokaisesta todellisesta ihmisen kirjoittamasta postauksesta, joista ominaisuuksia poimittiin, jotka lopulta kuvaisivat LLM-kohtaista sisällön ‘muotoa’ viiden mallin välillä; ja Madler toteaa, että ‘AI-postaukset jakavat siistin, itsensä ilmoittavan muodon’.

Koko tutkimus on uudelleenkäynnistys StoryScope project -hankkeesta, joka toteutettiin COLM 2026 -tapahtumassa elokuussa, yhteistyönä Marylandin yliopiston ja Google DeepMindin välillä, ja jossa sovellettiin periaatteessa samaa menetelmää fiktioon. Tuloksena havaittiin, että tekoälyn tuottamat tarinat konvergoituvat kapeampaan ja ennustettavampaan narratiivisten rakenteiden kirjoon kuin ihmisten kirjoittama teksti:

StoryScope-tutkimuksesta, hajontakuviovertailu narratiivisista malleista ihmisten ja tekoälyn tuottamassa fiktiossa. Ihmisten kirjoittamat tarinat asettuvat erilliseen alueeseen, kun taas viiden johtavan tekoälymallin tarinat ryhmittyvät läheisemmin yhteen, mikä osoittaa suurempaa samankaltaisuutta niiden taustalla olevissa narratiivivalinnoissa. Source

Madler päätti uudelleenkäynnistää StoryScopen yritysblogeissa, koska niiden automatisoinnissa on merkittävä taloudellinen kannustin verrattuna fiktiivisen kirjoittamisen eksoottisempaan kenttään, ja koska ne ovat jo pitkälti automatisoituja (50 % verkko sisällön automatisointia toukokuussa 2026, a Graphite study mukaan, johon Madlerin työ viittaa).

Ehkä mielenkiintoisin analyysi on tekoälyn tuottamasta materiaalista poimittujen ominaisuuksien purkaminen ennen vuotta 2022 kirjoitettuihin ihmisten postauksiin perustuen:

‘Tekoälymallien yleisimmin tuottamat arvot kokoontuvat niin sanottuun siistiin, itsensä ilmoittavaan blogipostaukseen: se lupaa palkinnon jo otsikossa, esittelee teesinsä ja ilmoittaa rakenteensa ennen ensimmäistä kappaletta, puhuu toimittaja‑selittävässä äänensävyssä ja päättyy vaiheeseen, jossa tiivistetään tai toistetaan tees.

‘Tyypillisessä tekoälypostauksessa palkinto luvataan otsikossa: “Kuinka leikata perehdytysaikaa puoleen.” Teesi esitetään ja kulku ilmoitetaan ennen ensimmäistä kappaletta: “Tässä postauksessa käsittelemme, miksi perehdytys pysähtyy, kolme toimivaa korjausta ja miten mitata ero.”

‘Ja lopetus toistaa teesin: “Lyhyesti sanottuna, strukturoitu perehdytys säästää aikaa.” Ihmisläheiset arvot kuvaavat postauksia ilman näitä merkkejä: ei ilmoitettua kappaleiden kulkua, ei jännitteiden kasvua, eikä lopetuskappaletta, joka toistaa teesin.’

Virheellinen oletus

Sattumoisesti suurin osa kuvatuissa mallipohjissa esiintyvistä tropeista ja kliseistä juontaa juurensa SEO-obsessed strictures -käytännöistä ennen LLM-ajan markkinointia. Missä ajattelimme tekoälyn oppineen nämä tavat?

Mallinnettu markkinointikopio oli always hated, kauan ennen tekoälyä, ja sitä tuotettiin aina mittakaavassa, long before machines could do it well; ja SEO‑käytäntöjen vaatimusten vuoksi syntyi kauheita konventioita, kuten keyword placement ja crafted design of links.

Viimeisessä tapauksessa tekoäly on siis saattanut oppia väärän läksyn, koska sen koulutuksessa käytetyt pelkän tekstin korpukset poistasivat niin monia SEO‑suuntaisia taktiikoita, jotka alun perin sisältyivät lähdemateriaaliin, kuten strategiset kaaviot, visuaaliset selitykset; ja erityisesti hyperlinkit.

Koko artikkelin osat saattoivat olla suunniteltuja korostamaan hyperlinkkiä tai YouTube‑upotusta, jonka asiakas halusi nostaa esille; mutta kun data oli koulutettu LLM:ään, upotus tai linkki oli poistettu, ja sen korostamiseen suunniteltu teksti jäi ilman alkuperäistä kontekstiaan.

Siksi voidaan väittää, että suuri virhe koulutusmenetelmien suunnittelussa tällaisen materiaalin ympärillä oli käsitellä verkkosisältöä kuin se olisi 1800‑luvun kirjallisuutta (täysin itsenäistä) sen sijaan, että se olisi multimediaa (merkittävästi ei‑tekstuaalisten tekijöiden, kuten videoiden, hyperlinkkien ja kuvitusten, vaikutuksen alaisena).

Toinen suuri virhe oli kouluttaa materiaalia that people already hated, joka oli muokattu epäsuosittuun muotoonsa sääntöjen kautta, jotka probably aren’t valid any longer.

Huomio, ihmiset

Siitä huolimatta, jos uskot Upworkin trendeihin, on merkittävä kysyntä samanlaiselle sisällölle, jota LLM:t tuottavat mittakaavassa ja ‘ihmisluonteiseksi’ mahdollisimman vähäisellä idiosynkraattisella prosessilla, suurimmalla nopeudella ja alimmalla kustannuksella.

Kaikki tämä on tuotettu attention-efektin aikaansaamiseksi: ajatus siitä, että joku kuten sinä (eli vähintäänkin endokriininen järjestelmä omaava) istui muutaman tunnin ajan pohtimassa, mitä hän halusi sinulle sanoa.

Ihmisen huomion saamisen kokemus on meille merkityksellinen even when it is not helpful; siksi sen teollistaminen on ehdottomasti kannattavaa.

En voi olla tuntematta, että Madlerin paperi saattaa jollain tapaa pahentaa tilannetta, koska se tunnistaa ominaispiirteitä, joita voidaan nyt oletettavasti käsitellä more tekoälyn avulla, jolloin oletusmallit omaksuvat inhimillisemmän muodon mallien kehittyessä.

Ensimmäinen julkaisu torstaina 17. syyskuuta 2026