Industrialisering av humanisering

Gig‑annonser og tjenestetilbud på uformelle arbeidsplattformer som Upwork og Fiverr inneholder i dag i stor grad ordet ‘humanize’, med et spekter av jobber og leverandører som foreslår ulike nivåer av tilsløring av fakta om at en artikkel ble skrevet, eller delvis skrevet, eller medskrevet, med AI.

‘Humanize’-trenden i ekte innlegg på Upwork.

Etterspørselen etter menneskelige og automatiserte tjenester som kan omskrive AI‑’forurenset’ innhold slik at det virker som om et menneske satte seg ned og svettet i noen timer, tyder på at en universell konsensus er nådd om at den ‘menneskelige berøringen’ er nødvendig for forbindelse og rekkevidde – og at den enorme mengden innhold i AI‑alderen vil gjøre den forbindelsen essensiell igjen.

Jeg vil personlig gjerne tro det, men det er ikke nødvendigvis slik – ikke minst fordi Googles egne retningslinjer i saken behandler kvaliteten på teksten, snarere enn måten den ble laget på.

Sannheten er at vi foreløpig ikke vet nøyaktig hvor mye eller hvilken type AI vi er villige til å tolerere, eller i hvilken grad vi kan rasjonalisere fordelene som milliarder av oss får fra AI hver dag mot en følelse av ‘medvirkning’ og moralsk forførelse med tanke på teknologiens bredere implikasjoner.

De nevnte stillingsannonsene gjenspeiler dette også; der er skapere og selskaper ivrige etter automatisering, antagelig fordi de ønsker å publisere i stor skala, noe som er nettopp den praksisen Google lover å straffe spesifikt i sin rangeringsalgoritme. Samtidig søker de både automatiserte og menneskebaserte metoder for å ‘industrialisere’ humanisering.

Det minner meg litt om en av de beste vitsene i Steven Wrights nevrodivergente komedierutiner fra 1980‑tallet:

‘I mitt hus har jeg en mikrobølgepeis. Jeg kan legge meg foran ilden for kvelden på bare 8 minutter.’

Formen på slopp som kommer

Som vanlig er disse tankene inspirert av min daglige gjennomgang av Arxiv, hvor jeg i dag spesielt traff på en artikkel av Jochen Madler hos markedsføringsautomatiseringsselskapet Sitefire, med tittelen SlopShape: Identifying AI-Generated Commercial Web Content.

Jeg avviser vanligvis artikler med enkeltforfattere, etter ‘Victor Frankenstein’-prinsippet, men premisset i denne er spartansk, og testmetodikken robust.

Studien sier i hovedsak at når et AI-generert innlegg blir fullstendig omskrevet, selv av mennesker, beholder det et distinkt arkitektonisk signatur som ligger på et nivå langt høyere enn ordnivå, og består av en karakteristisk ‘form’ som ikke kan fjernes ved noen mengde omskriving eller overfladisk endring av teksten:

Sammenligning av strukturelle mønstre i menneskelige og AI‑skrevne innlegg. Menneskelig skriving har en tendens til å bruke sjeldnere kombinasjoner av strukturer, mens alle fem AI‑modellene foretrekker mer konvensjonelle kombinasjoner. Kilde

Åpenbart kan man omgå dette problemet (hvis man anser det som et problem) ved faktisk å planlegge skrivingens forløp selv, og enten ikke bruke AI i det hele tatt, eller kun bruke den på de separate komponentene man selv har planlagt.

Imidlertid, som de rasende annonsene på Upwork viser, er dette ikke det som ønskes; man kan utlede fra tonen i slike innlegg at artikkelinnholdet helst ikke bare skal struktureres av AI, men også ideutvikles av AI – det vil si at en LLM ville foreslå passende temaer i tråd med et selskaps eller en enhets overordnede mål.

Deretter er det helt forventet at AI vil produsere ulike progressive utkast av innholdet, med den irriterende menneskelige komponenten som kun trer inn for en avsluttende og uformell glans av menneskelighet (selv om prosessen ideelt sett vil utvikle seg til en Python‑arbeidsflyt).

Fremtredende funksjoner

Forfatteren av den nye artikkelen fikk disse innsiktene ved å samle noen tusen selskapets blogginnlegg som umiddelbart foregikk før lanseringen og spredningen av ChatGPT (2020‑2022) og utlede promptene fra dem.

Det vil si at han brukte Gemini 3 Flash til å lese de ekte, menneskeskrevne artiklene og reversere et prompt designet for å produsere et lignende verk på tvers av noen av de ledende LLM‑ene, nemlig GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6 og Gemini 3.

Disse promptene ble deretter brukt til å lage fem AI‑versjoner av hvert av de ekte menneskelige innleggene, fra hvilke funksjoner ble trukket ut som til slutt vil beskrive den LLM‑spesifikke ‘formen’ på innholdet på tvers av de fem modellene; og Madler bemerker at ‘AI‑innlegg deler en ryddig, selv‑annonserende form’.

Hele studien er en ny kjøring av StoryScope project fra COLM 2026 i august, et samarbeid mellom University of Maryland og Google DeepMind, som anvendte i hovedsak samme metodikk på skjønnlitteratur, og fant at AI‑genererte historier konvergerer mot et smalere og mer forutsigbart spekter av narrative strukturer enn menneskelig skriving:

Fra StoryScope‑studien, et spredningsplott som sammenligner narrative mønstre i menneskelig og AI‑generert skjønnlitteratur. Menneskeskrevne historier opptar et eget område, mens historier fra fem ledende AI‑modeller klumper seg tettere sammen, noe som indikerer større likhet i deres underliggende narrative valg. Kilde

Madler bestemte seg for å kjøre StoryScope på bedriftsblogger på grunn av det omfattende økonomiske incitamentet til å automatisere disse, sammenlignet med det mer eksentriske feltet skjønnlitterær skriving, og den store graden av allerede eksisterende automatisering (50 % automatisering av nettinnhold innen mai 2026, ifølge a Graphite study sitert i Madlers arbeid).

Kanskje den mest interessante analysen er å plukke fra hverandre funksjonene som ble ekstrahert fra AI‑produsert materiale basert på de før‑2022 menneskeskrevne innleggene:

‘Verdiene som oftest produseres av AI‑modeller samles i det vi kaller den ryddige, selv‑annonserende bloggposten: den lover gevinsten allerede i tittelen, oppgir sin tese og annonserer sin struktur før første avsnitt, taler i en redaksjonell‑forklarende stemme, og avslutter med en fase som oppsummerer eller gjentar tesen.

‘I en typisk AI‑post blir gevinsten lovet i tittelen: «Hvordan kutte onboarding‑tid i halve». Tesensen blir uttalt og flyten annonsert før første avsnitt: «I dette innlegget skal vi gå gjennom hvorfor onboarding stopper opp, tre løsninger som fungerer, og hvordan man måler forskjellen.»

‘Og avslutningen gjentar tesen: «Kort sagt, strukturert onboarding sparer tid». De menneskelige verdiene beskriver innlegg uten disse veivisningene: ingen annonsert avsnittsflyt, ingen opptrapping av innsats, og ingen avsluttende del som gjentar tesen.’

En feilaktig forutsetning

For øvrig ble de fleste av de tropene og klisjeene som finnes i den beskrevne malen/ene hentet fra SEO-obsessed strictures fra markedsføringsscenen før LLM‑æraen. Hvor tror vi AI har lært disse vanene?

Malbasert markedsføringskopi var alltid hatet, lenge før AI, og alltid produsert i stor skala, lenge før maskiner kunne gjøre det bra; og på grunn av kravet om å følge SEO‑praksis ble noen forferdelige konvensjoner etablert, som nøkkelordplassering, og omhyggelig utforming av lenker.

I det siste tilfellet kan AI derfor ha lært den gale leksjonen, siden tekst‑bare korpusene den ble trent på fjernet så mange av de SEO‑rettede taktikkene som opprinnelig var inkludert i kilde­materialet, som strategiske diagrammer, visuelle forklaringer; og spesielt hyperlenker.

Hele seksjoner av en artikkel kan ha blitt utformet for å ramme inn en hyperlenke eller en YouTube‑innbygging som en kunde ønsket å promotere; men da dataene ble trent inn i en LLM, ble innbyggingen eller lenken fjernet, og teksten som skulle fremheve den ble fratatt sin opprinnelige kontekst.

Derfor var, med rette, den store feilen i å designe treningsmetodikker rundt slikt materiale, å behandle nettinnhold som om det var 1800‑talls litteratur (fullstendig selvstendig) i stedet for multimedie‑innhold (betydelig påvirket av ikke‑tekstlige faktorer som video, hyperlenker og illustrasjoner).

Den andre store feilen var å trene på materiale som folk allerede hatet, og som ble tvunget inn i sin upopulære form av regler som sannsynligvis ikke lenger er gyldige.

Oppmerksomhet, mennesker

Likevel, hvis du kan tro Upwork‑trendene, er det en betydelig etterspørsel etter mer av det samme, produsert i stor skala av LLM‑er, og ‘humanisert’ gjennom den minst idiosynkratiske prosessen som finnes, med høyeste hastighet og lavest tilgjengelige kostnad.

Alt dette for å skape effekten av oppmerksomhet: ideen om at noen som deg (dvs. i besittelse av et endokrinsystem, i det minste) satte seg ned i noen timer og tenkte på hva de ville si til deg.

Oppfatningen av å motta menneskelig oppmerksomhet er meningsfull for oss selv når det ikke er nyttig; derfor er det absolutt verdt å industrialisere.

Jeg kan ikke unngå å føle at Madlers papir på en eller annen måte sannsynligvis vil forverre situasjonen, siden det identifiserer karakteristiske høyere‑dimensjonale trekk som nå, antagelig, kan adresseres med mer AI, slik at standard signaturer vil anta en mer menneskelig form etter hvert som modellene utvikler seg.

Først publisert torsdag 17. september 2026