AI övertalar människor att donera nästan 3 gånger mer än mänskliga insamlare

En ny Oxford-ledd studie tyder på att ledande språkmodeller kan samla in betydligt mer pengar än professionella insamlare, och kan tillförlitligt slå människor i alla andra former av övertalning.

En ny Storbritannien–USA-studie har funnit att frontlinjens språkmodeller är mer effektiva för att övertala människor än utbildade mänskliga proffs vars jobb är att förändra åsikter.

I en verklig insamlings-test fann forskarna att AI kunde övertala människor att donera cirka 17,2% av deras tillgängliga pengar, jämfört med 6,4% för professionella mänskliga insamlare – ett gap på 10,8 procentenheter, vilket motsvarar cirka 2,7 gånger donationstakten under AI, med högre deltagande och större genomsnittliga bidrag som bidrog till skillnaden.

Artikeln förklarar:

‘Notabelt, även om AI uttryckligen instruerades att följa endast impact-efficacy-strategin, överträffade den insamlarna på de sex andra mekanismerna som den inte fick instruktioner att använda.’

‘[Mänskliga] övertalade bedömdes som att ha gjort starkare argument, lärt dem mer och varit mer empatiska och trevliga att konversera med än [insamlarna].’

‘Tillsammans visar dessa resultat att AI överträffar experterna över en bred spektrum av donation-relevant mekanismer, och föreslår att AI:s attitud-persuasions-fördel sträcker sig till konsekvensrika verkliga beteenden.’

Författarna teoriserar att den utmärkta prestationen av de testade modellerna – som inkluderar pro-varianten av Claude Opus, ChatGPT, Grok och Google Gemini – kan tillskrivas den densitet och hastighet med vilken information serveras till korrespondenten; när AI-systemen tvingades ner till “mänsklig hastighet” förlorades deras fördel helt:

‘Vi fann konvergerande bevis för att AI:s fördel härrörde från snabbt utplacerande större mängder information: efter utbildning kunde experterna knytas till en AI begränsad till att svara i mänsklig hastighet och med mänsklig längd på meddelanden.’

Artikeln rapporterar också att ingen av de 318 enskilda mänskliga övertalarna som testades i flera experiment kunde överträffa den genomsnittliga AI-systemets prestation – även efter att vissa deltagare fick specialiserad utbildning baserad på AI:s egna tekniker.

Författarna slutsats:

‘Våra resultat implicerar att vi går in i en värld där AI tillhandahåller mänskliga aktörer med en överflöd av skickad advokat. Att förutsäga konsekvenserna av denna förändring är utmanande, eftersom det kräver att vi gör antaganden om vem som kommer att ha tillgång till de mest övertygande AI-teknologierna, vem som kommer att vara mål för övertalning och vilka juridiska hinder, skydd eller andra friktioner som kan minska AI-persuasionens påverkan på den mänskliga befolkningen.’

‘En effekt av AI som kan övertala även mänskliga experter kan vara en konsolidering av inflytande bland redan kraftfulla aktörer.’

Den nya artikeln heter AI-system överträffar mänskliga experter och kommer från åtta forskare vid Oxford University, Storbritannien AI-säkerhetsinstitut, Stanford University och London School of Economics and Political Science.

Metod och studier

De centrala resultaten kommer från fyra experiment: att övertala väljare och experter; att testa utbildning och hastighetsbegränsningar som mänskliga/AI-“jämnare”; att tävla mot professionella insamlare i politiska frågor; och att tävla mot dem för verkliga välgörenhetsdonationer.

Studien använde 18 978 samtal från 6 923 personer, med ledande AI-modeller som sattes mot en varierad standard av mänskliga experter, från anställda crowdworkers på 12 pund i timmen, upp till erfarna mänskliga övertalare som betalades 140 pund i timmen plus en vinstbonus, och som fick forskningsuppgifterna en vecka i förväg.

Modellerna som användes i testerna var Claude Opus 4.1 och 4.6, ChatGPT-4o, GPT-5.4, Grok 4.20 och Gemini 2.5 Pro.

Elite-debattörernas möte

Det första experimentet undersökte om AI kunde överträffa alltmer skickliga mänskliga övertalare i en-mot-en-samtal om politiska och sociala frågor;

Politiska och sociala policyfrågor som användes i de tre första studierna, med deltagare som diskuterade en slumpmässigt tilldelad fråga före och efter samtalet. Ämnena valdes för att omfatta en bred spektrum av kontroversiella offentliga debatter i Storbritannien, från invandring, yttrandefrihet och sociala medier-reglering, till välfärdspolitik, assisterad död och monarkins framtid. Källa

Deltagarna bads först om deras åsikter om en av tio brittiska policyfrågor (visas ovan), och sedan tilldelades antingen en AI eller en mänsklig samtalspartner. Efter diskussionen, som vanligtvis varade runt 14 minuter, bads de att bedöma sin position igen.

Tre mänskliga grupper testades, med vanliga arbetare från Prolific crowdwork-plattformen rekryterade för att ge en baslinje, och betalades 12 pund i timmen. Den andra gruppen bestod av de starkaste prestationerna från en fyra-rundors övertalnings-turnering som involverade mer än 1 100 deltagare och nästan 9 500 samtal. Den tredje gruppen bestod av 56 elit-competitive debattörer, alla som hade nått minst semifinalen i en stor internationell tävling, och som innehöll fyra världsmästare, samt 11 kontinentala mästare, med en genomsnittlig erfarenhet av 8,9 år.

Betydande ansträngningar gjordes för att ge de mänskliga övertalarna gynnsamma förhållanden, med turneringsvinnare och elit-debattörer som tävlade för betydande kontantpriser upp till 11 000 pund, medan debattörerna fick välja de frågor de trodde de kunde argumentera mest effektivt för och betalades för att forska på ämnena i förväg. I genomsnitt tillbringade varje debattör runt åtta timmar med att förbereda sig för samtalen.

Även så uppnådde AI de starkaste resultaten i varje jämförelse;

Uppskattade övertalnings-effekter över studiens mänskliga och AI-villkor, mätta som genomsnittlig attitydförändring efter ett samtal om en kontroversiell politisk fråga.

Röda markörer i resultattabellen ovan indikerar frontlinjens AI-modeller. Över alla jämförelser producerade dessa större attitydförändringar än någon mänsklig grupp.

Den starkaste mänskliga prestationen kom från tränade elit-debattörer – men dessa var fortfarande efter AI-systemen. När AI begränsades till mänsklig skrivhastighet och meddelandelängd försvann dess fördel, vilket tyder på att snabb leverans av information kan förklara mycket av gapet mellan människor och AI:s övertalningskraft.

LLM:erna kunde överträffa de vanliga deltagarna med 8,2 procentenheter, och överträffa turnerings-valda övertalare med 5,6 poäng. Det minsta gapet syntes mot elit-debattörerna, som själva producerade betydande attitydförändringar; men AI kunde fortfarande uppnå en ytterligare 4,6 procentenhet-fördel.

Kan människor lära sig att slå AI?

Det andra av de fyra experimenten frågade om AI:s ledning kunde elimineras antingen genom att förbättra mänsklig prestation eller genom att begränsa AI själv. För att testa den första möjligheten återvände 43 av de elit-debattörerna från den första studien för ytterligare utbildning baserad direkt på de tekniker som användes av AI som tidigare hade besegrat dem.

Deltagarna granskade transkriptioner, undersökte hur AI-prompter hade konstruerats och tillbringade två fyra-timmars utbildningssessioner med att öva alternativa övertalande tillvägagångssätt innan de tävlade igen under samma förhållanden.

Utbildningen producerade märkbara förändringar i beteende, med de mänskliga debattörerna som använde fler ord, introducerade fler kontrollerbara påståenden och uppnådde de största attitydförändringarna som observerades bland någon mänsklig grupp i studien. Utbildningen förbättrade prestationen och producerade de starkaste mänskliga resultaten som observerades i studien, men gapet förblev statistiskt signifikant, med tränade debattörer som fortfarande var efter de obegränsade AI-systemen (visas i resultattabellen nedan).

Forskarna testade om AI:s prestation berodde på svarshastighet och meddelandelängd, genom att begränsa AI till mänsklig skrivhastighet och meddelandelängd. Under dessa förhållanden producerade tränade debattörer och begränsad AI liknande resultat:

Effekter av utbildning och AI-hastighetsbegränsningar på övertalande prestation. Den övre panelen jämför elit-debattörer, tränade elit-debattörer och ett AI-system begränsat till mänsklig skrivhastighet och meddelandelängd. Den nedre panelen visar uppskattade prestationsfördelning för enskilda övertalare över de två första studierna. Medan utbildning förbättrade resultaten, matchade ingen mänsklig grupp den genomsnittliga obegränsade AI-systemet, medan begränsning av AI till mänsklig genomströmning eliminerade dess fördel.

Fyndet förstärktes av en bredare analys som omfattade alla 318 mänskliga övertalare som testades i de två första studierna: inte en enda individ överträffade den genomsnittliga prestationen av det obegränsade AI-systemet, oavsett erfarenhetsnivå, frågeområde eller demografisk undergrupp.

Kan professionella övertalare slå AI?

Det tredje experimentet övervägde om AI kunde upprätthålla sin fördel mot människor som bygger sin karriär på att övertala andra i verkliga situationer, snarare än akademiska debatt-tävlingar.

Forskarna rekryterade 19 professionella insamlare från det brittiska insamlingsföretaget AppcoUK. Dessa deltagare, till skillnad från debattörerna i de tidigare experimenten, hade omfattande praktisk erfarenhet av insamling, med en median på cirka 10 000 övertalande samtal under sina karriärer. Var och en betalades 140 pund i timmen, fick policy-ämnena en vecka i förväg för att förbereda sig och tävlade för samma prestation-baserade priser som användes på andra håll i studien.

Även mot denna grupp förblev AI mer övertygande (se tidigare resultat ovan). De professionella insamlarna försköt åsikter med 6,9 procentenheter jämfört med kontrollgruppen – men AI producerade en 12,8 procentenhet-förskjutning, vilket gav det en 5,9 procentenhet-fördel över de mänskliga proffsen.

Kan AI övertala människor att öppna sina plånböcker?

Det fjärde och sista experimentet undersökte verklig insamling snarare än förändrade åsikter. Forskarna samarbetade igen med AppcoUK, den här gången med fokus på Rädda Barnen, en välgörenhetsorganisation för vilken AppcoUK tidigare hade samlat in 824 297 pund från 22 583 givare mellan 2016 och 2023.

Deltagarna talade med antingen Claude Opus 4.6 eller en av 18 professionella insamlare. De fick sedan en studiebonus på 1 pund och kunde donera valfri del av det till Rädda Barnen. Bland de sju tillvägagångssätten som antogs (se bild nedan) instruerades Claude Opus 4.6 att använda impact-efficacy-information, som förklarar hur enskilda donationer kunde översättas till mätbara resultat för välgörenhetsorganisationen.

AI producerade större donationseffekter än de professionella insamlarna, med donationer som ökade med 17,2 procentenheter i förhållande till kontrollförhållandet, jämfört med 6,4 procentenheter för insamlarna:

Donationsresultat och donations-relaterade deltagar-betyg i det fjärde experimentet. Vänster panelen jämför givande efter samtal med professionella insamlare och Claude Opus 4.6, mätta som procentenheter av en studiebonus på 1 pund. Höger panelen jämför deltagar-betyg över sju donations-relaterade tillvägagångssätt, med AI som fick högre betyg på alla sju mått.

Skillnaden syntes både i andelen deltagare som donerade och i den genomsnittliga mängden som donerades av dem som gav.

Deltagarna betygssatte också AI högre än de mänskliga insamlarna över en rad donations-relaterade mått, med de största skillnaderna som syntes för implementerings-avsikter, åtagande-escalering och upplevd impact-efficacy.

Enligt artikeln var samma information-fokuserad tillvägagångssätt som var associerat med AI:s fördel i de tidigare studierna också associerat med högre välgörenhets-givande i detta insamlings-experiment.

Slutsats

Även om författarna, som nämndes i början, drar slutsatsen att studiens fynd är oroväckande, tillägger de att mindre aktörer också potentiellt kan stärkas av liknande tillgång till de senaste och bästa AI-teknologierna.

Implicit i detta resultat, naturligtvis, är möjligheten att de bästa modellerna kan förnekas mindre aktörer över tiden.

Publicerad första gången torsdagen den 18 juni 2026