Industrialiserande av humanisering

Gig‑annonser och tjänsteerbjudanden på frilansplattformar som Upwork och Fiverr innehåller i dag i stor utsträckning ordet ‘humanize’, med ett spektrum av jobb och leverantörer som föreslår olika nivåer av fördunkling av faktumet att en artikel har skrivits, eller delvis skrivits, eller samskrivits med AI.

Trenden ‘Humanize’ i faktiska inlägg på Upwork.

Efterfrågan på mänskliga och automatiserade tjänster som kan omskriva AI‑’förorenad’ output så att det verkar som om en människa har suttit ner och svettats i några timmar, tyder på att en universell konsensus har nåtts att den ‘mänskliga touchen’ behövs för kontakt och räckvidd – och att den enorma mängden innehåll i AI‑åldern kommer att göra den kontakten nödvändig igen.

Jag skulle personligen vilja tro det, men det är inte nödvändigtvis så – inte minst eftersom Googles egna riktlinjer i frågan behandlar kvaliteten på texten, snarare än de medel som användes för att skapa den.

Sanningen är att vi för närvarande inte vet exakt hur mycket eller vilken typ av AI vi är villiga att tolerera, eller i vilken grad vi kan rationalisera de fördelar som miljarder av oss får av AI varje dag mot en känsla av ‘medverkan’ och moralisk förföljelse i förhållande till teknikens bredare implikationer.

De ovan nämnda jobbannonserna speglar detta också; där är skapare och företag ivriga efter automatisering, troligen för att de vill publicera i stor skala, vilket är exakt den praxis som Google lovar att specifikt straffa i sin rankningsalgoritm. Samtidigt söker de både automatiserade och mänskliga metoder för att ‘industrialiseras’ humanisering.

Det påminner mig något om en av de bästa skämten i Steven Wrights neurodivergenta komedier från 1980‑talet:

‘I mitt hus har jag en mikrovågsugn‑eldstad. Jag kan lägga mig framför elden för kvällen på bara 8 minuter.’

Formen på sloppen som kommer

Som vanligt är dessa tankar inspirerade av min dagliga genomsökning av Arxiv, där jag idag särskilt stötte på ett papper av Jochen Madler på marknadsföringsautomatiseringsföretaget Sitefire, med titeln SlopShape: Identifying AI-Generated Commercial Web Content.

Jag avfärdar normalt papper med ensamförfattare, enligt ‘Victor Frankenstein’-principen, men premissen för detta är spartansk och testmetodiken robust.

Studien säger i princip att när ett AI‑genererat inlägg helt omskrivs, även av människor, behåller det en distinkt arkitektonisk signatur som ligger på en nivå mycket högre än ordnivå, bestående av en karakteristisk ‘form’ som inte kan elimineras genom någon mängd omformulering eller ytlig ändring av texten:

Jämförelse av strukturella mönster i mänskliga och AI‑skrivna inlägg. Mänskligt skrivande tenderar att använda sällsyntare kombinationer av strukturer, medan alla fem AI‑modeller föredrar mer konventionella kombinationer. Källa

Uppenbarligen kan man kringgå detta problem (om man betraktar det som ett problem) genom att faktiskt planera skrivprocessen själv, och antingen inte använda någon AI alls, eller endast använda den på de separata komponenter som man själv planerat.

Men, som de rasande annonserna på Upwork bevisar, är detta inte vad som efterfrågas; man kan utläsa av tonen i sådana inlägg att artikelinnehåll helst inte bara ska struktureras av AI, utan även idégenereras av AI – det vill säga att en LLM skulle föreslå lämpliga ämnen i linje med ett företag eller en enhets övergripande mål.

Efter detta förväntas AI:n producera olika progressiva utkast av innehållet, där den irriterande mänskliga komponenten bara träder in för en avslutande och avslappnad glans av mänsklighet (även om processen i idealfallet så småningom skulle utvecklas till ett Python‑arbetsflöde).

Utstickande funktioner

Författaren till det nya papperet fick dessa insikter genom att samla in några tusen företagsblogginlägg som publicerades precis före lanseringen och spridningen av ChatGPT (2020‑2022) och härleda uppmaningar från dem.

Det vill säga, han använde Gemini 3 Flash för att läsa de verkliga, mänskligt skrivna papperen och omvända konstruera en uppmaning avsedd att producera ett liknande verk över några av de ledande LLM:erna, nämligen GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6 och Gemini 3.

Dessa uppmaningar användes sedan för att skapa fem AI‑versioner av varje av de verkliga mänskliga inläggen, från vilka funktioner extraherades som så småningom skulle beskriva den LLM‑specifika ‘formen’ av innehåll över de fem modellerna; och Madler noterar att ‘AI‑inlägg delar en prydlig, självannonserande form’.

Hela studien är en omgång av StoryScope project från COLM 2026 i augusti, ett samarbete mellan University of Maryland och Google DeepMind, som i princip använde samma metodik på skönlitteratur och fann att AI‑genererade berättelser konvergerar mot ett snävare och mer förutsägbart spektrum av narrativa strukturer än mänskligt skrivande:

Från StoryScope‑studien, ett spridningsdiagram som jämför narrativa mönster i mänsklig och AI‑genererad skönlitteratur. Mänskligt skrivna berättelser upptar ett tydligt område, medan berättelser från fem ledande AI‑modeller samlas närmare varandra, vilket indikerar större likhet i deras underliggande narrativa val. Källa

Madler beslutade att köra om StoryScope på företagsbloggar på grund av det omfattande finansiella incitamentet att automatisera dessa, jämfört med det mer excentriska området skönlitterär skrivning, samt den stora grad av automatisering som redan finns (50 % automatisering av onlineinnehåll i maj 2026, enligt a Graphite study som citeras i Madlers arbete).

Kanske den mest intressanta analysen är att plocka isär funktionerna som extraherats från det AI‑producerade materialet baserat på de mänskligt skrivna inläggen före 2022:

‘De värden som AI‑modellerna oftast producerar samlas i det vi kallar den prydliga, självannonserande blogginlägget: det lovar resultatet redan i rubriken, anger sin tes och annonserar sin struktur innan första avsnittet, talar i en redaktionell‑förklarande ton och avslutar med ett steg som sammanfattar eller återupprepar tesen.’

‘I ett typiskt AI‑inlägg lovas resultatet i rubriken: “Hur man halverar onboarding‑tiden”. Tesen anges och flödet annonseras innan första avsnittet: “I det här inlägget går vi igenom varför onboarding stannar upp, tre lösningar som fungerar och hur man mäter skillnaden.”’

‘Och avslutningen återupprepar tesen: “Kort sagt, strukturerad onboarding sparar tid.” De mänskligt inriktade värdena beskriver inlägg utan dessa vägvisare: ingen annonserad avsnittsstruktur, ingen upptrappning av insatser och ingen avslutande sektion som återupprepar tesen.’

Ett felaktigt antagande

För övrigt härrörde de flesta av de tropes och klichéer som finns i den beskrivna mallen från SEO-obsessed strictures i den för‑LLM‑marknadsföringsscenen. Var tror vi att AI lärde sig dessa vanor?

Mallbaserad marknadsföringstext alltid hatat, långt innan AI, och alltid producerad i skala, långt innan maskiner kunde göra det bra; och på grund av kravet att följa SEO‑praxis etablerades några fruktansvärda konventioner, såsom nyckelordsplacering och genomtänkt länkdesign.

I det senare fallet kan AI därför ha lärt sig fel läxa, eftersom de enbart textbaserade korpusar den tränades på rensade bort så många av de SEO‑inriktade taktiker som ursprungligen fanns i källmaterialet, såsom strategiska diagram, visuella förklaringar; och framför allt hyperlänkar.

Hela avsnitt av en artikel kan ha utformats för att rama in en hyperlänk eller en YouTube‑inbäddning som en kund ville främja; men när data tränades in i en LLM hade inbäddningen eller länken tagits bort, och den text som var avsedd att framhäva den avskuret från sitt ursprungliga sammanhang.

Därför var, enligt vissa, det stora misstaget i att utforma träningsmetodiker kring sådant material att behandla webbcontent som om det vore 1800‑talslitteratur (helt självförsörjande) istället för multimedia (väsentligt påverkad av icke‑textfaktorer såsom video, hyperlänkar och illustrationer).

Det andra stora misstaget var att träna på material som folk redan hatade, och som torterades till sin impopulära form av regler som troligen inte längre är giltiga.

Uppmärksamhet, människor

Ändå, om du kan tro Upwork‑trenderna, finns det en betydande efterfrågan på mer av samma, producerat i skala av LLM‑ar, och ‘humaniserat’ genom den minst idiosynkratiska processen som finns, med högsta hastighet och lägst möjliga kostnad.

Allt detta för att skapa effekten av uppmärksamhet: idén att någon som du (dvs. i besittning av ett endokrint system, åtminstone) satte sig ner i några timmar och funderade på vad de ville säga till dig.

Uppfattningen av att få mänsklig uppmärksamhet är meningsfull för oss även när det inte är till hjälp; därför är det definitivt värt att industrialisera.

Jag kan inte låta bli att känna att Madlers artikel på något sätt sannolikt kommer förvärra situationen, eftersom den identifierar karakteristiska högdimensionella egenskaper som nu, förmodligen, kan adresseras med mer AI, så att standardsignaturerna antar en mer mänsklig form när modellerna utvecklas.

Först publicerad torsdag 17 september 2026