Straffer Google AI-tekster? Hvad der virkelig tæller

Det vigtigste kort

Google vurderer ikke en teksts tilblivelse, men dens nytte. Automatisk fremstilling er udtrykkeligt ikke en udelukkelsesgrund.
Det, der straffes, er indhold, der produceres i masse uden et eget bidrag – uanset om et menneske eller en model har skrevet det.
AI-detektionsværktøjer er upålidelige i begge retninger og duer ikke som grundlag for beslutninger.
Fem egenskaber afgør det: eget bidrag, nøjagtighed, struktur, ansvarlighed og vedligehold.

Spørgsmålet har stået i rummet i årevis og bliver jævnligt besvaret forkert – som regel af dem, der sælger detektionsværktøjer.

Googles retningslinjer er på det punkt entydige: der vurderes resultatets kvalitet og nytte, ikke fremgangsmåden ved dets tilblivelse. Automatisering er et problem, når den bruges til at fylde søgeresultater med indhold uden egen værdi. Sådan var det også før sprogmodellerne – dengang hed det bare tekstspinnere og indholdsfarme.

En glat lys flade åbner sig et sted og blotter et dybt struktureret lysende indre — Overfladen er lige glat hos begge. Forskellen ligger nedenunder.

Hvad AI-tekster faktisk falder på

I praksis falder automatisk skabte tekster næsten altid igennem af de samme fem grunde – og ingen af dem har med detektion at gøre.

1. Intet eget bidrag

En model kan sammenfatte det, der allerede er skrevet. Den kan ikke vide, hvad der gik galt hos jer i tre projekter sidste år. En tekst uden det lag er en omformulering af eksisterende indhold – og til det findes der allerede bedre resultater.

2. Forkerte detaljer, der lyder plausible

Opfundne tal, ikke-eksisterende undersøgelser, lovhenvisninger, der ikke findes sådan. Det er det farligste punkt, fordi det ikke falder i øjnene: teksten læses suverænt. Den, der udgiver den ukontrolleret, mister tillid – og i regulerede felter mere end det.

3. Struktur uden substans

Syv afsnit, hvert med tre stykker, hvert stykke med den samme retoriske bevægelse. Formelt upåklageligt, indholdsmæssigt udskifteligt. Mennesker mærker det efter to afsnit og springer fra – og frasprings-adfærd er målbar.

4. Ingen står bag

Ingen forfatter, ingen rolle, ingen dato, ingen virksomhed med adresse. Ved emner, der berører penge, sundhed eller jura, vejer det tungt – der vil søgemaskinen vide, hvem der står inde for udsagnet.

5. Mængde frem for vedligehold

Fyrre indlæg på en måned, derefter intet. Mønsteret er synligt udefra og har altid været et advarselstegn – uafhængigt af værktøjet.

Vidste du det?

AI-detektionsværktøjer producerer fejl i begge retninger: de klassificerer omhyggeligt skrevne menneskelige tekster som maskinelle – især hos ikke-modersmålstalende og ved stærkt strukturerede fagtekster – og bearbejdede modeltekster som menneskelige.

Grunden er principiel: disse værktøjer måler statistisk iøjnefaldenhed i sprogbrugen, ikke oprindelse. En tekst, der bevidst er skrevet klart og ensartet, ser statistisk ud som en modeltekst. Som beslutningsgrundlag – for eksempel til vurdering af leverandører – er de dermed ubrugelige.

Sådan bruger man modeller uden at falde i disse fælder

Skillelinjen går ikke mellem «med AI» og «uden AI», men mellem to arbejdsmåder.

Arbejdstrin	Modellen overtager	Mennesket overtager
Emnefinding	forslag, bundtning	udvælgelse efter egen viden
Disposition	udkast	rækkefølge, vægtning
Råudgave	fuldstændigt	–
Faglig substans	–	egne tal, sager, position
Faktakontrol	–	enhver kontrollerbar oplysning
Endelig udgave	udglatning efter instruktion	godkendelse og ansvar

Det afgørende punkt står i række fire og fem. Den, der udelader de to trin, producerer præcis det indhold, der med rette ikke rangerer.

Fra praksis

En pålidelig test før udgivelsen: stryg hver sætning, der lige så godt kunne stå på en konkurrents website. Det, der bliver tilbage, er indlæggets egentlige værdi.

Ved en ubearbejdet modeludgave bliver der typisk to til fire sætninger tilbage. Ved en tekst, hvor egen erfaring er flydt ind, bliver omkring en tredjedel stående. Netop den tredjedel er grunden til, at nogen bliver på siden i stedet for at gå tilbage.

Hvad der faktisk er risikabelt

Bemærk Tre mønstre fører pålideligt til problemer – og alle tre er uafhængige af, om en model var involveret.

Programmatisk skabte sidemængder. Den samme skabelon med udskiftet sted eller produktnavn, hundredvis af gange. Det er det tilfælde, retningslinjerne udtrykkeligt sigter på.

Fremmed indhold omformuleret. Konkurrentens tekst sendt gennem en model og let ændret. Intet eget bidrag, til gengæld en ophavsretlig risiko.

Emner uden egen kompetence. Den, der skriver om skatteret uden at forstå noget af det, kan ikke opdage modellens fejl. Problemet er ikke teksten, men den manglende kontrolinstans.

Prompt

Kontrollér det følgende udkast kritisk, før jeg udgiver det.
Vær streng; ros ingenting.

Udkast:
[indsæt tekst]

Opgaver:
1. Markér hver sætning, der lige så godt kunne stå på en vilkårlig
   konkurrents website. Angiv, hvor mange procent af teksten
   det er.
2. Opremse enhver kontrollerbar påstand: tal, undersøgelser, love,
   årstal, produktoplysninger. Markér ved hver enkelt, om du kan
   dokumentere den, eller om jeg selv skal kontrollere den. Opfind ingen
   kildeangivelser.
3. Nævn de steder, hvor egen erfaring, egne tal eller
   en klar position mangler – og formulér til hvert et konkret
   spørgsmål til mig, hvis svar ville fylde hullet.
4. Vurdér, om teksten tydeligt stammer fra en, der
   faktisk har gjort tingene. Begrund det ud fra teksten.

Skriv ikke teksten om. Jeg vil se hullerne.

Skal man mærke brugen af AI?

Søgemaskinemæssigt: nej. Google kræver ingen mærkning og opvurderer den heller ikke.

Juridisk afhænger det af feltet. I redaktionelle sammenhænge, ved reklame og i regulerede brancher findes der oplysningspligter, der falder forskelligt ud fra land til land og i øjeblikket er i bevægelse. Den, der er aktiv der, afklarer det med en fagperson – og ikke med en sprogmodel.

Praktisk fornuftig er en anden angivelse: hvem der står inde for teksten, og hvornår den sidst blev kontrolleret. Det besvarer det spørgsmål, det egentlig handler om.

Konklusion

Spørgsmålet «straffer Google AI-tekster» fører på afveje, fordi det sætter værktøjet i centrum. Der vurderes, om en tekst giver nogen noget, der ikke allerede findes andetsteds.

En model kan ikke levere den del – den kender ikke jeres projekter. Den kan levere alt andet: struktur, formulering, tempo. Den, der fordeler arbejdet sådan, har intet problem med søgemaskiner. Den, der udgiver råudgaven ukontrolleret, har et – og ville have haft det på samme måde med en billigt indkøbt menneskeskrevet tekst.

Ofte stillede spørgsmål

Straffer Google tekster, der er skrevet med AI?

Nej, ikke på grund af tilblivelsen. Googles retningslinjer vurderer resultatets nytte og kvalitet, ikke fremgangsmåden ved fremstillingen. Det, der straffes, er indhold uden egen værdi, som produceres i masse – det gjaldt også før sprogmodellerne.

Kan Google se, om en tekst stammer fra en AI?

En pålidelig detektion er efter nuværende stand ikke mulig – heller ikke for kommercielle detektionsværktøjer, der tager fejl i begge retninger. For vurderingen er det dog uden betydning, fordi tilblivelsen alligevel ikke er kriteriet.

Er AI-detektionsværktøjer pålidelige?

Nej. De klassificerer ofte omhyggeligt skrevne menneskelige tekster som maskinelle – især hos ikke-modersmålstalende og ved stærkt strukturerede fagtekster – og bearbejdede modeltekster som menneskelige. De måler statistisk iøjnefaldenhed i sprogbrugen, ikke oprindelse, og duer derfor ikke som beslutningsgrundlag.

Hvad falder AI-tekster faktisk på i søgningen?

På fem punkter: manglende eget bidrag, plausibelt lydende forkerte detaljer, ensformig struktur uden substans, ingen synlig ansvarlig person, og udgivelse i masse uden efterfølgende vedligehold. Alle fem kan afhjælpes uden at give afkald på værktøjet.

Skal man mærke AI-genereret indhold?

Til søgemaskiner ikke. Juridisk afhænger det af feltet – i redaktionelle, reklamemæssige og regulerede sammenhænge findes der alt efter land oplysningspligter, som i øjeblikket ændrer sig. Fornuftigt er under alle omstændigheder angivelsen af, hvem der står inde for teksten, og hvornår den sidst blev kontrolleret.