Er GPTZero nøjagtig? Det viser beviserne

AI-tekstdetektorer som GPTZero leder efter statistiske fingeraftryk frem for at "læse" din mening. To af kernesignalerne er perplexitet (hvor forudsigeligt hvert ord er for en referencesprogmodel) og burstiness (hvor meget den forudsigelighed varierer fra sætning til sætning). Idéen er, at menneskelig skrivning har tendens til at være mindre forudsigelig og mere ujævn, mens rå maskinoutput ofte er mere glat og ensartet.

GPTZero har sagt, at de nu kombinerer disse klassiske signaler med en større multikomponentmodel trænet på forskelligartet tekst, herunder studietekst, hvilket giver score på både sætnings- og dokumentniveau. Det har betydning for, hvordan du læser resultatet: en detektor estimerer en sandsynlighed baseret på skrivemønstre, den beviser ikke forfatterskab. Så "nøjagtighed" afhænger stærkt af, hvilken slags tekst du fodrer den med, og hvor klassificeringstærsklen er sat.

I kontrollerede benchmarks klarer GPTZero sig stærkt. Leverandør- og tredjepartsbenchmarktests har rapporteret detektion i de høje 90'er procent på tydeligt AI-genererede passager, med meget lave andele af falske positiver på kuraterede datasæt. På den slags ren, tydelig AI-tekst er det et kapabelt værktøj.

Uafhængige tests på rodet, virkelighedens tekst tegner et mere forsigtigt billede. Anmeldelser i løbet af 2026 rapporterer, at nøjagtigheden i virkeligheden almindeligvis lander i de midt-80'ere til lav-90'ere procent, med andele af falske positiver på ægte menneskelig tekst ofte citeret omkring 8-12% afhængigt af stikprøven. De tal bevæger sig med datasættet og indstillingerne, så behandl enhver enkelt procentsats som et skøn, ikke en garanti. Den ærlige opsummering: stærk på ufortyndet AI-output, mærkbart mere vaklende på alt andet.

Den mest dokumenterede svaghed er skævhed mod skribenter, for hvem engelsk ikke er modersmålet. Et bredt citeret Stanford-studie (Liang et al., publiceret i Patterns, 2023) kørte syv GPT-detektorer over 91 TOEFL-essays skrevet af ikke-indfødte engelsktalende og 88 essays af amerikanske studerende. Detektorerne håndterede de amerikanske essays godt, men klassificerede fejlagtigt over halvdelen af de ikke-indfødte essays som AI — en gennemsnitlig andel af falske positiver på omkring 61%, hvor næsten alle blev markeret af mindst én detektor, og cirka en femtedel blev markeret af hver eneste testede detektor.

Årsagen er mekanisk, ikke ondsindet. De mønstre, detektorer forbinder med "maskin"-skrivning, såsom simplere ordforråd, mere forudsigelige formuleringer og begrænset idiomatisk finesse, er også naturlige træk ved skrivning på et andet eller tredje sprog. Sigende nok fandt det samme studie, at andelen af falske positiver faldt markant, når disse essays blev omskrevet med mere udførlige formuleringer, hvilket viser, at scoren afspejler stil, ikke ærlighed. Hvis du skriver på engelsk som et yderligere sprog, fortjener et enkelt AI-flag reel skepsis.

Detektorens nøjagtighed falder, når teksten bevæger sig væk fra rå modeloutput. Uafhængige tests fra 2026 tyder på, at nøjagtigheden kan falde med cirka 15-30 procentpoint på omskrevne eller stærkt redigerede passager, og resultaterne på blandede menneske-plus-AI-udkast er særligt uensartede. Blandet tekst, hvor en person redigerer et AI-udkast, eller AI finpudser et menneskeligt udkast, er præcis den gråzone, detektorer kæmper mest med.

Korte tekster er et andet svagt punkt: med kun få sætninger at analysere er der simpelthen ikke nok signal til en sikker vurdering, og både falske positiver og falske negativer stiger. Den praktiske konklusion er, at GPTZero er bedst på lange, urørte AI-output og mindst pålidelig på den redigerede, omskrevne, hybride eller korte tekst, som de fleste virkelige dokumenter faktisk er.

Ingen nuværende detektor, GPTZero inklusive, er endegyldig, og værktøjerne selv fraråder generelt at bruge en score som eneste bevis. Behandl ethvert resultat som en sandsynlighed og en opfordring til at kigge nærmere, ikke en dom. Hvis et stykke bliver markeret, så afvej konteksten: skribentens baggrund, udkast og versionshistorik, og hvordan teksten blev produceret, betyder alt sammen mere end et enkelt tal.

En fornuftig arbejdsgang er at krydstjekke med et andet, uafhængigt værktøj frem for at stole på én score, og at være særligt forsigtig med ikke-indfødte skribenter, korte passager og redigerede udkast. For undervisere og bedømmere betyder det at bruge detektorer som en samtalestarter sammen med menneskelig vurdering. For skribenter betyder det at holde din proces gennemsigtig og køre dit eget selvtjek, før du afleverer, så et overraskende flag ikke tager dig på sengen.