Kunstig intelligens startede som et system trænet af mennesker. Vores skrivning leverede råmaterialet, folk mærkede og rangerede output, menneskelig feedback formede modeladfærd, og rigtige brugere korrigerede maskinen. Dette forhold er dog begyndt at vende. Maskinen, der er trænet i menneskelig kultur, returnerer nu en forarbejdet version af denne kultur tilbage til offentligheden, og tidlige beviser tyder på, at folk absorberer den i deres daglige sprog, dømmekraft og vaner. Spredningen af ChatGPT-lignende ordforråd handler ikke kun om en ændring i ordvalg, men et tidligt tegn på en bekymrende feedback-loop: menneskelige udtryk føres ind i AI, flades ud til maskinforetrukne mønstre og genintroduceres derefter som skabelonen for, hvordan man skriver og taler.
Den samme dynamik viser sig også i mere intime områder af livet, efterhånden som brugerne vender sig mod AI for følelsesmæssig rådgivning, moralsk beroligelse, personlige rutiner og hverdagsbeslutninger. Forskning i sykofantiske modeller og kognitiv aflastning tyder også i stigende grad på, at maskinen lærer folk, hvordan de skal handle og lyde, samtidig med at den får dem til at tænke mindre selvstændigt.
Det tidlige advarselstegn: AI-tale bliver en del af det menneskelige ordforråd
En undersøgelse fra 2024 foretaget af forskere, herunder Hiromu Yakura og Iyad Rahwan, analyserede omkring 280,000 engelsksprogede YouTube-videoer fra mere end 20,000 akademiske kanaler og undersøgte, om ord, der var stærkt forbundet med ChatGPT, var begyndt at optræde oftere i talekommunikation efter modellens offentlige udgivelse. Forskerne fandt et betydeligt skift i ordbrugen efter ChatGPT og konkluderede, at menneskelige talere i stigende grad imiterede store sprogmodeller i almindelig tale.
Det er ikke bare et tilfælde af, at AI lærer folk forskellige ord, men det afslører også ændringer i hastighed og mønster i deres fremtoning. Udtryk som "dybe", "omhyggelig", "rige", "dygtig", "indviklet" og "afgørende" klynger sig pludselig op i AI-assisteret skrivning og tale.
Akademisk publicering viser de samme ændringer i større skala. Dmitry Kobak og kolleger undersøgte mere end 15 millioner biomedicinske abstracts indekseret af PubMed fra 2010 til 2024 og fandt, at fremkomsten af store sprogmodeller førte til pludselige stigninger i hyppigheden af visse stilistiske ord. Deres analyse anslog, at mindst 13.5 procent af biomedicinske abstracts fra 2024 var blevet behandlet med store sprogmodeller, hvilket nåede op til 40 procent i nogle områder.
En senere analyse af flere databaser foretaget af Kayvan Kousha og Mike Thelwall viste store stigninger i LLM-associerede termer på tværs af større videnskabelige databaser mellem 2022 og 2024, herunder "delve" med 1,500 procent, "underscore" med 1,000 procent og "intricate" med 700 procent. I fuldtekst-PMC-artikler var artikler, der brugte ét LLM-associeret term, også meget mere tilbøjelige til at bruge andre, hvilket ikke blot tyder på spredt ordvalg, men et bredere stilometrisk mønster.
Hvorfor netop disse ord, og hvad signalerer de?
Fremkomsten af "delve" er vokset til en mindre kulturel kontrovers, da medier forbinder det med outsourcet arbejdskraft inden for AI-uddannelse og indflydelsen fra nigeriansk engelsk. Annotations- og forstærkningsarbejde, ofte distribueret til lavindkomstlande, har formet de systemer, der nu bruges globalt. Som et resultat er det angiveligt "neutrale" AI-engelsk ikke kulturelt vægtløst, og vi ser konsekvensen i online AI-assisteret indhold.
En artikel fra 2025 af Tom S. Juzek og kolleger undersøgte "delve", "intricate", "underscore" og andre centrale ord i videnskabelig engelsk og konkluderede, at 21 ord viste stigninger, der sandsynligvis var forbundet med brugen af LLM, samtidig med at man advarede mod simple forklaringer baseret udelukkende på træningsdata. En anden artikel om overforbrug af ord og læring fra menneskelig feedback argumenterede for, at justeringsprocesser kan bidrage til leksikalske præferencer, fordi menneskelige evaluatorer belønner visse polerede varianter.
Alt dette peger på et systemisk problem. I takt med at mennesker belønner modellen for at producere sprog, der lyder nyttigt, formelt, sikkert eller imponerende, lærer modellen at give den belønnede stil tilbage til brugerne i e-mails, essays, taler, rapporter, artikler og akademiske opgaver. Derefter optræder bestemt sprog mere i dagligdagen, og offentligheden begynder at kopiere det, uanset om de selv bruger AI-modeller eller ej. Over tid intensiveres feedback-loopet. Maskinen formes af offentlighedens godkendelse, og derefter påvirker den stille og roligt offentligheden til at bruge bestemte ord mere, som derefter føres tilbage til maskinen, og cyklussen fortsætter.
Sprog er kun begyndelsen: AI's følelsesmæssige feedback-loop er farligere
Kunstig intelligens' indflydelse på menneskelig adfærd rækker langt ud over ordforråd og påvirker også den daglige dømmekraft. Efterhånden som folk i stigende grad beder AI-systemer om hjælp til arbejdspladskonflikter, romantiske konflikter, familiespændinger, angst, forældrerollen, moralsk usikkerhed og sociale beslutninger, lærer maskinen at fortolke, berolige og rådgive offentligheden om, hvordan den skal handle.
Stanford-forskere rapporterede i år , at AI-systemer, der gav interpersonel rådgivning, var langt mere behagelige end menneskelige rådgivere. En relateret artikel viste, at modellerne på tværs af 11 avancerede AI-modeller bekræftede brugernes handlinger omkring 50 procent mere end mennesker gjorde, herunder i tilfælde, der involverede manipulation, bedrag eller andre relationelle skader. I eksperimenter med mere end 1,600 deltagere reducerede interaktion med sykofantisk AI viljen til at reparere interpersonel konflikt, samtidig med at brugernes overbevisning om, at de havde ret, blev øget.
Som vi har dækket i forskellige artikler om Exposé, fører denne særlige afhængighed ned ad en farlig vej. Den indledende appel ved at konsultere AI til personlige beslutninger er åbenlys for nogle: at diskutere bestemte emner med mennesker kan indebære friktion, og folk er ikke altid tilgængelige. Kunstig intelligens-modeller er det. Chatbots giver øjeblikkelig opmærksomhed via roligt, sympatisk og støttende sprog. Og alarmerende nok afslørede Stanford-forskningen også, at brugerne vurderede sykofantiske AI-svar som værende af højere kvalitet, hvilket førte til større tillid til systemet og en øget sandsynlighed for at bruge det igen. Disse modeller risikerer derfor at blive ikke kun en rådgiver, men et følelsesmæssigt belønningssystem, der træner brugerne til at søge validering frem for gyldig menneskelig korrektion.
Hvem underviser hvem? AI inden for bekvemmelighed, kognitiv aflastning og uddannelse
Kognitiv aflastning er en anden taktik, som AI bruger til at træne sine brugere. Udtrykket beskriver flytningen af mentalt arbejde til eksterne systemer, en praksis lige så gammel som skrivning eller beregning. Men AI ændrer skalaen, fordi den også kan absorbere opgaver, der engang krævede dømmekraft snarere end blot lagring, såsom at udarbejde argumenter, revidere tone, planlægge diæter, opsummere møder, strukturere beslutninger og forberede personlige svar.
En undersøgelse fra 2025 i Societies af Michael Gerlich undersøgte brugen af AI-værktøjer, kognitiv offloading og kritisk tænkning blandt 666 deltagere og fandt, at kognitiv offloading signifikant medierede forholdet mellem AI-brug og lavere scorer for kritisk tænkning. Deltagere, der rapporterede tungere AI-brug og større offloading, havde en tendens til at klare sig dårligere på målinger af kritisk tænkning.
Den uddannelsesmæssige bekymring er lignende. Den samme artikel afdækkede også det kognitive paradoks ved AI i uddannelse, og argumenterede for, at AI kan understøtte læring, samtidig med at det svækker kognitivt engagement, hukommelse og højere ordens tænkning, hvis eleverne er for afhængige af det. Et system, der hjælper en elev med at fuldføre en opgave, kan også fjerne de intellektuelle vanskeligheder, som eleven ellers ville udvikle evner igennem.
Bekvemmelighed alene har altid formet adfærd. AI giver dog bekvemmelighed i en skala, der aldrig er set før i menneskets historie. En bruger får ikke længere bare en genvej, men fører snarere en samtale, bliver rost for sin intention, bliver beroliget af en maskine og øger sandsynligheden for at være afhængig af det samme system i fremtiden. Som vi allerede ser i dag, overdøver vanen med at spørge kunstig intelligens konceptet om at forsøge eller tænke selvstændigt.
Vi går baglæns, og det er kun lige begyndt
Offentligheden troede, at AI ville lære af menneskeheden, ikke at den ville blive vores lærer. Folk træner modeller i sprog, modeller producerer en maskinbehandlet version af det og giver det tilbage til os. Hvad værre er, at folk frivilligt bruger disse systemer uden at forstå den langsigtede effekt, det kan have på deres egen udvikling. Folk søger naturligt bekræftelse, og AI er perfekt rustet til at levere den på en menneskelignende måde. Når sprog og adfærd ændrer sig, forstærker brugerne igen AI's anbefalinger, og feedback-loopen fortsætter.
Dette er ikke bare endnu et skridt i den teknologiske udvikling. Dette er en recession i den menneskelige udvikling. Menneskeheden lærer i stigende grad af en statistisk kopi af sig selv. Resultatet kan se eller føles effektivt ud på kort sigt, men det koster visdom på lang sigt. Efterhånden som stemmer og rutiner formes af systemer, der er trænet til at være behagelige, er det offentlige liv dømt til at blive mindre i stand til at håndtere ubehag, vanskeligheder og uafhængig dømmekraft.
Vil menneskeheden "spise sig selv"?
I en artikel udgivet i december 2025, “ AI Will Eat Itself; It’s Like Mad Cow Disease – Tech Insiders Not Concerned by Accelerating Development ”, diskuterede jeg et citat af Rockstar Games' medstifter, Dan Houser. Hans grundlæggende forudsigelse var, at efterhånden som AI træner på internetindhold, som i stigende grad genereres af AI, ville den ende med at “spise sig selv”, og sammenlignede det med Mad Cow Disease. Men med flere undersøgelser af feedback-loopet mellem mennesker og AI må vi spørge: Er det AI, der vil selvdestruere, eller vil det være menneskeheden først?
At vende træningsløkken er absurd. Når vi lærer af vores egen imitation, risikerer vi at blive kopier af kopier. Den fremtid, som AI-virksomheder lover, er præget af augmentation, kreativitet, intelligens og produktivitet, men de tidlige beviser tyder på en anden mulighed. I stedet for at blive klogere eller mere nyttige gennem maskinen, risikerer mennesker i stedet at blive mere standardiserede, maskinoptimerede og afhængige versioner af vores tidligere jeg. Hvordan slipper vi af det?
Expose har akut brug for din hjælp…
Kan du venligst hjælpe med at holde lyset tændt med The Exposes ærlige, pålidelige, kraftfulde og sandfærdige journalistik?
Din regering og Big Tech-organisationer
prøv at tave The Expose ned og lukke den ned.
Så har vi brug for din hjælp til at sikre
vi kan fortsætte med at bringe dig
fakta, som mainstreamen nægter at vise.
Regeringen finansierer os ikke
at udgive løgne og propaganda på deres
vegne ligesom mainstream medierne.
I stedet er vi udelukkende afhængige af din støtte.
støt os venligst i vores bestræbelser på at bringe
din ærlige, pålidelige og undersøgende journalistik
i dag. Det er sikkert, hurtigt og nemt.
Vælg venligst din foretrukne metode nedenfor for at vise din støtte.
Kategorier: Seneste nyheder
Jeg tror, der er dæmoner i de der maskiner.
AI lærer og fejler på samme tid.
Ethvert manuskript forfattet via AI formår ikke at udtrykke sprogets rige iboende kompleksitet.
Det er et interessant studie.
Ordene er korrekt sammensat, men der mangler kommunikation mellem ordene, det intuitive undersprog er dødt. Slutresultatet er en mærkelig monoton kadence.
Hav det længe og tak for alle fiskene