GPT-5.5 mod Claude 4.6 mod Gemini 3.1: Hvilken 2026 AI er sværest at detektere?

I maj 2026 domineres markedet af tre førende AI-modeller: GPT-5.5, Claude 4.6 og Gemini 3.1. Hver af dem lover „menneskelig“ tekst, og hver efterlader et unikt statistisk fingeraftryk.

Vi testede 600 prøver for at finde ud af, hvilken model der er sværest at fange.

Sådan testede vi

I de rå resultater ligger modellerne tæt: GPT-5.5 (94% fanget), Claude 4.6 (88% fanget), Gemini 3.1 (92% fanget). Claude 4.6 er stadig en smule mere „usynlig“.

Den varierer bedre sætningsstruktur og prosaens rytme. Dens tekst ligger tættest på menneskelig skrivning målt på perplexity og burstiness.

Hovedresultater

Trods dens flydenhed bevarer den stærke strukturelle mønstre og argumentationsformer, som detektorer genkender på diskursniveau.

Detektionsnøjagtighed på rå output

GPT-5.5 har et stærkt diskurs-fingeraftryk, Gemini 3.1 skiller sig ud med stiliometriske træk, mens Claude 4.6 har den „reneste“ perplexity-profil.

Hvorfor Claude 4.6 er sværere at detektere

Enkeltmodel-detektorer bliver upålidelige (f.eks. tager de fejl i 50–60% af tilfældene med Claude 4.6). Ensemble-detektorer som Plagly bevarer nøjagtigheden.

Hvorfor GPT-5.5 er lettere at spotte

Claude 4.6 er i øjeblikket sværest at detektere, men kun med få procent. Ensembler vinder stadig. Det vigtigste er at stole på et værktøj, der opdateres løbende.

Analyse af signaler

Tallene for overskrifters nøjagtighed skjuler større forskelle i hvilke funktioner udløser detektering. At se på score pr. klassifikator fortæller en mere nyttig historie.

Diskurssignaler

GPT-5.5 har det stærkeste diskursfingeraftryk af de tre. Dens præference for afbalancerede argumenter, dens overforbrug af visse overgangssætninger og dens tendens til at opsummere gør det til den nemmeste af de tre grænsemodeller at få øje på på afsnitsniveau - selv når individuelle sætninger passerer enkeltmodeldetektorer.

Stylometriske signaler

Gemini 3.1 fører på stilometriske tæller. Dens output viser karakteristiske mønstre i adverb-frekvens, passiv stemmekonstruktion og rytme på klausulniveau. Disse funktioner er dybt indbygget i, hvordan Googles træningsdata blev kureret og har vist sig at være svære for modellen at undertrykke uden at miste flydende sprog.

Forvirringssignaler

Claude 4.6 har den reneste forvirringsprofil - dens output ligger tættest på menneskeskrevne basislinjer. Det er det, der gør det sværest for enkeltmodel-forvirringsdetektorer at fange. Men Claude 4.6 har stadig målbare fingeraftryk og diskursfunktioner, hvilket er grunden til, at ensembledetektorer opretholder nøjagtigheden på den, hvor enklere værktøjer fejler.

Modstridende forhold: Når tingene bliver sværere

Den større kløft mellem modeller viser sig under modstridende forhold. Efter at have køret hver models output gennem en humanizer, testede vi igen:

• GPT-5.5 + humanizer: 72 % fanget.
• Claude 4.6 + humanizer: 64 % fanget.
• Gemini 3.1 + humanizer: 70 % fanget.

Claude 4.6's forspring under rå forhold udvides yderligere, når en humanizer kommer ind i billedet - men selv i de mest modstridende omgivelser er størstedelen af Claude 4.6-output stadig markeret. Forestillingen om, at enhver af disse modeller pålideligt kan undgå moderne ensembledetektorer, holder ikke til dataene.

Hvorfor det er vigtigt i 2026

Modelkrigene accelererede gennem slutningen av 2025 og 2026, hvor OpenAI sendte GPT-5.5 i et forsøg på at springe over Claudes stealth-fordel, Anthropic reagerede med Claude 4.6's prosa-rytmeforbedringer, og Google skubbede Gemini 3.1 til at lukke fluency gap. Fra et detektionssynspunkt er de praktiske implikationer konvergerende.

Enkeltmodeldetektorer bliver mere og mere upålidelige

På tværs af alle tre modeller er enkeltmodel-detektorer de mest sårbare. Et værktøj baseret udelukkende på perplexity (sætningsforvirring), som fungerede fint på GPT-3.5, fejlkategoriserer nu Claude 4.6-output i 50–60% af tilfældene. Et værktøj baseret udelukkende på burstiness (variation) fejler på lignende vis. Multi-model ensembler bevarer nøjagtigheden, fordi intet enkelt signal behøver at gøre alt arbejdet.

Løbende genoplæring betyder mere end nogen specifik algoritme

Plagly.ai's Agentic Council genoplærer løbende sit fingeraftryksmodul på friske output fra hver af de førende frontmodeller. Detektionsnøjagtigheden på Claude 4.6 er steget med cirka seks procentpoint siden lanceringen, i takt med at modellens stilistiske mønstre er blevet bedre repræsenteret i træningsdataene — et mønster, der gentager sig ved hver ny modelfrigivelse.

Hvad bringer fremtiden: Claude 5, GPT-6, Gemini 4

Alle tre laboratorier har offentligt signaleret næste generations frigivelser gennem 2026 og ind i 2027. Baseret på cyklussen for GPT-5.5/Claude 4.6/Gemini 3.1 er her, hvad man kan forvente: endnu et midlertidigt dyk i detektionsnøjagtigheden på tværs af alle værktøjer ved hver større frigivelse, hurtigere genopretning for ensembleprodukter og en fortsat voksende kløft mellem moderne multi-model detektorer og ældre enkeltmodel-produkter.

Det langsigtede våbenkapløb favoriserer detektionen — en smule. Hver generation af LLM'er reducerer de overfladiske stilistiske kendetegn, men kan ikke let eliminere de dybere strukturelle mønstre, der stammer fra at være trænet som en 'next-token predictor' på internetdata. Det er disse mønstre, som veldesignede detektorer lærer at læse, og det er det lag, der overlever modelopdateringer.

Konklusion

Claude 4.6 er i øjeblikket den sværeste at detektere af de tre frontmodeller — men kun med få procentpoint, og kun når den måles mod enkeltmodel-detektorer. Multi-model ensembler markerer stadig størstedelen af outputtet fra alle tre modeller, og kløften mindskes yderligere med hver runde af detektorgendannelse. Det rigtige spørgsmål for 2026 er ikke „hvilken model kan jeg bruge til at undgå detektion?“, men „hvilken detektor kan jeg stole på til at give mig en præcis vurdering?“. Svaret på det spørgsmål — ensemble, multi-model, løbende genoplært — har aldrig været tydeligere.