GPT-5.5 vs. Claude 4.6 vs. Gemini 3.1: Hvilken 2026 AI er vanskeligst å detektere?

Innen mai 2026 dominerer tre ledende AI-modeller profesjonell og akademisk skriving: OpenAIs GPT-5.5, Anthropics Claude 4.6, og Googles Gemini 3.1. Hver av dem leveres med markedsføringspåstander om hvor menneskelige tekstene deres føles. Hver av dem brukes millioner av ganger om dagen til den typen skriving som havner i oppgaver, rapporter og innholdsbiblioteker. Og hver av dem etterlater seg et unikt statistisk fingeravtrykk som deteksjonsverktøy kan — eller noen ganger ikke kan — fange opp.

Vi testet 600 nye prøver på tvers av de tre modellene og kjørte hver av dem gjennom den samme multimodell ensemble-detektoren. Resultatene snur opp ned på noen vanlige antakelser om hvilken modell som er vanskeligst å oppdage — og klargjør hvorfor svaret betyr mer i 2026 enn i noe tidligere år.

Hvordan vi testet

Vi genererte 200 tekster per modell — 50 hver fordelt på akademiske oppgaver, markedsføringstekster, tekniske forklaringer og kreativ fiksjon. Hver generering brukte et standard system-prompt uten instruksjoner om å unngå deteksjon. Deretter opprettet vi motstridende (adversarial) varianter for hver: en versjon behandlet med en humanizer, og en lett redigert versjon (der 15–20% av ordene var manuelt omskrevet). Totalt: 600 baselinjeprøver, 1200 motstridende prøver.

Hver prøve ble evaluert av Plagly.ai's Agentic Council-ensemble (perplexity, burstiness, stylometry, fingerprint, discourse) og kryssjekket mot den nyeste klassifikatoren fra en stor kommersiell enkeltmodell-detektor. Resultatene nedenfor viser deteksjonsraten til Plagly.

Hovedresultater: Råtekst

På standardtekster uten motstridende redigering ligger de tre modellene overraskende tett — men de små forskjellene er avslørende.

Deteksjonsnøyaktighet på råtekst

GPT-5.5 (raw): 94% fanget. Claude 4.6 (raw): 88% fanget. Gemini 3.1 (raw): 92% fanget. På standardtekster uten motstridende prompting blir alle tre pålitelig oppdaget av ensemble-verktøy — men gapet mellom Claude 4.6 og de andre er reelt.

Hvorfor Claude 4.6 leder på usynlighet

Claude 4.6 ble trent med et sterkt fokus på registervariasjon og menneskelignende prosarytme. Modellen varierer setningsstrukturen mer aggressivt enn sine konkurrenter, bruker færre formelaktige overganger, og viser et mer genuint engasjement for et standpunkt i argumenterende skriving. Resultatet er tekst som scorer nærmere menneskelig prosa på perplexity- og burstiness-aksene som enkeltmodell-detektorer legger vekt på.

Hvorfor GPT-5.5 er lettest å oppdage

Til tross for at GPT-5.5 er den mest optimaliserte for flyt, beholder den de sterkeste strukturelle mønstrene ovenfra og ned av de tre. Treningen la vekt på pålitelighet og balanse, noe som gir en gjenkjennelig argumentasjonsform: introdusere, presentere flere perspektiver, og konkludere med en balansert syntese. Detektorer som modellerer diskurs på avsnitts- og dokumentnivå fanger dette konsekvent opp, selv når overflatefunksjoner på setningsnivå slipper gjennom.

Hvor modellene skiller seg: Oppdeling per funksjon

Hoved-nøyaktighetstallene skjuler større forskjeller i hvilke funksjoner som utløser deteksjon. Å se på per-klassifiserings-skårer gir en mer nyttig historie.

Diskurs-signaler

GPT-5.5 har det sterkeste discourse fingerprint av de tre. Preferansen for balanserte argumenter, overforbruk av visse overgangsfraser og tendensen til å forhåndsoppsummere gjør den til den letteste av de tre ledende modellene å oppdage på avsnittsnivå — selv når enkeltsetninger slipper gjennom enkeltmodell-detektorer.

Stiliometriske signaler

Gemini 3.1 leder på stylometric tells. Tekstene viser distinkte mønstre i adverb-frekvens, passive setningskonstruksjoner og rytme på leddsetningsnivå. Disse funksjonene er dypt integrert i hvordan Googles treningsdata ble strukturert, og har vist seg vanskelige for modellen å undertrykke uten å miste flyt.

Perplexity-signaler

Claude 4.6 har den reneste perplexity-profilen — tekstene ligger nærmest menneskeskrevne baselinjer. Dette er det som gjør den vanskeligst å fange opp for enkeltmodell perplexity-detektorer. Men Claude 4.6 har fortsatt målbare fingeravtrykk- og diskursfunksjoner, og det er derfor ensemble-detektorer beholder nøyaktigheten på den der enklere verktøy feiler.

Motstridende forhold: Når ting blir vanskeligere

Det største gapet mellom modellene viser seg under motstridende forhold. Etter å ha kjørt hver modells tekst gjennom en humanizer, testet vi på nytt:

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

Claude 4.6 sitt forsprang under råe forhold utvides ytterligere når en humanizer kommer inn i bildet — men selv i de mest utfordrende innstillingene blir flertallet av Claude 4.6 sine tekster fortsatt flagget. Påstanden om at noen av disse modellene pålitelig kan unngå moderne ensemble-detektorer, støttes ikke av dataene.

Hvorfor dette betyr noe i 2026

Modellkrigene skjøt fart gjennom slutten av 2025 og 2026, der OpenAI lanserte GPT-5.5 i et forsøk på å gå forbi Claudes fordel på usynlighet, Anthropic svarte med Claude 4.6 sine forbedringer i prosarytme, og Google presset på med Gemini 3.1 for å tette flytgapet. Fra et deteksjonsperspektiv konvergerer de praktiske konsekvensene.

Enkeltmodell-detektorer blir stadig mer upålitelige

På tvers av alle tre modellene er detektorer med én klassifikator mest sårbare. Et verktøy som kun måler perplexity, og som fungerte bra på GPT-3.5, feilkategoriserer nå Claude 4.6-tekster 50–60% av tiden. Et verktøy som bare måler burstiness, feiler på samme måte. Multimodell-ensembler opprettholder nøyaktigheten fordi ingen enkeltmodell må gjøre hele jobben.

Kontinuerlig opptrening betyr mer enn noen enkelt algoritme

Plagly.ai's Agentic Council trener opp igjen fingeravtrykksmodulen sin kontinuerlig på nye tekster fra hver av de ledende modellene. Deteksjonsnøyaktigheten på Claude 4.6 has climbed roughly six percentage points since launch as the model's stylistic patterns became better represented in training data — a pattern that's repeated with every new model release.

Hva blir det neste: Claude 5, GPT-6, Gemini 4

Alle de tre laboratoriene har offentlig signalisert neste generasjons lanseringer utover i 2026 og inn i 2027. Basert på GPT-5.5/Claude 4.6/Gemini 3.1-syklusen kan vi forvente følgende: et nytt midlertidig fall i deteksjonsnøyaktighet på tvers av alle verktøy ved hver store lansering, raskere gjenoppretting for ensemble-produkter, og et fortsatt økende gap mellom moderne multimodell-detektorer og eldre enkeltklassifikator-produkter.

Det langsiktige våpenkappløpet favoriserer deteksjon — i hvert fall litt. Hver generasjon med store språkmodeller (LLM) reduserer overfladiske stilistiske trekk, men kan ikke enkelt eliminere de dypere strukturelle mønstrene som kommer av å være trent som en neste-token-prediktor på data i internett-skala. Disse mønstrene er det veldesignede detektorer lærer å lese, og det er dette laget som overlever modelloppdateringer.

Konklusjonen

Claude 4.6 er for øyeblikket den vanskeligste å oppdage av de tre ledende modellene — men bare med noen få prosentpoeng, og kun når den måles mot enkeltmodell-detektorer. Multimodell-ensembler flagger fortsatt flertallet av alle de tre modellenes tekster, og gapet tettes ytterligere for hver runde med opptrening av detektorene. Det rette spørsmålet for 2026 er ikke “hvilken modell kan jeg bruke for å unngå deteksjon?” men “hvilken detektor kan jeg stole på for å gi meg en nøyaktig avlesning?” Svaret på det spørsmålet — ensemble, multimodell, kontinuerlig opptrent — har aldri vært tydeligere.