GPT-5.5 mot Claude 4.6 mot Gemini 3.1: Vilken 2026 AI är svårast att detektere?

I maj 2026 domineras marknaden av tre ledande AI-modeller: GPT-5.5, Claude 4.6 och Gemini 3.1. Var och en av dem lovar „mänsklig“ text, och var och en lämnar ett unikt statistiskt fingeravtryck.

Vi testade 600 prover för att ta reda på vilken modell som är svårast att fånga.

Hur vi testade

I de råa resultaten ligger modellerna nära varandra: GPT-5.5 (94 % fångat), Claude 4.6 (88 % fångat), Gemini 3.1 (92 % fångat). Claude 4.6 är fortfarande något mer „osynlig“.

Den varierar meningsstruktur och prosans rytm bättre. Dess text ligger närmast mänskligt skrivande mätt på perplexitet och burstiness.

Huvudresultat

Trods dess flyt behåller den starka strukturella mönster och argumentationsformer som detektorer känner igen på diskursnivå.

Detekteringsnoggrannhet på råa utdata

GPT-5.5 har ett starkt diskurs-fingeravtryck, Gemini 3.1 utmärker sig med stiliometriska drag, medan Claude 4.6 har den „reneste“ perplexitetsprofilen.

Varför Claude 4.6 är svårare att detektera

Enkelmodells-detektorer blir opålitliga (t.ex. har de fel i 50–60 % av fallen med Claude 4.6). Ensemble-detektorer som Plagly behåller noggrannheten.

Varför GPT-5.5 är lättare att spotta

Claude 4.6 är för närvarande svårast att detektera, men bara med några få procent. Ensembler vinner fortfarande. Det viktigaste är att lita på ett verktyg som uppdateras löpande.

Analys av signaler

De övergripande siffrorna för noggrannhet döljer större skillnader i vilka funktioner som utlöser detektering. Att titta på poäng per klassificerare ger en mer användbar bild.

Diskurs-signaler

GPT-5.5 har det starkaste diskurs-fingeravtrycket av de tre. Dess preferens för balanserade argument, dess överanvändning av vissa övergångsfraser och dess tendens att sammanfatta i förväg gör den till den lättaste av de tre ledande modellerna att upptäcka på styckenivå — även när enskilda meningar passerar enkelmodell-detektorer.

Stilometriska signaler

Gemini 3.1 leder när det gäller stilometriska tecken. Dess utdata visar distinkta mönster i adverb-frekvens, passiva satskonstruktioner och rytm på bisatsnivå. Dessa funktioner är djupt rotade i hur Googles träningsdata valdes ut och har visat sig vara svåra för modellen att dämpa utan att förlora flyt.

Perplexitets-signaler

Claude 4.6 har den renaste perplexitetsprofilen — dess utdata ligger närmast mänskligt skrivna baslinjer. Detta gör den svårast för enkelmodell-perplexitetsdetektorer att fånga. Men Claude 4.6 har fortfarande mätbara fingeravtrycks- och diskursfunktioner, vilket är anledningen till att ensemble-detektorer behåller sin noggrannhet där enklare verktyg misslyckas.

Adversariella förhållanden: När saker blir svårare

Den större klyftan mellan modeller visar sig under adversariella förhållanden. Efter att ha kört varje modells utdata genom en humanizer testade vi igen:

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

Claude 4.6:s försprång under råa förhållanden växer ytterligare när en humanizer kommer in i bilden — men även vid den mest adversariella inställningen flaggas fortfarande majoriteten av Claude 4.6-utdata. Tanken att någon av dessa modeller tillförlitligt kan undgå moderna ensemble-detektorer stöds inte av data.

Varför det är viktigt 2026

Modellkriget accelererade under slutet av 2025 och 2026, då OpenAI lanserade GPT-5.5 i ett försök att gå förbi Claudes fördel i stealth, Anthropic svarade med förbättringar av Claude 4.6:s prosarytm, och Google pressade på med Gemini 3.1 för att stänga flytskillnaden. Ur ett detekteringsperspektiv konvergerar de praktiska konsekvenserna.

Enkelmodell-detektorer blir alltmer opålitliga

Över alla tre modeller är detektorer med en enda klassificerare mest utsatta. Ett verktyg för enbart perplexitet som fungerade bra på GPT-3.5 felkategoriserar nu Claude 4.6-utdata 50–60 % av tiden. Ett verktyg för enbart burstiness misslyckas på liknande sätt. Multi-modell-ensembler behåller sin noggrannhet eftersom ingen enskild modell behöver göra allt arbete.

Kontinuerlig omträning spelar större roll än någon enskild algoritm

Plagly.ai:s Agentic Council tränar om sin fingeravtrycksmodul kontinuerligt på färska utdata från varje stor ledande modell. Detekteringsnoggrannheten för Claude 4.6 har stigit med cirka sex procentenheter sedan lanseringen eftersom modellens stilistiska mönster blev bättre representerade i träningsdata — ett mönster som upprepas med varje ny modellrelease.

Vad händer härnäst: Claude 5, GPT-6, Gemini 4

Alla tre laboratorier har offentligt signalerat nästa generations utgåvor under 2026 och in i 2027. Baserat på cykeln för GPT-5.5/Claude 4.6/Gemini 3.1 kan man förvänta sig följande: ytterligare en tillfällig minskning av detekteringsnoggrannheten för alla verktyg vid varje stor release, snabbare återhämtning för ensembleprodukter, och en fortsatt växande klyfta mellan moderna multi-modell-detektorer och äldre produkter med en enda klassificerare.

Den långsiktiga kapprustningen gynnar detektering — något. Varje generation av LLM minskar ytliga stilistiska kännetecken men kan inte enkelt eliminera de djupare strukturella mönster som kommer från att tränas som en nästa-token-prediktor på data i internet-skala. Dessa mönster är vad välutformade detektorer lär sig att läsa, och det är det lager som överlever modelluppdateringar.

Sammanfattning

Claude 4.6 är för närvarande den svåraste att upptäcka av de tre ledande modellerna — men bara med några få procentenheter, och endast när den mäts mot enkelmodell-detektorer. Multi-modell-ensembler flaggar fortfarande majoriteten av alla tre modellernas utdata, och klyftan minskar ytterligare för varje runda av detektoromträning. Den rätta frågan för 2026 är inte ”vilken modell kan jag använda för att undgå detektering?” utan ”vilken detektor kan jag lita på för att ge mig ett korrekt resultat?” Svaret på den frågan — ensemble, multi-modell, kontinuerligt omtränad — har aldrig varit tydligare.