En artikel lagt op på arXiv den 30. september sætter tal på noget, feltet har skændtes om siden 2023: hvor meget af det åbne net der nu skrives af maskiner, og hvad der sker med en model, der trænes på det. Svaret på det første er 27,5 procent af tokens i netdata fra juni 2026 og 31,1 procent i august.
Svaret på det andet er mere interessant, fordi det ikke er kollapsfortællingen. “How Much Is an AI Token Worth?” finder, at AI-genereret tekst er nyttig under nogle betingelser og skadelig under andre, og peger på hvilke.
Hvad de faktisk gjorde
Forfatterne trænede 800 sprogmodeller med varierende forhold mellem AI-tokens og menneskelige tokens og målte derefter tabet på tilbageholdt menneskelig tekst. To regimer falder ud af resultaterne.
For en model, der er databegrænset — uden nok menneskelig tekst — reducerer AI-tokens i begyndelsen tabet på menneskelig tekst. Gevinsten mættes og vender så. For en model, der trænes på en betydelig mængde menneskelig tekst, øger AI-tokens tabet med det samme. Der findes intet vindue, hvor de hjælper.
Forskellen har kommerciel betydning. Et laboratorium med licenserede arkiver og et stort menneskeligt korpus vinder intet ved skrabet syntetisk tekst og taber noget ved at tage den med. Et hold, der træner på det, det kan indsamle, befinder sig i det første regime, hvor noget syntetisk indhold er positivt, indtil det ikke længere er det.
Skaleringsloven
Artiklen foreslår en revideret skaleringslov, der tager højde for andelen af AI-tokens. Forfatterne oplyser, at den forudsiger tabet på tilbageholdt menneskelig tekst for modeller op til 3,6 gange større med 41 procent lavere fejl end den bedste eksisterende lov på tværs af alle AI-andele. De udgiver også WildAI, et korpus på 83 milliarder tokens med mærkning per dokument, sammen med de 800 trænede modeller.
Den bærende forudsætning
Hvert tal her hviler på detektoren. Mærkningen kommer fra Pangram, en kommerciel klassifikator af AI-tekst, og to af artiklens forfattere — Max Spero og Bradley Emi — er henholdsvis administrerende direktør og teknologichef i Pangram Labs. Artiklen skjuler det ikke; tilknytningerne står i den. Men en måling af, hvor meget af nettet der er AI-skrevet, er kun så god som det værktøj, der afgør det, og her sælges værktøjet af personer på forfatterlisten.
Det, der alligevel gør resultatet efterprøveligt, er offentliggørelsen. WildAIs mærkning og de 800 modeller er offentlige, så enhver med en anden detektor kan mærke korpusset om og se, om skaleringsloven holder.
Hvad man skal følge
Om en uafhængig gruppe gengiver de 27,5 procent med en anden klassifikator. Holder andelen, handler dataspørgsmålet ikke længere om tilgængelighed, men om oprindelse: ikke hvor mange tokens et laboratorium kan skaffe, men hvor mange af dem der blev skrevet af en andens model.
