En artikkel lagt ut på arXiv 30. september setter tall på noe fagfeltet har kranglet om siden 2023: hvor mye av det åpne nettet som nå skrives av maskiner, og hva som skjer med en modell som trenes på det. Svaret på det første er 27,5 prosent av tokens i nettdata fra juni 2026, og 31,1 prosent i august.
Svaret på det andre er mer interessant, fordi det ikke er kollapshistorien. “How Much Is an AI Token Worth?” finner at KI-generert tekst er nyttig under noen betingelser og skadelig under andre, og peker ut hvilke.
Hva de faktisk gjorde
Forfatterne trente 800 språkmodeller med varierende andel KI-tokens mot menneskelige tokens, og målte deretter tapet på tilbakeholdt menneskelig tekst. To regimer faller ut av resultatene.
For en modell som er databegrenset — uten nok menneskelig tekst — reduserer KI-tokens i starten tapet på menneskelig tekst. Nytten metter seg så og snur. For en modell som trenes på en betydelig mengde menneskelig tekst, øker KI-tokens tapet umiddelbart. Det finnes ikke noe vindu der de hjelper.
Skillet har kommersiell betydning. Et laboratorium med lisensierte arkiver og et stort menneskelig korpus vinner ingenting på skrapet syntetisk tekst og taper noe på å ta den med. Et team som trener på det det klarer å samle inn, befinner seg i det første regimet, der noe syntetisk innhold er positivt helt til det ikke er det lenger.
Skaleringsloven
Artikkelen foreslår en revidert skaleringslov som tar hensyn til andelen KI-tokens. Forfatterne oppgir at den forutsier tapet på tilbakeholdt menneskelig tekst for modeller opptil 3,6 ganger større med 41 prosent lavere feil enn den beste eksisterende loven på tvers av alle KI-andeler. De slipper også WildAI, et korpus på 83 milliarder tokens med merking per dokument, sammen med de 800 trente modellene.
Forutsetningen som bærer alt
Hvert tall her hviler på detektoren. Merkingen kommer fra Pangram, en kommersiell klassifiserer av KI-tekst, og to av artikkelens forfattere — Max Spero og Bradley Emi — er henholdsvis administrerende direktør og teknologidirektør i Pangram Labs. Artikkelen skjuler det ikke; tilknytningene står i den. Men en måling av hvor mye av nettet som er KI-skrevet, er bare så god som verktøyet som avgjør, og her selges verktøyet av personer på forfatterlisten.
Det som likevel gjør resultatet etterprøvbart, er publiseringen. WildAIs merking og de 800 modellene er offentlige, så den som har en annen detektor, kan merke korpuset på nytt og se om skaleringsloven holder.
Hva som er verdt å følge
Om en uavhengig gruppe gjenskaper 27,5 prosent med en annen klassifiserer. Holder andelen, handler dataspørsmålet ikke lenger om tilgang, men om opphav: ikke hvor mange tokens et laboratorium kan skaffe, men hvor mange av dem som ble skrevet av en annens modell.
