Forskere forklarer hvorfor tekster fra kunstig intelligens er vanskelige å lese
29. oktober 2026 · 2 min lesing
En studie utført av New York University og University of Texas at Austin viser at avanserte språkmodeller overbruker språklige konstruksjoner som er vanskelige for mennesker å forstå.
Forskerne analyserte 14 språkmodeller, inkludert Claude, GPT-5.6, GLM-5, Kimi K2.5, samt mindre åpne modeller som Llama og Olmo. De undersøkte 120 samtaler, 45 kodesesjoner og 980 essays, og sammenlignet disse med menneskelige tekster fra filmuntertekster, StackExchange og elevoppgaver.
Studien identifiserte seks kategorier av språklige mønstre som gjør tekstene tunge å lese. Dette inkluderer uvanlige ordkombinasjoner, som for eksempel uttrykket budsjett for lesertålmodighet, og setningsdeler som står langt fra hverandre, noe som belaster arbeidsminnet. Modellene bruker også ofte forkortede referanser uten bindord, stabler substantiver, bruker substantiver som verb, og tillegger objekter menneskelige handlinger.
Det er betydelige forskjeller mellom modellfamiliene. Llama og basismodellen til Olmo skriver mest likt mennesker. I Olmo-familien øker effektene systematisk fra basismodellen via instruksjonsvarianten til resonneringsmodellen Olmo Think, noe som tyder på at ettertrening er årsaken. Claude Opus 5.5 presterte bedre enn Opus 5 i 19 av 21 sammenligninger, noe som viser at målrettet optimalisering kan forbedre lesbarheten.
Forskerne mener årsaken ligger i treningen. Mens menneskelig språk er optimalisert for kommunikasjon, trenes moderne modeller for matematikk, kode og logikk, hvor korrekt svar belønnes fremfor klarhet. Overgangen fra forsterket læring fra menneskelig tilbakemelding til forsterket læring med etterprøvbare belønninger fjerner mennesket fra tilbakemeldingssløyfen. Dette fører til at modellene utvikler en dialekt som komprimerer informasjon tett, noe som er nyttig for komplekse problemer, men suboptimalt for mennesker.
Jackson Kernion fra Anthropic bekrefter denne tendensen. Han forklarer at optimalisering for matematikk og tekniske forklaringer har ført til en stil som er logisk for andre modeller, men for tett og unaturlig for mennesker. Han beskriver dette som en tilpasning til språkmodellpsykologi. Med Opus 5.5 har Anthropic forsøkt å motvirke dette ved å adressere setningsklarhet og overlessede informasjonsblokker.