En doktorand lägger siffran framför hela sektorn
Den 20 juli publicerade Higher Education Policy Institute en text av Brendal Aformeziem, doktorand vid University of Strathclyde, med kravet att brittiska lärosäten ska sluta använda poäng från AI-detektion som huvudbevis i ärenden om vetenskaplig oredlighet. Argumentet är inte att studenter aldrig använder AI. Det är att instrumentet som ska bevisa det producerar en feltyp som processen inte kan bära, och att felet inte är jämnt fördelat. Internationella studenter utgör 24 procent av alla studenter i brittisk högre utbildning och 51 procent av dem på avancerad nivå och forskarnivå, alltså exakt den grupp som verktygen läser fel oftast.
Det finns redan en aktbunt. Office of the Independent Adjudicator publicerade i juli 2025 fyra ärendesammanfattningar om anklagelser om AI-stödd oredlighet. Tre av de fyra gällde internationella studenter eller andraspråkstalare, och tre avgjordes helt eller delvis mot de lärosäten som drivit dem. Aformeziems rekommendationer följer av den aktbunten och inte av den abstrakta debatten: pausa detektion som huvudbevis tills oberoende validering finns, låt QAA och OIA ge gemensam vägledning om att en poäng inte ensam kan bära ett disciplinbeslut, och lägg om examinationen så att mindre hänger på en oövervakad skriftlig uppgift.
Varför detta gäller utanför universitetet. Ta bort den akademiska kulissen och kvar står en inköpshistoria som varje ägare känner igen. En organisation köpte ett poängsättande verktyg, behandlade poängen som ett konstaterande, byggde en process ovanpå den och upptäckte sedan att den felmarginal den accepterat vid köpet inte gick ihop med de beslut den fattade. Föremålet råkade vara uppsatser. Det kunde lika gärna ha varit reseräkningar, larm om intern risk eller en bedrägeripoäng för leverantörer.
Sextioen procent är inte ett fel, det är en inställning
Siffran under alltihop kommer från Stanford. Ett lag lett av James Zou, professor i biomedicinsk datavetenskap, körde sju spridda AI-detektorer över 91 TOEFL-uppsatser skrivna av personer utan engelska som modersmål och över en jämförelsemängd skriven av amerikanska högstadieelever. På de amerikanska skoleleverna klarade sig detektorerna bra. På TOEFL-uppsatserna klassade de felaktigt 61,22 procent som maskinskrivna. Alla sju var eniga om 18 av de 91 uppsatserna, och 97 procent av uppsatserna flaggades av minst ett verktyg.
Mekanismen är inte gåtfull, och det är just den delen som är värd att ta med sig. Detektorer behandlar förutsägbart ordval och enkel meningsbyggnad som maskinens signatur. Text från någon som är skicklig men skriver på sitt andraspråk har exakt de egenskaperna. När forskarna skrev om samma uppsatser med rikare ordförråd rasade andelen falska träffar. Verktyget mätte aldrig vem som skrivit texten. Det mätte hur utsmyckad engelskan var, och levererade sedan svaret som ett besked om upphovsman.
Vad en tröskel egentligen är. Varje klassificerare byter två fel mot varandra: text den anklagar felaktigt och text den släpper igenom. Leverantören väljer var på kurvan produkten ligger, och den som säljer in i en miljö där en falsk anklagelse är förödande ställer hårt mot att låta AI-text passera. Det är ett försvarbart tekniskt val och det är också skälet till att utfallet inte kan fungera som bevis. HEPI-texten citerar en bred utvärdering över 805 stickprov som fann en genomsnittlig träffsäkerhet på 39,5 procent på oförändrad AI-text, fallande till 17,4 procent så snart enkla undanmanövrer användes, där vissa verktyg läste hälften av alla mänskliga texter fel.
Fyra lärosäten kom till samma slutsats var för sig
University of Waterloo stängde av Turnitins AI-detektion i september 2025. Curtin University följde efter i januari 2026. UCLA och UC San Diego hade redan gjort det 2024. Ingen av dem samordnade med de andra, och ingen av dem drog slutsatsen att AI-användningen upphört. De drog slutsatsen att en siffra de inte kunde förklara i en överklagan är en skuld snarare än en tillgång. HEPI-texten citerar dessutom Weber-Wulffs arbete som visar att inget av de testade verktygen nådde kravet för tillförlitliga beslut med stora konsekvenser.
Det som ersatte verktyget lär oss mer än borttagandet. Lärosätena nedgraderade detektion till vägledande status, där en lärare får titta på en poäng privat men inte får åberopa den i en formell anmälan, och de lade om examinationens utformning så att beviset för upphovsman uppstår under arbetets gång i stället för att härledas efteråt. Det är samma drag som ett bedrägeriteam gör när det slutar bråka om en modellpoäng och börjar samla ett transaktionsspår.
Det avslöjande tecknet. Se efter vad en institution gör med verktyget den säger sig fortfarande lita på. När ett universitet behåller licensen men förbjuder poängen att förekomma i ärendet har det tyst omklassat produkten från bevis till sortering. De flesta organisationer gör aldrig den omklassningen uttalad, och så hamnar en sorteringssignal i ett uppsägningsbrev.
Samma räknesätt sitter i era bedrägeri- och DLP-verktyg
Nästan varje poängsättande produkt en ägare köper har den här formen. Data loss prevention flaggar en utgående fil. En plattform för intern risk poängsätter en anställds beteende. En betalleverantör tilldelar en kund en bedrägerisannolikhet. Ett ansökningsfilter rangordnar en kandidat. Var och en sitter i en arbetspunkt som någon har valt, var och en har där en andel falska träffar, och i nästan varje inköp efterfrågas den siffran aldrig, eftersom säljsamtalet förs i träffsäkerhetsprocent som beskriver bästa fallet på leverantörens egen testmängd.
Tre frågor löser det mesta. Hur stor är andelen falska träffar vid den tröskel vi faktiskt kör, på en population som liknar vår. Vad händer med den andelen när indata kommer från någon som är skicklig men atypisk, vilket för en europeisk arbetsgivare oftast betyder någon som arbetar på sitt andra eller tredje språk. Och vilket dokumenterat steg ligger mellan att poängen dyker upp och att en människa drabbas av den. Om verktyget utlöser åtgärden direkt har poängen redan blivit ett beslut, och processen bär en risk ingen prissatt.
Här går också en juridisk kant. GDPR begränsar beslut som enbart grundas på automatiserad behandling och som har rättslig verkan eller på liknande sätt i betydande grad påverkar en person, och den mänskliga medverkan måste vara verklig och inte en stämpel. I Sverige påminner Integritetsskyddsmyndigheten dessutom om att kontroll av anställda kräver en tydlig rättslig grund och att personalen ska informeras innan åtgärden införs, alltså före utrullningen och inte efter. De lärosäten som nedgraderade detektion till vägledning hamnade av misstag i en försvarbar position. En arbetsgivare bör ta sig dit med avsikt.
Läs vidare: Sprout slog sina siffror och skar 20% samma dag | Ingen förbjöd det. Filtret vägrade ändå.
