57 % av artiklene bærer KI-avtrykk – men kan vi virkelig telle dem?

Image: "British Museum Reading Room Panorama Feb 2006" by Diliff (CC BY 2.5) via Wikimedia Commons, recoloured.

29. juli

Velkommen til ukens oversikt over hvordan kunstig intelligens omformer forskningen, hentet fra Nature, Science, PNAS og ledende forretnings- og samfunnsvitenskapelige tidsskrifter.

Hvor stor del av litteraturen er skrevet av KI? Nå tvistes det i PNAS om målestokken, ikke avlesningen

I mai publiserte Kyle Siler det som sannsynligvis er den største revisjonen av KI-avtrykket i den publiserte litteraturen: en analyse av fulltekstene av 7,3 millioner tidsskriftartikler fra 2020 til 2025 på tvers av Elsevier, Frontiers, MDPI og PLoS. Studiet bygget et korpus av 228 «fokusord» hvis frekvens hoppet brått opp etter 2022 på måter som samsvarer med LLM-utdata, og [anslo at rundt 57 % av de publiserte artiklene i 2025 viste tegn til LLM-påvirkning – opp fra 12 % i 2023](https://doi.org/10.1073/pnas.2605754123). Det mest interessante resultatet for samfunnsforskere er ikke topptallet, men stratifiseringen: Difference-in-differences-modeller viser at KI-assosiert språk varierer kraftig etter region, institusjonelt nivå, utgiver, fagfelt og tidsskriftnivå, der økonomisk utvikling og avstand til engelsk som førstespråk hører til de sterkeste regionale prediktorene. Lavere rangerte institusjoner viser høyere rater enn eliteuniversitetene, og unge kommersielle forlag ligger høyere enn sine konkurrenter. I Silers ramme er adopsjonen utbredt, men sosialt lagdelt.

Denne uken kom motargumentene i PNAS. I et brev med tittelen [«Lexical change is not a calibrated measure of LLM prevalence or its determinants»](https://doi.org/10.1073/pnas.2620928123) utfordrer Chad M. Topaz og Utsav Bahl nøyaktig det slutningstrinnet topptallet er avhengig av: at en økning i frekvensen av bestemte ord kan gjøres om til en prevalensrate for KI-bruk, eller brukes til å identifisere hvem som tar verktøyene i bruk. I [svaret sitt](https://doi.org/10.1073/pnas.2621834123) omformulerer Siler bidraget som en tolkning av det leksikale skiftet i akademisk prosa etter 2022, framfor en kalibrert instrumentavlesning. Uenigheten betyr noe fordi ordfrekvensmetoder i det stille har blitt feltets standard: [Kobak og kolleger](https://doi.org/10.1126/sciadv.adt3813) brukte overskuds-vokabularanalyse på over 15 millioner biomedisinske abstracts for å fastslå en nedre grense på 13,5 % for LLM-behandlede abstracts fra 2024, og en [studie i Nature Human Behaviour](https://doi.org/10.1038/s41562-025-02273-8) brukte en beslektet estimeringstilnærming på vitenskapelige artikler. Estimatene skiller seg med en faktor fire, og det er i seg selv historien.

**Hvorfor det betyr noe:** Hvis du jobber med tekst som data – og det gjør i stadig større grad de fleste samfunnsforskere og markedsføringsforskere – er dette en levende metodisk advarsel om din egen pipeline. Leksikale proxyer er billige, skalerbare og intuitive, og det er nettopp derfor de behandles som målinger i stedet for som korrelater som trenger validering. Den samme kritikken gjelder langt utover KI-deteksjon: på sentimentordbøker, på emnemodell-etiketter, og på ethvert konstrukt som utledes av ordtelling og deretter regresses på demografi eller institusjonell rang. Før neste artikkel om tekst som data, spør deg selv hvordan en kalibreringsstudie av målet ditt ville sett ut – for fagfellevurdererne er i ferd med å begynne å spørre.

Mer fra denne uken

Det meste av organisatorisk koordinering kan være unødvendig – og KI-agenter bidro til å bevise det

Harang Ju låner et presist kriterium fra teorien om distribuerte systemer: Koordinering er bare genuint påkrevd når en oppgavespesifikasjon er ikke-monoton, det vil si når senere informasjon kan ugyldiggjøre tidligere konklusjoner. Han viser at Thompsons klassiske taksonomi av gjensidig avhengighet lar seg kartlegge mot dette kriteriet, og anvender deretter beslutningsregelen på 65 APQC-arbeidsflyter og 13 417 O*NET-oppgaver, scoret med en kalibrert LLM, pluss simuleringer med flere KI-agenter. Under dekomposisjonene hans er 74 % av arbeidsflytene og 42 % av oppgavene monotone – noe som innebærer at 24 til 57 % av koordineringskostnadene er unødvendige for korrektheten. Et sjeldent tilfelle av multiagent-KI som måleinstrument for klassisk organisasjonsteori.

[Les originalen i PNAS, 27. juli →](https://doi.org/10.1073/pnas.2606267123)

Maskinlæring fra bare 14 eksempler

Sparsomme treningsdata er standardargumentet for «vi kan ikke bruke maskinlæring her». Shan og kolleger kombinerer genominformert dataforsterkning med kontrastiv læring i protein språkrom, med utgangspunkt i bare 14 kjente fenazinmodifiserende sekvenser, i en tilnærming de kaller ML-CITO. Det ledet til oppdagelsen av PTC, et enzym som katalyserer en fenazinmodifisering man lenge har antatt bare skjer gjennom ikke-enzymatisk kjemi, bekreftet ved simulering og biokjemisk karakterisering. Den generaliserbare lærdommen er oppskriften: bruk domenestruktur til å fremstille informativt treningssignal i stedet for å vente på at et stort datasett skal dukke opp.

[Les originalen i PNAS, 27. juli →](https://doi.org/10.1073/pnas.2607571123)

Stable Diffusion som instrument for kulturanalyse

I stedet for å bruke generativ KI til å lage bilder, bruker Kim og medforfatterne Stable Diffusion til å lese dem, og trekker ut to slags latent informasjon fra 500 år med vestlig maleri: formale aspekter som farge, og kontekstuelle aspekter som motiv. Kontekstuell informasjon stemmer langt bedre overens med konvensjonelle kunstperioder, stiler og enkelte kunstnere enn formale elementer gjør. Teamet validerer deretter denne geometrien ved å tilføre tenkelige kontekster i historiske kunstverk og syntetisere malerier konsistente med stilen i en målperiode. For alle som gjør beregningsmessige analyser av kulturelle produkter, er det en mal for å behandle en generativ modells embeddingrom som måleapparat.

[Les originalen i PNAS, 24. juli →](https://doi.org/10.1073/pnas.2517969123)

Hva bildene i årsrapportene egentlig forteller investorene

Ben-Rephael, Ronen, Ronen og Zhou bruker maskinlæringsalgoritmer for å vurdere informasjonsverdien av foto (ikke grafer eller diagrammer) i selskapers årsrapporter, og utvikler et mål for «innholdsforstyrking» – hvor langt informasjonen investorene henter ut av bildene utfyller den tekstlige fortellingen. Selskaper bruker flere bilder når eiendelsvekst, forretningskompleksitet og mindre lesbare offentliggjøringer gjør informasjonsbehandling kostbar, og de øker bildebruken etter en eksogen nedgang i analytikerdekning. Større visuell utbredelse og sterkere tekstforstyrking henger sammen med mer nøyaktige og mindre spredte analytikervurderinger. Et rent eksempel på at multimodal maskinlæring åpner en offentliggjøringskanal som ren tekstforskning har oversett.

[Les originalen i Review of Accounting Studies, 21. juli →](https://doi.org/10.1007/s11142-026-09975-y)

Modularitet erstatter ikke koordinering – det avhenger av hvilken slags

Amrit Tiwana bygger på Simons teori om artefaktet for å dele plattformmodularitet opp i tre fasetter: dekobling, grensesnitt og «designregler» som avgrenser hva apper kan gjøre internt. Koordinering utfyller de separeringsfremmende fasettene, men substituerer de integrasjonsfremmende, og designregler – allestedsnærværende på plattformer, men teoretisk oversett – skaper tvetydighet som koordinering må lose opp i. Artikkelen utvidet argumentet eksplisitt til agentic KI og hybride plattform-grenseområder, der spørsmålet om hvor mye koordinering en eier av et økosystem bør kjøpe, er i ferd med å bli langt skarpere.

[Les originalen i Information Systems Research, 13. juli →](https://doi.org/10.1287/isre.2022.0444)

Praktisk: KI-grafiske sammendrag, og bildefeilene du bør unngå

Nature publiserte to praktiske veiledninger denne uken: én som går gjennom hvordan man lager et grafisk sammendrag med KI-verktøy på minutter, og en følgetekst med tre råd for å unngå KI-bildefeil i forskning. Les dem sammen, ikke hver for seg – fartgevinsten i den første er bare trygg etter at du har internalisert feilmodene i den andre, gitt hvor raskt tidsskriftene har beveget seg for å kontrollere KI-genererte figurer.

[Les originalen i Nature, 22. juli →](https://doi.org/10.1038/d41586-026-02072-9)

Dette var ukens innhold. Videresend gjerne artikkelen til en kollega som står foran en studie der tekst er data – og utforsk KI-verktøy for egen forskning på gaiforresearch.com.

KI-forskningsnytt