# Kodningsagenter kan sy ihop AI-text för att kringgå detektionsverktyg

> En ny metod låter programvaruagenter sätta samman texter från en mindre språkmodell. Det sänker detektionsgraden från 77 till 24 procent, men kan göra frågorna upp till 30 gånger dyrare.

Oossa · 2026-09-29 · https://oossa.com/sv/coding-agents-can-stitch-ai-text-to-dodge-detection-tools

Forskare publicerade den 25 september 2026 en artikel som visar hur en kodningsagent kan sätta ihop text från en grundmodell för att kringgå system som upptäcker AI-text. Agenten, som bygger på Claude Opus 5, hämtar upp till 90 procent av orden från en modell med 32 miljarder parametrar som heter OLMo-2. I tester tog sig de ihopsatta svaren förbi två typer av detektorer. Träffsäkerheten sjönk från 77 till 24 procent för ett populärt verktyg som analyserar text i efterhand, och till omkring 10 procent för en kontroll baserad på vattenmärkning.

## Så fungerar metoden

Tidigare knep gick ut på att skriva om AI-genererad text flera gånger, vilket ofta förändrade innebörden. I stället fungerar agenten här som en redaktör som kopierar och klistrar in. Den ber grundmodellen om många korta textprov och väljer sedan de delar som passar bäst för uppgiften – kreativt skrivande, faktasvar, hälsofrågor eller instruktioner. När delarna fogas samman håller sig slutresultatet till ämnet och läses naturligt, samtidigt som detektorn ser en blandning av många små textfragment i stället för en sammanhängande ström av AI-genererad text.

## Konsekvenser och kostnader

Metoden fungerar, men är dyr. Eftersom agenten skickar och tar emot betydligt fler token – de grundläggande textenheterna – kan varje fråga kosta upp till 30 gånger mer än ett vanligt API-anrop. Forskarna varnar för att detektionstjänster behöver tränas på sådana ihopsatta texter om de ska fortsätta vara effektiva. För vanliga användare innebär resultaten att verktyg som påstår sig kunna upptäcka AI-skrivet innehåll kan vara mindre tillförlitliga än vad som utlovas.

## Fakta

- Artikeln skickades in den 25 september 2026 av Bhuwan Dhingra.
- Claude Opus 5 samordnade en lokal OLMo-2-modell med 32 miljarder parametrar.
- Detektionsgraden sjönk från 77 till 24 procent för detektorn Pangram v4.
- Detektering av mjuk vattenmärkning sjönk till omkring 10 procent vid låga nivåer av falska positiva resultat.
- Kostnaden per fråga kan öka upp till 30 gånger eftersom agenten använder betydligt fler token.

## Varför det spelar roll

Om detektionsverktyg blir mindre tillförlitliga kan det bli svårare att avgöra om en text har skrivits av en människa eller en AI, vilket kan påverka förtroendet för innehåll på nätet. Samtidigt innebär den höga kostnaden för metoden att den knappast används på måfå, vilket gör tröskeln fortsatt hög för de flesta användare.

## Källor och referenser

1. [Agents Can Use Base Models to Evade AI Detection](https://arxiv.org/abs/2609.31876) – arXiv, 2026-09-29

Senast uppdaterad: 2026-09-29