Många läsare har märkt det anekdotiskt: text skriven av AI-modeller känns alltmer tät, uppstyltad och konstigt utmattande att analysera, även när den är grammatiskt felfri. Ett nytt förtryck publicerat på arXiv lägger hårda språkliga data bakom den intuitionen - och föreslår en förklaring till varför det händer.
Studien, "Varför är AI-genererat språk så svårt att förstå?", lämnades in den 21 oktober av forskarna Thomas Hikaru Clark, Matias B. Martin och Kyle Mahowald. Utgående från en ny korpus av AI-genererad text över olika domäner, analyserade författarna en uppsättning psykolingvistiska egenskaper som är väletablerade i litteraturen som markörer för bearbetningssvårigheter för mänskliga läsare - inklusive objektsrelativa klausuler, långa syntaktiska beroenden och lågfrekventa n-gram. For more context on this story, see our ongoing AI industry coverage.
Vad forskarna mätte
Psykolinguistiken har länge vetat att inte alla meningar kostar lika mycket att läsa. Objektsrelativa klausuler ("senatorn som reportern attackerade...") tar mätbart längre tid att bearbeta än subjektssläktingar. Långa beroenden mellan ord tvingar läsarna att hålla mer material i minnet. Sällsynta ordsekvenser kräver mer ansträngning att hämta och integrera. Dessa funktioner fungerar som en linjal för att mäta hur svår en text faktiskt är att förstå - till skillnad från hur sofistikerad den låter.
Forskarna jämförde AI-genererat skrivande mot två baslinjer: mänskligt skriven text och parafraser framställda genom översättning tur och retur, en kontroll utformad för att separera äkta modellquirks från den generiska smaken av formell eller maskinisk prosa.
Den kontrollen spelar roll. Skeptiker skulle rimligtvis kunna hävda att AI-text helt enkelt läser som affärsmässigt eller tekniskt skrivande - formellt, opersonligt och tungt med substantiv - snarare än att uppvisa en distinkt patologi. Rundtursöversättning ger text med ett liknande polerat, lite onaturligt register utan någon språkmodellutbildning bakom sig. Om AI-modeller fortfarande översteg den baslinjen för bearbetningssvårighetsmått, skulle skillnaden behöva komma från något specifikt för hur modellerna själva lärde sig att skriva. Det är i huvudsak vad studien fann.
Vad de hittade
Resultaten var konsekventa över hela linjen. Jämfört med mänskligt skrivande gjorde alla nio frontier- och near-frontier-modeller som undersöktes i studien - en grupp som inkluderar system från familjerna GPT-5.6, Claude, Llama, DeepSeek och Qwen - mätbart svårare val:
- Fler livlösa ämnen parat med animerade verb — det karakteristiska AI-mönstret att skriva som abstraktioner "gräver", "understryker" eller "markerar".
- Fler lågfrekventa n-gram, vilket betyder ovanliga ordsekvenser som mänskliga författare sällan producerar.
- Längre syntaktiska beroenden, med subjekt och verb separerade av mer intervenerande material.
- Fler staplade substantiv och, i konversationstext, mer reducerade objektrelativa satser.
Studien dokumenterade också betydande variation mellan modellfamiljer - inte alla modeller är lika svåra att läsa - och fann att AI-modeller använde dessa svåra konstruktioner oftare än omskrivningar för tur och retur, vilket indikerar att effekten är specifik för hur modellerna tränas snarare än en artefakt av formellt register.
Den variationen är tyst ett av de mest användbara resultaten i tidningen. Om lässvårigheter var en oundviklig konsekvens av skala eller förmåga, skulle alla gränssystem samlas. Istället tyder spridningen mellan familjer på att val efter träning – datamixen, belöningssignalerna, betoningen på resonemangstunga domäner – tydligt formar hur en modells prosa landar på en mänsklig läsare. Med andra ord är svårläst AI-text ett designresultat, inte en oundviklig biprodukt av intelligens.
Informationsdensitetshypotesen
Varför skulle modeller driva mot ett hårdare språk? Författarna föreslår och testar en hypotes: medan mänskligt språk utvecklades och lärs in under press för att kommunicera framgångsrikt, optimeras AI-genererad text alltmer för andra mål – matematik, kod och resonemangsuppgifter – där trycket är mot informationstäthet snarare än att det är lätt att förstå.
En modell som belönas för att packa in korrekta svar i färre tokens lär sig vanor som överförs till prosa: komprimera betydelse, föredrar exakta men sällsynta formuleringar, bädda in mer struktur per mening. Resultatet är text som ger bra betyg på riktmärken samtidigt som den blir allt mindre naturlig för mänskliga läsare.
För att testa idén körde forskarna ett proof-of-concept-experiment: de finjusterade en språkmodell under ett längdstraff, vilket tvingade den att komprimera sin produktion. Modellens språkliga beteende avvek från människoliknande mönster på exakt de sätt som hypotesen förutsäger – vilket ger kausalt stöd till idén att optimeringstryck, inte bara data, driver förändringen.
Varför det är viktigt
Resultaten belyser vad författarna kallar en felanpassning mellan de språkliga bearbetningskraven från människor och de som implicit föredras av stora språkmodeller. Den felställningen får praktiska konsekvenser. AI-assistenter som producerar svårare att läsa text lägger en dold skatt på varje svar, och effekten förvärras när människor spenderar mer av sin lästid på modellgenererade utkast, sammanfattningar och förklaringar.
Författarna hävdar att deras ramverk pekar mot möjliga lösningar - sätt att träna eller ställa in modeller vars produktion respekterar mänskliga bearbetningsgränser utan att offra kapacitet. Tidningen är ett förtryck och har ännu inte genomgått referentgranskning, men dess centrala iakttagelse ger redan resonans: verket klättrade på Hacker News förstasida den 24 oktober, vilket ledde till en aktiv debatt om huruvida avvägningen mellan resonemangsprestanda och läsbar prosa är grundläggande eller fixbar.
För närvarande ger studien läsarna ett validerat ordförråd för en välbekant frustration. Texten blir inte sämre av en slump – den blir tätare av designen.
Källor: arXiv:2610.29162, Hacker News diskussion---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
