Waarom is AI-schrijven zo slecht? De werkelijke redenen waarom concepten vlak en generiek voelen

Waarom is AI-schrijven zo voorspelbaar?

Grote taalmodellen worden getraind om het waarschijnlijkste volgende woord te voorspellen, gegeven alles wat eraan voorafging. Deze enkele doelstelling verklaart het meeste van wat voelt als fout in AI-proza. Op elk punt in een zin reikt het model naar het woord of de zin die een enorme steekproef van eerder tekst suggereert het waarschijnlijkste te zijn — niet het woord dat het best een specifiek, idiosyncratisch idee vastlegt. Het resultaat is tekst die je bijna nooit verrast, omdat het gebouwd is om dat niet te doen. Een menselijke schrijver kiest af en toe een onverwacht woord omdat het nauwkeuriger, levendiger is, of gewoon hoe zij denken — zelfs wanneer een veiliger synoniem vlak daarvoor lag. Een model dat is getraind om voorspellingsfout te minimaliseren, heeft geen reden om die keuze te maken; het veiliger synoniem is per definitie statistisch het voorkeurde. Lees genoeg AI-uitvoer en je begint hetzelfde ritme terug te zien: een onderwerpsuitspraak, een ondersteunende clausule, een zachte kwalificatie, een nette afsluiting. Niets ervan is fout. Alles wordt verwacht, en verwacht is precies wat begint te voelen als slecht.

AI-schrijven is niet slecht omdat het regels breekt. Het is slecht omdat het elke keer de meest waarschijnlijke regel volgt, en proza zonder waarschijnlijke keuzes erin heeft nergens waar de aandacht van een lezer kan landen.

Waarom klinkt AI-schrijven zo generiek?

Een model heeft niet één enkele bron waaruit het put — het is getraind op een enorm gemiddelde van hoe miljoenen documenten een onderwerp bespreken. Wanneer je het vraagt om een concept uit te leggen, een product te beschrijven, of een argument te maken, herinnert het zich niet één scherp standpunt; het mengt de statistisch gemeenschappelijke formulering in een groot aantal vergelijkbare teksten tot één vloeiende versie. Dat gemiddelde is waarom AI-schrijven generiek klinkt, zelfs als elke zin individueel correct is. Een specifieke mening, een gedenkwaardig analogie, of een enigszins onconventionele framing zou de uitvoer van het gemiddelde wegtrekken, en de training van het model duwt het terug naar het midden. Het midden is veilig, breed toepasbaar, en bijna nooit verkeerd — en ook bijna nooit onderscheidend. Dit is dezelfde reden waarom door AI geschreven productbeschrijvingen, sollicitatiebrieven, en essays over compleet verschillende onderwerpen vreemd op elkaar kunnen lijken: ze worden allemaal naar hetzelfde statistische midden getrokken.

1. Vage intensiveerders in plaats van specifieke: 'significante impact' in plaats van een getal, 'veel experts zijn het eens' in plaats van er één te noemen
2. Uitwisselbare voorbeelden: illustraties zo generiek dat ze in een essay over bijna elk ander onderwerp zonder bewerkingen kunnen worden gebruikt
3. Te veel gebalanceerd raamwerk: elke bewering onmiddellijk afgezwakt met 'echter' of 'aan de andere kant,' zelfs wanneer de schrijver duidelijk een sterker standpunt heeft
4. Leerboekdefinities die paragrafen openen die een lezer vertrouwd met het onderwerp niet opnieuw hoeft uit te leggen

Waarom voelen AI-overgangen zo flauw aan?

Menselijke schrijvers bewegen zich tussen ideeën zoals zij denken: soms abrupt, soms met een zin die stilletjes herkaderen wat ervoor kwam, soms door gewoon een nieuwe alinea te beginnen omdat het punt duidelijk verbonden is zonder hulp van een koppelwoord. Door AI gegenereerde tekst leunt meestal op een kleine verzameling verbindingswoordgroepen — bovendien, verder, voorts, bovendien — aan het begin van bijna elke alinea, ongeacht of de logische relatie er eigenlijk om vraagt. Deze gewoonte komt uit hetzelfde voorspelbaarheid probleem: 'bovendien' is een zeer veilige, zeer gebruikelijke manier om twee gerelateerde punten te verbinden, dus het wordt constant geselecteerd. Overgebruikt, stoppen deze overgangen met hun werk. Een lezer begint eraan voorbij te scannen omdat zij hebben geleerd dat het woord geen echte informatie draagt — het is vulsel dat 'hier komt nog een punt' betekent, niet 'hier is hoe dit punt zich tot het vorige verhoudt.' Het effect versterkt zich over een volledig artikel: alinea na alinea begint met dezelfde handvol standaard koppels, en het schrijven voelt mechanisch aan, zelfs als geen enkele zin gebrekkig is.

Een overgangswoord moet de lezer iets vertellen over de relatie tussen twee ideeën. Wanneer elke alinea met dezelfde begint, stopt het met iets te betekenen.

Waarom is AI-schrijven zo slecht in het toegeven van onzekerheid?

AI-modellen genereren tekst één token tegelijk zonder een apart proces dat controleert of een claim werkelijk waar is voordat het wordt opgeschreven. De vlotheid van de uitvoer en de juistheid van de uitvoer komen uit volledig verschillende mechanismen, en vlotheid is degene waarvoor het model is geoptimaliseerd. Dat is waarom door AI gegenereerd schrijven een onjuiste statistiek kan vermelden, een citaat onjuist toeschrijven, of een aannemelijk klinkende studie kunnen verzinnen met dezelfde zelfverzekerde, goed gestructureerde toon die het gebruikt voor een claim die volledig juist is. Er is geen voorbehoud in de proza zelf die onzekerheid signaleert, omdat het model niet zijn eigen onzekerheid volgt zoals een zorgvuldige menselijke schrijver dat doet. Een persoon die schrijft over iets waarvan zij niet volledig zeker zijn, zal vaak — bewust of niet — de claim verzwakken, een kwalificatie toevoegen, of het markeren als iets om te verifiëren. Een model heeft geen equivalent inwendig signaal om op te steunen, dus alles komt er even zeker uit. Lezers die niet al vertrouwd zijn met het onderwerp, hebben geen manier om het verschil tussen een goed ondersteunde claim en een verzonnen claim te zien, alleen van hoe het geschreven is, wat precies is wat deze faalmanier zo gemakkelijk maakt om in een eerste lezing te missen.

Vloeiend en correct zijn niet dezelfde eigenschap, en AI-modellen zijn alleen direct geoptimaliseerd voor de eerste.

Waarom is AI-schrijven zo slecht in beleefde details?

Een model heeft nooit werkelijk iets gedaan. Het heeft tekst verwerkt die beschrijft wat andere mensen hebben gedaan, gevoeld, of waargenomen, maar het heeft geen geheugen van een specifieke dinsdag, geen sensorische registratie van een bepaalde plaats, en geen persoonlijk belang bij de uitkomst van een argument. Die afwezigheid verschijnt als een blijvend gat in specificiteit. Vraag een model om een moeilijk gesprek, een mislukt project, of een kleine technische fout te beschrijven, en het zal iets structureel correct en emotioneel passend voortbrengen — maar het reikt naar de generieke versie van die ervaring in plaats van een echte, specifieke, omdat het geen specifieke heeft om uit te trekken. Menselijk schrijven, zelfs wanneer het over iets gewoons gaat, draagt meestal kleine onverklaarbare details: een specifiek getal, een vreemde opmerking, een observatie die niet voor het argument dient maar toch waar is. AI-concepten laten deze meestal achterwege omdat er geen mechanisme is dat irrelevant-maar-echte details genereert — alles wat het model voortbrengt is, in zekere zin, in dienst van de onmiddellijke voorspellingstask, en dwaalzieke, doelloze details worden zelden geselecteerd als de waarschijnlijkste volgende woorden.

1. Ontbrekende sensorische of situationele details: geen specifieke geur, geluid, tijd van de dag, of fysiek detail dat een scène verankert
2. Geen onverklaarbare zijsprongen: elke zin dient duidelijk het argument, zonder de kleine irrelevante opmerkingen die echte schrijvers opnemen
3. Ronde, generieke getallen in plaats van vreemd specifieke: 'een significant deel' in plaats van '37 van de 52 reacties'
4. Emoties genoemd in plaats van getoond: 'dit was frustrerend' in plaats van een concreet moment dat frustratie duidelijk maakt zonder het te noemen

Hoe controleer je of een concept deze problemen heeft?

De meeste oplossingen voor vlak AI-schrijven beginnen met een nauwlettende lezing van de exacte patronen die hierboven zijn beschreven, omdat geen ervan volledig herschrijven vereisen — zij vereisen het vinden en vervangen van de generieke versie met een specifieke. Ga sectie voor sectie door en vraag jezelf af wat verloren zou gaan als je een bepaalde zin zou verwijderen; als het antwoord niets is, is die zin waarschijnlijk vulsel. Zoek dan naar de enige meest verdedigbare, minst voorbehouden claim van het schrijven en controleer of het stuk er werkelijk aan committed of het begraaft in kwalificaties. Een korte revisiepass gericht op deze controles doet meer om een AI-achtig concept te repareren dan een compleet herschrijven, omdat de onderliggende ideeën meestal goed zijn — de oppervlakte textuur is wat aandacht nodig heeft.

1. Zoek in het concept naar 'bovendien,' 'verder,' 'voorts,' en 'tot slot' — knip er minstens half van uit en laat alinea's zonder koppelwoord verbinden
2. Omcirkel elk vaag intensiveerder (significant, divers, talrijke, veel) en vervang het met een werkelijk getal, naam, of specifiek voorbeeld
3. Lees elke feitelijke claim en noteer of je naar zijn bron zou kunnen wijzen — zo niet, verifieer het of verwijder het vóór publicatie
4. Voeg één concreet, specifiek detail per sectie toe dat uit echte ervaring of onderzoek komt, niet uit wat 'typisch' gebeurt
5. Lees het stuk hardop voor — zinnen die allemaal met hetzelfde ritme en gewicht landen, zijn een teken van lage variatie die het waard is om op te breken
6. Voer het concept uit via NotGPT's AI-detector om te zien welke specifieke zinnen als het meest voorspelbaar lezen, en herzie die dan eerst