Pangram henter 9 millioner dollar og lover 99 prosent treff på KI-tekst

Det åpne arkivet arXiv innførte i år en regel om ett års innleveringsforbud for forfattere som leverer tekst med tydelige spor av ukontrollert LLM-output, som hallusinerte referanser eller igjenglemte meta-kommentarer i manuset. Det er dette markedet Pangram henter penger inn i. Runden på 9 millioner dollar ledes av Menlo Ventures, og kommer samtidig med tekstmodellen Pangram 4 og en bildedetektor i forskningsforhåndsvisning.

Pangram oppgir selv at tekstmodellen treffer over 99 prosent på KI-assistert og blandet menneske-KI-tekst. Metoden er å trene på titalls millioner kjente menneskeskrevne dokumenter og lage en syntetisk speiling av hvert enkelt, altså samme tema, lengde og tone skrevet av en frontmodell. Detektoren leter dermed etter stilistiske valg modellene gjør konsekvent, ikke etter vannmerker eller metadata, som er grunnen til at den også slår ut på tekst som er kjørt gjennom en humanizer.

Det mest nyttige tallet kommer fra TechCrunchs egen test. Journalisten fikk 100 prosent menneskelig på sin egen uredigerte artikkel, og 13 prosent KI-assistert etter at ChatGPT og Claude hadde pusset på den. Men detektoren merket også setninger journalisten hadde skrevet fullstendig om selv som KI-skrevne. Medgrunnlegger Max Spero oppgir at rundt ett av 10 000 menneskeskrevne dokumenter feilmerkes.

Substack, Quora, skoler, forlag og rekrutterere kjører allerede Pangram via API, og en Chrome-utvidelse merker innlegg på X, LinkedIn, Substack, Reddit og Medium i sanntid. Presisjonen på dokumentnivå er altså ikke det samme som presisjon på setningsnivå, og det er setningsnivået folk kommer til å bli konfrontert med.

Hva bør du gjøre?

1. Behandl utslag på setningsnivå som en indikasjon, aldri som bevis. Testen over viser at helt omskrevne setninger kan bli merket.
2. Kjør din egen tekst gjennom en detektor før du leverer den et sted som håndhever regler, og oppgi KI-bruk der det finnes en opplysningsplikt.