Dette viser kartleggingen
Tallene gjelder representantforslag, altså de formelle forslagene enkeltrepresentanter fremmer i Stortinget. Av 325 forslag det siste året inneholder 112 tekst som er helt eller delvis maskinskrevet, ifølge gjennomgangen. Andelen er høyest hos SV.
Kartleggingen er journalistisk arbeid, gjennomført uten en offisiell registrering fra Stortinget. Hvordan gjennomgangen har definert KI-tekst, avgjør dermed hvor mye tallet sier.
Slik måles KI-tekst, og hvorfor det er usikkert
Omtalen hos kode24 sier ikke hvilken metode som ligger bak analysen. Er den bygget på automatiske detektorer, gjelder forbeholdene vi har skrevet om tidligere: verktøyene som skal avsløre maskinskrevet tekst, treffer dårlig på norsk. Forskere ved NTNU og UiO har pekt på at feilraten er så høy at resultatene ikke kan brukes som bevis, noe vi gikk gjennom i saken om AI-detektorer og norsk tekst.
Et utslag fra en detektor er en sannsynlighetsvurdering. En som skriver kortfattet og formelt, kan få høy skår uten å ha brukt en chatbot. En tekst som er skrevet av en modell og deretter redigert av et menneske, blir ofte ikke fanget opp. Vi mener lesere som møter slike tall, bør lete etter metodebeskrivelsen i originalsaken før de konkluderer om enkeltrepresentanter.
Ingen regler forbyr bruk av språkmodeller
Et representantforslag er signert av navngitte politikere, og de står ansvarlig for innholdet uansett hvilket verktøy som er brukt underveis. Å la en språkmodell rydde i en tekst ligner det å la en rådgiver gjøre det. Det som bør vurderes, er hva som står i forslaget, og om påstandene holder.
Risikoen ligger i innholdet. Språkmodeller genererer henvisninger som ikke finnes, blander sammen paragrafer og produserer tall som ser riktige ut. Et forslag som skal behandles i komité og eventuelt bli til politikk, tåler ikke den typen feil. Kontrollen må gjøres av mennesker som kjenner saksfeltet, også når teksten er velskrevet.
Bruken påvirker også språket. Modellene skriver jevnt, høflig og litt anonymt, og de sliper vekk det som skiller en representant fra en annen. Vi har beskrevet begge sider av dette i artikkelen om AI som skrivehjelp, der modellen rydder i en rotete tekst, men samtidig gjør et særpreget språk mer alminnelig. For politiske dokumenter som skal leses av velgere, kan det være mer nyttig å bruke modellen til å gjøre stivt forvaltningsspråk forståelig uten å endre innholdet.
SVs bruk og partiets krav om regulering
kode24 trekker fram spenningen i funnet. SV har vært blant de tydeligste partiene på at bruken av kunstig intelligens må reguleres strammere, og er samtidig partiet som bruker teknologien mest i egne forslag, ifølge kartleggingen. Det kan godt være konsekvent å ville regulere et verktøy man selv bruker, men partiet bør kunne forklare hvor grensen går i praksis.
Samme uke kom en annen nyhet om norsk KI-politikk. Statsminister Jonas Gahr Støre og Finlands president Alexander Stubb står bak et initiativ for internasjonal kontroll med de mest avanserte KI-modellene, melder digi.no. Initiativet handler om andre problemstillinger enn tekstbehandling i stortingsdokumenter. Vi har tidligere skrevet om hvorfor slike initiativer ofte stopper opp, i saken om at AI-sjefene vil senke tempoet uten at noen avtale er signert.
Hva Stortinget bør avklare nå
Stortinget mangler en felles praksis for åpenhet om hvilke verktøy som er brukt. Så lenge ingen vet om et forslag er skrevet av en rådgiver, en representant eller en språkmodell, blir hver enkelt sak et spørsmål om mistanke, og detektorverktøy med høy feilrate ender opp som fasit. Vi mener en regel om at kilder og lovhenvisninger skal kontrolleres manuelt, er mer nyttig enn en debatt om hvem som har brukt hvilket verktøy.
Det samme gjelder andre som skriver tekster som blir lest kritisk, enten det er en søknad, en klage eller en skoleoppgave. Et utslag fra en detektor er en sannsynlighetsvurdering, og den som signerer, har ansvaret for at fakta stemmer.
