Klarer du fortsatt å se forskjell på ekte bilder og AI-bilder? Dette sier forskningen

TL;DR (Kort oppsummert)

“Folk sier de alltid kan se et AI-bilde, jeg er ikke så sikker lenger”, skrev en bruker på Reddit i en tråd som fikk stor oppmerksomhet i 2026, en variant av et spørsmål som dukker opp gjentatte ganger på tvers av flere ulike nettmiljøer. Forskningen gir et ganske klart svar: en fagfellevurdert studie med over 12 500 globale deltakere fant en gjennomsnittlig gjenkjenningsrate på rundt 62 prosent, bare litt bedre enn å gjette tilfeldig. En egen, uavhengig analyse fra Association for Computing Machinery beskriver situasjonen som “so-so”, nesten som et myntkast. Denne artikkelen går gjennom hva forskningen faktisk viser, hvorfor det har blitt så vanskelig og hvilke tegn som fortsatt gir deg en reell sjanse.

 

---

 

Hva viser forskningen konkret?

• 62 prosent gjenkjenningsrate på tvers av 12 500 deltakere. En studie publisert på arXiv i 2025 testet global deltakelse på tvers av ulike bildekategorier og fant at den samlede treffsikkerheten lå like over gjettenivå (50 prosent).
• Store forskjeller mellom bildetyper. Deltakerne var klart best til å gjenkjenne AI-genererte menneskeportretter, men presterte betydelig dårligere på natur- og bylandskap, ifølge samme studie. Det tyder på at “vanskelighetsgraden” varierer mye avhengig av hva bildet faktisk viser. Det handler altså ikke bare om hvor avansert modellen som laget det er.
• “As Good as a Coin Toss.” En egen analyse fra Association for Computing Machinery brukte nettopp denne overskriften til å oppsummere funnene på tvers av flere studier. Mennesker har generelt lav treffsikkerhet på å skille syntetiske bilder, lyd, video og audiovisuelt innhold fra ekte.
• Litt trening hjelper mer enn du skulle tro. Forskning fra Northwestern Universitys Kellogg School, som testet dette på etterretningsanalytikere, fant at bare 30 minutters målrettet opplæring kan gi en merkbar forbedring i evnen til å skille ekte bilder fra falske, sammenlignet med ingen trening i det hele tatt.

Funn	Kilde	Resultat
Gjenkjenningsrate	arXiv-studie, 12 500 deltakere	Rundt 62 %, like over gjettenivå (50 %)
Vanskelighetsgrad	Samme studie	Best på portretter, klart dårligere på natur- og bylandskap
Samlet vurdering	Association for Computing Machinery	“As Good as a Coin Toss” på tvers av flere studier
Effekt av trening	Northwestern Kellogg School	Merkbar forbedring etter kun 30 minutters målrettet opplæring

To fyllingsmålere viser forskjellen forskningen fant: langt høyere treffsikkerhet på portretter enn på natur- og bylandskap.

 

---

 

Hvorfor har dette blitt så vanskelig?

For bare et par år siden var de klassiske “tegnene” på et AI-bilde ganske pålitelige: for mange fingre, unaturlig symmetriske ansikter, uleselig tekst, glatt eller voksaktig hud. De nyeste generasjonene av bildemodeller har blitt trent til å rette nettopp disse svakhetene, ifølge en gjennomgang fra AI-forskeren og forfatteren Leon Furze. Effekten er at de mest åpenbare, lettleste feilsignalene gradvis forsvinner. De subtile forskjellene som gjenstår, som lysets fysikk, skarphet i skygger og unaturlige mønstre i teksturer, krever et langt mer trenet blikk å oppdage.

Det er en form for våpenkappløp: etter hvert som forskning og brukere identifiserer et konkret, gjenkjennelig “tell”, trener utviklerne av de neste modellversjonene bort nettopp det problemet. Det gjør at listen over pålitelige tegn stadig blir kortere og mer teknisk, samtidig som selve bildekvaliteten øker.

 

---

 

Hvilke tegn fungerer fortsatt best?

Selv om ingen enkelttegn er vanntett lenger, peker forskningen og praktiske eksperimenter (som spillet omtalt av Leon Furze) mot noen områder som fortsatt gir en reell, om enn ikke perfekt, sjanse:

• Lys og skygger som ikke stemmer fysisk overens med hverandre i bildet, spesielt der flere lyskilder skulle møtes naturlig
• Bakgrunnsdetaljer langt fra hovedmotivet, som mønstre i tekstiler, arkitektur eller folkemengder, der modellen har mindre “oppmerksomhet” å bruke enn på hovedmotivet
• Håndverk og gjenstander med gjentakende, presise mønstre, som fortsatt kan bli subtilt feil selv i nyere modeller
• Konteksten rundt bildet, ikke bildet i seg selv: hvem publiserte det, når og finnes det andre, uavhengige kilder som viser samme hendelse eller motiv?

Det siste punktet er, ifølge flere av kildene i denne artikkelen, i praksis blitt det mest pålitelige verktøyet etter hvert som selve bildeanalysen blir vanskeligere: kildekritikk fremfor pikselanalyse.

En pil viser skiftet i vekt: fra pikselanalyse i bildet til kildekritikk av hvem som publiserte det.

 

---

 

Vanlige spørsmål

Betyr dette at vannmerking (C2PA) løser problemet?

Ikke fullt ut. AIFokus har en egen, dypere artikkel om nettopp merkingsstandarden C2PA og hvorfor den ikke er en fullstendig løsning i seg selv. Se «Se også» under. Denne artikkelen handler spesifikt om menneskers egen, faktiske perseptuelle evne, uavhengig av om merking finnes eller er bevart.

Blir det umulig å se forskjell på ekte og AI-bilder i fremtiden?

Forskningen tyder på en klar trend i den retningen for de fleste bildetyper, men det finnes fortsatt kategorier (som visse typer landskap og gjentakende mønstre) der forskjellene er lettere å få øye på enn andre, ifølge studien med 12 500 deltakere.

Hjelper det å trene seg opp?

Ja, ifølge forskning fra Northwestern University ga selv en kort, målrettet opplæringsøkt en merkbar forbedring sammenlignet med ingen trening. Det tyder på at evnen delvis er en ferdighet du kan bygge, ikke bare noe du enten har eller ikke har.

 

---

 

Oppsummering og kilder

Forskningen er ganske entydig: mennesker er i dag bare litt bedre enn å gjette når de skal skille AI-genererte bilder fra ekte fotografier, med en gjennomsnittlig treffsikkerhet rundt 62 prosent på tvers av over 12 500 deltakere i en stor studie. Dette skyldes at nyere modeller er trent til å fikse nettopp de klassiske feilene (fingre, symmetri, tekst) folk lærte seg å se etter. De mest pålitelige verktøyene som gjenstår, er subtile fysiske detaljer i lys og bakgrunn, samt klassisk kildekritikk: hvem publiserte bildet, og finnes det uavhengig bekreftelse.

Det viktigste å huske:

• En stor studie med over 12 500 deltakere fant en gjenkjenningsrate på rundt 62 prosent, nær gjettenivå
• Mennesker er klart bedre på portretter enn på natur- og bylandskap
• Klassiske tegn (fingre, symmetri, tekst) blir stadig mindre pålitelige etter hvert som modellene forbedres
• Kort, målrettet trening kan gi en reell forbedring i folks treffsikkerhet
• Kildekritikk (hvem publiserte det, finnes uavhengig bekreftelse) er blitt vel så viktig som selve bildeanalysen

Kilder brukt i denne artikkelen:

• ACM: As Good as a Coin Toss, Human Detection of AI-Generated Content
• arXiv: How good are humans at detecting AI-generated images? Learnings from an experiment
• Kellogg Insight, Northwestern University: To Spot AI Fakes, a Little Training Goes a Long Way
• Dr. Leon Furze: Can You Spot an AI Generated Image?

Sist oppdatert: August 2026

Se også: Hva er vannmerking av KI-innhold (C2PA), og løser det problemet med falske bilder? for den tekniske løsningen bransjen forsøker seg på, Kan du stole på det du leser? AI-generert nettinnhold («AI slop») forklart for det bredere bildet av KI-innhold på nett og Slik fungerer AI-bildegenerering, forklart uten fagspråk for selve teknologien bak bildene forskningen i denne artikkelen tester deg på.