Går det att bevisa att en elev använt AI?

Frågan kommer i en ny form den här terminen. Inte "går det att lita på en AI-detektor", utan "nu när AI-företagen själva vattenstämplar sin text, kan jag få ut ett svar den vägen".

Det är en rimlig fråga. Under sommaren 2026 gick textvattenstämpling från forskningsprojekt till skarp drift, drivet av EU:s AI-förordning, och rubrikerna följde efter.

Kort svar, i augusti 2026: nej, inte i praktiken. Vattenstämplarna finns och de är tekniskt bättre än många tror. Men ingen av dem är byggd för att en lärare ska kunna kontrollera en inklistrad elevtext, och flera av dem slutar fungera precis i de lägen som är vanligast i skolan.

Gäller frågan i stället hur träffsäkra AI-detektorer av typen GPTZero är, är den besvarad i Är texten skriven av AI?. Den här texten handlar om det andra spåret: märkningen som leverantörerna själva lägger in när texten skapas.

Tre olika saker kallas märkning

Det första steget är att skilja på tre lager som ofta blandas ihop.

1. Statistisk vattenstämpel i själva texten. En hemlig nyckel styr modellens ordval när texten skapas. Anthropic beskriver sin egen implementation så här: nyckeln och några föregående ord avgör vilket ord modellen väljer, orden ser fortfarande slumpmässiga ut, men den som har nyckeln kan kontrollera om ordföljden är förenlig med modellens val (Anthropic). Betydelse, kvalitet och läsbarhet ska vara opåverkade. Det avgörande: signalen sitter i orden, alltså följer den med när någon kopierar och klistrar in.

2. Metadata som följer filen. En kryptografiskt signerad notering i filens metadata enligt industristandarden C2PA, för de filtyper som stöds. Anthropic är själva tydliga med skillnaden: metadataetiketten är något helt annat än en vattenstämpel, ingenting i filen ändras, den är varken inbäddad eller dold. Metadata överlever ett filbyte via mejl. Den överlever inte skärmdump, formatkonvertering, omsparning eller kopiera-klistra.

3. Synlig märkning. En etikett i chattfönstret eller en rad i texten. Svagast tekniskt, starkast juridiskt, och per definition lättast att ta bort.

Vad som faktiskt finns i dag

Google har haft SynthID-Text i drift i Gemini sedan 2024, belagt i en artikel i Nature. SynthID gäller alltså text, inte bara bild, ljud och video. Anthropic har gått längst: modeller som lanserats den 2 augusti 2026 eller senare vattenstämplar text från start, på alla ytor där tjänsten används, och äldre modeller sveps in efter hand.

OpenAI byggde en textvattenstämpel redan 2023 till 2024 och valde medvetet att inte släppa den. Skälen de själva angav är värda att lägga på minnet: metoden är enkel att kringgå via översättning eller omskrivning i en annan modell, och den riskerar att stigmatisera AI som skrivstöd för den som inte skriver på sitt förstaspråk. Deras driftsatta proveniensmärkning omfattar i dag bild och ljud. Microsofts egen dokumentation för Microsoft 365 omfattar bara video, ljud och bild, och då med synliga etiketter. Meta har publicerat märkning för bild, ingenting publicerat om text.

Varför det ändå inte hjälper dig

Fyra hinder, och alla fyra är bekräftade av leverantörerna själva.

Omskrivning slår ut stämpeln. Lätt putsning räcker inte för att tvätta bort den, men en genomgripande omskrivning gör det. Forskare vid ETH Zürich visade att enbart parafrasering tog bort SynthID-Text i över 90 procent av fallen, utan avancerade attacker. Google skriver själva att förtroendevärdet sjunker kraftigt vid grundlig omskrivning eller översättning till ett annat språk.

Det finns ingen kontrollväg för dig. Anthropic uppger att ett detektions-API är på väg, utan tidplan och utan uppgift om vem som får tillgång. Googles SynthID Detector ligger bakom väntelista och riktar sig till journalister och medieproffs, och produktsidan beskriver portalen som en plats där man laddar upp bild, video eller ljud. Text nämns inte. Den verifiering som är öppen för alla i Gemini-appen omfattar bild, video och ljud. OpenAI Verify tar bild och ljud. Ingen av dem tar en inklistrad text från en svensk lärare. Detektion kräver leverantörens hemliga nyckel, och öppen källkod ändrar inte det.

Och nej, att klistra in elevens text i en chattbot och fråga "har du skrivit den här" är inte en kontroll. Det är en gissning, och dessutom en personuppgiftsfråga. Den delen reder vi ut i Får du klistra in elevtexter i ChatGPT?.

Korta och faktatunga texter bär knappt någon stämpel. Anthropic skriver att detektion fungerar dåligt på små stickprov, Google att den fungerar bäst på långa svar. Märkningen är dessutom glesare i faktatäta stycken, där modellen har färre ordval som inte påverkar riktigheten. En kort NO-fråga är i praktiken omärkbar. En lång uppsats i svenska är den bästa tänkbara bäraren. Ingen leverantör publicerar någon officiell minsta längd i ord.

Träff bevisar inte fusk, och utebliven träff bevisar ingenting. Anthropic formulerar det rakt: en vattenstämpel kan bara visa att modellen sannolikt varit inblandad någonstans, den kan inte skilja "AI:n skrev detta" från "AI:n redigerade detta tungt". Och avsaknad av märkning betyder inte att innehållet inte är AI-genererat.

Paradoxen som drabbar fel elev

Den sista punkten har en pedagogiskt obekväm konsekvens.

En översättning som modellen gör är fullt vattenstämplad, eftersom varje ord är valt av modellen, trots att tankarna är elevens. En elev som låter modellen språkgranska sin egen text får nästan ingen stämpel alls. Vattenstämpeln mäter vem som valde orden, inte vem som tänkte.

Den nyanlända eleven som formulerar sig på sitt modersmål och översätter riskerar alltså att se mest skyldig ut av alla i klassen, medan den som redan skriver flytande svenska och bara putsar syns minst. Det är precis den felriktningen som drabbar andraspråkstalare hårdast, och det är precis den OpenAI själva pekade ut som skäl att inte släppa sin metod.

Reglerna: Kina först, EU sedan

En vanlig missuppfattning är att EU gick före. Kina har haft bindande märkningsplikt för AI-genererat innehåll sedan 1 september 2025, elva månader före EU. Men det Kina gjort obligatoriskt för text är synlig etikett (som får sitta i gränssnittet) och dold märkning i filens metadata. Digital vattenstämpel är uttryckligen bara uppmuntrad. Den tekniska vägledningen för textfiler täcker dokumentformat som docx, pdf och markdown, inte ens ren .txt. Markera text i ett chattfönster och tryck kopiera, så följer ingenting med. Kinesiska modeller märker alltså text, men på filen och i gränssnittet, inte i orden.

EU:s AI-förordning artikel 50.2 gäller sedan 2 augusti 2026 och kräver att AI-genererat innehåll, inklusive text, märks maskinläsbart. Skyldigheten ligger på leverantören, inte på användaren, och lagen kräver inte att märkningen är kontrollerbar för allmänheten. Digital Omnibus sköt inte upp artikel 50, men lade till frister: maskinläsbar märkning för system som redan fanns på marknaden gäller från december 2026, interoperabel detektion från februari 2027.

Det mest ärliga i hela regelverket står i kommissionens uppförandekod. Där konstateras att ingen enskild märkningsteknik i dag uppfyller kraven på effektivitet, interoperabilitet, robusthet och tillförlitlighet, och att forensisk detektion ännu inte anses tillräckligt pålitlig. Koden nöjer sig dessutom med ett enda märkningslager för fri text, med motiveringen att fri text inte kan bära metadata, och undantar text under 200 tokens (ungefär 150 ord) helt från vattenstämpelkravet.

För svenska klassrum betyder det: ingenting direkt. Skolan är i regel användare, inte leverantör. Ingen märkningsregel i vare sig Kina eller EU löser relationen mellan lärare och elev.

Vad ett beslut får vila på

Här är rättsläget tydligare än debatten antyder.

Skolverket skriver rakt ut att det inte finns några säkra sätt att avgöra om en text är skriven av AI. UKÄ konstaterar i sin kartläggning av åtgärder mot fusk vid distansstudier att en sannolikhetsbedömning inte utgör något konkret bevis för att vilseledande med AI har skett. Vattenstämplar som bevismedel är helt oprövade i svenska primärkällor: varken godkända eller underkända, bara obehandlade.

Tre praktiska konsekvenser.

Streck går inte. Skollagen tillåter att betyg inte sätts när underlag saknas på grund av elevens frånvaro. Misstänkt fusk finns inte i bestämmelsen. Se F eller streck i betyget. Däremot får och ska du vikta ner ett otillförlitligt underlag: ju mindre tillförlitligt underlaget är, desto mindre ska det väga. Att lägga en enskild uppgift åt sidan ligger inom ditt mandat. Att sätta streck på hela ämnet gör det inte. Betyget ska motsvara elevens kunskaper, vilket innebär att rätt åtgärd är nytt underlag, inte sänkt betyg.

Grundskolan har inga fusksanktioner alls. Vilseledande är avstängningsgrund enbart i gymnasieskolan, anpassade gymnasieskolan och komvux. I grundskolan får rektor stänga av av säkerhets- eller studieroskäl, inte för fusk. Kvar finns rektors utredning och skriftlig varning.

Beviskravet är högt där det prövats. Kammarrätten i Stockholm slog i november 2025 fast att det av utredningen klart ska framgå att studenten försökt vilseleda, och kallade det ett högt ställt beviskrav. Domen är överklagad till Högsta förvaltningsdomstolen. Ett erkännande utan stödbevisning bär inte ett beslut. Och otydliga instruktioner fäller ärendet: skolan kan inte sanktionera ett beteende den aldrig tydligt förbjudit. Behöver ni skriva ner vad som gäller, börja i AI-policy för skolan.

Notera också obalansen: ett avstängningsbeslut kan överklagas, ett betyg kan det inte. Den elev som drabbas av ett felaktigt AI-grundat betygsbeslut har ingen väg tillbaka, vilket Överklaga betyg går igenom. Det är ett tungt argument för att aldrig hantera en misstanke via betyget.

Det som faktiskt håller

Volymen är verklig. UKÄ redovisar 769 avstängda studenter för otillåten AI-användning 2025, mot 82 år 2023. Det är nu den största ärendekategorin i högskolan och har passerat plagiat. Frågan försvinner inte. Men det som håller är inte ett verktygsutslag, utan tre andra saker.

Examinationsdesign. Skolverket avråder från inlämningsuppgifter som betygsunderlag när du bedömer att du inte kan säkerställa tillförlitligheten. Det är inte ett förbud mot hemarbeten, och det betyder inte att bara prov duger. Bedömningsformerna får variera.

Processunderlag. Planering, utkast, respons och revidering. Hur eleven presenterar, diskuterar och bemöter invändningar. Krav på källor. Det är underlag som inte kan lämnas in i efterhand av någon annan.

Samtalet. Öppna frågor om hur eleven tänkte, inte ett förhör. I högskolans disciplinärenden är det aldrig en enskild signal som håller, utan en sammanvägning av konkreta omständigheter: fabricerade referenser, terminologi som inte finns i kurslitteraturen, en text som inte svarar på uppgiften. Ingen detektor finns i listan. Och den signal som ligger närmast till hands, att språket skiljer sig från elevens tidigare arbeten, är den svagaste av dem alla. Elever utvecklas, och den som läser svenska som andraspråk kan gå framåt fort. Ärenden faller regelbundet på otillräcklig bevisning och på instruktioner som aldrig var tydliga.

Priset är värt att säga högt. Skolverkets egen lägesbild dokumenterar att ökad fuskrisk lett till mer övervakning, mer misstänksamhet och minskat lärande. En elev är inte skyldig för att en text låter ovanligt välskriven. Utgångspunkten måste vara att eleven ska få förklara, inte försvara sig.

Var Bedoma står

Vi säljer ingen AI-detektor och tänker inte göra det. Vi bygger inget som gissar en texts ursprung, och vi rapporterar ingen elev.

Bedoma gör en sak: läser en elevtext mot Skolverkets betygskriterier och ger en strukturerad bedömning med motivering per aspekt, och hur den sortens stöd får användas beskriver vi i guiden om AI som bedömningsstöd i svensk skola. Träffsäkerheten ligger på upp till 90 procents överensstämmelse med lärarens bedömning, kalibrerad mot tusentals bedömda elevtexter från lärare och de nationella provens provgrupper. AI:n ger en indikation. Läraren sätter betyget. Metod och begränsningar ligger öppet på Transparens.

Ursprungsfrågan är inte teknisk. Den är pedagogisk och rättslig, och den avgörs i uppgiftens utformning långt innan texten landar på ditt bord.