Når AI forbedrer teksten, men risikerer at ødelægge historien

Det sværeste i samarbejdet mellem forfatter og AI er ikke at finde fejl, men at vide hvilke løsninger historien kan tåle

Den farligste AI-fejl kan ligne en forbedring

Det mest interessante problem i samarbejdet mellem forfatter og AI opstår ikke, når AI skriver noget åbenlyst forkert. Den slags fejl er som regel lette at opdage. Den virkelige risiko opstår, når analysen er rigtig, og løsningen ser professionel ud, men samtidig ændrer noget, som fortællingen ikke havde bedt om at få ændret. En scene kan blive strammere, mens relationen mister sin langsomhed. Et karaktertræk kan blive tydeligere, mens personen bliver mere ensidig. Et motiv kan blive mere konsekvent, mens symbolikken bliver så synlig, at læseren begynder at se konstruktionen. Det er netop her, AI kan være overbevisende, fordi modellen er stærk til at genkende mønstre og foreslå en form, der ligner et velordnet svar. I arbejdet med Herstasia blev dette hurtigt en central erfaring. AI var ofte god til at diagnosticere, at noget var uklart, gentaget eller dramaturgisk svagt. Problemet opstod, når diagnosen blev behandlet som en automatisk tilladelse til at omskrive. En fortælling består ikke kun af problemer, der skal løses. Den består også af rytme, tvetydighed, relationel tid, skjult viden og detaljer, der først senere får betydning. Derfor kræver AI assisteret skrivning en skarp sondring mellem at opdage et problem og at have mandat til at løse det. Det første kan i høj grad overlades til AI. Det andet bør fortsat være en forfatterbeslutning.

En god diagnose giver ikke automatisk den rigtige medicin

AI analyserer tekst ved at finde mønstre, sammenligne funktioner og beregne sandsynlige forbedringer. Det gør teknologien værdifuld som kritisk læser, men samme styrke kan føre til for hurtige løsninger. Hvis en scene mangler tydeligt setup, kan AI foreslå at plante en forklaring tidligere. Hvis en karakterbue virker svag, kan modellen gøre motivet mere eksplicit. Hvis et kapitel har gentagelser, kan den komprimere forløbet. Hver løsning kan isoleret set være logisk, men fortællingen lever ikke isoleret. Et nyt setup kan røbe information, som først skulle forstås senere. En mere eksplicit motivation kan ændre karakterens psykologi. En komprimering kan fjerne de hverdagsøjeblikke, som gjorde en relation troværdig. Derfor er det nyttigt at behandle AI analyse som en diagnose, der først skal oversættes til et redaktionelt spørgsmål. I stedet for at spørge modellen om at reparere et problem med det samme, kan forfatteren spørge, hvilken funktion der mangler, hvor problemet mærkes, og hvilke konsekvenser forskellige løsninger vil få. Det flytter AI fra rollen som beslutningstager til rollen som analytiker. Erfaringen fra Herstasia viste, at denne forskel er afgørende. Når AI fik lov til at springe direkte fra observation til færdig løsning, kunne teksten blive mere korrekt på ét niveau og samtidig mindre sand på et andet. Når analysen derimod blev brugt til at formulere et præcist spørgsmål, kunne forfatteren vælge den mindst invasive ændring og bevare den eksisterende fortællings egen logik.

Komprimering kan fjerne det, der får relationer til at leve

En af de tydeligste erfaringer opstod, da en længere fortælling blev analyseret med fokus på dramaturgisk økonomi. Der var reelle steder med fortællerfacit, redundans og passager, som kunne strammes. En første AI assisteret gennemskrivning løste problemet effektivt, men den reducerede samtidig teksten så kraftigt, at noget andet forsvandt. Det var ikke de afgørende plotpunkter. Det var den levede tid mellem dem, hverdagen, efterreaktionerne, arbejdet, de små forskydninger og de scener, hvor relationerne fik lov til at eksistere uden at skulle levere et vendepunkt. Resultatet var en tekst, der på papiret havde en renere årsagskæde, men som føltes mere som en komprimeret redegørelse end som levet liv. Den version blev forkastet, og processen blev genbaseret fra den længere tekst. Læringen er vigtig, fordi AI ofte er god til at identificere funktion, men mindre sikker på hvor meget tid funktionen behøver for at blive troværdig. Et menneskeligt forhold kan ikke altid reduceres til de scener, der flytter plottet. Nogle gange er det netop opholdet, gentagelsen med en lille forskydning eller den tilsyneladende udramatiske hverdag, der gør et senere valg meningsfuldt. Derfor bør komprimering altid vurderes efter tab, ikke kun efter gevinst. Hvad bliver klarere, når teksten forkortes, og hvad mister læseren mulighed for at mærke? Hvis svaret er, at karaktererne stadig gør det samme, men ikke længere føles som de samme mennesker, har effektiviteten kostet for meget.

Mere intensitet kan ændre relationens kategori

En anden faldgrube viser sig, når AI bliver bedt om at gøre en scene mere sanselig, mere følelsesmæssig eller mere dramatisk. Modellen vil ofte skabe en stærkere motivationskæde omkring den ønskede intensitet. Det virker rationelt, fordi en større scene normalt kræver en tydeligere årsag. Men i karakterdrevne fortællinger kan denne logik ændre forholdet mellem mennesker. I Herstasia opstod problemet i en scene, der skulle have mere nærvær og dybde uden at blive til begyndelsen på en ny romantisk relation. En tidlig version plantede lyst og forventning før selve oplevelsen, fordi det gjorde den efterfølgende scene mere oplagt. Dramaturgisk hang forløbet fint sammen, men relationens kategori var blevet ændret. En engangserfaring med en bestemt funktion begyndte at ligne starten på en affære. Det var ikke en lille nuance, men en ændring af karakterernes betydning for hinanden og dermed også af senere konflikter. Løsningen blev ikke at gøre scenen mindre stærk. Den blev at lade intensiteten opstå inde i den eksisterende situation i stedet for at opfinde et nyt førforløb, som skulle retfærdiggøre den. Det er en vigtig regel i samarbejdet med AI. Når en eksisterende scene skal uddybes, bør den nye tekst forstærke den funktion, der allerede er besluttet. Den bør ikke skabe en ny motivationskæde bare for at gøre scenen mere overbevisende. Ellers risikerer man at forbedre scenen lokalt og omskrive hele fortællingen globalt.

Et karaktertræk bliver ikke dybere af at blive bevist igen

AI er særligt stærk til at opdage mønstre i en karakter. Hvis en person er præcis, kontrolleret, omsorgsfuld eller konfliktsky, kan modellen hurtigt finde steder, hvor egenskaben kan vises gennem handling. Det er nyttigt i etableringen, men det kan også blive en fælde. I flere Herstasia revisioner viste det sig, at et karaktertræk var blevet bekræftet så mange gange, at personen begyndte at ligne sin egen analyse. En præcis karakter rettede stole, kopper, kabler og lister igen og igen. En arkitekt betragtede for mange situationer gennem arkitektur. Hvert eksempel var i sig selv troværdigt, men summen gjorde karakteren smallere. AI havde i praksis optimeret konsistensen så meget, at mennesket forsvandt bag mønstret. Det førte til en mere brugbar regel: Når et karaktertræk først er etableret, bør senere eksempler kun få plads, hvis funktionen ændrer sig. Det samme træk kan koste noget nyt, skabe en anden konflikt, ændre en relation eller komme under større pres. Gentagelse alene er ikke karakterdybde. Tværtimod kan den gøre karakteren forudsigelig. Forfatteren skal derfor ikke kun spørge, om en scene er i karakter. Spørgsmålet er også, om scenen viser noget nyt om karakteren. Her kan AI være en værdifuld kontrollant, hvis den får den rigtige opgave. I stedet for at bede om flere manifestationer af et træk kan man bede modellen finde steder, hvor samme egenskab får en ny pris eller en anden betydning. Det bevarer sammenhæng uden at reducere personen til et sæt genkendelige signaler.

Symboler bliver svage, når teksten insisterer på dem

Det samme problem gælder rekvisitter og motiver. Når et objekt først er identificeret som tematisk vigtigt, er AI tilbøjelig til at beskytte og gentage det. Kameraet kommer igen, fjernbetjeningen dukker op på flere centrale steder, en stol eller en nøgle får flere markeringer, og på overfladen ser det ud som stærk sammenhæng. Men et motiv bliver ikke stærkere af at blive nævnt oftere. Det bliver stærkere, når dets funktion ændrer sig. I Herstasia var en af de vigtigste erfaringer, at tematisk opmærksomhed faktisk øger kravet til fysisk og relationel kontinuitet. Et kamera skal ikke bare symbolisere observation og deltagelse, det skal også kunne følges troværdigt gennem rummet. En nøgle kan først få relationel betydning, når tidspunktet for afleveringen passer til karakterernes faktiske udvikling. Et slutbillede mister kraft, hvis teksten samler så mange velkendte objekter, at scenen begynder at ligne en tematisk inventarliste. AI kan nemt se forbindelsen mellem objekter og betydning, men forfatteren skal vurdere, om forbindelsen stadig opleves naturligt. Den bedste payoff føles ofte som en plausibel handling mellem mennesker, som bagefter viser sig at bære en større betydning. Derfor bør motiver ikke genbruges, fordi de er vigtige. De bør genbruges, når situationen gør dem nødvendige, og når deres funktion har flyttet sig. Det er forskellen mellem symbolik, der vokser ud af fortællingen, og symbolik, der bliver sat ind for at minde læseren om fortællingens tema.

AI elsker at forklare betydningen lidt for tidligt

En sprogmodel har adgang til hele den tekst, den analyserer, og det skaber en særlig risiko i fortællinger med begrænset viden. Modellen ved, hvad der sker senere, og kan derfor skrive en elegant sætning, som kun er mulig, fordi den kender fremtiden. Formuleringer som at noget endnu ikke var blevet vigtigt, at en sætning senere skulle få en anden betydning, eller at en person stod foran et vendepunkt kan lyde litterære. Problemet er, at de flytter betydningen fra oplevelsen til fortællerens facit. Læseren får besked om, at et øjeblik skal huskes, i stedet for selv at opdage det, når payoff kommer. I arbejdet med Herstasia blev denne type fremtidsviden en særskilt kontrol. Det betyder ikke, at ord som senere eller endnu er forbudte. De kan være nødvendige for reel kronologi. Spørgsmålet er funktionelt: Kan sætningen siges ud fra det, karakteren eller fortælleren legitimt ved i det aktuelle øjeblik, eller eksisterer den kun for at markere en senere scene som vigtig? AI kan paradoksalt nok både skabe og finde denne fejl. Derfor er den velegnet som slutkontrol, hvis prompten specifikt beder den lede efter fremtidsfacit og skjulte spoilers. Men den bør ikke selv have lov til at løse alle fund med mere forklaring. Den stærkeste løsning er ofte at vende tilbage til observation, handling, kropslig reaktion eller et uafklaret spørgsmål, som kan bære betydningen nu og få en anden betydning senere.

Struktur kan være rigtig, mens mennesket stadig føles forkert

En af de mest nyttige erkendelser i AI arbejdet er, at en makroanalyse kan bestå, før teksten er færdig. Plotpunkter kan ligge rigtigt. Karakterbuen kan være tydelig. Setup og payoff kan fungere. Alligevel kan prosaen føles mekanisk, dialogen være for velformuleret, eller en karakter reagere med en temperatur, der ikke passer til det menneske, læseren kender. I Herstasia blev dette tydeligt efter flere strukturelt stærke revisioner. Først ved almindelig menneskelig gennemlæsning blev det klart, at nogle statement kæder var for glatte, at enkelte objektoplysninger var ligegyldige, og at bestemte karakterer virkede mindre sympatiske eller mere terapeutiske, end intentionen var. Det førte til en vigtig adskillelse mellem en analyse eller makrogate og en læsergate. AI kan kontrollere konstruktionen, men teksten skal stadig læses som oplevelse. Den skal høres, mærkes og vurderes for rytme, karaktertemperatur og almindelig menneskelig sandsynlighed. Det gælder også dialog. En grammatisk perfekt replik kan være dårligere end en tøvende, ufuldstændig formulering, hvis den sidste lyder som personen. Derfor må korrektur ikke automatisk glatte mundtlig uperfekthed ud. Den menneskelige læsning har her en funktion, som ikke blot er nostalgisk. Den vurderer, om teksten virker som liv og ikke kun som et sammenhængende system. AI kan hjælpe med at gøre systemet stærkere. Forfatteren skal afgøre, om menneskene stadig kan ånde inde i det.

Forfatteren skal eje de uafklarede områder

AI har en naturlig tilbøjelighed til at lukke huller. Hvis en dato mangler, kan modellen foreslå en sandsynlig dato. Hvis to mennesker kender hinanden uden en forklaret baggrund, kan den skabe et plausibelt møde. Hvis en motivation er tvetydig, kan den formulere den. I mange typer tekst er det nyttigt. I fiktion kan det være farligt, fordi et åbent spørgsmål ikke nødvendigvis er en fejl. Det kan være et bevidst område, som endnu ikke er besluttet, eller som først senere skal få betydning. Her bliver forskellen mellem plausibilitet og kanon afgørende. En AI løsning kan passe perfekt til alle kendte oplysninger og stadig være forkert, fordi forfatteren aldrig har valgt den. Herstasia arbejdet blev derfor mere robust, da åbne oplysninger fik lov til at være åbne og blev behandlet som noget, AI ikke måtte udfylde på egen hånd. Det gælder også karakterernes indre liv. En model kan ofte finde en psykologisk forklaring, der passer smukt til en handling, men hvis forklaringen bliver skrevet ind som sandhed, kan den lukke en tvetydighed, som var vigtigere end svaret. Forfatterens ansvar er derfor ikke kun at godkende de rigtige løsninger. Det er også at beskytte de spørgsmål, der endnu ikke skal løses. En stærk AI arbejdsgang bør kunne markere usikkerhed uden at udfylde den. Når et hul findes, bør første resultat være et spørgsmål eller en konfliktmarkering, ikke en ny kanonisk detalje. På den måde bliver AI en hjælp til overblik uden at blive en skjult medforfatter til beslutninger, som ingen har truffet.

Den bedste arbejdsdeling er analyse, valg og efterkontrol

Den mest stabile måde at samarbejde med AI på er at dele processen i tre faser. Først kommer analysen. Her må AI være aggressiv, finde gentagelser, brud, svage årsagskæder, uklare karaktervalg, for tidlige forklaringer og mulige kontinuitetsproblemer. Dernæst kommer forfatterens valg. Hvilke fund er reelle problemer, hvilke er bevidste særpræg, og hvilke må først løses senere? Først efter dette valg bør teksten ændres. Den tredje fase er efterkontrollen, hvor både AI og menneske vurderer konsekvensen. Løste ændringen faktisk problemet, og hvad kostede den? Denne sidste fase er ofte den mest oversete. En forbedring bør ikke godkendes alene, fordi den gennemfører planen. Den bør genlæses som ny tekst. I Herstasia blev det nødvendigt at skelne mellem analyse, planlagt ændring, gennemført ændring og vurderet virkning. Det lyder administrativt, men det ændrer skrivearbejdet fundamentalt. Metoden gør det muligt at opdage, at en rigtig analyse førte til en forkert løsning, uden at man bagefter omskriver historien om processen og påstår, at alt fungerede. Det giver også mulighed for at afvise et velbegrundet forslag, hvis det ikke passer til fortællingen. AI bliver dermed ikke en maskine, der leverer svar, men et redaktionelt instrument, der kan udfordre teksten flere gange. Forfatterens vigtigste opgave bliver at bevare sammenhængen mellem intention, karakter og konsekvens, også når den teknisk bedste løsning viser sig ikke at være den litterært bedste.

AI er stærkest, når den får lov til at være uenig

Det kan virke paradoksalt, men et godt samarbejde med AI kræver ikke, at modellen skriver mere. Det kræver, at den stiller bedre spørgsmål. Den største værdi opstår ofte, når AI opdager noget, forfatteren har overset, og derefter bliver holdt tilbage fra straks at reparere det. Så kan analysen blive en reel redaktionel samtale. Er denne gentagelse overflødig, eller er det anden gang, samme handling får en ny betydning? Er karakteren uklar, eller er tvetydigheden en del af personen? Er scenen for lang, eller er det netop tiden i scenen, der får relationen til at føles levet? Er et motiv underudnyttet, eller vil endnu en markering gøre symbolikken for synlig? Den slags spørgsmål kan ikke besvares gennem en universel model. De kræver kendskab til det konkrete værk og en forfatter, der er villig til både at lytte og sige nej. Her ligger måske den vigtigste erfaring fra Herstasia. AI bliver ikke farlig, fordi den er dårlig til historier. Den bliver farlig, fordi den ofte er god nok til at foreslå en løsning, der virker rimelig. Derfor er den bedste beskyttelse ikke mindre AI, men tydeligere redaktionel styring. Når kanon, intention og beslutningsret er klare, kan AI bruges hårdt som analytiker og kritiker uden at få lov til at definere fortællingens sandhed. Det er dér samarbejdet bliver interessant, ikke når mennesket følger maskinen, og heller ikke når maskinen blot udfører ordrer, men når begge bidrager med noget forskelligt til den samme tekst.