Ja, AI-genereret indhold kan detekteres. Statistisk analyse, machine learning-klassifikatorer og genkendelse af sproglige mønstre kan alle identificere det. Men "detekteret" og "pålideligt detekteret" er to vidt forskellige ting, og det er i kløften mellem dem, at alle de vigtige beslutninger træffes.
Store sprogmodeller som ChatGPT, Claude og Gemini er nu en fast del af arbejdsgangene inden for marketing, kundesupport og redaktionelt arbejde. Derfor er det gamle spørgsmål om, hvorvidt en tekst er skrevet af et menneske eller en maskine, ikke længere bare en kuriositet. Det er en operationel risiko. Denne artikel gennemgår, hvad værktøjerne rent faktisk måler, hvornår en AI-kontrol er pålidelig, og hvornår man bør holde op med at stole på den.
Hvis du leder en ingeniørafdeling, driften eller et indholdsteam, handler AI-detektion ikke om snyd til eksamen. Det er et spørgsmål om governance. Og det gør sig gældende på fem konkrete områder.
Risiko ved indholds-governance. Nu hvor skriveværktøjer har indbygget AI, er en del af alt det, din organisation publicerer, maskinassisteret – ofte uden at nogen bevidst har valgt det. Hvis du springer politikken for, hvad der er tilladt, og hvordan det kontrolleres, over, overtager du automatisk dine leverandørers praksis. Den første beslutning er ikke, hvilken detektor du skal købe. Det er, hvad jeres standard rent faktisk er.
Tillid til leverandører og samarbejdspartnere. Bureauer, freelancere og eksterne partnere er den mest almindelige kilde til ikke-deklareret AI-tekst. En detektor giver dig et signal her, men det er ofte upræcist. Skriv krav om AI-deklarering ind i leverandørkontrakter, og brug detektion som stikprøvekontrol, ikke som en portvagt. Et værktøj, der fejlagtigt markerer ægte arbejde, koster dig en relation. Et værktøj, du stoler blindt på, koster dig dine standarder.
Brandets integritet i stor skala. Et enkelt AI-genereret afsnit er ikke en risiko for dit brand. Det er tusindvis af sider med ukontrolleret, generisk og flydende tekst derimod. Faren vokser med mængden, hvilket er præcis der, hvor detektion er svagest.
Eksponering i regulerede brancher. Inden for finans, sundhed og jura er det ikke bare pinligt at publicere selvsikkert, flydende og forkert indhold. Det kan være et brud på compliance. Spørgsmålet skifter fra "er dette AI" til "kan vi dokumentere ansvarligheden for dette", og EU's AI-forordning gør nu dette til lov (mere herom nedenfor).
ROI og tid til værdiskabelse. Et abonnement på en detektor er billigt. Den dyre post er tiden brugt på gennemgang. Dit afkast kommer fra at prioritere, hvad folk skal kigge på, ikke fra værktøjets nøjagtighed pr. tjek. Et købt værktøj skaber hurtigt værdi. En egenudviklet løsning gør ikke, hvilket er kernen i den næste beslutning.
Udvikle eller købe. De fleste virksomheder bør købe. Standarddetektorer bliver løbende opdateret, efterhånden som modellerne bag dem ændrer sig, og det kan sjældent betale sig at bygge det selv. En specialbygget klassifikator er kun rentabel i snævre tilfælde: domænespecifik tekst i store mængder, detektion der skal køre internt i egne systemer, eller regler for datasuverænitet, der forbyder afsendelse af indhold til et eksternt værktøj.
Den kommercielle test er enkel. Estimer de årlige timer, du sparer på gennemgang, gang dem med de fulde omkostninger, og hold det op mod licensprisen for et købt værktøj eller udviklings- og vedligeholdelsesomkostningerne ved en egen løsning. For de fleste teams er det købte værktøj tjent hjem inden for det første kvartal. Hvis du overvejer det, kan vores team for anvendt AI og maskinlæring hjælpe med at vurdere, hvor du står, og vores guide til udvikling af domænespecifikke AI-copilots gennemgår, hvad en tilpasset pipeline reelt indebærer.
AI-genereret indhold er tekst produceret af store sprogmodeller som GPT-4, Claude og Gemini. Disse modeller trænes på enorme datasæt og fungerer ved at forudsige det mest sandsynlige næste ord i en sekvens. Netop denne mekanisme, sandsynligheden for det næste token (hvor et token er et ord eller et ordfragment, som modellen behandler som en enkelt enhed), er årsagen til, at outputtet fremstår så flydende og fejlfrit.
Det er også grunden til, at det er svært at detektere. Modellerne er optimeret til sammenhæng, så deres tekst lægger sig tæt op ad det statistiske gennemsnit for velskrevet sprog. Forestil dig en flod, der finder den laveste vej: En LLM flyder hver gang mod den mest sandsynlige formulering. Problemet er, at omhyggelig menneskelig skrivning – den strukturerede og polerede slags – følger den samme lavning. Derfor bliver den læst som maskinskrevet af et detekteringsværktøj.
Det er hele grundlaget for alt det nedenstående. Detekteringsværktøjer læser ikke for at forstå meningen. De måler, hvor tæt din tekst følger den kanal, som en model ville have skabt.
Grunden til at detektere AI-genereret tekst handler ikke om selve teknologien. Det handler om, at en række forretningsmæssige beslutninger bliver dårligere, så snart du ikke kan se, hvem der har skrevet noget.
Publiceringsbeslutninger. Hvis du ikke kan se, om en side afspejler reel ekspertise eller en models bedste gæt, kan du ikke stå inde for den. Det rammer hårdest inden for "Your Money or Your Life" (YMYL)-indhold – altså finans-, sundheds- og jura-sider, hvor et selvsikkert, flydende, men forkert svar har reelle konsekvenser.
Leverandøransvar. Betaler du for original tekst, men modtager maskingenereret indhold, har du betalt for noget, du ikke har fået. Detektering er én måde at kontrollere det på. En svag metode i sig selv, men en start.
Søgemaskinesynlighed. Googles officielle holdning er, at kvalitet betyder mere end forfatterskab. Risikoen er derfor ikke, at AI-indhold bliver straffet. Risikoen er, at ikke-gennemset AI-indhold ofte er generisk, og generisk indhold skaber hverken placeringer eller links.
Gennemsigtighed og tillid. Læsere forventer i stigende grad at vide, hvornår en maskine har skrevet det, de læser. Hvis du publicerer det i stilhed og bliver opdaget, mister du mere tillid, end det nogensinde ville have kostet at være åben omkring det.
Intet af dette kræver en perfekt detektor. Det kræver, at du ved, hvor meget du kan stole på den, du har.
Detektorer kombinerer sproglig analyse, statistisk modellering og maskinlæring. Tre teknikker står for det meste af arbejdet. Du kommer aldrig selv til at implementere nogen af dem, men ved at vide, hvilken metode et værktøj læner sig op ad, ved du også, hvor det vil fejle. Det er i virkeligheden det, du køber.
Perpleksitet måler, hvor forudsigelig en tekst er for en sprogmodel. AI-genereret indhold har tendens til at have en lav perpleksitet, fordi det følger de mønstre, modellen er trænet til at producere. Mennesker bruger ofte mærkværdige ordvalg, der får perpleksiteten til at stige.
Burstiness måler variationen i sætningslængde og -struktur. Vi skriver i ryk. En lang, kringlet sætning efterfulgt af en kort. AI-output er mere fladt og ensartet.
Et hurtigt eksempel:
Værktøjer som GPTZero scorer begge signaler. Her er hagen. Meget menneskeskrevet tekst har lav perpleksitet og burstiness, såsom teknisk dokumentation, laboratorierapporter og formel forretningsprosa, hvilket er præcis grunden til, at disse signaler tager fejl.
Vandmærkning skjuler et statistisk signal i den genererede tekst ved at påvirke, hvilke tokens modellen vælger. Betydningen forbliver den samme, men i større mængder træder mønsteret frem.
Fordelen er sporbarhed. En platform kunne bekræfte, at teksten stammer fra en kendt model. Udfordringen er, at vandmærkning kun virker, hvis modeludbyderen anvender det, og en let omskrivning fjerner det fuldstændigt. Derfor er det endnu ikke udbredt.
Klassifikatorer trænes på store datasæt med både maskin- og menneskeskrevet tekst, hvor de lærer de små kendetegn i syntaks, tempo og struktur. Værktøjer som Turnitin og Originality.ai fungerer på denne måde, og på råt, uredigeret model-output er det normalt den mest præcise tilgang. Svagheden er den samme, som hjemsøger alle metoderne her. Klassifikatorer tager fejl af tekst, der er forudsigelig af legitime årsager, hvilket rammer ikke-modersmålstalende og formelprægede genrer hårdest.
De fleste råd om AI-detektion lider under samme mangel. De fortæller dig, hvilket værktøj du skal bruge, giver dig en procentsats og lader dig derefter stå alene med den. En score på "73 % AI" betyder intet, før du ved, hvor meget du kan stole på den i den givne tekst og kontekst.
Derfor bruger vi en enkel tilgang sammen med vores kunder. Vi kalder den tærskelværdien for detektionssikkerhed: det niveau af sikkerhed, du har brug for, før et detektionsresultat må danne grundlag for en beslutning. Værktøjet giver dig ikke dette tal. Det fastsætter du selv ud fra to faktorer: omkostningerne ved at tage fejl og de forhold, der gør værktøjet pålideligt.
Trin 1. Fastsæt tærskelværdien ud fra omkostningerne ved en forkert vurdering. Jo større skade en fejlagtig anklage eller en overset fejl vil forårsage, desto højere skal dit krav til sikkerheden være, før du handler udelukkende på baggrund af en score.
Trin 2. Justér scoren efter forholdene. Stol mindre på resultatet, når:
Trin 3. Handl ved tærskelværdien, ikke under den. Sæt barren efter indsatsens størrelse, og handl derefter. Hvis du ikke når målet, er den korrekte konklusion "undersøg nærmere", aldrig "skyldig".
Her er et eksempel på, hvordan det fungerer i praksis. Et indholdsteam, vi arbejdede sammen med, kørte en vidensbase på 600 sider gennem et enkelt detekteringsværktøj og fik markeret 40 sider med en score over 70 %. Deres umiddelbare indskydelse var at sende alle 40 sider retur til bureauet, der havde skrevet dem. Men tærskelværdien ændrede tilgangen. Da der var tale om en beslutning vedrørende leverandøransvar – altså en mellemstor indsats – krævede vi, at to værktøjer var enige. Desuden bestod meget af den markerede tekst af korte, strukturerede FAQ-indlæg, hvilket ofte fører til fejlagtige markeringer. Et andet detekteringsværktøj reducerede de reelt mistænkelige sider fra 40 til 9. Disse 9 sider blev sendt til gennemgang sammen med deres versionshistorik. Det viste sig, at seks af dem var blevet revideret manuelt, mens tre indeholdt ikke-oplyst AI-indhold, som bureauet efterfølgende vedkendte sig. Detekteringsværktøjet traf ikke beslutningen. Det indsnævrede blot gennemgangen fra 40 sider til 9, hvilket er hele pointen.
Princippet: et detekteringsværktøj fortæller dig, hvor du skal kigge, ikke hvad du skal konkludere.
Der er et par værktøjer, der er værd at kende. Hvert værktøj måler noget lidt forskelligt, og ingen af dem opnår en høj grad af sikkerhed alene.
Et kommercielt værktøj udviklet til webudgivere, der kører på en finjusteret klassificeringsmodel. Det giver en score for AI-sandsynlighed og håndterer pålideligt tekster på over cirka 50 tokens. Tjekkeren til hele websteder er velegnet til audits på tværs af mange sider. Det er en betalingstjeneste, og den kan markere tekster, der er blevet kraftigt redigeret.
GPTZero er bygget på perplexity og burstiness og henvender sig til undervisere med mulighed for skalering til hele institutioner, og der findes en gratis version til at starte med. Det er følsomt over for kort indhold, så det egner sig bedre til screening i klasseværelset end til vigtige beslutninger.
GLTR er udviklet af forskere fra MIT-IBM Watson AI Lab og Harvard NLP og er et gratis værktøj, der viser, hvor forudsigeligt hvert ord er i sin kontekst. Det giver ingen score. Du skal selv læse farvekortet, hvilket gør det til et forskningsværktøj snarere end et beslutningsværktøj. Det kører på GPT-2, så det er bagud i forhold til nyere modeller.
En gratis, akademisk metode, der analyserer teksten og sammenligner sandsynligheder. Hvis små ændringer drastisk sænker sandsynligheden, var originalen sandsynligvis maskinskabt. Det er grundigt, men kræver adgang til modellens output-sandsynligheder, hvilket begrænser hverdagsbrug.
Et gratis og enkelt værktøj til interne teams, der er integreret i en bredere skriveplatform. Nøjagtigheden falder ved kort eller uformelt indhold.
En generel tjekker med hurtige linje-for-linje resultater. Praktisk til uformelle tjek, selvom den er sparsom med oplysninger om metode og nøjagtighed.
Opsummering:
Udover værktøjer er der nogle mønstre, der ofte afslører AI-genereret indhold, især i længere tekster:
Betragt dette som en opfordring til at se nærmere efter. Ikke som et bevis.
Turnitin opbyggede sit navn på plagiatkontrol og tilføjede derefter AI-detektering som et separat system i 2023. Ifølge deres egne rapporter blev mere end 9,9 millioner ud af 280 millioner gennemgåede studenteropgaver markeret som indeholdende mindst 80 % AI-genereret tekst (Turnitin). For at mindske fejlagtige anklager skjuler Turnitin numeriske scorer under 20 % og viser i stedet en stjerne, og de erklærer tydeligt, at scoren "ikke er en konstatering af uredelighed" (Turnitin-vejledninger). Sagen illustrerer både problemets omfang og leverandørens egen forsigtighed med at handle udelukkende på baggrund af en score.
Nogle redaktioner screener nu freelancebidrag for AI, før de accepterer dem. Rapportering har afsløret, at institutioner finder detektorer upålidelige ved hybridtekster. Ansatte på Temple University kaldte værktøjet unøjagtigt ved blandet tekst, og Australian Catholic University registrerede tæt på 6.000 formodede sager om uredelighed i 2024, hvoraf omkring 90 % var AI-relaterede, før de droppede Turnitin-værktøjet, da de fandt det ineffektivt (ABC News, via Popular AI's resumé). Læren for redaktører: Et flag er starten på en gennemgang, ikke afslutningen på den.
Bureauer og interne teams læner sig op ad værktøjer som Originality.ai for at bekræfte forfatterskab, især inden for YMYL-indhold (Your Money or Your Life), hvor tillid er alt. Der spreder sig dog en gråzone omkring det at blande AI-kladder med redigering for at omgå detektering, mens man opskalerer produktionen. Det er netop det hybride scenarie, som detektorer håndterer dårligst, og netop derfor bryder en politik, der kun baserer sig på værktøjer, sammen ved skalering. De teams, der gør det rigtigt, behandler AI som en del af produktionslinjen og styrer det bevidst frem for at forbyde det og håbe på det bedste. Vores overblik over hvordan generativ AI transformerer brancher dækker, hvor den grænse går, og vores tjenester inden for naturlig sprogbehandling dækker den tekniske side af at gøre det pålideligt.
The honest summary: detection works in a narrow band of conditions and falls apart outside it.
Wrong flags, stacked on non-native writers. This is the big one, and it is well documented. A 2023 Stanford study (Liang et al., published in Patterns) ran 91 TOEFL essays by non-native English speakers and 88 essays by native speakers through seven detectors. The tools nailed the native-speaker essays almost perfectly, then misclassified the non-native essays as AI-generated at an average false-positive rate of 61.3% (Stanford HAI; PMC).
The cause is structural. These detectors lean on perplexity, and second-language writing tends to run more predictable. Rewriting the same essays with richer vocabulary dropped the rate to 11.6%, which means the tools were punishing an authentic voice, not catching AI.
Missed catches on edited text. A light edit, a paraphrase, or a clever prompt defeats most detectors. The Stanford authors showed that even simple prompt changes slip straight past.
Short and mixed text. Reliability drops sharply under a few hundred words, and on anything that mixes original and AI writing.
English-centric, which is an enterprise problem. Most detectors are tuned for English, and coverage of other languages is partial and newer. For a multinational that is no footnote. Your detection standard ends up uneven across markets, sturdy on English content and thin or absent on the German, French, or Japanese pages your other teams ship. Any enterprise programme has to know which languages it actually covers before it claims to cover the whole organisation.
A moving target. Every model release shifts the patterns detectors rely on. Newer models write with higher entropy and more variety, which erodes the very signals detection depends on. So the tools need constant retraining just to stand still.
The detector is not the thing you trust. Your judgement about when its result is reliable is.
Detektion har tidligere været et spørgsmål om kvalitet og tillid. Lovgivningen gør nu en del af det til et juridisk spørgsmål, og det ændrer, hvem i din organisation der skal forholde sig til det.
I henhold til artikel 50 i EU's AI-forordning skal brugere oplyse om AI-genereret eller manipuleret indhold i to tilfælde, der berører de fleste virksomheder: deepfake-billeder, -lyd eller -video samt AI-genereret tekst, der publiceres for at informere offentligheden om emner af samfundsmæssig interesse. Udbydere af generative AI-systemer skal desuden markere deres output i et maskinlæsbart og detekterbart format (Europa-Kommissionen; Tekst til artikel 50).
Der er flere grunde til, at dette går fra at være en fodnote om compliance til at blive et emne på bestyrelsesniveau.
Det rækker ud over EU. Forpligtelserne gælder for enhver udbyder eller bruger, hvis output anvendes i EU, uanset hvor virksomheden har hjemsted. En britisk eller amerikansk virksomhed, der betjener EU-brugere, er omfattet (Bratby Law).
Sanktionerne er mærkbare. Overtrædelse af gennemsigtighedsforpligtelserne kan koste op mod 15 millioner euro eller 3 % af den globale årlige omsætning, alt efter hvad der er højest (Greenberg Traurig).
Forsvaret om, at "vi har fået nogen til at tjekke det", er begrænset. Kommissionens udkast til vejledning er kontant: Et hurtigt blik fritager ikke AI-genereret tekst af samfundsmæssig interesse fra mærkningskravet. Kun et reelt, dokumenteret redaktionelt ansvar med en ansvarlig person tilknyttet er tilstrækkeligt (Greenberg Traurig).
Hvad angår tidsplanen, træder gennemsigtighedsreglerne i kraft den 2. august 2026, og en adfærdskodeks for mærkning og etikettering færdiggøres sideløbende. Kommissionens forslag om en AI-omnibus indeholder overvejelser om målrettede lempelser, der kan skubbe fristen for mærkning og detektion til december 2026 (Greenberg Traurig). Betragt datoerne som faste nok til at forberede sig efter, mens detaljerne stadig er under udvikling.
Den praktiske lære peger tilbage på konfidensgrænsen. Detektion hjælper dig med at finde ikke-mærket AI-indhold i dit eget system, før en tilsynsmyndighed eller en kunde gør det, og det hjælper dig med at kontrollere leverandørers overholdelse af reglerne. Men loven belønner herkomst og dokumenteret ansvarlighed, ikke en detektionsscore. Så integrer oplysnings- og ansvarlighedsregistrering i din arbejdsgang nu, og brug detektion til at bekræfte, at arbejdsgangen holder.
Ofte ja. Værktøjer som GPTZero og Originality.ai kan markere ChatGPT-tekst, især hvis den ikke er blevet redigeret. Men at blive "markeret" er ikke det samme som at være "bevist", og en grundig redigering gør det markant sværere at opdage.
Som en indikator, ja. Som en endegyldig dom, nej. Til en indledende gennemgang er en detektor en fornuftig måde at prioritere, hvad der skal tjekkes. Ved opgaver med reelle konsekvenser bør en enkelt score ikke være afgørende. Sæt konfidensgrænsen efter vigtigheden. Ved opgaver med lav risiko kan man bruge ét værktøj. Ved vigtige beslutninger kræves der enighed mellem flere værktøjer, menneskelig vurdering og dokumentation af processen.
Ikke pålidelig nok til at stå alene, og i regulerede miljøer betyder den forskel meget. Inden for finans, sundhed og jura er en detektor-score kun en indikator til prioritering, ikke et bevis. Det, som tilsynsmyndigheder og EU's AI-forordning vægter, er herkomst og dokumenteret ansvarlighed – altså at kunne vise, hvem der har gennemgået indholdet, og hvem der ejer det. Brug detektering til at finde ikke-deklareret AI-indhold, og opbyg derefter de oplysningsjournaler, der rent faktisk opfylder kravene.
Gør tre ting eksplicitte. Først en oplysningsklausul: Leverandører skal deklarere, hvor og hvordan AI er blevet brugt. Dernæst en standard: Definer hvad der er tilladt – f.eks. AI til research eller dispositioner, men ikke til den endelige tekst – frem for et totalforbud, der blot skubber brugen under radaren. Til sidst en kontrolret: Forbehold jer retten til at foretage stikprøvekontrol med detektering, men understreg, at et flag udløser en dialog og en anmodning om udkast, ikke en automatisk sanktion.
Turnitin reklamerer med omkring 98 % præcision i deres egne tests (Turnitin-vejledninger), men uafhængige tests viser et mere broget billede. Et studie fra 2024 i Computers and Education viste, at værktøjet korrekt markerede AI-tekst i cirka 91 % af tilfældene, med en fejlrate på 4,2 % for menneskeskrevet tekst – over fire gange så højt som det, Turnitin selv hævder. For ikke-modersmålstalende engelsk er risikoen endnu højere. Turnitin understreger selv, at scoren ikke er en konstatering af snyd. Værktøjet er effektivt til at fange lange, uredigerede AI-tekster, men er langt svagere over for redigeret, kort eller formelpræget tekst.
Ofte ja. Omskrivning, enten manuelt eller med et værktøj, ændrer de mønstre på token-niveau, som detektorerne baserer sig på, og Stanford-studiet viste, at selv simple ændringer i prompts kan snyde dem. Hybridtekst er noget af det sværeste for enhver detektor at vurdere.
Nej. Plagiatkontrol sammenligner din tekst med eksisterende kilder for at finde kopierede passager. AI-detektering leder efter det statistiske fingeraftryk af maskinskrevet tekst uden at have en kilde at sammenligne med. En side kan være fuldstændig original og alligevel få en høj AI-score, eller være plagieret og se menneskeskrevet ud. De besvarer to forskellige spørgsmål.
Der findes ikke ét enkelt svar, og intet værktøj er 100 % pålideligt. Originality.ai og GPTZero fungerer godt på uredigeret indhold, men nøjagtigheden svinger meget afhængigt af tekstens længde, redigering og skribentens baggrund. Det er mere pålideligt at se på, om to uafhængige værktøjer er enige, end at stole på ét enkelt værktøjs score.
Det påvirker modellens valg af tokens for at indlejre et usynligt, statistisk målbart signal. Det virker kun, hvis modeludbyderen anvender det, og redigering eller omskrivning kan fjerne det fuldstændigt.
Så kan AI-genereret indhold detekteres? Ja. Kan det detekteres pålideligt nok til, at en score kan betragtes som bevis? Nej. Værktøjerne er skarpe til én snæver opgave – at fange langt, uredigeret modeloutput – men de er upræcise til næsten alt andet: korte tekster, redigerede tekster, hybridtekster og tekster skrevet af personer, der ikke har engelsk som modersmål, hvor fejlraten for falske positive er målt til over 60 %.
For en virksomhed er konklusionen ikke, at man skal "købe den bedste detektor". Det handler om at definere jeres indholdsstandard, indskrive krav om gennemsigtighed i jeres leverandøraftaler og fastsætte en konfidensgrænse, der afspejler vigtigheden af opgaven. En detektor bør kun fortælle jer, hvor I skal kigge, aldrig hvad I skal konkludere. De fleste teams er bedre tjent med at købe et vedligeholdt værktøj frem for at bygge deres eget. Undtagelsen er kontrol af store mængder data, domænespecifikt indhold eller følsomme data, der skal behandles internt i jeres egne systemer.
Hvis det lyder som jeres situation, er det et spørgsmål om "build-versus-buy", som er værd at overveje grundigt. Vores datavidenskabsteam arbejder netop med dette sammen med virksomheder. Hvis I overvejer jeres muligheder, så fortæl os om jeres projekt , så hjælper vi jer med at gennemtænke det.
Alexandra Mendes er Senior Growth Specialist hos Imaginary Cloud med 3+ års erfaring med at skrive om softwareudvikling, AI og digital transformation. Efter at have gennemført et frontend-udviklingskursus fik Alexandra nogle praktiske kodningsevner og arbejder nu tæt sammen med tekniske teams. Alexandra brænder for, hvordan nye teknologier former erhvervslivet og samfundet, og hun nyder at omdanne komplekse emner til klart og nyttigt indhold for beslutningstagere.
Dataforsker brænder for datavidenskab og er opmærksom på dens etiske implikationer. Udover arbejdet elsker jeg at nørde med musik og læse en god historie.
People who read this post, also found these interesting:
.webp)
.webp)
