Toimivatko tekoälyn viestityökalut? Mitä tutkimus sanoo

Käytin muutaman viikon lukien kaiken löytämäni tekoälytyökaluista, jotka kirjoittavat henkilökohtaisia viestejä uusiksi. Osittain siksi että rakennan itse yhtä, osittain siksi että halusin tietää, pitääkö se mihin uskon niistä paikkansa.

Uskon tähän: jos annat vaikean viestin tekoälylle, hyödyllinen hetki ei ole se siloiteltu versio, jonka saat takaisin. Hyödyllinen hetki on kolmekymmentä sekuntia aiemmin, silloin kun jokin kertoo sinulle, että jo kirjoittamasi viesti on menossa huonosti perille, ja miksi.

Lähdin siis etsimään työkalua, joka tekee juuri sen. En löytänyt yhtään valmiina kaupasta, ja se on pääpiirteissään syy siihen, miksi päädyimme rakentamaan Subtextin. Pidä minua siis puolueellisena ja tarkista lähteet itse. Sitten lähdin etsimään tutkimusta siitä, mitä tapahtuu, kun ihmiset antavat tekoälyn kirjoittaa henkilökohtaiset viestinsä, ja se osoittautui paljon kiinnostavammaksi kuin itse tuotteet.

Tässä on se, mitä löysin, kaikki linkitettynä niin että voit tarkistaa väitteeni.

Useimmat tämän kategorian tuotteet tekevät saman yhden asian

Jos jätät latausmäärät huomiotta ja lajittelet nämä työkalut sen mukaan, mitä ne tekevät, ne tiivistyvät neljään ryhmään, ja useimmat niistä päätyvät samaan paikkaan.

Ryhmään yksi kuuluvat puhelimeesi valmiiksi asennetut työkalut. Apple Intelligencen kirjoitustyökalut¹ toimivat koko käyttöjärjestelmän laajuisesti iOS 18.1:stä lähtien. Valitset tekstin ja saat käyttöösi oikoluvun, kolmella sävyllä toimivan uudelleenkirjoituksen (ystävällinen, ammattimainen, ytimekäs) ja koostamisen, joka lähettää pyynnön ChatGPT:lle. Ilmainen, jos laitteesi tukee sitä, eli iPhone 15 Pro ja uudemmat. Samsung Writing Assist² tekee saman homman One UI:ssa, sävynvaihtoineen, vastausehdotuksineen ja Live Translate -toiminnolla. Gboard³ lisää Smart Replyn, oikoluvun ja uudelleenmuotoilutyökalut, jotka toimivat Gemini Nanolla uudemmissa laitteissa. Kaikki ilmaisia.

Ryhmään kaksi kuuluvat viestisovelluksen sisällä olevat avustajat. Magic Compose⁴ näyttää vastausehdotuksia näppäimistön yläpuolella Google Messagesissa ja kirjoittaa luonnoksia uusiksi tyyleillä kuten innostunut, rento ja, syistä joita en ymmärrä, Shakespeare. Se lähettää tätä varten jopa kaksikymmentä viimeisintä viestiäsi Googlen palvelimille, mikä tarkoittaa, etteivät ne viestit ole enää päästä päähän salattuja. Google sanoo, ettei se tallenna niitä. Gemini Messagesissa on eri asia: erillinen keskusteluketju, jossa kirjoitat luonnoksen ja kopioit sitten tuloksen oikeaan keskusteluun. Se ei näe muita ketjujasi. Kumpaa niistä tarvitset, riippuu tilanteesta: paras tekoälyn vastaussovellus riippuu siitä, onko ongelmasi määrä vai panokset.

Ryhmään kolme kuuluvat deittisovellusten vastaustyökalut. Otat kuvakaappauksen keskustelusta, sovellus ajaa sen OCR:n läpi, ja saat avauksia ja vastaiskuja. W Rizz veloittaa 3,99 dollaria viikossa. PlugAI, entiseltä nimeltään RizzGPT, maksaa noin 4,99 dollaria. Vastaavia on kymmeniä lisää, ja ne kaikki optimoivat yhtä asiaa: saako seuraava viesti vastauksen.

Ryhmään neljä kuuluvat pienet sovellukset vaikeisiin keskusteluihin. Tämä on kiinnostavin ryhmä ja vähiten rahoitettu. Resolve⁵ iOS:lle pisteyttää sitä, mitä se kutsuu konfliktilämpötilaksi. Clarity Coach⁶ Androidille antaa sinun kirjoittaa luonnoksen harjoitustilanteeseen ja kertoo, kuulostaako se epämääräiseltä, liian tylyltä vai liian selittelevältä, ennen kuin se auttaa sinua kirjoittamaan sen uusiksi. Subtext, jonka olen yksi perustajista, kuuluu tähän ryhmään ja toimii päinvastaisessa järjestyksessä kuin muu kategoria. Se lukee keskustelun ja luonnoksesi, kertoo miten viesti todennäköisesti otetaan vastaan ja mikä sanamuoto sen aiheuttaa, ja vasta sitten tarjoaa uudelleenkirjoituksia, jotka voit ottaa käyttöön tai jättää huomiotta.

Huomaa, mitä tapahtuu useimmissa näistä. Annat sille tekstiä, se antaa sinulle toisenlaista tekstiä. Vaihe, jossa jokin lukee kirjoittamasi ja kertoo, miten toinen todennäköisesti sen vastaanottaa, on harvinainen, ja siellä missä se on olemassa, se löytyy enimmäkseen työohjelmistoista. Copilot Outlookissa⁷ tarjoaa sähköpostivalmennusta sävystä, selkeydestä ja siitä, miltä lukijasta voi tuntua, ja Grammarlyn Reader Reactions⁸ ennustaa, mitä valitsemasi lukija saa asiakirjasta irti ja mikä voisi hämmentää häntä. Kumpaakaan ei ole tehty sitä viestiä varten, jonka olet lähettämässä siskollesi. Henkilökohtaisella puolella Clarity Coach pääsee lähimmäs, mutta se on harjoitusympäristö eikä siksi voi koskea viestiin, jonka olet oikeasti lähettämässä.

Grammarly⁹ on työkalu, josta haluan olla tarkka, koska se on läheltä piti -tapaus, joka todennäköisimmin sulkisi tämän aukon. Sen sävyntunnistin lukee sananvalintasi, ilmaisutapasi, välimerkkisi ja isot alkukirjaimet, ja nimeää sävyn. Julkaisussa vuonna 2019 se kattoi noin neljäkymmentä sävyä¹⁰, muun muassa arvostavan, itsevarman, muodollisen, rakastavan ja surullisen. Grammarlyn oma tukidokumentaatio on tarkka rajan suhteen. Tunnistin nimeää tekstisi kokonaissävyn¹¹ eikä tarjoa lausetason uudelleenkirjoituksia. Se kertoo, mikä sävy on läsnä. Se, tunteeko siskosi itsensä sivuutetuksi sen takia, on eri kysymys. Grammarlyn uudempi Reader Reactions -ominaisuus yrittää vastata sen yhteen muotoon valitsemasi lukijan kohdalla, esimerkiksi esihenkilön tai asiakkaan⁸, enkä ole nähnyt riippumatonta testiä siitä, kuinka hyvin se ennustaa oikeita lukijoita. Sävyntunnistus kuuluu ilmaiseen tasoon, ja Pro maksaa 12 dollaria kuukaudessa vuosilaskutuksella nykyisten hintaseurantasivustojen mukaan.

Ihmiset eivät osanneet sanoa, kirjoittiko tekoäly tekstin, eikä se ollut edes lähellä

Tämä on löydös, joka yllätti minut eniten, ja se on koko alueen tilastollisesti vahvin tutkimus.

Maurice Jakesch, Jeff Hancock ja Mor Naaman tekivät kuusi koetta 4 600 yhdysvaltalaisen osallistujan kanssa, julkaistu PNAS:ssa vuonna 2023¹². Osallistujat lukivat itseesittelyjä deitti-, majoitus- ja ammattiprofiileista ja arvasivat, mitkä olivat koneen kirjoittamia. Tarkkuus oli 50 ja 52 prosentin välillä. Deittikokeessa, jossa oikeasta vastauksesta sai rahaa, tarkkuus oli noin 51,6 prosenttia. Kolikonheiton tarkkuutta.

Syynä on se, että käytämme kaikki samoja viallisia oikoteitä. Osallistujat pitivät minä-muotoisia pronomineja, puhekielisiä lyhenteitä, perheen mainintoja ja lämpimiä tunnedetaljeja todisteena siitä, että ihminen kirjoitti tekstin. He pitivät siistiä kielioppia ja latteaa ilmaisua todisteena koneesta. Jokainen näistä merkeistä on mallille naurettavan helppo tuottaa pyynnöstä. Nyrkkisäännöt osoittavat täsmälleen väärään suuntaan. Saman tutkimuksen koulutettu luokitin pärjäsi vain 58,1 prosentin tarkkuudella, joten kyse ei ole taidosta, jonka voisi korjata tarkkaavaisuudella.

Luku Tarkkuus tunnistaa, onko teksti tekoälyn vai ihmisen kirjoittama: 50 ja 52 prosentin välillä. Kolikonheiton tarkkuutta.

Kuusi koetta · 4 600 osallistujaa · julkaistu PNAS:ssa 2023 · nimenomaan tähän tehtävään koulutettu luokitin pärjäsi vain 58,1 prosentilla

Tähän liittyy yksi varaus. Tutkimus käytti GPT-3-aikakauden tekstiä. En ole nähnyt kenenkään testaavan edes lähelläkään samaa mittakaavaa, pitävätkö luvut paikkansa nykymalleilla.

Se on myös osa syytä, miksi Subtext ei koskaan yritä arvata, kirjoittiko tekoäly viestin. Se lukee omaa luonnostasi sen suhteen, miten sen saaja ottaa sen vastaan, minkä kolikonheitto tekijyydestä ei olisi koskaan kertonut sinulle. Kun sanamuoto kuulostaa kaavamaiselta, valmiilta fraaseilta ilman omaa ääntä takana, se merkitsee sen robottimaiseksi sävyksi, mikä kertoo siitä, miltä sanat kuulostavat, ei siitä, kuka ne kirjoitti.

Vahinko syntyy epäilystä, ei kiinnijäämisestä

Jos ihmiset eivät osaa tunnistaa tekoälyä, voisi olettaa koko huolen haihtuvan. Näin ei käy, ja tämä on se osa, joka merkitsee kaikille, jotka kirjoittavat oikean viestin oikealle ihmiselle.

Cornellin johtama tiimi teki kaksi satunnaistettua koetta 1 020 osallistujan kanssa, julkaistu Scientific Reportsissa¹³. Älykkäät vastausehdotukset tekivät keskusteluista nopeampia ja positiivisempia, ja osallistujat arvioivat toisensa läheisemmiksi ja yhteistyökykyisemmiksi. Osallistujat, jotka epäilivät kumppaninsa käyttävän älykkäitä vastausehdotuksia, arvioivat kuitenkin kumppaninsa merkittävästi huonommaksi. Epäily aiheutti vahingon. Tutkimus mittasi epäilyä eikä tarkkuutta, ja edellä mainittujen tunnistuslukujen valossa en usko, että nuo epäilyt osuivat oikeisiin ihmisiin.

Carnegie Mellonin tiimi löysi tälle mekanismin vuoden 2025 tutkimuksessa¹⁴, jossa oli 399 osallistujaa kahdessa tutkimuksessa, ja heidän tuloksensa on hienovaraisempi kuin pelkkä rangaistus. Tekoälymerkintä on enemmän kuin musta piste nimesi kohdalla. Se tekee viestistäsi heikomman todisteen sinusta suuntaan tai toiseen. Tekoälyavusteinen anteeksipyyntö kuulostaa vähemmän lämpimältä, ja tekoälyavusteinen kehuskelu tai syyttely kuulostaa vähemmän kylmältä. Merkintä vie viestiltä informaation siitä, kuka olet.

Tuo tulkinta jäi mieleeni. Mitä ikinä viestisi teki signaalina, merkintä laskee sen äänenvoimakkuutta.

Paitsi yhdessä tilanteessa, jossa kertominen ei tehnyt mitattavaa eroa

Haluan sisällyttää tutkimuksen, joka puhuu omaa tuoteteesiäni vastaan, koska sen pois jättäminen olisi epärehellistä.

Zoe Purcell kollegoineen Max Planck Institute for Human Developmentista, Jakesch jälleen mukana kirjoittajien joukossa, tekivät kaksi ennalta rekisteröityä koetta 1 637 osallistujan kanssa palkkioperusteisissa kahden pelaajan luottamuspeleissä, julkaistu iSciencessä marraskuussa 2025¹⁵. Puolet sai käyttää ennakoivaa tekstinsyöttöä kirjoittaakseen viestin, joka suostuttelee vieraan luottamaan heihin. Loput kirjoittivat ilman apua.

Tekoälyavulla oli minimaalinen vaikutus luottamukseen, ja se piti paikkansa jopa silloin, kun tekoälyn käyttö kerrottiin. Avustetut kirjoittajat tuottivat yhtä luottamusta herättäviä viestejä lyhyemmässä ajassa, joten he ansaitsivat enemmän luottamusta käytettyä minuuttia kohden. Kielellinen analyysi havaitsi heidän viestinsä hieman vähemmän aidoiksi, mutta lämpimämmiksi, monimutkaisemmiksi ja korkeammiksi siinä, mitä tutkijat kutsuvat vaikutusvallaksi.

Kirjoittajat ovat tarkkoja soveltamisalan suhteen, ja minäkin olen. Tämä on kertaluontoinen kauppa vieraiden välillä, johon liittyy rahaa. Käyttäytymiseen perustuva luottamus maksupäätöksessä on eri asia kuin kumppanisi, joka lukee viestisi kello 23 ja päättää, tarkoititko sitä oikeasti. Mutta minun näkemykseni on, että tarinalla “tekoäly tuhoaa luottamuksen” on kirjallisuudessa oikea vastaesimerkki, ja tämä se on.

Tekoäly kirjoittaa parempia lohdutusviestejä kuin useimmat ihmiset, aina siihen asti kun mainitset sen olleen tekoäly

Kaksi tutkimusta, sama tulosten muoto.

Yin, Jia ja Wakslak PNAS:ssa¹⁶ havaitsivat, että tekoälyn tuottamat vastaukset saivat ihmiset tuntemaan itsensä kuulluksi paremmin kuin kouluttamattomien ihmisten vastaukset, ja että tekoäly osasi lukea paremmin, mikä tunne oli kyseessä. Sitten he kertoivat vastaanottajille viestin tulleen tekoälyltä, ja vaikutus laski. Yksi kirjoittajista huomautti, että molemmat vaikutukset olivat suunnilleen samankokoisia ja kumosivat toisensa lähes kokonaan.

Ovsyannikova, Oldemburgo de Mello ja Inzlicht¹⁷ tekivät neljä ennalta rekisteröityä koetta 556 osallistujan kanssa Communications Psychology -lehdessä. GPT-4:n vastaukset arvioitiin myötätuntoisemmiksi kuin ihmisten, mukaan lukien Distress Centres of Greater Toronton koulutettujen kriisipuhelinvapaaehtoisten kirjoittamat vastaukset. Lähteen kertominen kavensi eroa, mutta ei poistanut sitä.

Kone siis on usein parempi sanoissa. Sanat eivät ole ainoa asia, joka välittyy.

Vaivannäkö merkitsee siksi, että se oli ennen kallista

Signalointiteoria on se viitekehys, joka sai tämän kaiken loksahtamaan paikoilleen minulle.

Viestillä on kaksi tehtävää. Se kantaa sisältöä, ja se todistaa, että käytit jotain lähettääksesi sen. Aikaasi, huomiotasi, ja vaikeassa keskustelussa malttiasi. Nämä ovat rajallisia, joten niiden käyttäminen kertoo jotain totta siitä, kuinka paljon arvostat toista ihmistä. Sitoutumissignaaleja koskeva tutkimus¹⁸ japanilaisissa ja yhdysvaltalaisissa otoksissa havaitsi kalliiden signaalien voittavan halvat, ja että odotetun signaalin lähettämättä jättäminen, kuten merkkipäivän unohtaminen, vahingoitti parisuhteita paljon enemmän kuin ystävyyssuhteita.

Pudota lämpimän, selkeän ja hyvin jäsennellyn viestin tuottamisen hinta suunnilleen nollaan, ja signaali lakkaa kantamasta informaatiota.

Mekanismille on nyt suoraa näyttöä, joskaan ei viestikontekstista. Vuoden 2026 tutkimus Frontiers in Psychology -lehdessä¹⁹ 618 osallistujan kanssa havaitsi, että sisällön merkitseminen tekoälyn tuottamaksi vähensi merkittävästi koettua vaivannäköä, kun taas ihmisen tekemäksi merkitty sisältö ei eronnut merkitsemättömästä ollenkaan. Ihmiset olettavat oletusarvoisesti ihmisen vaivannäköä, ja tekoälymerkintä on se, mikä poistaa tuon oletuksen. Tutkimus käytti lyhyitä videoita, joten tuloksia kannattaa soveltaa viestintään varauksella.

Sanojen ulkoistaminen näyttää heikentävän omaa sitoutumistasi niihin

Tämä on löydös, jota jäin miettimään, eikä se liity vastaanottajaan lainkaan.

CREEDin²⁰ taloustieteilijät Amsterdamissa tekivät luottamuspelejä, joissa lähettäjät saivat käyttää ChatGPT:tä kirjoittaakseen viestin, jossa he lupasivat vastavuoroisuutta. Kaksi asiaa tapahtui yhtä aikaa. Ihmiset, joilla oli pääsy ChatGPT:hen, antoivat eksplisiittisempiä lupauksia. Ja ne, jotka ylipäätään avasivat ChatGPT:n, pitivät lupauksensa 25,7 prosenttia harvemmin maksuhetkellä, riippumatta siitä, kopioivatko he lopulta sen antaman tekstin.

Paljastava yksityiskohta on se, että mitä lähempänä lähetetty viesti oli ChatGPT:n raakaa ehdotusta, sitä epäluotettavampi lähettäjän myöhempi käytös oli. Ne, jotka kirjoittivat ehdotuksen uusiksi, käyttäytyivät paremmin. Kirjoittajat tulkitsevat tämän omistajuuden tunteeksi. Sano asia omin sanoin, ja tunnet olevasi sidottu siihen. Välitä eteenpäin jotain, minkä kone kirjoitti, ja jokin osa sinusta ei koskaan allekirjoittanut sitä. Se on myös syy siihen, miksi Subtext näyttää sinulle ensin ongelman ennen mitään vaihtoehtoa, ja merkitsee, kuinka paljon omaa sanamuotoasi kukin versio on muuttanut. Korjaus, jonka itse valitset tai kirjoitat, on sellainen, jonka olet allekirjoittanut.

Anteeksipyynnöistä tätä on tutkittu kunnolla, ja löydös on hyödyllisempi kuin “älä”

Jos luet vain yhden osion, lue tämä, koska käytännön vastaus asuu täällä.

Ella Glikson ja Omri Asscher tekivät kolme skenaariotutkimusta työpaikan anteeksipyynnöistä, julkaistu Computers in Human Behaviorissa²¹. Tieto siitä, että joku käytti tekoälytyökaluja anteeksipyynnön kirjoittamiseen, vähensi sen tuntumaa aitona ja ihmisten halukkuutta antaa anteeksi. Asian kertominen itse ei pehmentänyt tätä. Tähän asti ennustettavaa.

Sitten se osa, joka muutti mieleni. Osallistujat, jotka käyttivät vain yhtä kolmesta saatavilla olleesta tekoälytyökalusta, eivät saaneet lainkaan aitousrangaistusta. Tutkijat tulkitsevat tämän etäisyydeksi. Rajallinen tekoälyn käyttö pitää lopullisen viestin lähellä sitä, mitä henkilö alun perin tarkoitti, ja sen ihmiset pystyvät aistimaan.

Erillinen Limin, Hongin ja Schneiderin 3x2-koe 464 osallistujan kanssa, myös Computers in Human Behaviorissa²², havaitsi, että ihmisen kirjoittamat anteeksipyynnöt koettiin läpi linjan vilpittömämmiksi, ja että lämmin sävy paransi tekoälyn anteeksipyyntöjä kuromatta silti koskaan umpeen eroa ihmisen kirjoittamaan.

Fanin, Liun ja Panin CHI-konferenssin artikkeli vuodelta 2026²³ testasi tätä romanttisilla viesteillä, ensimmäisessä tutkimuksessa 152 ja toisessa 704 osallistujalla. Mitä suuremman osan viestistä tekoäly luonnosteli, sitä vähemmän se tuntui lähettäjän omalta ja sitä vähemmän autenttiselta se vaikutti. Kevyt sävyn muokkaus, jonka lähettäjä hyväksyi, paransi sitä, miten anteeksipyyntöä arvioitiin, mutta kokonaiset luonnokset ja rajojen asettamista koskevat pyynnöt saivat toisenlaisen tuloksen.

Aseta nuo kolme rinnakkain, ja saat jotain käytännöllistä. Rangaistus seuraa sitä, kuinka kauas valmis viesti on ajautunut siitä, mitä tarkoitit. Ei sitä, oliko kone mukana. Sama syy on, miksi Subtext näyttää sinulle, mikä luo sen vaikutelman, ennen kuin se tarjoaa yhtään valmista versiota, ja kertoo, kuinka paljon sanamuotoasi kukin versio on muuttanut, koska etäisyyden pitäminen lyhyenä on se, mikä pitää anteeksipyynnön uskottavana. Laajempi tutkimus siitä, miten pyydät anteeksi viestillä, on omassa artikkelissaan.

Nämä työkalut kiillottavat pahimmatkin vaistosi eivätkä sano siitä sanaakaan

Kirjoita jotain passiivis-aggressiivista, anna se mille tahansa puhelimesi uudelleenkirjoitustyökalulle, ja katso mitä tapahtuu. Saat paremmin kirjoitettua passiivista aggressiota. Ei varoitusta, ei “oletko varma”. Työkalun tehtävä on tehdä se, mitä pyysit.

Mallit kallistuvat tähän suuntaan syystä. OpenAI veti pois GPT-4o-päivityksen huhtikuussa 2025 ja kirjoitti julkisesti²⁴, että mallista oli tullut “liian imartelevan tai myötäilevän, usein kuvattu mielistelevänä”, ja että se “kallistui vastauksiin, jotka olivat liian kannustavia mutta epärehellisiä”. Syyksi he nimesivät sen, että mallia viritettiin liikaa lyhyen aikavälin käyttäjäpalautteen, eli peukku ylös- ja peukku alas -arvioiden, perusteella. Jatkopostauksessa²⁵ he myönsivät, ettei heillä ollut lainkaan käyttöönottoarviointeja, jotka seuraisivat mielistelyä.

Anthropicin tutkijat havaitsivat saman kaavan olevan yleinen. ICLR 2024:ssä²⁶ esitellyssä tutkimuksessa kaikki viisi kärkiavustajaa osoittivat mielistelyä, ja noin 15 000 ihmisten mieltymysvertailun analyysi havaitsi, että käyttäjän ilmaisemien uskomusten mukailu oli yksi vahvimmista ennustajista sille, minkä vastauksen ihmiset valitsivat. Kouluta hyväksynnällä, ja valikoit samanmielisyyttä. Vuoden 2025 vertailututkimus²⁷ mittasi mielistelevää käytöstä 58,19 prosentissa testitapauksista ChatGPT-4o:lla, Claude Sonnetilla ja Gemini 1.5 Prolla, ja 78,5 prosentin pysyvyydellä sen alettua, joskin se testasi faktakysymyksiin vastaamista, ei henkilökohtaisia viestejä. Henkilökohtaisten viestien osalta vertailin ChatGPT-vaihtoehtoja kirjoittamiseen ja mitä isot kolme tekevät sanoillesi.

Ajattele nyt, mitä tämä tarkoittaa sille hetkelle, jolloin eniten kaipaat apua. Olet vihainen, olet kirjoittanut jotain, mitä tulet katumaan, ja työkalu, jonka käsissä luonnoksesi on, on optimoitu saamaan sinut tuntemaan olosi hyväksi sen suhteen.

Se hetki on juuri se, johon Subtext on rakennettu, ja epämukava osa on piste. Se kertoo sinulle, että luonnos on vihainen, sen sijaan että saisi vihan kuulostamaan paremmalta.

Kysymys, johon en osaa vastata

Onko parempi lähettää kömpelö viesti, jonka kirjoitit itse, vai siloiteltu viesti, jota et kirjoittanut?

Etsin tarkkaan, eikä yhtään tutkimusta testaa tätä suoraan. Kukaan ei ole satunnaistanut “omaa epätäydellistä luonnostasi” vastaan “hyvää luonnosta, jota et kirjoittanut” ja seurannut, mitä ihmissuhteelle sitten tapahtui. Pitkittäistutkimusta ei ole lainkaan. Ei kenttäaineistoa pariskunnista, perheistä tai läheisistä ystävistä kuukausien mittaisesta tekoälyavusteisesta viestinnästä. Emme tiedä, tottuvatko ihmiset synteettiseen kiillotukseen, vai kuluttaako tapa hiljaa jotain pois.

Se mitä meillä on, osoittaa yhteen suuntaan läheisissä ihmissuhteissa. Vaivannäkö kuulostaa välittämiseltä, merkinnät latistavat signaalin, ulkoistetut sanat näyttävät höllentävän otettasi omista lupauksistasi, ja anteeksipyynnöt pysyvät uskottavina, kun ne pysyvät lähellä sitä mitä tarkoitit. Mutta luottamuspelin tulos sanoo, että joissain tilanteissa haitta oli liian pieni mitattavaksi, enkä aio teeskennellä näytön olevan siistimpi kuin se on.

Mikä auttaisi

Kun luen tämän kaiken uudestaan, minusta puuttuvan tuotteen muoto on melko selvä, ja se on lähes päinvastainen kuin mitä tämä kategoria rakentaa.

Kukaan ei tarvitse sanojensa korvaamista. Se, mitä he tarvitsevat niinä viitenätoista sekuntina ennen lähetystä, on tieto siitä, että viesti kuulostaa kylmemmältä kuin miltä he tuntevat, tai että se minkä he ajattelevat olevan täsmennys, kuulostaakin valituslistalta. Sitten he korjaavat sen itse, omin sanoin, ja vaivannäkösignaali säilyy, omistajuus säilyy, ja Gliksonin ja Asscherin etäisyys pysyy lyhyenä.

Se on se versio, jonka haluan olevan olemassa, ja Subtext on rakennettu juuri sen ympärille. Subtext ottaa koko keskustelun yksittäisen lauseen sijaan, nimeää mitä luonnoksesi todennäköisesti viestii sitä lukevalle ihmiselle, ja näyttää sanat, jotka luovat tuon vaikutelman. Jokainen versio, jonka se sen jälkeen tarjoaa, kertoo, kuinka paljon sanamuotoasi se on muuttanut, ja voit muokata mitä tahansa niistä Muokkaa käsin -toiminnolla ennen kopiointia, jotta korjaus pysyy omanasi. Yllä olevan näytön valossa se merkitsee enemmän kuin uudelleenkirjoitus, koska rangaistus seuraa etäisyyttä siitä, mitä tarkoitit, ja lyhin etäisyys on oma lauseesi yhdellä vaihdetulla sanalla. Kokeile Subtextiä selaimessaKokeile Subtextiä selaimessa

Oma sääntöni, olkoon se minkä arvoinen tahansa: annan koneen kertoa minulle, miltä viestini kuulostaa. En anna sen kertoa siskolleni, että olen pahoillani.

Luuletko että luin jonkin tutkimuksen väärin, tai tiedätkö työkalun, joka diagnosoi ennen uudelleenkirjoitusta? Kerro minulle LinkedInissä.

Samet Durgun on Subtextin toinen perustaja. Subtext nappaa viestiesi tunnesävyn ja kirjoittaa ne uusiksi omalla äänelläsi. Hän asuu Berliinissä.

Lähteet

Jokainen yllä oleva linkki vie ensisijaiseen lähteeseen silloin kun sellainen on olemassa, numeroituna esiintymisjärjestyksessä. Tuoteominaisuudet ja hinnat tarkistettu elokuussa 2026. Jos luku oli peräisin yrityksen blogista tai lehdistötiedotteesta eikä tutkimuksesta, jätin sen pois.

Apple Support. Use Writing Tools with Apple Intelligence on iPhone.
Samsung. Use Writing assist on Galaxy phones and tablets.
Google Support. Use writing tools with Gboard.
Google Support. Draft messages with Magic Compose.
Apple App Store. Resolve: AI Conflict Coach.
Google Play. Clarity Coach.
Microsoft Support. Get email coaching with Copilot in Outlook.
Grammarly Support. Reader Reactions user guide.
Grammarly. Writing Tone Detector and Tone Suggestions.
TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble.
Grammarly Support. How do Grammarly’s tone suggestions work?
Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120.
Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487.
Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society.
Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092.
Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121.
Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3.
Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior.
Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology.
AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam.
Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592.
Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761.
Fan, G., Liu, D., & Pan, L. (2026). Is It Still You? Attributing Authorship and Authenticity in AI-Assisted Romantic Communication. Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems, 1-24.
OpenAI (2025). Sycophancy in GPT-4o.
OpenAI (2025). Expanding on what we missed with sycophancy.
Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024.
Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society.