Se det liveFunktionerOmdömenArtiklarVanliga frågorLogga inHämta appen

ArtiklarSkrivverktyg

Alla AI-verktyg skriver om ditt utkast. Inget säger hur det kommer landa.

Fyra grupper av verktyg och tolv studier om vad som faktiskt händer när AI skriver ditt meddelande, och vad som hjälper under de femton sekunderna innan du skickar.

Av Samet Durgun · Medgrundare av Subtext · 12 min läsning

Jag tillbringade några veckor med att läsa allt jag kunde hitta om AI-verktyg som skriver om personliga meddelanden, dels för att jag bygger ett själv, dels för att jag ville veta om det jag tror om dem faktiskt stämmer.

Det jag tror är det här. Om du lämnar över ett svårt meddelande till en AI är det inte den polerade versionen den ger tillbaka som är det värdefulla momentet. Det värdefulla momentet kom trettio sekunder tidigare, när något talade om att meddelandet du redan skrivit kommer landa illa, och varför.

Så jag gick och letade efter ett verktyg som gör det. Jag hittade inget på hyllorna, vilket är den korta förklaringen till varför vi hamnade i att bygga Subtext. Räkna med att jag är partisk och kolla källorna själv. Sedan gick jag och letade efter forskningen om vad som faktiskt händer när folk låter AI skriva deras personliga meddelanden, och det visade sig vara betydligt mer intressant än produkterna.

Det som följer är vad jag hittade, med allt länkat så att du kan kontrollera mig.

Varje produkt i den här kategorin gör exakt samma sak

Sorterar du de här verktygen efter vad de faktiskt gör snarare än hur många nedladdningar de har, faller de ner i fyra grupper, och alla fyra hamnar på samma ställe.

Grupp ett: verktygen inbyggda i telefonen. Apple Intelligence Writing Tools1 körs systembrett på iOS 18.1 och senare. Du markerar text och får Korrekturläs, Skriv om i tre tonlägen (Vänlig, Professionell, Kortfattad) och Komponera, som skickar vidare till ChatGPT. Gratis om din hårdvara stödjer det, vilket betyder iPhone 15 Pro och uppåt. Samsung Writing Assist2 gör samma jobb i One UI, med tonskiften, föreslagna svar och Live Translate. Gboard3 lägger till Smart Reply, korrekturläsning och omformuleringsverktyg som körs på Gemini Nano på nyare enheter. Allt gratis.

Grupp två: assistenter inuti meddelandeappen. Magic Compose4 placerar föreslagna svar ovanför tangentbordet i Google Messages och skriver om utkast i stilar som Entusiastisk, Avslappnad och, av skäl jag inte förstår, Shakespeare. Den skickar upp till tjugo av dina senaste meddelanden till Googles servrar för att göra det, vilket betyder att de meddelandena inte längre är end-to-end-krypterade. Google säger att de inte sparas. Gemini i Messages är en separat grej, en chatt-tråd där du skriver ett utkast och sedan klistrar in resultatet i en riktig konversation. Den kan inte se dina andra trådar.

Grupp tre: dejting-appar för svar. Du tar en skärmdump av en konversation, appen kör OCR på den, och du får inledningar och kvicka repliker. W Rizz tar 3,99 dollar i veckan. PlugAI, tidigare RizzGPT, ligger runt 4,99 dollar. Det finns dussintals till, och de optimerar alla för samma sak: om nästa meddelande ger ett svar.

Grupp fyra: de små för svåra samtal. Det här är den mest intressanta gruppen och den minst finansierade. Resolve5 på iOS mäter det appen kallar konflikttemperatur. Clarity Coach6 på Android låter dig skriva ett utkast i ett övningsscenario och talar om om det läses som vagt, för hårt eller för förklarande innan den hjälper dig skriva om det. Subtext, som jag är medgrundare till, sitter i den här gruppen och jobbar tvärtom mot resten av kategorin: den läser tråden och ditt utkast, talar om hur meddelandet troligen landar och vilka ord som gör det, och först därefter erbjuder den omskrivningar du kan ta eller ignorera.

Lägg märke till vad som händer i varenda en av dem. Du ger den text, den ger dig annan text. Diagnossteget, där något läser det du skrivit och talar om hur den andra personen troligen kommer uppfatta det, finns inte i något verktyg som jobbar inuti en riktig konversation. Clarity Coach kommer närmast, och den är en övningssandlåda, så den kan aldrig röra ett meddelande du faktiskt är på väg att skicka.

Grammarly7 är den nära missen värd att vara precis om, för det är den som ligger närmast att stänga det här gapet. Tondetektorn läser dina ordval, formuleringar, skiljetecken och versalanvändning och namnger tonen. Vid lanseringen 2019 täckte den runt fyrtio toner8, bland annat uppskattande, självsäker, formell, kärleksfull och ledsen. Grammarlys egen supportdokumentation är noga med begränsningen: detektorn identifierar den övergripande tonen i din text9 snarare än att erbjuda omskrivningar på meningsnivå. Den talar om vilken ton som finns. Om din syster kommer känna sig avfärdad av den är en annan fråga, och Grammarly påstår inte att den svarar på den. Tondetektorn ligger i gratisnivån, med Pro för 12 dollar i månaden vid årsfakturering enligt aktuella prisspårare.

Den distinktionen är hela gapet.

Ingen kan avgöra om ett meddelande skrevs av AI, och det är inte ens nära

Det här är fyndet som förvånade mig mest, och det är den bäst driven studien i hela området.

Maurice Jakesch, Jeff Hancock och Mor Naaman körde sex experiment med 4 600 amerikanska deltagare, publicerade i PNAS 202310. Folk läste självpresentationer från dejting-, hotell- och yrkesprofiler och gissade vilka som var skrivna av en maskin. Träffsäkerheten landade mellan 50 och 52 procent. I dejtingvillkoret, med pengar på spel för att gissa rätt, ungefär 51,6 procent.

Krona eller klave, med andra ord.

Anledningen är att vi alla använder samma trasiga genvägar. Deltagarna tog förstapersonspronomen, sammandragningar, omnämnanden av familj och varm känslomässig detalj som bevis på att en människa skrivit det. De tog ren grammatik och platt formulering som bevis på att en maskin gjort det. Varje sådan signal är trivialt lätt för en modell att producera på begäran. Genvägarna pekar exakt åt fel håll. En tränad klassificerare i samma studie klarade bara 58,1 procent, så det här är inget kompetensproblem du löser genom att vara mer uppmärksam.

En förbehåll jag vill vara ärlig om. Den studien använde text från GPT-3-eran. Om siffrorna håller mot dagens modeller har inte testats i någon liknande skala.

Skadan kommer av att bli misstänkt, inte av att bli avslöjad

Om folk inte kan upptäcka AI kanske man skulle vänta sig att hela oron försvinner. Det gör den inte, och det här är den del som spelar roll för alla som skriver ett riktigt meddelande till en riktig person.

Ett Cornell-lett team körde två randomiserade experiment med 1 036 deltagare, publicerade i Scientific Reports11. Smarta svar gjorde konversationer snabbare och mer positiva, och folk skattade varandra som närmare och mer samarbetsvilliga. Sedan kom tvisten. Deltagare som misstänkte att partnern använde smarta svar skattade den partnern betydligt sämre. Misstanken gjorde skadan. Den studien mätte misstanke snarare än träffsäkerhet, och givet siffrorna om upptäckt ovan finns det inte mycket skäl att tro att de misstankarna landade på rätt personer.

Ett Carnegie Mellon-team lade en mekanism under det här i en studie från 202512 med 399 deltagare i två studier, och deras resultat är mer subtilt än ett enkelt avdrag. En AI-etikett gör inte bara att du framstår sämre. Den gör ditt meddelande till svagare bevis om vem du är, åt båda hållen. En AI-assisterad ursäkt läses som mindre varm, och ett AI-assisterat skryt eller anklagelse läses som mindre kallt. Etiketten drar ner volymen på informationen om vem du är i meddelandet.

Det där ramverket fastnade i mig. Vad än ditt meddelande gjorde som en signal, så vrider etiketten ner volymen på den.

Utom i ett läge, där avslöjande inte kostar dig något alls

Jag vill ta med studien som talar emot min egen produkttes, för att utelämna den vore oärligt.

Zoe Purcell och kollegor på Max Planck Institute for Human Development, med Jakesch bland författarna igen, körde två förregistrerade experiment med 1 637 deltagare i incitamentsstyrda tvåspelar-förtroendespel, publicerade i iScience i november 202513. Hälften fick använda prediktiv textassistans för att skriva ett meddelande som skulle övertyga en främling om att lita på dem. Resten skrev utan hjälp.

AI-assistans hade minimal effekt på förtroende, och det höll även när AI-användningen avslöjades. De assisterade skribenterna producerade lika förtroendeingivande meddelanden på kortare tid, så de tjänade mer förtroende per minut. Lingvistisk analys fann att deras meddelanden var något mindre autentiska men varmare, mer komplexa och högre i det forskarna kallar clout, alltså tyngd eller status.

Författarna är noga med räckvidden, och det är jag också. Det här är en engångstransaktion mellan främlingar med pengar inblandade. Beteendemässigt förtroende i ett utbetalningsbeslut är ett annat djur än din partner som läser ditt sms klockan 23 och avgör om du menade det. Men den ärliga versionen av den här artikeln säger att berättelsen om att “AI förstör förtroende” har ett riktigt motexempel i litteraturen, och det här är det.

AI skriver bättre tröstande meddelanden än de flesta människor, ända tills du nämner att det var AI

Två studier, samma form på resultatet.

Yin, Jia och Wakslak i PNAS14 fann att AI-genererade svar fick folk att känna sig mer hörda än svar från otränade människor, och att AI:n var bättre på att läsa av vilken känsla som stod på spel. Sedan berättade de för mottagarna att meddelandet kom från AI, och effekten sjönk. En av författarna noterade att de två effekterna var ungefär lika stora och i princip tog ut varandra.

Ovsyannikova, Oldemburgo de Mello och Inzlicht15 körde fyra förregistrerade experiment med 556 deltagare i Communications Psychology. GPT-4-svar skattades som mer medkännande än mänskliga, inklusive svar skrivna av tränade jourhavande volontärer på Distress Centres of Greater Toronto. Att avslöja källan smalnade av gapet men stängde det inte.

Så maskinen är ofta bättre på orden. Orden är inte det enda som förmedlas.

Anledningen till att ansträngning spelar roll är att ansträngning brukade vara dyrt

Signalteori är ramverket som fick allt det här att klicka för mig.

Ett meddelande gör två jobb. Det bär innehåll, och det bevisar att du spenderade något för att skicka det. Din tid, din uppmärksamhet, och i ett svårt samtal, ditt fattade lugn. De är begränsade, så att spendera dem säger något sant om hur mycket du värdesätter personen. Forskning om engagemangssignaler16 i japanska och amerikanska urval fann att kostsamma signaler slog billiga, och att att inte skicka en förväntad signal, som att glömma en högtidsdag, skadade romantiska relationer betydligt mer än vänskaper.

Sänk kostnaden för att producera ett varmt, välformulerat, välstrukturerat meddelande till nära noll, och signalen slutar bära information.

Nu finns det direkta bevis för mekanismen, om än inte från en meddelandekontext. En studie från 2026 i Frontiers in Psychology17 med 618 deltagare fann att att märka innehåll som AI-genererat minskade upplevd ansträngning betydligt, medan en mänsklig märkning inte skilde sig från ingen märkning alls. Folk antar mänsklig ansträngning som standard, och AI-taggen är det som tar bort antagandet. Den studien använde kortformsvideo, så överför till meddelanden med viss försiktighet.

Att lägga ut orden på entreprenad verkar försvaga ditt eget engagemang i dem

Det här är fyndet jag fortsätter tänka på, och det handlar inte alls om mottagaren.

Ekonomer på CREED i Amsterdam18 körde förtroendespel där avsändare kunde använda ChatGPT för att skriva ett meddelande som lovade ömsesidighet. Två saker hände samtidigt. Folk med tillgång till ChatGPT gav fler uttryckliga löften. Och folk som öppnade ChatGPT över huvud taget höll sina löften 25,7 procent mindre ofta vid utbetalningen, oavsett om de slutade med att kopiera det den gav eller inte.

Detaljen som avgör det: ju närmare det skickade meddelandet låg det råa ChatGPT-förslaget, desto mindre pålitligt var avsändarens senare beteende. De som skrev om förslaget betedde sig bättre. Författarna tolkar det här som en känsla av ägarskap. Säg något med dina egna ord och du känner dig bunden av det. Vidarebefordra något en maskin skrev och en del av dig har aldrig skrivit under.

Ursäkter är där det här har studerats ordentligt, och fyndet är mer användbart än “gör det inte”

Om du bara läser ett avsnitt, läs det här, för det praktiska svaret finns här.

Ella Glikson och Omri Asscher körde tre scenariestudier om ursäkter på arbetsplatsen, publicerade i Computers in Human Behavior19. Att veta att någon använt AI-verktyg för att skriva en ursäkt minskade hur autentisk den kändes och hur villig folk var att förlåta. Att avslöja det själv mildrade inte det. Så långt förutsägbart.

Sedan kom delen som ändrade min uppfattning. Deltagare som bara använde ett av tre tillgängliga AI-verktyg fick inget autenticitetsavdrag alls. Forskarna tolkade det som distans. Begränsad AI-användning håller det färdiga meddelandet nära det personen ursprungligen menade, och folk kan känna det.

Ett separat 3x2-experiment av Lim, Hong och Schneider med 464 deltagare, också i Computers in Human Behavior20, fann att mänskligt skrivna ursäkter upplevdes som mer uppriktiga rakt igenom, och att en varm ton förbättrade AI-ursäkter utan att någonsin stänga gapet till en mänsklig.

Ställ de här två bredvid varandra så får du något praktiskt. Avdraget följer hur långt det färdiga meddelandet har drivit ifrån vad du faktiskt menade. Inte om en maskin var med i rummet.

De här verktygen kommer polera dina sämsta instinkter och aldrig säga ett ord om det

Skriv något passivaggressivt, lämna det till valfritt omskrivningsverktyg i telefonen, och se vad som händer. Du får bättre skriven passiv aggression. Ingen varning, inget “är du säker”. Verktygets jobb är att göra det du bad om.

Det finns ett skäl till att modellerna lutar åt det hållet. OpenAI drog tillbaka en GPT-4o-uppdatering i april 2025 och skrev offentligt21 att modellen hade blivit “överdrivet smickrande eller medgörlig, ofta beskrivet som sykofantisk”, och att den “lutade mot svar som var överdrivet stöttande men oärliga”. Orsaken de namngav var för hård träning på kortsiktig användarfeedback, alltså tummen upp och tummen ner. I ett uppföljningsinlägg22 erkände de att de inte hade några driftsutvärderingar som mätte sykofanti alls.

Anthropic-forskare fann att samma mönster är generellt. I en artikel presenterad på ICLR 202423 visade fem toppmoderna assistenter alla sykofanti, och analys av ungefär 15 000 mänskliga preferensjämförelser fann att att matcha användarens uttalade övertygelser var bland de starkaste förutsägarna för vilket svar folk föredrog. Träna på gillande och du selekterar för medhåll. Ett benchmark från 202524 mätte sykofantiskt beteende i 58,19 procent av testfallen över ChatGPT-4o, Claude Sonnet och Gemini 1.5 Pro, med 78,5 procent kvarstående efter att det väl startat, om än det var faktabaserad frågebesvaring snarare än personliga meddelanden.

Fundera nu på vad det betyder för det ögonblick du mest vill ha hjälp. Du är arg, du har skrivit något du kommer ångra, och verktyget som håller ditt utkast har optimerats för att få dig att känna dig bra över det.

Frågan jag inte kan svara på

Är det bättre att skicka ett klumpigt meddelande du skrev själv, eller ett polerat du inte skrev?

Jag letade hårt och det finns ingen studie som testar det här direkt. Ingen har randomiserat “ditt eget ofullständiga utkast” mot “ett bra utkast du inte skrev” och följt vad som hände med relationen. Det finns inget longitudinellt alls. Ingen fältdata om par, familjer eller nära vänner över månader av AI-assisterad meddelandehantering. Vi vet inte om folk anpassar sig till syntetisk polityr, eller om vanan i tysthet nöter på något.

Det vi har pekar åt ett håll för nära relationer. Ansträngning läses som omtanke, etiketter plattar till signalen, ord på entreprenad verkar lossa ditt grepp om dina egna löften, och ursäkter förblir trovärdiga när de håller sig nära det du menade. Men resultatet från förtroendespelen säger att i vissa sammanhang kostar inget av det här dig något, och jag tänker inte låtsas att bevisen är renare än de är.

Vad som faktiskt skulle hjälpa

Läser jag tillbaka på allt det här är formen på den saknade produkten ganska tydlig, och den ligger nära motsatsen till vad kategorin bygger.

Ingen behöver få sina ord utbytta. Det de behöver, under de femton sekunderna innan de trycker skicka, är att veta att meddelandet läses kallare än de känner, eller att det de tror är en förtydligande läses som en lista med klagomål. Sedan fixar de det själva, med sina egna ord, och ansträngningssignalen överlever, och ägarskapet överlever, och Glikson och Asschers distans förblir kort.

Det är versionen jag vill ska finnas, och det är den vi byggde. Subtext tar hela tråden i stället för meningen, namnger vad ditt utkast troligen signalerar till personen som ska läsa det, och visar dig orden som skapar det intrycket, så att fixet förblir ditt. Enligt bevisen ovan spelar det större roll än omskrivningen: avdraget följer avståndet från vad du menade, och det kortaste avståndet är din egen mening med ett ord ändrat. Gratis att komma igång, på telefonen eller i webbläsaren.

Min egen regel, för vad den är värd: jag låter gärna en maskin tala om hur mitt meddelande låter. Jag låter den inte säga förlåt till min syster.

Tycker du att jag läst en studie fel, eller känner du till ett verktyg som faktiskt diagnostiserar innan det skriver om? Säg till mig på LinkedIn.

Samet Durgun är medgrundare till Subtext, en app som fångar den känslomässiga tonen i dina meddelanden och skriver om dem med dina egna ord. Han bor i Berlin.

Källor

Varje länk ovan går till primärkällan där en sådan finns, numrerad i den ordning de förekommer. Produktfunktioner och priser kontrollerade i augusti 2026. Där en siffra kom från ett företags blogg eller pressmeddelande snarare än en studie har jag utelämnat den.

  1. Apple Support. Use Writing Tools with Apple Intelligence on iPhone. https://support.apple.com/guide/iphone/find-the-right-words-with-writing-tools-iph6f08da1d2/ios
  2. Samsung. Use Writing assist on Galaxy phones and tablets. https://www.samsung.com/us/support/answer/ANS10000943/
  3. Google Support. Use writing tools with Gboard. https://support.google.com/gboard/answer/17470061
  4. Google Support. Draft messages with Magic Compose. https://support.google.com/messages/answer/13632636
  5. Apple App Store. Resolve: AI Conflict Coach. https://apps.apple.com/us/app/resolve-ai-conflict-coach/id6759972332
  6. Google Play. Clarity Coach. https://play.google.com/store/apps/details?id=com.zamrudila.claritycoach
  7. Grammarly. Writing Tone Detector and Tone Suggestions. https://www.grammarly.com/tone
  8. TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble. https://techcrunch.com/2019/09/24/grammarly-gets-a-tone-detector-to-keep-you-out-of-email-trouble/
  9. Grammarly Support. How do Grammarly’s tone suggestions work? https://support.grammarly.com/hc/en-us/articles/10674801783309
  10. Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. https://www.pnas.org/doi/10.1073/pnas.2208839120
  11. 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. https://www.nature.com/articles/s41598-023-30938-9
  12. 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. https://arxiv.org/abs/2509.09645
  13. Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092. https://www.cell.com/iscience/fulltext/S2589-0042(25)02353-3
  14. 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. https://www.pnas.org/doi/10.1073/pnas.2319112121
  15. Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3. https://www.nature.com/articles/s44271-024-00182-6
  16. Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior. https://www.sciencedirect.com/science/article/abs/pii/S1090513815000525
  17. Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2026.1840483/full
  18. AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam. https://www.creedexperiment.nl/creed/pdffiles/chatGPT.pdf
  19. Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592. https://www.sciencedirect.com/science/article/abs/pii/S0747563222004125
  20. 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. https://www.sciencedirect.com/science/article/pii/S0747563225002080
  21. OpenAI (2025). Sycophancy in GPT-4o. https://openai.com/index/sycophancy-in-gpt-4o/
  22. OpenAI (2025). Expanding on what we missed with sycophancy. https://openai.com/index/expanding-on-sycophancy/
  23. Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024. https://arxiv.org/abs/2310.13548
  24. Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2502.08177