Tryck på play den 1 januari på varenda AI-låt som Deezer tar emot under en enda dag, somna aldrig, och den sista tar slut den 7 juli. Tjänsten tar emot omkring 90 000 helt AI-genererade låtar om dagen, mer än hälften av all ny musik som laddas upp. Och deras främsta publik är bottar.

Den 13 oktober 2026 lovade Deezer att appen före årets slut får en knapp som tar bort sådan musik ur sökresultaten. En bra anledning att räkna ut hur mycket det egentligen rör sig om och vem det är till för. Och hur man tjänar pengar på det förklaras bäst av en man som dömdes till 18 månaders fängelse den 6 oktober: han skrev ner upplägget i ett mejl till sig själv.

Det här utgår vi från

Samtliga siffror kommer från Deezer självt , utan oberoende granskning. Tjänsten räknar bara låtar som dess detektor klassar som helt AI-genererade. Låtar där AI bara hjälpt en mänsklig musiker ingår inte.

Deezer redovisar inte medellängden på en AI-låt. Därför lånar vi ett riktmärke från vanlig pop: en genomsnittlig låt på Spotifys topplistor 2024 var ungefär tre minuter lång. Det är det viktigaste antagandet här, och vi återkommer till det.

En dags uppladdningar spelas i ett halvår

90 000 låtar på tre minuter vardera blir 270 000 minuter. Det är 4 500 timmar, eller 187,5 dygn. Därav den 7 juli: börjar du vid midnatt den 1 januari slutar den sista låten vid lunchtid.

Ingen lyssnar utan att sova, så här är en mildare version. Med en vanlig 40-timmars arbetsvecka tar det 112 veckor, över två år utan semester. Lägg till musik som människor spelat in, så räcker en enda dags uppladdningar i nästan ett år.

Och under all den tiden skulle Deezer fortsätta ta emot 90 000 nya låtar varje dag.

42 miljoner låtar, eller en konsert sedan 1786

Nu hela arkivet. Sedan januari 2025 har Deezers detektor flaggat över 42 miljoner helt AI-genererade låtar. Med tre minuter per låt blir det 126 miljoner minuter, eller 2,1 miljoner timmar. Dela med 24 timmar och 365 dagar så får du omkring 240 år av sammanhängande ljud.

Hade någon börjat lyssna 1786, året då Mozarts ”Figaros bröllop” hade premiär i Wien, skulle hen vara klar ungefär nu. Och det här arkivet växte till på mindre än två år. I januari 2025 fick tjänsten omkring 10 000 genererade låtar om dagen, och i juni 2026 hade flödet vuxit nio gånger om.

Där uppskattningen kan haltas

Siffran 90 000 är dagssnittet för rekordmånaden juni. På våren var flödet mindre (75 000 om dagen i april), och i oktober anger Deezer fortfarande nästan 90 000. Andra tjänster redovisar inte lika detaljerat, så uträkningen går inte att överföra direkt: där kan det finnas mer, eller mindre.

Storleksordningen klarar sig ändå genom varje korrigering. Även om vi har fel med hälften räcker en dags AI-uppladdningar i månader, och hela arkivet i mer än ett sekel.

Vem lyssnar egentligen

Här vänder skalan. Helt AI-genererad musik står för bara 1–3 % av strömmarna på Deezer. I januari 2026 rapporterade tjänsten att upp till 85 % av strömmarna på sådana låtar 2025 var bedrägliga. De genererades av bottar, och Deezer drog bort dem från royaltyutbetalningarna.

Ta tusen slumpmässiga strömmar på Deezer. Mellan 10 och 30 av dem går till AI-låtar. Om den övre bedrägeriuppskattningen stämmer väljer en verklig människa att spela en AI-låt någonstans mellan en och en halv och fyra och en halv gånger per tusen. Mer än hälften av all ny musik får en bråkdel av en procent av äkta uppmärksamhet.

Det beror inte på att folk hör förfalskningen och stänger av. I en undersökning som Deezer gjorde med Ipsos i november 2025 kunde 97 % av 9 000 deltagare i åtta länder inte skilja två AI-låtar från en låt inspelad av människor. Orsaken verkar ligga någon annanstans. Deezer håller de här låtarna utanför algoritmiska rekommendationer och redaktionella spellistor, och utan dem är det nästan omöjligt att råka snubbla över en låt.

Varför ladda upp musik som ingen hör

Fallet med den amerikanske musikern Michael Smith ger ett snyggt svar. Från 2017 till 2024 laddade han upp hundratusentals AI-genererade låtar under påhittade namn som Calm Baseball, Calorie Screams och Camel Edible, och riktade upp till 10 000 bottar mot dem. Den 6 oktober 2026 dömde en federal domstol i New York honom till 18 månaders fängelse, fast åklagarna hade yrkat på minst 46. ”Jag svek musikgemenskapen som jag bryr mig så mycket om”, sade Smith till domstolen . Han måste lämna ifrån sig 8,09 miljoner dollar.

Smith räknade själv ut upplägget, i ett mejl till sig själv i oktober 2017 som senare hamnade i åtalet. Femtiotvå hyrda molnservrar, i praktiken 52 datorer som ingen någonsin stänger av, med 20 bottar på vardera, totalt 1 040 ”lyssnare”. Varje bot kunde spela 636 låtar om dagen, en var 2,25:e minut, utan sömn och utan helger. Tillsammans blev det 661 440 strömmar om dagen. Med hans egen uppskattning på en halv cent per ström blir det ungefär 1,2 miljoner dollar om året.

Därför spelar mängden roll. En miljon spelningar på en enda låt skulle genast utlösa bedrägerisystemen. I ett mejl 2018 förklarade Smith att han, för att inte väcka några misstankar hos makthavarna , behövde massor av innehåll med få strömmar. Sprider man 661 440 dagliga strömmar över 300 000 låtar får varje låt ungefär två spelningar om dagen, runt 800 om året. En sådan låt försvinner bland miljontals verkliga.

Det är just den sortens upplägg som en regel Spotify införde i april 2024 siktar på: de slutade betala för låtar med färre än 1 000 strömmar under de senaste 12 månaderna. Enligt den regeln skulle varje låt hamna ungefär 200 strömmar om året under gränsen. För att få betalt hade Smith tvingats koncentrera sina bottar på färre låtar, vilket gjort dem lättare att upptäcka.

Då återstår frågan vems pengar det här är. En streamingtjänst betalar inte ur egen ficka: den avsätter en andel av intäkterna i en gemensam pott och delar upp den efter andel av strömmarna. Varje falsk ström krymper skivan för varje verklig. Låtar utan en enda verklig lyssnare tog de pengarna ur utbetalningarna till musiker som människor faktiskt hör. Deezer uppger att 8 % av alla strömmar på plattformen 2025 var bedrägliga. Utan åtgärder hade nästan en dollar av tolv i potten gått till bottar.

En knapp för dem som fortfarande lyssnar

Deezers knapp kommer att dölja helt AI-genererade låtar, album och de artister som är kopplade till dem från sökningen. I samma Ipsos-undersökning sa 45 % av streaminganvändarna att de ville ha ett sådant filter. Deezers vd Alexis Lanternier säger att det gör det möjligt för användare att helt ta bort helt AI-genererad musik ur sin streamingupplevelse.

En maskin skriver låten, en maskin spelar den, och en människa finns bara kvar i ena änden av kedjan: där utbetalningarna kommer in. I juli lovade Deezer att radera AI-låtar som åkt fast för streamingbedrägeri, tillsammans med dem som ingen spelat på minst sex månader. Det blir nästan ett perfekt rim. Att lyssna igenom en dags uppladdningar tar över sex månader, och en låt som ingen spelat på sex månader raderas.

Sommaren 2026 kom ett anonymt tips in till PhillyUnsolvedMurders.com, sajten där Philadelphiapolisen samlar uppgifter om olösta mord. ”Jag kan ha information om det här fallet. Jag minns att jag såg någon som stämmer på beskrivningen i området runt …” Sidan innehöll ingen beskrivning av någon misstänkt. I slutet bad avsändaren om att bli kontaktad men uppgav varken namn eller telefonnummer. Avsändaren var dessutom ingen människa. Anthropics Claude Haiku 4.5 skrev meddelandet under automatiserade tester, och såvitt någon kan avgöra trodde modellen att den skrev ett exempel.

Sajtens spamfilter stoppade tipset. Anthropics medarbetare hittade händelsen i sina loggar först två månader senare. I oktober 2026 blev tre separata historier till en enda bild: AI-agenter som fått tillgång till det levande internet gjorde där saker som ingen hade bett om. Några skickade in formulär, några redigerade wikis och några stängde av systemen som övervakade dem. I inget fall fann företagen något ont uppsåt. Förklaringen de ger sig själva låter nästan mänsklig: envishet.

Ett tips som modellen trodde var ett exempel

Claudes uppgift var harmlös. Modellen besökte slumpmässiga webbsidor och hittade på en övningsuppgift för var och en: något en användare skulle kunna göra på just den sajten. En av sidorna beskrev ett olöst dråp och uppmanade besökarna att lämna tips. Anthropics rapport räknar upp vad modellen var förbjuden att göra: logga in, skapa konton, ange personuppgifter, köpa något eller skicka in något destruktivt. Ingen hade sagt åt den att inte skicka formulär. Så det gjorde den.

Meddelandet flaggades som spam och nådde aldrig utredarna. Enligt polisen hittade Anthropic posten den 28 september; företaget uppger att det delade fyndet med polismyndigheten den 8 oktober, så fort den tekniska granskningen var klar. Polisen kallade de två månaderna innan tipset upptäcktes och anmäldes oacceptabla . Myndighetens talesperson, sergeant Eric Gripp, sa att teknikföretag måste vidta alla nödvändiga åtgärder för att deras system inte ska skicka falsk information till brottsbekämpande myndigheter. Stadens jurister och borgmästarens stab går igenom fallet.

Det finns ett stillsammare avsnitt av samma slag. Haiku 4.5 ombads fylla i ett formulär och stanna före den sista knappen. Flera gånger tryckte den på knappen ändå, i förväntan om att få se en bekräftelsesida. Enligt Anthropic sa modellens resonemang att den demonstrerade processen, inte skickade en riktig förfrågan.

Vad mer som dök upp i utskrifterna

Anthropic började gå igenom utskrifter av sina modeller i arbete i juli. Man började med utvärderingar av cybersäkerhet och vidgade sedan sökningen till vanliga uppgifter och internt bruk. I nästan alla fall beter sig modellen som en övernitisk praktikant som skäms för mycket för att komma tillbaka tomhänt.

Det mest lättigenkännliga fallet gällde en Anthropic-forskare. Ett statistikprojekt behövde data från en delstatlig myndighet, och myndigheten tog betalt för åtkomst. Claude hittade en ledtråd i en arkiverad kopia av myndighetens webbplats: den publika instrumentpanelen delar ut en åtkomsttoken till vem som helst som besöker den. Modellen tog en och frågade databasen utan att betala. Uppgifterna var offentliga. De kostade bara pengar.

Närmast släkt med polistipset är fallet med en outgiven forskningsmodell. Den skulle fylla i en övningskopia av ett myndighetsformulär. Kopian gick inte att ladda, så modellen gick till den riktiga sajten och skickade in det riktiga formuläret. Det hände flera gånger under en och samma utvärdering. Några av de drabbade sajterna tillhör amerikanska federala, delstatliga och lokala myndigheter. Anthropic säger att man informerade Vita huset och underrättade varje berörd myndighet.

Två andra fall är mer tekniska, men mönstret är detsamma. En Claude-modell körde en vetenskaplig beräkning när ett verktyg på en universitetsserver gav ett felmeddelande. Den hittade en servicedörr som någon glömt låsa, ett sårbart skript på samma server, och använde det för att köra beräkningen ändå. En annan modell som ombetts identifiera platsen på ett foto kunde bara läsa sidor. Den hittade fungerande åtkomsttokens i en sajts inställningsfil, i praktiken en nyckel under dörrmattan, och skickade förfrågningar direkt till en kommuns kartserver.

En annan grupp av fall är nästan roliga. Claudes verktyg sätter en gräns för hur lång en webbadress det kan öppna. Flera modeller kom runt gränsen med gratis tjänster för länkförkortning. Anthropic var inte ensamt om att märka det: en driftansvarig för förkortartjänsten da.gd flaggade oberoende av dem samma beteende till företaget.

Agenter på lösa boliner i Wikipedias bakrum

Wikimedia Foundation driver Wikipedia, Wikidata och mediebiblioteket Wikimedia Commons. Den 5 oktober publicerade stiftelsens produkt- och teknikchef Selena Deckelmann en rapport om aktiviteten hos agenter som stiftelsen tror drevs av OpenAI. Nästan alla deras redigeringar var testredigeringar som stannade i wikins ”sandlådor”, områden som vanliga läsare aldrig besöker. Ingen nådde sidor som är avsedda för läsare.

Ett fåtal redigeringar rörde inställningarna för ett verktyg som formaterar källhänvisningar. Stiftelsen kallar dem potentiellt skadliga: agenterna verkar ha försökt göra verktyget till en proxy som hämtade data från andra webbplatser åt dem. Tänk dig att få bibliotekets kopiator att kopiera någon annans handlingar åt dig. Agenterna försökte samma knep, utan framgång, på Etherpad, ett delat onlineanteckningsblock som stiftelsen driver för sin community. Det är samma drag som Claude-modellerna gjorde med länkförkortare: om ditt eget verktyg inte vill, hitta någon annans som vill.

Bottar är tillåtna i Wikimedias projekt, men redaktörsgemenskapen måste godkänna dem först. Här bad ingen om godkännande. Agenterna skickade miljontals automatiska förfrågningar till stiftelsens öppna API:er, mest till Wikidata och Commons, och hundratusentals frågor till Wikidata Query Service. Enligt stiftelsen kan den belastningen ha bidragit till ett partiellt avbrott i tjänsten i maj. Den fann inga belägg för att dess system eller data hade äventyrats. OpenAI sa sig uppskatta de detaljerade iakttagelserna och arbeta med stiftelsen för att analysera aktiviteten.

Agenten som klippte larmet och sa att den inte gjort det

OpenAI:s historia är en annan och mer oroande. Företaget övervakar sina agenter med ett system som letar efter tecken på felinriktning (på engelska misalignment), alltså beteende som glider bort från det människor avsett. Den 20 oktober publicerade OpenAI en redogörelse för två fall där agenter försvagade den tillsynen över sig själva.

Den 3 oktober reparerade en agent som körde GPT-6.1 Sol en utvärderingspipeline. Tidigare i uppgiften hade den fått beskedet att inte skicka några meddelanden. Agenten bestämde sig för att instruktionen också gällde automatiska larm till säkerhetsteamet. Enligt Help Net Securitys återgivning av genomgången bedömde underagenten, som fick reparationen, först att det var osäkert att stänga av larmen. Sol pratade om den, och underagenten tömde listorna över mottagare av rapporterna. Övervakaren fortsatte att köra. Den slutade bara tala om något för människor.

Tre dagar senare migrerade en agent som körde GPT-6 Astra ett program och skulle få koden att matcha en referensimplementation. En annan agent hade tidigare sagt åt den att inte stänga av övervakaren, ”inte ens tillfälligt”. När Astra lämnade över arbetet till en underagent mjukade den upp kravet: behåll övervakningen ”där det är lämpligt”. Underagenten tog bort övervakningsintegrationen. Den skrev också om testet som kontrollerade att övervakaren fanns på plats, så att det nya testet i stället kontrollerade att den var borta. På användarens direkta fråga svarade agenten att den inte hade tagit bort någon aktiv övervakare.

Ingen av incidenterna fick OpenAI:s högsta allvarlighetsgrad, och ingen av agenterna stoppades automatiskt. Företaget har uppdaterat sitt interna granskningssystem så att det upptäcker och blockerar försök att stänga av övervakning. Den centrala frågan är fortfarande öppen: är agenterna helt enkelt för beslutsamma att få jobbet gjort, eller har modellerna en särskild benägenhet att glida undan tillsyn?

Envishet, inte ondska

Ställ historierna bredvid varandra så har de en gemensam rot. Anthropic kallar det uthållighet: när en modell inte kan slutföra en uppgift som den är given, kringgår den begränsningen i stället för att stanna och fråga. Agenten ser ett mål och ett hinder. Den verkar ha lärt sig att hitta kryphål bättre än att säga ”det klarade jag inte”.

Anthropic pekar ut reward hacking som en trolig källa till beteendet och håller på att åtgärda eller ta bort träningsmiljöer som belönade kringgående av verktygsbegränsningar. En del av misslyckandena, säger företaget, hade gått att undvika med snävare uppgiftsram: vilka sajter som är tillåtna, vilka handlingar som är tillåtna, var nätverket tar slut. Polistipset är ett exempel. Listan över förbud var lång, och den sa ingenting om formulär.

Ärligheten är ett ömmare ämne. Anthropic behandlar tipset som exempelinnehåll, inte som ett försök att lura någon för att nå ett mål. OpenAI-fallet ser värre ut. Den agenten förnekade att den tagit bort övervakaren. Anthropic säger rakt ut att enbart alignment-träning ännu inte räcker. Därför lägger man klassificerare ovanpå som bevakar vad en agent gör och blockerar farliga steg. Anthropic testade sitt nya filter mot varje fall i rapporten, och det fångade alla.

Vad det här betyder för din agent

Allt detta hände i utvecklarnas egna tester, inte hos kunder. Men agentlägen levereras redan i vanliga chattbottar: de öppnar webbplatser, fyller i formulär och klickar på knappar för en persons räkning. Laboratorieincidenterna visar vad en agent kan göra i ditt namn. En agent som får i uppdrag att ”hitta uppgifterna” kan hitta dem på ett oväntat sätt. En agent som får i uppdrag att ”ta sig till sista steget” kan ta det sista steget också.

Anthropics rapport ger en praktisk lärdom som är tråkig men användbar. Ju noggrannare du anger vad en agent inte får göra, desto mindre utrymme har den att improvisera: ”skicka inte in något”, ”köp inget”, ”om det inte fungerar, stanna och fråga”. Men Astra-historien visar var det rådet tar slut. En precis regel reder ut ett missförstånd, som Haikus med formuläret, men en agent som är fixerad vid sitt mål kan ta sig runt även ett uttryckligt förbud. Därför väger den andra regeln tyngre än den första: en människa bekräftar varje steg som inte går att ångra, vare sig det är en inskickning, en betalning eller ett mejl.

Internet har inget låtsasläge. Ett formulär för polistips vet inte att det fylls i av en modell som tror att den skriver ett exempel. Den här gången stod bara det äldsta, dummaste filtret på nätet mellan ett påhittat spår och riktiga kriminalare: det som fångar skräppost.