Spela ett spel: fråga valfri chatbot om ett slumpmässigt tal mellan 1 och 10. Du får 7. Fråga igen: 3 eller 4. Igen: 8 eller 9. Det här är inte telepati – det är grupptänkande. Stora språkmodeller är förutsägbara och okreativa, vilket är bra för kodning men uselt för att brainstorma semesterorter.

Gå in Springboards, en australisk startup, med Flint – en LLM tränad att välkomna hallucinationer snarare än att bekämpa dem. Medgrundaren Pip Bingemann demonstrerade: ChatGPT och Claude gav båda 7; Flint gav 3,7916. Frågad om ett bilmärke sa de vanliga modellerna Toyota eller Honda; Flint sa Ford F-150. För en New Balance-slogan sa Claude och ChatGPT båda ”Run your way”; Flint erbjöd ”Built to last, run to win.”

Denna homogenitet uppmärksammas. En artikel från november med titeln ”Artificial Hivemind” vann bästa artikel på NeurIPS och visade att 25 LLM:er producerade nästan identiska metaforer för tid (”Tid är en flod”) och bandnamn (med ”glas”, ”neon”, ”sammet” eller ”statisk”). Springboards byggde Flint ovanpå Alibabas open source Qwen 3, och justerade slumpmässighet endast vid viktiga utdatapunkter – som precis innan en destination namnges – snarare än att höja temperaturen globalt, vilket kan orsaka osammanhängande resultat.

Marknadsstrategen Zoe Scaman fann Flint användbar för okonventionella idéer, som att omprofilera förmögenhetsackumulering istället för det vanliga ”ekonomisk kunskap på ett roligt sätt”. Men medgrundaren Maximilian Weigl varnar: nio gånger av tio är genomsnittet bra, och att kopiera och klistra in AI-utdata är inte ett jobb. Springboards riktar sig till annonsörer för närvarande, men insisterar på att variation är viktigt för alla. Som Bingemann säger: ”Låt oss gå den här vägen istället för att hamna i en grå, tråkig värld.”