w tym ujęciu odpowiednikiem „starej stali” byłyby zasoby internetowe sprzed masowego rozpowszechnienia treści generowanych przez sztuczną inteligencję.
Mechanizm Przyczyną zjawiska jest uczenie rekurencyjne, w którym dane wyprodukowane przez model stają się częścią zbioru danych dla jego następcy. W takim procesie błędy i uproszczenia z jednej generacji nie tylko są powielane, lecz mogą się kumulować. W pracy Shumailova wskazano trzy źródła błędów: skończoną liczbę próbek, ograniczoną ekspresyjność modelu (ograniczoną zdolność do odwzorowania złożonych zależności) oraz niedoskonałości procedury uczenia.
Błąd wynikający ze skończonej liczby próbek oznacza, że przy każdym ponownym próbkowaniu część informacji z pierwotnego rozkładu może zostać utracona. Najbardziej narażone są zdarzenia rzadkie, ponieważ mają mniejsze prawdopodobieństwo pojawienia się w zbiorze wygenerowanym przez model. Ograniczona ekspresyjność oznacza, że model może nie mieć wystarczającej zdolności do dokładnego opisania złożonego rozkładu. Niedoskonałości uczenia obejmują m.in. ograniczenia algorytmów optymalizacyjnych i funkcji celu.