KI-Erkennung: was KI-Detektoren wirklich können

Die KI-Erkennung ist zum Lieblingsthema von Lehrkräften, Redaktionen und Marketingleitungen geworden. Die Hoffnung dahinter ist simpel: Text in ein Tool kopieren, Prozentwert ablesen, fertig. So funktioniert es leider nicht. KI-Erkennung liefert Wahrscheinlichkeiten, keine Beweise. Und wer diese Wahrscheinlichkeiten für Fakten hält, trifft schlechte Entscheidungen. In diesem Beitrag bekommst du eine ehrliche Einordnung: wie KI-Text-Erkenner arbeiten, wie treffsicher sie sind, welche Merkmale du selbst erkennen kannst und welche Regeln du im Unternehmen brauchst, damit das Thema nicht ständig hochkocht.

Wie funktioniert KI-Erkennung technisch?

Ein KI-Detektor liest keinen Inhalt, er bewertet Statistik. Zwei Kennzahlen stehen im Zentrum.

Perplexität misst, wie überraschend die Wortfolgen für ein Sprachmodell sind. Sprachmodelle wählen beim Schreiben meist das wahrscheinlichste nächste Wort. Deshalb sind KI-Texte oft glatt, vorhersehbar, wenig überraschend. Niedrige Perplexität ist also ein Verdachtsmoment.

Burstiness misst die Schwankung im Text. Menschen schreiben ungleichmäßig. Ein Satz mit 30 Wörtern, dann drei Wörter. Ein Nebensatz zu viel, ein Gedanke, der mitten drin abbiegt. Maschinen halten den Rhythmus dagegen erstaunlich gleichmäßig.

Dazu kommt oft ein trainierter Klassifikator, der auf Millionen Beispielen aus menschlichen und maschinellen Texten gelernt hat, Muster zu unterscheiden. Das Ergebnis ist eine Schätzung, ausgegeben als Prozentwert oder als Satzmarkierung. Wichtig: Diese Zahl sagt nicht "73 Prozent des Textes sind KI", sondern eher "das Muster ähnelt zu einem bestimmten Grad maschinell erzeugtem Text". Das ist ein Unterschied wie zwischen Diagnose und Verdacht.

Eine dritte Technik heißt Watermarking. Dabei setzt das Modell beim Schreiben unsichtbare statistische Signaturen. Bei Bildern und Videos ist das bereits verbreitet, etwa über den C2PA-Standard. Bei Text ist es bisher kaum im Einsatz, weil eine einzige Umformulierung die Signatur zerstört.

Wie zuverlässig ist KI-Erkennung wirklich?

Hier wird es unbequem. Die Forschung ist deutlich skeptischer als das Marketing der Anbieter.

Eine breit beachtete Untersuchung im International Journal for Educational Integrity hat 14 Erkennungswerkzeuge getestet. Ergebnis: Kein einziges Tool war zuverlässig genug für den Ernstfall, die Genauigkeit lag bei keinem über 80 Prozent, und leicht überarbeitete KI-Texte rutschten besonders häufig durch.

Noch deutlicher: OpenAI hat den eigenen AI Text Classifier wieder abgeschaltet und dies mit der geringen Trefferquote begründet. Wenn der Hersteller der bekanntesten Text-KI seinen eigenen Detektor vom Markt nimmt, sagt das viel über den Reifegrad der Technik.

Dazu kommt ein Fairness-Problem. Eine Untersuchung aus Stanford zeigte, dass Detektoren Texte von Menschen, die nicht in ihrer Muttersprache schreiben, überdurchschnittlich oft falsch als KI einstufen. Der Grund liegt in der Methode: einfacher Satzbau und begrenzter Wortschatz erzeugen niedrige Perplexität, genau das Signal, auf das die Tools reagieren.

Drei Konsequenzen für dich:

• Ein hoher KI-Wert ist ein Anlass für ein Gespräch, nie ein Beweis.
• Kurze Texte unter 300 Wörtern sind kaum sinnvoll prüfbar, die Datenbasis ist zu klein.
• Falsch-positive Ergebnisse treffen ausgerechnet die, die sich beim Schreiben Mühe geben und schlicht formulieren.

Wie kann man KI erkennen, ohne ein Tool zu benutzen?

Dein eigenes Urteil ist oft besser als ein Prozentwert. KI-Texte haben typische Fingerabdrücke, die man nach ein paar Wochen Lesetraining recht schnell sieht.

• Keine Reibung. Alles ist ausgewogen, jede Aussage wird sofort relativiert. Niemand vertritt eine Position, die wehtun könnte.
• Nullaussagen in Schönschrift. Formulierungen wie "spielt eine entscheidende Rolle", "in der heutigen schnelllebigen Welt" oder "ein wichtiger Baustein für den Erfolg" füllen Zeilen, ohne Information zu liefern.
• Symmetrischer Aufbau. Drei Abschnitte, jeder drei Sätze, jeder Listenpunkt gleich lang. Menschen sind unordentlicher.
• Keine Spezifika. Keine Zahlen, keine Namen, keine Datumsangaben, keine eigenen Fehler, keine konkreten Fälle.
• Falsche Details. Wenn doch Zahlen oder Quellen auftauchen, stimmen sie manchmal nicht oder die Studie existiert gar nicht.
• Immer dieselben Lieblingswörter. "zudem", "darüber hinaus", "nahtlos", "vielfältig", "maßgeschneidert".

Der stärkste Test ist trotzdem ein anderer: Frag nach. Wer einen Text selbst geschrieben hat, kann in zwei Minuten erklären, warum ein Absatz so und nicht anders dasteht, woher eine Zahl kommt und was rausgeflogen ist. Wer nur eine Prompt-Ausgabe kopiert hat, kann das nicht. Genau deshalb ist gute Prompt-Arbeit auch kein Betrug, sondern Handwerk: Sie führt zu Texten, hinter denen man stehen kann.

Welche Tools für KI-Erkennung lohnen sich im Alltag?

Es gibt keinen Testsieger, der alles löst. Aber es gibt sinnvolle Einsatzbereiche.

GPTZero ist der bekannteste Anbieter, markiert einzelne Sätze und funktioniert auch auf Deutsch passabel. Gut für einen ersten Eindruck.

Originality.ai richtet sich an SEO- und Content-Teams, prüft zusätzlich auf Plagiate und liefert Team-Funktionen. Kostenpflichtig, in englischen Texten stärker als in deutschen.

Copyleaks kombiniert Plagiats- und KI-Erkennung und wird häufig in Organisationen eingesetzt, die beides in einem Workflow brauchen.

Scribbr bietet eine kostenlose Variante, die vor allem im akademischen Umfeld beliebt ist und dort auch eingeordnet wird.

Turnitin ist in Hochschulen der De-facto-Standard, für Unternehmen aber praktisch nicht zugänglich.

Mein Vorgehen in der Agentur: Wenn ich einen Verdacht prüfe, nutze ich zwei Tools und vergleiche. Stimmen beide überein und mein eigener Leseeindruck passt dazu, ist das Signal belastbar genug für ein Gespräch. Widersprechen sich die Tools, gewinnt der Mensch. Und nichts davon landet in einer Bewertung oder in einer Absage ohne Rücksprache.

Was bedeutet KI-Erkennung für dein Marketing und dein SEO?

Die größte Angst, die ich bei Kunden höre: "Wenn Google merkt, dass der Text von einer KI ist, fliegen wir aus dem Index." Das ist falsch. Google bewertet Qualität, nicht Entstehungsweg. In den Richtlinien von Google zu KI-generierten Inhalten steht klar, dass automatisierte Erzeugung kein Ausschlusskriterium ist. Was abgestraft wird, ist massenhaft produzierter Inhalt ohne eigenen Wert, egal ob von Mensch oder Maschine geschrieben.

Wichtiger als jede Detektor-Zahl sind also drei Fragen: Steckt in dem Text Wissen, das nur du hast? Gibt es einen Grund, warum jemand ihn bis zum Ende liest? Kann ein Mensch mit Namen dafür geradestehen?

Rechtlich kommt allerdings Bewegung in die Sache. Der EU-KI-Gesetzesrahmen verpflichtet Anbieter und Anwender zu Transparenz bei bestimmten KI-Inhalten, etwa bei Deepfakes und bei Texten zu Themen von öffentlichem Interesse. Wer in Unternehmen mit KI arbeitet, braucht deshalb ohnehin klare Regeln und Nachweise, nicht nur ein gutes Gefühl. Wie du das im Team aufsetzt, steht ausführlich in unserem Beitrag zur KI Schulung für Mitarbeiter.

Wie gehst du im Team mit KI-Erkennung um?

Detektoren löschen kein Vertrauensproblem. Prozesse tun es. Diese fünf Regeln haben sich bei uns bewährt.

1. Deklaration statt Detektion. Jeder gibt an, wo KI beteiligt war: Recherche, Rohtext, Bild, Übersetzung. Das kostet zehn Sekunden und beendet jede Rätselrunde.
2. Faktencheck ist Pflicht. Jede Zahl, jedes Zitat, jede Quelle wird von einem Menschen geprüft. Erfundene Studien sind der eigentliche Schaden, nicht der KI-Einsatz.
3. Eine Person haftet. Unter jedem Text steht ein Name. Wer draufsteht, hat den Text verstanden und kann ihn verteidigen.
4. Kein Text ohne Eigenanteil. Beispiel aus der eigenen Arbeit, eigene Zahl, eigene Meinung. Sonst geht er nicht raus.
5. Keine Sanktion nur wegen eines Prozentwerts. Der Detektor startet ein Gespräch, er beendet keins.

Wenn du KI schneller in brauchbare Rohtexte bringen willst, helfen ein paar simple Steuerbefehle mehr als jedes Erkennungstool. Fünf davon findest du in den ChatGPT Tricks mit Kürzeln.

Fazit: KI-Erkennung ist ein Werkzeug, kein Urteil

KI-Erkennung ist nützlich, um Aufmerksamkeit zu lenken, und gefährlich, wenn man sie als Beweis behandelt. Die Studienlage ist eindeutig: Die Trefferquote reicht nicht für Sanktionen, und die Fehler treffen oft die Falschen. Wer also hofft, das Thema mit einem Tool abzuhaken, wird enttäuscht.

Was stattdessen funktioniert: Transparenz im Team, Faktencheck als fester Schritt, ein Name unter jedem Text und Inhalte mit echtem Eigenanteil. Dann ist es am Ende egal, wer den ersten Rohentwurf getippt hat, Mensch oder Maschine. Der Unterschied liegt nicht im Werkzeug, sondern darin, was du daraus machst.