KI-Texte erkennen: wie zuverlässig Detektoren wirklich sind

KI-Detektoren sind zuverlässig genug für einen Verdacht und zu unzuverlässig für eine Konsequenz. Sie liefern eine statistische Einschätzung darüber, wie vorhersagbar ein Text formuliert ist, und diese Einschätzung ist in beide Richtungen fehlbar: Maschinentexte rutschen durch, Menschentexte werden markiert — und zwar nicht zufällig, sondern bei immer denselben Personen.

Das ist keine akademische Feinheit. In Redaktionen, Personalabteilungen und Hochschulen werden aus diesen Prozentzahlen Entscheidungen: Ein Text wird abgelehnt, eine Bewerbung aussortiert, eine Zusammenarbeit beendet. Dieser Beitrag zeigt, was die Werkzeuge messen, wo ihre Fehler herkommen, was die seit August 2026 ausgerollten Wasserzeichen daran ändern — und was in der Praxis besser funktioniert. Wer die kurze Übersicht sucht, findet sie auf unserer Seite KI-Texte erkennen.

Was ein KI-Detektor tatsächlich misst

Ein KI-Detektor misst nicht, woher ein Text stammt, sondern wie vorhersagbar er formuliert ist. Er schickt den Text durch ein Sprachmodell und beobachtet, wie überrascht dieses Modell von jedem folgenden Wort ist. Ist die Überraschung durchgehend gering, wirkt der Text maschinell. Fachlich heisst dieses Mass Perplexität; ergänzt wird es meist durch die Burstiness, also die Schwankung von Satzlänge und Satzbau über einen Absatz hinweg.

Menschen schreiben unregelmässig. Ein langer Schachtelsatz, dann ein Dreiwortsatz. Ein Fachbegriff, dann eine saloppe Wendung. Ein Sprachmodell dagegen wählt in jedem Schritt eine der wahrscheinlichsten Fortsetzungen und erzeugt dadurch einen Text mit auffällig gleichmässiger Textur. Genau diese Gleichmässigkeit suchen Detektoren.

Daraus folgt die entscheidende Einschränkung: Das Verfahren erkennt einen Stil, keine Urheberschaft. Ein Mensch, der bewusst gleichmässig schreibt, erzeugt dasselbe Signal wie eine Maschine. Und ein maschinell erzeugter Text, der anschliessend gründlich überarbeitet wurde, verliert es. Ein Detektorwert ist damit eine Wahrscheinlichkeitsaussage über die Form eines Textes — nicht mehr, aber auch nicht weniger.

Die einzige Zahl, die ein Modellanbieter je offengelegt hat

Der einzige von einem Modellanbieter selbst veröffentlichte Genauigkeitswert stammt von OpenAI und war so schwach, dass das Produkt eingestellt wurde. Der im Januar 2023 gestartete AI Text Classifier erkannte in der eigenen Auswertung 26 Prozent der maschinell erzeugten Texte korrekt und markierte gleichzeitig 9 Prozent der menschlichen Texte fälschlich als KI. Im Juli 2023 nahm OpenAI das Werkzeug mit der Begründung einer zu geringen Genauigkeit vom Netz.

Kommerzielle Anbieter arbeiten heute besser als dieser Klassifikator. Nur prüfen sie sich in aller Regel selbst, mit selbst gewählten Textproben. Wo unabhängig gemessen wird, fallen die Werte deutlich niedriger aus als in der Werbung, und sie brechen ein, sobald ein Text umgeschrieben oder durch ein Umformulierungswerkzeug geschickt wurde.

Wie folgenreich schon eine sehr niedrige Fehlerquote ist, zeigt ein Fall aus dem Hochschulbereich. Turnitin gab für seine KI-Erkennung eine Falsch-Positiv-Rate von unter einem Prozent an. Die Vanderbilt University rechnete das auf ihr eigenes Volumen hoch: Bei rund 75'000 im Jahr 2022 eingereichten Arbeiten wären das etwa 750 zu Unrecht markierte Arbeiten gewesen. Im August 2023 schaltete die Universität die Funktion ab.

Warum jede Fehlerquote im Alltag schwerer wiegt, als sie klingt

Eine niedrige Fehlerquote bedeutet nicht, dass die Treffer stimmen — entscheidend ist, wie viele KI-Texte überhaupt im Prüfstapel liegen. Dieser Basissatz wird fast immer übersehen, dabei bestimmt er das Ergebnis stärker als die Qualität des Werkzeugs. Rechnen wir es durch, mit einem wohlwollend angesetzten Detektor: 90 Prozent Sensitivität, 5 Prozent Falsch-Positiv-Rate, 1'000 geprüfte Texte.

Die mittlere Spalte ist die eigentliche Pointe. Bei einem Anteil von 5 Prozent bleiben 950 menschliche Texte übrig, davon werden 5 Prozent markiert, also 47,5 — aufgerundet 48. Diesen 48 Fehltreffern stehen 45 korrekte Treffer gegenüber. Anders gesagt: Von 93 markierten Texten sind 48 unschuldig, das ist mehr als jeder zweite.

Wen die Fehler systematisch treffen

Falsch-Positive verteilen sich nicht zufällig, sondern konzentrieren sich auf Menschen, die einfach und regelmässig schreiben. Ein Stanford-Team um Weixin Liang prüfte sieben verbreitete Detektoren an 91 TOEFL-Aufsätzen von Nicht-Muttersprachlern: Mehr als die Hälfte wurde als KI-generiert eingestuft, ein einzelnes Werkzeug markierte fast 98 Prozent der Texte. Aufsätze von US-Achtklässlern wurden dagegen zu über 90 Prozent korrekt als menschlich erkannt. Die Erklärung ist dieselbe Mechanik wie oben: Wer über einen kleineren aktiven Wortschatz verfügt, formuliert vorhersagbarer — und wird deshalb markiert.

Für Schweizer Unternehmen ist das keine Randnotiz. In vielen Teams schreiben Menschen, deren Erstsprache nicht Deutsch ist. Dazu kommen die Berufsgruppen, deren Handwerk gerade in der Gleichmässigkeit besteht: technische Redaktion, Qualitätsmanagement, Recht, Compliance. Wer sauber nach Styleguide arbeitet, erzeugt genau das Signal, auf das Detektoren anspringen.

Ironischerweise gilt das auch für gut optimierte Webtexte. Die zitierfähige Absatzstruktur, die wir für die Sichtbarkeit in KI-Antworten empfehlen — Antwort im ersten Satz, ein Gedanke pro Absatz, klare Belege — ist per Konstruktion regelmässig. Ein Detektor sieht darin ein Verdachtsmoment, ein Leser sieht einen brauchbaren Text. Das ist ein guter Grund, den Detektorwert nicht zum Qualitätsmass zu erheben.

Was Wasserzeichen seit August 2026 ändern

Wasserzeichen lösen das Erkennungsproblem im Prinzip, in der Praxis aber vorerst nicht für Sie. Anthropic hat das am 11. August 2026 angekündigt und die Funktionsweise am 14. August 2026 offengelegt, wie Claude-Texte markiert werden: nach dem von Google DeepMind veröffentlichten SynthID-Text-Verfahren, das nicht den fertigen Text verändert, sondern die Zufallsquelle bei der Wortwahl während der Generierung. Modelle ab dem 2. August 2026 tragen das Wasserzeichen ab Start, ältere Modelle werden in den Folgemonaten nachgezogen. Anthropic hält ausdrücklich fest, dass dem Text nichts hinzugefügt wird und keine versteckten Zeichen entstehen.

Google verfolgt denselben Ansatz seit 2024 für Gemini und hat SynthID-Text als Open Source veröffentlicht; die Methode wurde in der Fachzeitschrift Nature beschrieben. Der freigegebene Code erlaubt es allerdings nur, eigene Modelle mit eigenen Schlüsseln zu markieren — er befähigt niemanden, produktive Gemini- oder Claude-Ausgaben zu prüfen. Genau daran hängt die praktische Einschränkung: Zum Auslesen braucht es den Schlüssel des Anbieters. Anthropic hat eine Detektions-API angekündigt, aber noch nicht allgemein geöffnet.

Für ChatGPT gibt es bis heute kein ausgeliefertes Text-Wasserzeichen. Und selbst dort, wo eines vorhanden ist, benennt Anthropic die Grenzen deutlich: Es wirkt schlecht bei kurzen Passagen, ist bei faktendichten Inhalten dünn gesät, bei Code praktisch nicht vorhanden und verschwindet, wenn ein Text vollständig neu geschrieben wird. Ein Wasserzeichen sagt zudem nur, dass ein bestimmtes Modell beteiligt war — nicht in welchem Umfang und nicht, ob stattdessen ein anderes Modell im Spiel war. Wer eine kostenlose «Wasserzeichen-Prüfung» im Netz findet, prüft fast immer etwas ganz anderes, nämlich typografische Sonderzeichen, die mit dem Wasserzeichen nichts zu tun haben.

Was Google mit KI-Texten macht

Google bewertet Zweck und Ergebnis eines Inhalts, nicht sein Herstellungsverfahren. In den Spam-Richtlinien für die Websuche steht der Tatbestand des skalierten Missbrauchs von Inhalten: das Erzeugen vieler Seiten mit dem Hauptzweck, Rankings zu beeinflussen, statt Nutzern zu helfen. Die Dokumentation nennt generative Werkzeuge als ein mögliches Mittel dazu — neben rein menschlicher und gemischter Produktion, die genauso darunterfallen.

Daraus folgt eine unbequeme, aber saubere Konsequenz: Ein Detektorwert hat in einer SEO-Abnahme nichts verloren. Relevant ist, ob der Text eine Frage vollständiger beantwortet als die Alternativen, ob er auf eigener Erfahrung fusst und ob die genannten Fakten stimmen — die Kriterien, die hinter E-E-A-T stehen. Was wir dazu in der Praxis raten, steht ausführlich unter KI-Content und die Google-Richtlinien.

Die Abnahmeliste, die statt eines Prozentwerts trägt

Was einen Text belastbar macht, lässt sich prüfen — nur eben nicht mit einem Detektor. Wir arbeiten in Redaktionsprozessen mit sechs Fragen, die sich in wenigen Minuten beantworten lassen und deren Ergebnis begründbar ist:

1. Stimmen die Zahlen? Jede Zahl braucht eine Quelle, die man aufrufen kann. Erfundene Studien sind das häufigste und am leichtesten nachweisbare Problem maschinell erzeugter Texte — siehe KI-Halluzinationen im Griff.
2. Existieren die genannten Quellen wirklich? Zwei Klicks pro Beleg, keine Ausnahme.
3. Steht eigene Erfahrung im Text? Ein konkreter Fall, eine Zahl aus dem eigenen Betrieb, eine Einschränkung, die nur kennt, wer es getan hat.
4. Gibt es eine Position? Texte ohne Standpunkt sind austauschbar, unabhängig davon, wer sie geschrieben hat.
5. Passt es zum Unternehmen? Preise, Leistungen, Zuständigkeiten müssen der Realität entsprechen, nicht der Branchenschablone.
6. Ist die Autorenschaft geklärt? Wer zeichnet verantwortlich, und ist vertraglich geregelt, ob KI eingesetzt werden darf?

Diese Liste erzeugt keine Prozentzahl, dafür ein Ergebnis, das man einem Lieferanten gegenüber vertreten kann. Und sie hat einen Nebeneffekt: Ein Text, der sie besteht, ist automatisch schwerer als maschinell zu erkennen — weil er Inhalte enthält, die kein Modell erfinden kann. Genau darauf zielt auch das saubere Gegenstück zum Wegoptimieren von Detektorwerten, das wir unter KI-Text humanisieren beschreiben.

Detektoren sind ein Frühwarnsignal, kein Beweismittel. Wer sie als das behandelt, was sie sind — ein Hinweis darauf, dass ein Text auffällig gleichmässig gebaut ist —, kann sie durchaus einsetzen: als Anlass, genauer hinzuschauen. Wer aus einem Prozentwert eine Konsequenz ableitet, trifft früher oder später die Falschen, und zwar mit vorhersagbarer Regelmässigkeit. Wenn Sie den Umgang mit KI im Unternehmen grundsätzlich regeln wollen, ist das Thema Teil unserer KI-Beratung.