KI-Texte erkennen: was Detektoren können und was nicht

Ein KI-Detektor kann nicht feststellen, ob ein Text von einer KI stammt. Er schätzt, wie wahrscheinlich ein Text so aussieht, wie Sprachmodelle typischerweise schreiben, und gibt dafür einen Prozentwert aus. Das ist ein Hinweis, manchmal ein brauchbarer. Ein Nachweis ist es nicht, und in einem Fall wie dem eines Mitarbeiters, eines Texters oder einer Bewerberin taugt er nicht als Grundlage für eine Entscheidung.

Der Prozentwert eines Detektors ist eine Wahrscheinlichkeitsschätzung über den Stil, keine Aussage über die Herkunft. Ein knapper, sauber gegliederter Text eines Menschen kann „zu 90 % KI“ sein, ein überarbeiteter KI-Text „zu 5 %“. Beides kommt vor, und beides ist belegt.

Wie Detektoren arbeiten#

Es gibt drei Verfahren, die in der Praxis vorkommen.

Vorhersehbarkeit messen. Ein Sprachmodell wählt Wort für Wort, was am wahrscheinlichsten folgt. Der Detektor lässt ein Modell den Text lesen und misst, wie überrascht es von jedem Wort ist. Der Fachbegriff dafür ist Perplexität. Ein Text mit niedriger Perplexität ist vorhersehbar und gilt als verdächtig. Dazu kommt oft die Gleichförmigkeit, im Englischen „Burstiness“: Menschen schreiben einen langen Satz und dann einen kurzen, Modelle eher gleichmäßig.

Klassifikatoren. Ein Modell wird mit Beispielen trainiert, hier menschlicher Text, dort KI-Text, und lernt, die beiden zu unterscheiden. Das funktioniert so lange, wie die Texte den Trainingsbeispielen ähneln. Ein neues Modell, eine andere Sprache, ein anderes Thema, und die Trefferquote sinkt.

Wasserzeichen. Das Sprachmodell selbst verschiebt beim Schreiben die Wortwahl nach einem geheimen Muster, das ein passender Prüfer statistisch wiederfindet. Google DeepMind hat dafür SynthID Text entwickelt und den Code veröffentlicht; er steckt seit Version 4.46.0 in der Bibliothek Hugging Face Transformers (Google, SynthID). Das ist das einzige der drei Verfahren, das tatsächlich etwas über die Herkunft sagt. Aber nur über Texte aus Modellen, die das Wasserzeichen setzen, und nur, solange der Text nicht stark verändert wurde.

Was die Fehlerraten zeigen#

OpenAI hat im Januar 2023 einen eigenen Detektor veröffentlicht und ihn am 20. Juli 2023 wieder abgeschaltet, „due to its low rate of accuracy“ (OpenAI). Die eigenen Zahlen des Herstellers: In einem Testsatz englischer Texte erkannte er 26 % der KI-Texte als „likely AI-written“ und hielt 9 % der menschlichen Texte fälschlich für KI-Text. Unter 1.000 Zeichen nannte OpenAI ihn „very unreliable“, für andere Sprachen als Englisch deutlich schlechter. Das war ein Detektor des Unternehmens, das ChatGPT selbst gebaut hat.

Die bekannteste unabhängige Messung kommt aus Stanford (Liang et al., Patterns 2023). Die Forscher gaben sieben verbreiteten Detektoren 91 Aufsätze aus dem TOEFL, dem Englischtest für Nicht-Muttersprachler, alle von Menschen geschrieben. Ergebnis: Im Schnitt stuften die Detektoren 61,22 % davon als KI-Text ein. 89 der 91 Aufsätze, also 97,8 %, markierte mindestens einer der sieben. Aufsätze von US-Schülern der achten Klasse erkannten dieselben Detektoren fast fehlerfrei als menschlich.

Die Erklärung liegt im Verfahren. Wer in einer Fremdsprache schreibt, wählt einfachere, häufigere Wörter, und genau das misst die Perplexität als „vorhersehbar“. Die Gegenprobe der Studie bestätigt es: Ließen die Forscher die Wortwahl der TOEFL-Aufsätze von ChatGPT anheben, fiel die Fehlalarmquote von 61,22 % auf 11,77 %. Vereinfachten sie umgekehrt die Aufsätze der US-Schüler, stieg sie von 5,19 % auf 56,65 %.

Für einen Betrieb in Österreich heißt das: Wer Texte von Menschen bekommt, die Deutsch nicht als Erstsprache schreiben, oder Texte in einfacher Sprache, bekommt mehr Fehlalarme. Ebenso bei Fachtexten mit fester Terminologie, Produktbeschreibungen und Anleitungen, die von Natur aus vorhersehbar sind.

Warum auch Wasserzeichen kein Allheilmittel sind#

Ein Wasserzeichen wirkt nur dort, wo es gesetzt wird. Ein Text aus einem Modell ohne Wasserzeichen hat keines, und ob ein Anbieter eines setzt, steht in der Regel nicht in der Oberfläche. Google nennt für SynthID Text selbst drei Grenzen: Bei sachlichen Antworten wirkt es schlechter, weil weniger Spielraum in der Wortwahl bleibt, ohne die Genauigkeit zu senken. Wird ein Text gründlich umgeschrieben oder übersetzt, sinkt die Sicherheit des Prüfers stark. Und das Verfahren soll entschlossene Täter ausdrücklich nicht aufhalten.

Die EU verlangt solche Kennzeichnungen inzwischen von den Anbietern: Art. 50 Abs. 2 der KI-Verordnung verpflichtet Anbieter von Systemen, die synthetische Audio-, Bild-, Video- oder Textinhalte erzeugen, die Ausgaben „in einem maschinenlesbaren Format“ als künstlich erzeugt erkennbar zu machen (Verordnung (EU) 2024/1689). Das richtet sich an die Hersteller der Modelle. Was du als Betreiber einer Website kennzeichnen musst, ist eine andere Pflicht und steht in KI-Kennzeichnungspflicht.

Für Bilder, Videos und Audio gibt es mit C2PA einen offenen Standard für Herkunftsnachweise, die „Content Credentials“: signierte Metadaten, die festhalten, wie eine Datei entstanden ist und was danach geändert wurde. Für Fließtext auf einer Website hat sich nichts Vergleichbares durchgesetzt. Ein kopierter Absatz trägt keine Metadaten.

Was Google mit KI-Texten macht#

Die Frage hinter vielen Detektor-Prüfungen ist eine SEO-Frage: Bestraft Google KI-Texte? Google beantwortet sie seit Februar 2023 unter der Überschrift „Rewarding high-quality content, however it is produced“ (Google Search Central). Verstoß gegen die Spam-Richtlinien ist das Erzeugen von Inhalten „with the primary purpose of manipulating ranking in search results“, mit oder ohne KI. Statt nach der Herkunft fragt Google nach „Who, How, and Why“: wer den Text verantwortet, wie er entstanden ist und wozu (Google, hilfreiche Inhalte).

Ein Detektor-Wert spielt dabei keine Rolle. Ein KI-gestützter Text mit geprüften Fakten und echten Quellen ist für Google kein Problem, ein menschlicher Text ohne Substanz schon. Wie ein Ablauf aussieht, in dem KI mitarbeitet und trotzdem nichts Ungeprüftes live geht, steht in Claude Code für SEO.

Was nicht hilft#

Ein Detektor-Wert als Beweis. Gegenüber einem Mitarbeiter, einer Texterin oder einem Bewerber ist „Der Detektor sagt 87 %“ kein Argument. Der Hersteller des bekanntesten Sprachmodells hat seinen eigenen Detektor zurückgezogen, und die Studie aus Stanford zeigt, dass die Fehlalarme gerade die Menschen treffen, die in einer Fremdsprache schreiben. Wer auf dieser Grundlage eine Rechnung kürzt oder ein Dienstverhältnis beendet, steht ohne Beleg da.

Mehrere Detektoren gegeneinander laufen lassen. Sie messen dasselbe, nur unterschiedlich. In der Stanford-Studie markierte mindestens einer von sieben fast jeden echten TOEFL-Aufsatz. Mehr Detektoren heißen mehr Gelegenheiten für einen Fehlalarm.

Texte „humanisieren“. Werkzeuge, die einen KI-Text so umschreiben, dass Detektoren ihn durchlassen, gibt es viele, und sie funktionieren. Dieselbe Studie zeigte, dass eine einzige Zusatzanweisung an ChatGPT genügte, um die Erkennungsrate generierter College-Bewerbungsaufsätze von bis zu 100 % auf höchstens 13 % zu drücken. Das sagt mehr über die Detektoren als über die Texte. Ein umgeschriebener Text wird nicht besser, er wird nur schwerer zu erkennen, und Google bewertet ihn nach dem, was drinsteht.

Was bei eingekauften Texten tatsächlich hilft#

Wer Texte bei einer Agentur oder einem Freelancer einkauft, will meist nicht wissen, ob KI im Spiel war, sondern ob der Text stimmt und ob er bezahlt, was vereinbart war. Dafür gibt es bessere Werkzeuge als einen Detektor.

1. Quellen verlangen. Jede Zahl und jede Behauptung mit Verweis auf eine Primärquelle. Erfundene Studien und falsche Zitate sind das häufigste Merkmal unkontrollierter KI-Texte, und sie fallen beim Nachklicken in Minuten auf, nicht im Detektor.
2. Fakten stichprobenartig prüfen. Drei Aussagen pro Text an der Quelle nachlesen. Stimmt eine davon nicht, geht der Text zurück, ganz gleich, wer oder was ihn geschrieben hat.
3. Den KI-Einsatz vertraglich regeln. Statt nachträglich zu raten: im Auftrag festlegen, ob und wofür KI verwendet werden darf, dass der Einsatz offengelegt wird und wer für Richtigkeit und Rechte haftet. Das ist eine Frage für den Vertrag, nicht für ein Prüfwerkzeug. Für die Formulierung ist eine Rechtsberatung der richtige Ort.
4. Entstehung zeigen lassen. Ein Versionsverlauf, ein Gliederungsentwurf, Notizen aus einem Interview mit deinem Fachmann. Ein Text mit echtem Wissen aus deinem Betrieb hat eine Entstehungsgeschichte, ein generierter Text meistens keine.
5. Eigenes Wissen einbauen. Erfahrung, eigene Zahlen, eigene Fälle. Das ist, was ein Modell nicht hat, und genau das, wonach Google mit „Who, How, and Why“ fragt.

Der ehrliche Schluss#

KI-Detektoren erkennen einen Stil, keinen Autor. Sie liegen bei Fachtexten, einfacher Sprache und Nicht-Muttersprachlern besonders oft daneben und lassen sich mit einer einzigen Umformulierung austricksen. Wasserzeichen sind das ehrlichere Verfahren, wirken aber nur bei Modellen, die sie setzen, und nicht mehr nach einer gründlichen Überarbeitung. Wer wissen will, ob ein Text taugt, prüft Quellen und Fakten. Wer wissen will, ob KI im Spiel war, fragt nach und regelt es im Vertrag.

Stand 04.10.2026. Angaben von OpenAI, Google und der Stanford-Studie am 04.10.2026 an den verlinkten Quellen nachgelesen; die Seite von OpenAI beantwortet automatisierte Abrufe mit 403 und wurde über einen Lesedienst abgerufen.