KI-Erkennung in Kürze
Wie funktionieren KI-Detektoren? Sie schätzen, wie wahrscheinlich es ist, dass ein Sprachmodell einen Text geschrieben hat. Anders als eine Plagiatsprüfung vergleichen sie deine Wörter meist nicht mit einer Datenbank von Quellen, und wer sie getippt hat, wissen sie nicht. Stattdessen messen sie Muster: wie vorhersehbar jedes Wort ist, wie gleichmäßig die Sätze laufen und wie sehr der Text den menschlichen und KI-Beispielen ähnelt, aus denen der Detektor gelernt hat. Heraus kommt eine Wahrscheinlichkeit, keine Tatsache.
Die meisten Tools kombinieren mehrere dieser Signale. Wie das aussieht, zeigt unser kostenloser KI-Detektor: Jeder Satz wird als menschlich oder als KI markiert, und der Wert ist der Anteil des Textes, der menschlich wirkt. Der Rest dieses Ratgebers erklärt, was hinter so einem Ergebnis steckt.
Worauf KI-Detektoren achten: Perplexität und Burstiness
Ein Sprachmodell schreibt Wort für Wort und wählt dabei meist ein wahrscheinliches nächstes Wort. Ein Detektor kann ein ähnliches Modell über deinen Text laufen lassen und Wort für Wort fragen, wie überrascht es ist. Über den ganzen Text gemittelt heißt diese Überraschung Perplexität.
Nimm „Ich trank eine Tasse ___“. „Kaffee“ oder „Tee“ überrascht ein Modell kaum. „Donner“ überrascht es sehr. Ein Text, in dem fast jedes Wort das erwartete ist, hat eine niedrige Perplexität, und niedrige Perplexität ist einer der klassischen Hinweise auf maschinell geschriebenen Text.
Das zweite Signal, Burstiness, misst, wie stark ein Text von Satz zu Satz schwankt. Menschen schreiben eher in Schüben: ein kurzer Satz, dann ein langer mit einem oder zwei Nebensätzen, dann etwas dazwischen. KI-Entwürfe halten oft einen ruhigen, gleichmäßigen Rhythmus. Vergleiche diese beiden:
- Niedrige Burstiness: „Der Plan spart Zeit. Er senkt die Kosten. Teams arbeiten schneller zusammen. Kunden profitieren ebenfalls davon.“ Vier Sätze mit je vier Wörtern, alle gleich gebaut.
- Hohe Burstiness: „Der Plan spart Geld. Nicht viel im ersten Quartal, weil die neue Software vorab bezahlt werden muss, aber ab dem Sommer taucht die Ersparnis im Budget jedes Teams auf. Auch die Kunden merken es.“
Detektoren erkennen auch Gewohnheiten an der Oberfläche, die viele Modelle teilen: dieselben Übergänge („Darüber hinaus“, „Zudem“), ordentliche Dreierlisten, ein sauberer Zusammenfassungssatz am Ende jedes Absatzes. Nichts davon ist ein Beweis. Ein Rezept, eine Vertragsklausel oder ein Laborbericht soll vorhersehbar sein, und manche Menschen schreiben einfach gleichmäßige Sätze. Ein statistisches Signal ist ein Hinweis, und deshalb setzen viele Tools eine zweite Methode obendrauf.
Trainierte Klassifikatoren: ein Modell, das aus Beispielen lernt
Der zweite Ansatz ist ein Klassifikator: ein Modell, das mit sehr vielen Texten trainiert wird, die als „Mensch“ oder „KI“ gekennzeichnet sind, bis es lernt, welche Merkmale die beiden unterscheiden. Niemand gibt ihm eine Regel wie „niedrige Perplexität bedeutet KI“ vor. Es findet seine eigenen Muster, darunter auch solche, die kein Mensch benennen könnte.
OpenAIs eigener Detektor, im Januar 2023 veröffentlicht, war so gebaut: ein Sprachmodell, feinabgestimmt auf Paare von menschlich und KI-geschriebenen Texten zum selben Thema. OpenAI zog ihn etwa sechs Monate später zurück. Was daraus wurde, steht in Sind KI-Detektoren zuverlässig?
Ein Klassifikator ist nur so gut wie seine Trainingsdaten. Bei Texten, die dem ähneln, was er im Training gesehen hat, schneidet er gut ab. Bei anderen Texten, etwa aus einem neueren KI-Modell, einer ungewöhnlichen Textsorte oder einer Sprache, die er selten gesehen hat, wird er unzuverlässiger. Im selben Beitrag warnte OpenAI, dass sein Klassifikator bei Eingaben, die sich stark von den Trainingsdaten unterschieden, manchmal „äußerst überzeugt von einer falschen Vorhersage“ war.
Bewertung des ganzen Dokuments oder einzelner Sätze
Manche Detektoren geben ein Urteil für den ganzen Text ab. Andere bewerten jeden Satz oder kurzen Abschnitt und bilden daraus das Gesamtergebnis. Die beiden Ansätze beantworten verschiedene Fragen: „Hat KI dieses Dokument geschrieben?“ und „Welche Teile wirken wie KI?“
Turnitin arbeitet nach dem zweiten Prinzip. Nach eigenen Angaben teilt das Unternehmen eine Einreichung in überlappende Abschnitte von einigen hundert Wörtern, gibt jedem Satz einen Wert zwischen 0 und 1 und mittelt die Werte zu einer Schätzung, wie viel des Dokuments KI-generiert ist.
Die Bewertung einzelner Sätze hilft, wenn ein Text teils von einem Menschen und teils von KI stammt, weil sie zeigt, woher das Signal kommt. Sie ist aber auch störanfälliger. Ein einzelner Satz enthält kaum Anhaltspunkte, deshalb bedeutet eine einzelne markierte Zeile viel weniger als eine ganze Seite davon. Unser Detektor bewertet den ganzen Text und jeden Satz, damit du das Gesamtbild siehst und auch, woher es kommt.
Wasserzeichen: ein Signal, das schon beim Schreiben entsteht
Wasserzeichen drehen das Problem um. Statt im Nachhinein zu raten, markiert das KI-Modell seine eigene Ausgabe schon beim Schreiben. Google DeepMinds SynthID-Wasserzeichen für Text verschiebt dazu die Wahrscheinlichkeiten der Wörter, die das Modell wählt, ein kleines Stück. Der Text liest sich ganz normal. Ein Detektor, der die Einstellungen des Wasserzeichens kennt, prüft dann, ob die Wortwahl dem versteckten Muster folgt.
Google gab 2024 bekannt, dass es Texte in der Gemini-App mit SynthID markiert. Die Methode beschrieb das Unternehmen in einem Artikel in Nature und veröffentlichte den Code, damit andere Entwickler sie in ihre eigenen Modelle einbauen können. Laut DeepMind gilt:
- Was es verkraftet: leichte Änderungen wie das Kürzen des Textes, das Austauschen einiger Wörter oder milde Paraphrasen. Am besten funktioniert es bei längeren, offenen Antworten wie Aufsätzen oder E-Mails.
- Womit es Probleme hat: Die Sicherheit sinkt stark, wenn ein Text gründlich umgeschrieben oder übersetzt wird. Schwächer ist es auch bei Antworten auf Faktenfragen, weil es dort nur wenige Wortwahlen gibt, die sich anpassen lassen.
Eine Grenze gilt für jedes Wasserzeichen: Ein Detektor findet nur eine Markierung, die auch gesetzt wurde. Text aus einem Modell ohne Wasserzeichen sieht genauso aus wie jeder andere Text ohne Wasserzeichen. „Kein Wasserzeichen gefunden“ sagt also nichts darüber, ob KI im Spiel war.
Wie funktionieren KI-Detektoren? Die drei Methoden im Vergleich
| Methode | Was sie misst | Funktioniert am besten bei | Größte Schwäche |
|---|---|---|---|
| Statistische Signale (Perplexität, Burstiness) | Wie vorhersehbar die Wörter sind und wie gleichmäßig die Sätze laufen | Langen, unbearbeiteten KI-Entwürfen | Schlichte oder schematische menschliche Texte können genauso vorhersehbar wirken |
| Trainierter Klassifikator | Muster, gelernt aus gekennzeichneten menschlichen und KI-Beispielen | Texten, die seinen Trainingsdaten ähneln | Neuere KI-Modelle, ungewöhnliche Textsorten und andere Sprachen |
| Wasserzeichen-Prüfung | Ein verstecktes Muster, das das KI-Modell beim Schreiben eingefügt hat | Längeren Texten aus einem Modell mit Wasserzeichen | Findet nichts in Texten von Modellen ohne Wasserzeichen und verblasst nach starkem Umschreiben oder Übersetzen |
Wasserzeichen-Prüfungen helfen nur bei Texten aus einem Modell, das ein Wasserzeichen setzt, und nur mit einem Detektor, der dessen Einstellungen kennt. Die meisten Texte, die du in einen öffentlichen Detektor einfügst, werden deshalb mit den ersten beiden Methoden bewertet, oft mit beiden zusammen.
Warum zwei KI-Detektoren denselben Text unterschiedlich bewerten
Füge einen Aufsatz in drei Detektoren ein, und du bekommst womöglich drei verschiedene Zahlen. Das heißt nicht, dass einer davon kaputt ist. Sie messen auf unterschiedliche Weise:
- Andere Trainingsdaten. Jeder Klassifikator hat aus seiner eigenen Sammlung menschlicher und KI-Texte gelernt, also hat jeder seine eigenen blinden Flecken.
- Andere Schwellenwerte. Ein Tool nennt einen Text vielleicht schon KI, wenn es sich zu 50 % sicher ist, ein anderes erst bei 90 %. Dieselben Anhaltspunkte bekommen dann ein anderes Etikett.
- Andere Einheiten. „70 % KI“ kann heißen, dass das Tool sich zu 70 % sicher ist, dass der ganze Text von KI stammt, oder dass 70 % der Sätze wie KI wirken. Das sind verschiedene Aussagen, auch wenn beide als Prozentzahl erscheinen.
- Andere Versionen. Detektoren werden neu trainiert, wenn neue KI-Modelle erscheinen. Dasselbe Tool kann denselben Text deshalb ein paar Monate später anders bewerten.
Wie oft welche Art von Fehler vorkommt, ist eine eigene Frage. Die veröffentlichten Tests fasst Sind KI-Detektoren zuverlässig? zusammen.
Was KI-Texte schwerer erkennbar macht
Jede Methode oben setzt voraus, dass der Text den Fingerabdruck behält, den das Modell hinterlassen hat. Alles, was Wortwahl oder Rhythmus verändert, schwächt das Signal:
- Überarbeitung. Jeder Satz, den ein Mensch umschreibt, ersetzt die Wortwahl des Modells durch menschliche. Ein stark bearbeiteter Entwurf ist tatsächlich eine Mischung, und Detektoren bewerten ihn auch so.
- Kurze Texte. Ein paar Sätze enthalten zu wenige Wörter, als dass Vorhersehbarkeit oder Rhythmus viel aussagen könnten. Deshalb setzen viele Detektoren eine Mindestlänge. Unserer braucht 40 Wörter.
- Übersetzung. Wer einen Text in eine andere Sprache überträgt, ersetzt fast jede Wortwahl. Das bringt die statistischen Signale und jedes Wasserzeichen durcheinander.
- Paraphrasieren. Paraphrasier-Tools und Humanizer verändern genau das, was die statistischen Methoden messen: Wortwahl und Satzrhythmus.
Dieselbe Logik gilt auch umgekehrt. Menschliche Texte, die zufällig schlicht, vorhersehbar und gleichmäßig sind, können für einen Detektor wie KI aussehen. Wenn dir das passiert ist, lies Warum wird mein Text als KI erkannt?
Was KI-Detektoren nicht wissen können
Ein Detektor liest den Text und sonst nichts. Alles drumherum bleibt für ihn unsichtbar, und genau das ist oft das Wichtigste:
- Wer ihn geschrieben hat. Ein Wert beschreibt den Text, nicht die Person dahinter. Er kann die schlichten Sätze einer Schülerin nicht von denen eines Modells unterscheiden.
- Wie der Text entstanden ist. Von Grund auf getippt, diktiert, mit KI entworfen und von Hand umgeschrieben oder mit einem Grammatiktool geglättet: Der Detektor sieht nur die fertigen Wörter.
- Welches KI-Tool, falls überhaupt eines. Statistische Prüfungen und Klassifikatoren beurteilen den Text, nicht das Tool. Nur ein Wasserzeichen verweist auf ein bestimmtes Modell, und auch nur, wenn dieses Modell eines gesetzt hat.
- Ob KI erlaubt war. Manche Kurse und Arbeitgeber erlauben KI fürs Brainstorming oder Überarbeiten. Der Detektor weiß nicht, welche Regeln galten.
Deshalb sollte ein Wert ein Gespräch eröffnen, nicht beenden. Wenn du unterrichtest, erklärt unsere Seite zu KI-Checkern für Lehrkräfte, wie man einen fair einsetzt.