Der KI-Text-Eisberg

Ein typischer KI-Entwurf zeigt, was die drei Schichten unterscheidet:

Das Tool bietet eine nahtlose Integration. Es optimiert Prozesse effizient. Darüber hinaus steigert es nachhaltig die Produktivität. Insgesamt ermöglicht es Unternehmen, ihr volles Potenzial auszuschöpfen.

An der Spitze fallen Wörter und Muster auf: nahtlos, darüber hinaus, nachhaltig, volles Potenzial. In der Messschicht wird sichtbar, dass die Sätze ähnlich lang und ähnlich gebaut sind. In der Urteilsschicht stellt sich eine andere Frage: Was genau wurde integriert, für wen, mit welchem Ergebnis – und ist die Behauptung überhaupt belegt?

Dasselbe Textstück. Drei verschiedene Arten, es anzusehen. Mit Richten meine ich dabei nicht ein endgültiges Verurteilen, sondern ein begründetes Urteil im Kontext.

Ein KI-Detektor ist deshalb nicht zwingend ein Verfahren. Manche Werkzeuge arbeiten fast nur mit Heuristiken. Andere berechnen Messwerte oder lassen ein statistisches Modell daraus eine Herkunftsschätzung ableiten. Wieder andere setzen ein großes Sprachmodell als Richter ein. Kommerzielle Angebote können mehrere Schichten mischen, ohne offenzulegen, welcher Teil wie stark zählt. Wer einen Detektor beurteilen will, sollte daher zuerst fragen: Auf welcher Schicht arbeitet er – und was behauptet er, aus seinem Ergebnis ableiten zu können? Die Schichten trennen nicht immer die Signale, sondern die Art, wie ein Werkzeug sie verarbeitet und welchen Schluss es daraus zieht.

Heuristiken sind Faustregeln. Sie suchen nach Dingen, die häufig auffallen: geraden Anführungszeichen in einem deutschen Fließtext, wiederkehrenden Satzanfängen, übermäßig vielen Zwischenüberschriften oder Formeln wie zusammenfassend lässt sich sagen.

Dafür braucht es keine KI. Ein kleines Prüfprogramm kann solche Muster schnell und zuverlässig markieren. Sein Ergebnis ist außerdem nachvollziehbar: Es zeigt nicht nur eine Zahl an, sondern die konkrete Stelle, an der eine Regel angeschlagen hat.

Doch an der Oberfläche liegen zwei Arten von Regeln, die man nicht verwechseln sollte.

Die erste Art prüft relativ stabile Konventionen. Dazu gehören unpassende Anführungszeichen, doppelte Leerzeichen oder ein Datum im falschen Format. Solche Regeln altern langsam.

Die zweite Art sucht nach modischen KI-Spuren: bestimmten Lieblingswörtern, Übergangsformeln oder Satzmustern. Diese Regeln altern schnell. Nahtlos kann heute auffällig sein und morgen aus den Modellen verschwinden. Dafür taucht ein neues Lieblingswort auf.

Stabil ist also nicht „die Heuristik“ an sich. Stabil ist nur ihr harter Kern. Die Ränder verändern sich mit Modellen, Prompts, Textsorten und Schreibgewohnheiten.

Die nächste Schicht ist weniger anschaulich, aber belastbarer. Hier wird nicht mehr nur nach einzelnen Warnzeichen gesucht. Hier werden Eigenschaften des Textes gezählt oder berechnet.

Zum Beispiel:

• Wie lang sind die Sätze, und wie stark unterscheiden sie sich?
• Wie oft beginnen Sätze auf dieselbe Weise?
• Wie viele Passivkonstruktionen kommen vor?
• Wie weit liegen die beiden Teile einer Satzklammer auseinander (etwa zwischen hat und bezahlt)?
• Wie vorhersehbar ist die Wortfolge für ein bestimmtes Sprachmodell?

„Messen“ bedeutet dabei nicht automatisch „objektive Wahrheit“. Es bedeutet zunächst nur: Bei demselben Text, demselben Verfahren, derselben Version und denselben Einstellungen entsteht derselbe Wert. Das Ergebnis ist reproduzierbar. Seine Deutung kann trotzdem falsch sein.

Ein Tachometer misst zuverlässig 80 Kilometer pro Stunde. Ob das schnell oder langsam ist, hängt davon ab, ob du auf einer Autobahn, einer Landstraße oder in einer Spielstraße unterwegs bist.

Bei Texten ist es ähnlich.

Perplexity: Wie vorhersehbar ist der nächste Schritt?

Perplexity lässt sich als Überraschungswert erklären. Ein Sprachmodell schaut auf das bisher Geschriebene und schätzt, wie wahrscheinlich die möglichen Fortsetzungen sind.

Ich trinke morgens gern …

Kommt als nächstes Kaffee, ist das wenig überraschend. Kommt Kaktussaft, ist es überraschender. Vereinfacht gesagt: Je vorhersehbarer die Fortsetzungen, desto niedriger die Perplexity. Je unerwarteter sie sind, desto höher ist sie.

Das kann interessant sein, weil Sprachmodelle häufig wahrscheinliche Formulierungen wählen. Doch der Wert beweist nichts. Ein Behördenformular ist ebenfalls stark vorhersehbar. Ein sorgfältig überarbeiteter KI-Text kann ungewöhnliche Formulierungen enthalten. Und verschiedene Referenzmodelle können denselben Text unterschiedlich bewerten.

Perplexity misst also nicht „Mensch oder Maschine“. Sie misst, wie erwartbar ein Text für ein bestimmtes Modell ist.

Burstiness: Wie gleichmäßig schlägt der Text?

Mit Burstiness ist meist gemeint, wie stark Satzlänge und Komplexität schwanken; manche Werkzeuge messen darunter auch, wie stark die Vorhersagbarkeit von Abschnitt zu Abschnitt schwankt. Ein Text kann sehr gleichmäßig getaktet sein: zehn Wörter, zwölf Wörter, elf Wörter, wieder zehn. Oder er springt stärker:

Kurz. Dann folgt ein längerer Satz, der einen Nebengedanken aufnimmt, ihn einordnet und erst spät zum eigentlichen Punkt zurückkehrt. Schluss.

Solche Wechsel wirken oft lebendiger. Aber auch hier gilt: Schwankung ist weder automatisch menschlich noch automatisch gut. Eine Bedienungsanleitung darf gleichmäßig sein. Ein menschlicher Fachautor kann sehr kontrolliert schreiben. Und ein Sprachmodell kann auf Aufforderung kurze und lange Sätze mischen.

Burstiness beschreibt den Rhythmus eines Textes. Nicht seinen Urheber.

Grammatik und Lesbarkeit – harte Werte, weiche Bedeutung

Auch Grammatikwerkzeuge liefern Messwerte. Sie können Satzteile erkennen, Passivformen markieren oder wiederholte Konstruktionen zählen. Lesbarkeitsformeln berechnen Satz- und Wortlängen. Wortlisten zeigen, wie häufig oder selten ein Ausdruck in Vergleichstexten vorkommt.

Das ist nützlich, solange man nicht mehr hineinliest, als gemessen wurde. Ein langer Satz kann schwer verständlich sein – oder präzise. Ein seltenes Wort kann angeberisch wirken – oder fachlich notwendig sein. Ein Passivsatz kann Verantwortung verschleiern – oder genau die richtige Form für eine Prozessbeschreibung sein.

Irgendwann reicht auch ein guter Vergleich nicht mehr. Dann lauten die Fragen nicht:

• Wie lang ist der Satz?
• Ist der Name noch vorhanden?
• Ähnelt die Fassung der Schreibprobe?

Sondern:

• Ist die Behauptung konkret genug?
• Passt der Ton zu den Lesern?
• Ist das Beispiel überzeugend?
• Wird eine Unsicherheit ehrlich benannt?
• Dient dieser Absatz dem Zweck des Textes?

Das sind Urteilsfragen. Innerhalb einer automatisierten Prüfung können große Sprachmodelle sie am ehesten bearbeiten, weil sie viele Signale gemeinsam betrachten und sprachlich begründen können. Sie markieren den Beispielabsatz nicht nur als gleichförmig, sondern fragen: Welche Integration? Welche Prozesse? Wie wurde Produktivität gemessen? Anschließend können sie eine konkretere Fassung vorschlagen.

Das ist die Stärke des Richtens: Es verbindet Text, Kontext und mögliche Wirkung.

Beurteilen und Erzeugen sind dabei nicht dieselbe Aufgabe. Ein Modell kann erkennen, dass ein Absatz allgemein bleibt, ohne eine bessere Fassung zu schreiben. Beim Umschreiben muss es zusätzlich Fakten bewahren, Ton und Textsorte treffen und entscheiden, welche Information fehlt. Je breiter der Einsatzbereich, desto mehr Kontext braucht dieser Schritt.

Genau diese Verbindung ist zugleich die Schwäche des Richtens. Ein Sprachmodell misst hier keine feste Eigenschaft. Es erzeugt ein plausibles Urteil. Dieses Urteil hängt vom Auftrag, vom Modell, vom bereitgestellten Kontext und von erlernten Vorlieben ab. Ohne klare Vorgabe bevorzugt es oft den glatten Mittelweg. Es kann eine eigenwillige Stimme als Fehler behandeln, fehlende Fakten ergänzen oder Sicherheit vortäuschen, wo Zweifel angebracht wären.

Warum mein kleiner Kritiker scheiterte

An dieser tiefsten Eisschicht wollte ich mein eigenes kleines Modell einsetzen. Es sollte erkennen, ob ein Text natürlich und gut klingt. Der Plan scheiterte an drei Problemen.

Erstens: Ein Modell lernt Etiketten, nicht Absichten. Leicht verfügbare Datensätze unterscheiden meist Kategorien wie „Mensch“ und „KI“. Damit kann ein Modell lernen, Herkunftsmuster zu erraten. Es lernt aber nicht automatisch, was für einen bestimmten Leser ein guter Text ist. Herkunft und Qualität sind zwei verschiedene Ziele.

Zweitens: Ein geliehener Richter bleibt geliehen. Ich könnte ein großes Sprachmodell tausende Texte bewerten lassen und mein kleines Modell auf diesen Urteilen trainieren. Dann würde es jedoch vor allem die Maßstäbe und blinden Flecken seines Lehrers übernehmen. Handgeprüfte Beispiele, mehrere Bewerter und Paarvergleiche können das verbessern. Einen unabhängigen Qualitätsbegriff erzeugen sie nicht von selbst.

Drittens: Qualität wechselt mit dem Kontext. Ein knapper Satz kann in einer Landingpage stark und in einem Vertrag unzureichend sein. Fachsprache kann einen Blogtext unnötig erschweren und in einer technischen Dokumentation unverzichtbar sein. Ein eng trainiertes Modell kann in seinem Spezialgebiet gut funktionieren. Ein allgemeiner Richter für beliebige deutsche Texte braucht jedoch sehr viele Textsorten, Zwecke und belastbare menschliche Bewertungen.

Damit tauschte ich ein überschaubares Problem gegen ein größeres: Statt Regeln zu pflegen, hätte ich dauerhaft einen hochwertigen Bewertungsdatensatz pflegen müssen.

Ein eigenes kleines Modell kann trotzdem sinnvoll sein – etwa als Vorsortierer bei sehr großen Textmengen, für einen eng begrenzten Anwendungsfall oder wenn Texte aus Datenschutzgründen lokal bleiben müssen. Dann ist es ein Türsteher, der aussortiert. Es ist kein universeller Richter über guten Stil.

Unter der tiefsten Eisschicht liegt der Grund, der alle Urteile trägt: der Mensch.

Nur der Autor oder Auftraggeber weiß, was der Text erreichen soll. Nur er kann sagen, welche Erfahrung tatsächlich gemacht wurde, welche Quelle belastbar ist, welche Zusage eingehalten werden kann und welche Formulierung zur eigenen Haltung passt.

Das große Sprachmodell kann Kontext verarbeiten. Es besitzt aber keine eigene Absicht für diesen Text. Es kann eine Stimme nachbilden. Es hat diese Stimme nicht gelebt. Es kann eine Quelle nennen. Es trägt nicht die Folgen, wenn die Quelle falsch oder die Aussage irreführend ist.

Darum ist „gut“ keine Temperatur, die im Text steckt und von einer App abgelesen werden kann. Ein Text ist gut für jemanden, in einer Situation und für einen Zweck. Ohne diese drei Bezugspunkte bleibt jede Qualitätszahl verkürzt.

Das verändert auch die Frage nach der Herkunft. Viele Texte entstehen heute gemeinsam: Ein Mensch skizziert, ein Modell formuliert, der Mensch ergänzt Erfahrung, ein Werkzeug prüft Fakten, ein Lektor strafft. In solchen Fällen ist „Mensch oder KI?“ keine saubere Eigenschaft des fertigen Textes mehr, sondern eine Frage des Entstehungsprozesses.

Wo Regeln eine Offenlegung verlangen – etwa in Schule, Hochschule, Wissenschaft oder Unternehmen –, bleibt dieser Prozess wichtig. Aus dem Text allein lässt er sich jedoch nicht zuverlässig rekonstruieren. Entscheidend ist dann nicht nur, wie der Text klingt, sondern ob seine Entstehung transparent ist und wer für ihn einsteht.

Was einen KI-Entwurf tatsächlich menschlicher macht

Ein Text wirkt nicht menschlicher, weil man absichtlich Tippfehler einbaut, seltene Wörter verstreut oder Satzlängen zufällig mischt. Das wäre nur eine neue Oberfläche – diesmal eigens für den Detektor gebaut.

Menschlicher wird ein Text dort, wo echte Entscheidungen sichtbar werden:

1. Konkretheit statt Werbenebel. Nicht „steigert die Effizienz“, sondern: Was wurde schneller, für wen und um wie viel?
2. Erfahrung statt geliehener Gewissheit. Was hast du beobachtet? Wo hat etwas nicht funktioniert? Was bleibt offen?
3. Haltung statt neutraler Glätte. Welche Abwägung triffst du, und warum?
4. Rhythmus statt gewürfelter Schwankung. Ein kurzer Satz ist kurz, weil er einen Punkt setzt – nicht weil eine Kennzahl mehr Schwankung verlangt.
5. Verantwortung statt Tarnung. Fakten bleiben überprüfbar, Quellen werden genannt, und KI-Nutzung wird dort offengelegt, wo sie relevant oder vorgeschrieben ist.

Aus dem Werbetext vom Anfang könnte dann – sofern die Angaben stimmen – zum Beispiel werden:

Im Pilottest übernahm das Support-Team 300 bestehende Tickets in zwölf Minuten. Zuvor dauerte der Import rund 45 Minuten. Zwei Sonderfelder mussten anschließend noch manuell korrigiert werden.

Der Absatz klingt nicht deshalb menschlicher, weil er unregelmäßiger ist. Er nennt einen beobachtbaren Vorgang, eine Größenordnung und eine Grenze. Genau diese Informationen kann kein Humanizer seriös erfinden; sie müssen vom Menschen kommen.

Für meinen Humanizer folgt daraus eine klare Reihenfolge. Zuerst schützt er Namen, Zahlen und Aussagen. Dann markiert er sichtbare Muster. Danach misst und vergleicht er Struktur, Bedeutung und Stil. Erst dann schlägt ein großes Sprachmodell Änderungen vor. Am Ende entscheidet ein Mensch, was stehen bleibt.

Keine Schicht ersetzt die andere. Und keine einzelne Schicht darf so tun, als wäre sie der ganze Eisberg.

Die vier Sätze, die bleiben

1. Heuristiken lesen Spuren. Sie zeigen Auffälligkeiten, aber beweisen keine Herkunft.
2. Messwerte beschreiben Eigenschaften. Perplexity, Burstiness oder Satzlänge sagen etwas über Muster, nicht über den Urheber.
3. Sprachmodelle können richten. Sie verbinden Kontext und Sprache, liefern aber begründete Vorschläge statt endgültiger Wahrheit.
4. Der Mensch trägt den Text. Zweck, Erfahrung, Quellen und Verantwortung liegen am Meeresboden.

Mein ursprünglicher Denkfehler war, ein kleines Modell zum Richter machen zu wollen. Diese vier Sätze beschreiben den bescheideneren Aufbau, der daraus geworden ist.

Je tiefer die Frage reicht, desto weniger hilft ein einzelner Detektorwert. Und desto deutlicher wird, woran ein guter Text wirklich hängt: nicht daran, ob er erfolgreich menschlich wirkt, sondern daran, ob er konkret, nachvollziehbar und verantwortet ist.

Der Humanizer, um den es hier geht: Deutscher KI-Text-Humanizer im Lab