Humanizer (Deutsch): KI-Texte erkennen und menschlicher machen

Du kennst das: Ein Text klingt irgendwie seltsam. Zu glatt. Zu perfekt strukturiert. Jeder Absatz hat exakt die gleiche Länge. Und dann steht da sowas wie „Es ist wichtig zu bemerken, dass...“ – und du weißt: Das hat ChatGPT geschrieben.

KI-Texte sind nicht schlecht. Aber sie sind erkennbar. Und erkennbare KI-Texte wirken austauschbar und unglaubwürdig.

Ich habe deshalb den Humanizer (Deutsch) gebaut: ein Open-Source Claude Code Skill, das 65 typische KI-Schreibmuster identifiziert und dir zeigt, wie du sie loswirst. Mit optionaler Stimmkalibrierung aus eigenen Schreibproben, Severity-Ranking, drei Modi für unterschiedliche Textsorten und einem 5-Pass-Workflow von der Artefakt-Bereinigung bis zur Rhythmus-Arbeit.

KI-generierte deutsche Texte sind anhand von 65 dokumentierten Sprachmustern erkennbar: darunter aufgeblähte Symbolik, mechanische Konjunktionen („nicht nur ... sondern auch“), Trikolon, vage Autoritätsverweise, übermäßige Gedankenstriche, „heutige Welt“-Einstiege, typografische Anglizismen, diff-verankertes Schreiben, lückenfüllende Spekulation, gehäufte Doppelpunkt-Titel, gleichförmiger Satzrhythmus, aphoristische Leerformeln, dekorative Markdown-Struktur, Abstrakta-Stapel, erfundene Ich-Anekdoten, Synonym-Rotation und gleichförmige Absatzstrukturen. Der Open-Source-Skill „Humanizer (Deutsch)“ für Claude Code entfernt diese Muster in fünf Pässen: Artefakte und Evidenz, Lexik, Struktur, Rhythmus, Selbst-Audit. Optional kalibriert er den Stil anhand eigener Textproben.

/plugin marketplace add marmbiz/humanizer-de
/plugin install humanizer-de@humanizer-de

git clone https://github.com/marmbiz/humanizer-de ~/.claude/skills/humanizer-de

Was der Humanizer kann

Der Humanizer ist ein Claude Code Skill. Du rufst ihn mit /humanizer auf oder sagst einfach „Humanisiere diesen Text für mich“.

Was du zurückbekommst:

1. Einen ersten Entwurf ohne die gröbsten KI-Muster
2. Ein kurzes Anti-KI-Audit mit den verbleibenden Tells
3. Eine finale Version nach dem abschließenden Selbst-Audit

Neu in v3: Stimmkalibrierung. Wenn du eine eigene Schreibprobe mitlieferst, analysiert der Skill deinen Satzrhythmus und deine Wortwahl und übernimmt sie ins Rewrite. Statt generisch „sauberem“ Text bekommst du Text, der nach dir klingt.

Drei Modi passen die Korrektur an den Kontext an:

Im Zweifel geht der Skill von Sachlich aus.

Zuletzt dazugekommen (Details im Changelog unten):

• v4.0 – eigenständiges Projekt: Der Humanizer folgt jetzt einem eigenen Versionsschema ohne Fork-Suffix – mit eigener Roadmap statt Upstream-Tracking. Dazu zwei neue Muster: KI-Marker-Vokabular („beleuchten“, „spannend“, „die digitale Landschaft“) und Kopula-Vermeidung („fungiert als“ statt „ist“).
• v3.8 – sechs neue Muster, 5-Pass-Workflow und Rhythmus-Linter: Abstrakta-Stapel, erfundene Ich-Anekdoten, Synonym-Rotation, isometrische Dokumente, markerloser Schließzwang und Modalpartikel-Anomalien. Der Ablauf läuft jetzt in fünf festen Pässen (Artefakte → Lexik → Struktur → Rhythmus → Selbst-Audit), und ein neues Mess-Script liefert deterministische Rhythmus-Kennzahlen statt Bauchgefühl.
• v3.7 – zwei neue Muster und Plugin-Installation: aphoristische Leerformeln („X ist die Sprache des Y“) und dekorative Markdown-Struktur (Ein-Zeilen-Tabellen, übersprungene Überschriften-Ebenen, Trennlinien vor Überschriften). Außerdem lässt sich der Skill jetzt direkt über das Claude-Code-Plugin-Marketplace installieren.
• v3.6 – Realismus gegenüber Detektoren: zwei neue Muster (Doppelpunkt-Titel-Schema, gleichförmiger Satzrhythmus) und eine klare Haltung dazu, was KI-Detektoren im Netz wirklich messen – und was man deshalb nicht am Text verschlimmbessern sollte.
• v3.5 – schlankere Architektur: Musterkatalog, Entscheidungstabellen und ein eigener Unicode-/Quote-Linter sind ausgelagert; der Skill lädt nur, was er gerade braucht.

Warum deutsche KI-Texte anders sind

Die meisten KI-Detector-Tools und Guides sind auf Englisch. Das Problem: Deutsche KI-Texte haben andere Muster.

Zum Beispiel:

• Partizip-I-Konstruktionen wie „gewährleistend“ oder „hervorhebend“. Im Deutschen ein Alarmsignal.
• Gedankenstriche überall. Ein Anglizismus, den Deutsche so nicht schreiben.
• „Darüber hinaus“ am Satzanfang. Drei Mal pro Absatz ist ein klares KI-Zeichen.

Die deutsche Wikipedia hat dafür eine eigene Dokumentation erstellt. Die englische Wikipedia hat eine vergleichbare Seite. Der Humanizer nutzt beide als Grundlage.

Die 65 KI-Muster in 10 Kategorien

Jedes Muster hat ein Severity-Ranking: HIGH (fast immer KI), MEDIUM (kontextabhängig) oder LOW (nur auffällig wenn gehäuft).

1. Sprache und Tonfall (17 Muster)

Vorher (KI):

Die atemberaubende Stadt mit ihrem reichen kulturellen Erbe steht als Zeugnis für die künstlerische Brillanz vergangener Generationen.

Nachher (Mensch):

Die Stadt hat eine lange Geschichte. Ihre Denkmäler zeigen die Handwerkskunst des Mittelalters.

Der Unterschied: weniger Adjektive, mehr Substanz.

2. Stil (4 Muster)

3. Kommunikation (6 Muster)

Chatbot-Reste, die in Fachtexten nichts verloren haben:

4. Auszeichnungstext (6 Muster)

Technische Fehler, die KI macht:

• Markdown statt Wikitext (MEDIUM)
• Fehlerhafter Wikitext und KI-Artefakte wie oaicite-Tags, contentReference-Spans, turn0search0-Referenzen (MEDIUM)
• Defekte Links (MEDIUM)
• Zitatfabrikation: erfundene DOIs, halluzinierte Publikationen, nicht-existente Journals, utm_source-Parameter (MEDIUM)
• Inkorrekte Referenzen-Formate (MEDIUM)
• Falsche Kategorien (MEDIUM)

5. Verschiedenes (3 Muster)

• Abrupte Abbrüche, also Text endet mitten im Satz (LOW)
• Stilwechsel: plötzlich formal, dann wieder locker (MEDIUM)
• Ich-Form in Metadaten: „Ich habe diesen Artikel verbessert“ (LOW)

6. Rhetorik und Struktur (11 Muster)

Vorher (KI):

In der heutigen digitalen Welt ist eine starke Online-Präsenz für Unternehmen unerlässlich. Aber was bedeutet das konkret? Mit dieser Strategie ist das Unternehmen bestens aufgestellt für die Zukunft.

Nachher (Mensch):

Wer bei Google nicht auftaucht, verliert Kunden an Wettbewerber, die dort sichtbar sind. Ein gepflegtes Profil und eine schnelle Website holen die meisten davon zurück.

7. Argumentation und Evidenz (5 Muster)

LLMs verstecken den Akteur gern hinter Passiv und subjektlosen Sätzen. Gleichzeitig stapeln sie Bedingungen, wo eine direkte Aussage reichen würde. Am auffälligsten: der Wechsel zwischen Über-Behauptung („zweifellos“, „revolutionär“) und Über-Absicherung („scheint möglicherweise“) innerhalb weniger Sätze. Wenn Quellen fehlen, kommt noch ein anderes Problem dazu: Die KI schreibt nicht „nicht belegt“, sondern füllt die Lücke mit plausiblen Annahmen.

Die erfundene Ich-Erfahrung ist der Tell zweiter Ordnung: Er entsteht oft erst, wenn jemand versucht, KI-Text „menschlicher“ zu machen. Gestellte Anekdoten und forcierte Mündlichkeit („Ehrlich gesagt“, „Keine Sorge“) sind Fabrikation, kein Stilmittel. Der Humanizer erfindet deshalb beim Umschreiben selbst nie Erfahrungen – Stimme kommt nur aus der Schreibprobe oder explizit gelieferten Fakten.

8. Ergänzungen (4 Muster)

Seit v3.2 ergänzen vier Muster, die aus der Wikipedia-Leitlinie zu „Anzeichen für KI-generierte Inhalte“ und dem Schnelltest KI stammen:

Besonders „Beleginkongruenz“ ist tückisch: Die Quelle existiert, der DOI ist gültig, der Autor hat die Publikation geschrieben. Nur belegt das Papier die Aussage im Text nicht. Klassisches LLM-Halluzinationsmuster, das einfache Fact-Checking-Tools nicht aufspüren. False Friends wie „eventuell“ (eventually = schließlich, nicht „vielleicht“) werden beim Korrigieren unabhängig vom Modus korrigiert, weil sie semantische Fehler sind.

9. Typografie und Format (7 Muster)

Diese Kategorie kam in v3.3 dazu. Sie erfasst Texte, die inhaltlich überzeugend sind, aber durch typografische Anglizismen oder dekorative Formatierung als KI-Output auffallen.

Das Anführungszeichen-Problem ist besonders unangenehm: Claude setzt das deutsche Schlusszeichen systematisch falsch, und Prompting allein behebt das nicht zuverlässig. Der Humanizer markiert die Stellen, das eigentliche Fix gehört in einen Post-Processor oder Linter. Nicht jede schiefe Anführung ist dabei ein Tell: Ein echtes KI-Signal ist nur die Asymmetrie – ein deutsches öffnendes Anführungszeichen (U+201E) mit einem falschen oder geraden Schlusszeichen statt des korrekten U+201C. Durchgängig gerade Anführungszeichen sind dagegen meist ein Artefakt des CMS oder Editors, kein KI-Tell; durchgängig englische Anführungszeichen sind bestenfalls ein schwaches Indiz. Wer jede gerade Anführung als KI wertet, produziert Fehlalarme.

Obsessive Parataxe ist umgekehrt subtil: Jeder einzelne Satz ist korrekt, die Lesbarkeit ist hoch — aber die Monotonie verrät die Maschine. Die Lösung ist nicht „alles umschreiben“, sondern jeden dritten Satz als Satzgefüge umbauen. Ausnahme: Wenn Stakkato bewusstes Stilmittel ist (Werbung, Manifesto), greift die „Nicht anfassen“-Regel.

Vorher (KI):

Das Team Analysierte Die Daten. Die Ergebnisse waren eindeutig. Die Conversion stieg um 3.5 Prozent. Das Projekt wurde im Budget abgeschlossen.

Nachher (Mensch):

Das Team analysierte die Daten und kam zu einem eindeutigen Ergebnis: Die Conversion stieg um 3,5 Prozent, und das Projekt blieb im Budget.

10. Titel- und Satzbau (2 Muster)

Neu in v3.6. Zwei Muster, die fast nur in der Häufung auffallen – und die einzigen aus diesem Katalog, die auch statistische Detektoren messen (mehr dazu weiter unten).

Was der Humanizer nicht flaggt

v3.4 ergänzt eine Gegenprüfung gegen Over-Editing. Nicht jedes glatte oder formal korrekte Stück Text ist KI.

Nicht allein als KI-Tell zählen:

• fehlerfreie Grammatik und konsistenter Stil
• ein einzelner Gedankenstrich oder einzelne typografische Anführungszeichen
• trockener Ton ohne konkrete Muster
• ein einzelnes Übergangswort wie „allerdings“ oder „zudem“
• unbelegte Aussagen ohne weitere Beleg- oder Spekulationsmuster

Umgekehrt bleiben menschliche Signale erhalten: konkrete Details, uneindeutige Haltung, zeitgebundene Referenzen, echte Einschübe, Selbstkorrekturen und abwechslungsreiche Satzlängen. Der Skill soll KI-Artefakte entfernen, nicht Autorinnen und Autoren glattbügeln.

Warum KI-Detektoren auch saubere Texte als KI markieren

Es gibt im Netz Tools, die einen Text scannen und eine „KI-Wahrscheinlichkeit“ ausspucken. Diese Detektoren prüfen aber nicht die Muster aus diesem Artikel. Sie schätzen zwei statistische Größen:

• Perplexity – wie vorhersagbar das nächste Wort ist. Fachlich präzise, glatte Prosa ist gut vorhersagbar und bekommt eine niedrige Perplexity.
• Burstiness – wie stark Satzlänge und Satzbau variieren. Gleichmäßige Sätze ergeben eine niedrige Burstiness.

Die hübschen Labels solcher Tools – „mechanische Präzision“, „unpersönlicher Ton“, „roboterhafte Formalität“ – sind nur Übersetzungen dieser zwei Zahlen. Und genau hier liegt das Problem: Diese Detektoren bestrafen oft das, was einen guten Fachtext ausmacht. Korrekte Fachbegriffe senken die Perplexity. Sauber attribuierte Quellen klingen „unpersönlich“. Eine klare, sachliche Gliederung wirkt „mechanisch“.

Ein Text kann also komplett von Menschenhand stammen, jede Quelle stimmen, jeder Satz sitzen – und trotzdem als „KI“ markiert werden.

Die falsche Reaktion darauf ist, den Text absichtlich zu verschlechtern: Fachbegriffe verwässern, Quellen lockern, künstlich Tippfehler oder Umgangssprache einstreuen, nur um eine Zahl zu drücken. Das macht den Text schlechter, nicht menschlicher.

Der Humanizer geht den umgekehrten Weg. Er behandelt nur zwei dieser statistischen Befunde – und nur, weil sie auch ohne Detektor echte Lesbarkeitsprobleme sind:

• Doppelpunkt-Titel-Schema (Muster 54): Wenn H1, Bildunterschrift und mehrere Zwischenüberschriften alle dem Muster „Schlagwort: erklärender Nachsatz“ folgen, entsteht ein mechanischer Rhythmus. Ein einzelner Doppelpunkt-Titel ist völlig in Ordnung – die Häufung ist das Signal.
• Gleichförmiger Satzrhythmus (Muster 55): Wenn fast alle Sätze gleich lang sind und mit dem Subjekt beginnen, wird der Text monoton. Die Lösung ist nicht, Fehler einzubauen, sondern die Satzlänge bewusst zu spreizen – ein kurzer Satz neben einem langen, gegliederten.

Seit v3.8 kommt ein dritter, substanzwahrender Hebel dazu: Abstrakta-Stapel (Muster 58). Wer „verschiedene Maßnahmen zur Verbesserung der Verkehrssituation“ durch „zwei gesperrte Durchgangsstraßen und Tempo 30“ ersetzt, erhöht die Wortvarianz als Nebeneffekt von Präzision – der einzige Weg, niedrige Perplexity zu behandeln, ohne den Text zu verschlechtern. Und die Rhythmus-Diagnose ist jetzt messbar statt gefühlt: Das neue Script rhythm_lint.py zählt Satzlängen-Streuung, Subjekt-Anfänge, Absatzlängen und Konnektor-Dichte deterministisch aus und liefert Verdachtsmomente als Zahlen.

Alles andere, was ein Detektor als „zu sauber“ anmahnt, ist kein KI-Tell, sondern meistens einfach guter Text. Den lässt man in Ruhe.

Was der Humanizer NICHT ist

Der Humanizer schreibt nicht automatisch um. Er versteckt keine KI-Spuren.

Der Humanizer zeigt dir die Probleme, du entscheidest, was du änderst. Manchmal ist „darüber hinaus“ okay. Manchmal ist ein Gedankenstrich genau richtig. Der Kontext entscheidet.

Die Philosophie dahinter

Gutes deutsches Schreiben hat Eigenschaften, die LLMs systematisch verfehlen:

• Direktheit statt Metapher: „Die Stadt ist groß“ statt „Die Stadt steht als Symbol für menschliche Ambition“
• Konkrete Details: „50.000 Einwohner“ statt „eine beachtliche Bevölkerung“
• Verben statt Nominalisierung: „Die Wirtschaft wächst“ statt „Das Wirtschaftswachstum ist evident“
• Variabilität, also unterschiedliche Satzlängen und Strukturen

Menschliches Schreiben hat Ecken. KI-Schreiben ist glatt.

Für wen ist das?

• Content-Ersteller, die KI nutzen aber authentisch klingen wollen
• Marketing-Teams, die ihre Texte auf KI-Muster prüfen wollen
• Wikipedia-Editoren, die eingereichte Artikel bewerten
• Alle, die wissen wollen, woran man KI-Texte erkennt

Open Source und kostenlos

Der Humanizer ist MIT-lizenziert. Du kannst ihn nutzen, kopieren, verändern.

Entstanden ist er Anfang 2026 als deutscher Fork des englischen Humanizer – seit v4.0.0 ist er ein eigenständiges Projekt mit eigenem Versionsschema und eigener Roadmap: Rund die Hälfte der 65 Muster hat kein Pendant im Original, dazu kommen deterministische Linter und eine Testsuite, die es dort nicht gibt.

Er basiert auf:

• Der deutschen Wikipedia-Analyse zu KI-generierten Inhalten
• Der englischen Wikipedia-Analyse zu AI-Schreibmustern
• Dem englischen Humanizer von blader

GitHub: github.com/marmbiz/humanizer-de

Changelog

Die Ironie ist mir bewusst: Dieser Artikel wurde mit KI-Unterstützung geschrieben. Aber er wurde auch mit dem Humanizer überarbeitet. Hoffentlich klingt das Ergebnis nach Mensch, weil ein Mensch die finale Entscheidung getroffen hat.