KI-Erkennungssoftware weist eine Wahrscheinlichkeit zu, dass ein Text maschinell geschrieben aussieht – sie beweist nicht, wer ihn geschrieben hat. Wenn Sie markiert wurden, ist der nützliche Schritt nicht, mit der Zahl zu argumentieren. Es geht darum, herauszufinden, welche Sätze das Signal tragen, und diese umzuschreiben, dann erneut zu bewerten, um zu bestätigen, dass die Rate tatsächlich gesunken ist.
Was misst KI-Erkennungssoftware eigentlich?
Erkennungsprogramme erkennen keine Urheberschaft. Sie schätzen ein, wie vorhersehbar eine Passage ist. Zwei Signale leisten die Hauptarbeit: Perplexität (wie überrascht ein Sprachmodell von Ihrer Wortwahl ist) und Burstiness (wie stark Satzlänge und -struktur variieren). Text mit niedriger Perplexität und flachem Rhythmus liest sich wie generiert, unabhängig davon, ob ein Modell ihn berührt hat.
Deshalb werden formelle akademische Prosa, übersetzte Texte und Texte von Nicht-Muttersprachlern des Englischen markiert. Diese Stile sind konstruktionsbedingt vorhersehbar. Wenn das Ihre Situation ist, finden Sie die ehrliche Einordnung in warum ein KI-Detektor Nicht-Muttersprachler des Englischen markiert – die Markierung ist eine Stilbewertung, keine Anschuldigung.
Wir haben unseren eigenen Detektor (DeAIze, lokales Ensemble, Lite-Tier, 30 % Markierungsschwelle) am 28.09.2026 auf zwei Korpora angewendet. Bei 709 handgeschriebenen DeAIze-Leitfäden lag der mittlere KI-Score bei 26 % und der Median bei 25 %, mit einer Spanne von 0–69 %; 239 dieser 709 menschlichen Dokumente wurden bei dieser Schwelle markiert. Bei 12 unbearbeiteten Modellpassagen lag der Mittelwert bei 33 % und der Median bei 34 %. Daraus folgen zwei Dinge. Menschliches Schreiben ist nicht automatisch sicher, und unbearbeitete Modellausgaben werden nicht automatisch erkannt. Beide Fehlerrichtungen sind normal.
Anbieter veröffentlichen ihre eigenen Toleranzen, und diese unterscheiden sich. In den FAQ von GPTZero heißt es, dass bei hoher Konfidenzkategorie 99,1 % der menschlichen Artikel als menschlich und 98,4 % der KI-Artikel als KI eingestuft werden, und es beschreibt eine Klassenwahrscheinlichkeit von 90 % dahingehend, dass der Detektor bei ähnlichen Dokumenten in etwa 90 % der Fälle korrekt liegt (Quelle: gptzero.me). Die Produktseite von Turnitin besagt, dass möglicherweise eines von 100 vollständig menschlichen Dokumenten markiert wird, dass zwischen 1 % und 19 % kein Score vergeben wird und dass ein Dokument, das als zu 50 % wahrscheinlich KI-geschrieben identifiziert wird, bis zu 65 % KI-Text enthalten könnte (Quelle: turnitin.com). Lesen Sie diese Angaben als anbieterdefinierte Betriebsbereiche, nicht als Garantie für Ihre Datei.
Welchen Detektor solltest du tatsächlich prüfen?
Ordne das Tool der Entscheidung zu. Eine kostenlose Prüfung auf Satzebene reicht zum Bearbeiten aus; ein Bericht, den eine Schule oder ein Kunde lesen wird, ist eine andere Aufgabe.
| Tool | Was es meldet | Bemerkenswertes veröffentlichtes Detail | Am besten geeignet für |
|---|---|---|---|
| DeAIze (unseres) | Gesamtdokument-Score plus KI-Wahrscheinlichkeit auf Satzebene | Eigene Messung, 2026-09-28: menschliche Stichprobe n = 709, Mittelwert 26 %, Median 25 %, 239 markiert | Herausfinden, welche Sätze umgeschrieben werden sollten |
| GPTZero | Dokument-Score, Satzhervorhebung, Konfidenzkategorie | Anbieter-FAQ: bei hoher Konfidenz wurden 99,1 % der menschlichen Artikel als menschlich und 98,4 % der KI-Artikel als KI eingestuft; 90 % Klassenwahrscheinlichkeit beschrieben als Korrektheit bei ähnlichen Dokumenten (gptzero.me) | Eine zweite Meinung zu einem bereits markierten Entwurf |
| Turnitin | Segmentbezogener Indikator in einem institutionellen Bericht | Anbieterseite: etwa 1 von 100 vollständig menschlichen Dokumenten markiert; kein Score zwischen 1 % und 19 % zugeordnet; ein Befund von 50 % könnte bis zu 65 % KI-Schreiben widerspiegeln (turnitin.com) | Verstehen, was deine Institution sieht |
| Copyleaks, Originality.ai, Sapling | Dokument- und Segment-Scores | — | Gegenprüfung vor der Einreichung |
Bevor du irgendetwas umschreibst, finde heraus, welche Zeilen das Signal tragen. DeAIze bewertet das Dokument und hebt jeden Satz nach KI-Wahrscheinlichkeit hervor, sodass du die markierten Sätze statt des gesamten Entwurfs bearbeitest — kostenlose Stufe, 200 Wörter, keine Karte.
Warum hat dich ein Tool markiert und ein anderes freigesprochen?
Weil es unterschiedliche Instrumente sind, die dieselbe Seite lesen. Schwellenwerte, Trainingsdaten, Segmentlänge und Sprachverarbeitung unterscheiden sich alle, daher ist Uneinigkeit zu erwarten und kein Hinweis auf einen Fehler. Ein kurzer Abschnitt verschärft das: Es gibt weniger Text, aus dem das Modell schätzen kann, weshalb ein dreizeiliger Absatz zwischen Prüfungen stark schwanken kann.
Praktische Regel: Wähle einen Detektor als dein Arbeitsinstrument, notiere seinen Score und höre auf, nach einer freundlicheren Zahl zu suchen. Einem sauberen Ergebnis eines fünften Tools nachzujagen, lehrt dich nichts über deine Prosa. Wenn zwei Tools stark voneinander abweichen, ist genau diese Abweichung der Befund — der Text liegt nahe an einer Grenze, und die Grenze ist unscharf.
Wie bringt man eine markierte Rate herunter?
Die Arbeit ist Satz-für-Satz-Bearbeitung, kein Synonym-Austausch. Paraphrase-Tools rotieren den Wortschatz, behalten aber denselben flachen Rhythmus bei — und genau der wird gemessen.
- Zuerst bewerten. Hole dir einen Dokument-Score und eine Bewertung pro Satz. Bearbeite nicht blind.
- Liste die markierten Sätze auf. Meist sind es wenige. Lass den Rest unangetastet.
- Schreibe auf den Rhythmus um, nicht auf den Wortschatz. Mische einen kurzen Satz ein. Teile einen langen. Lass einen Satz eine Meinung oder eine Randbemerkung tragen.
- Füge die Details hinzu, die nur du hast. Ein Datum, einen Ort, eine Zahl aus deinen eigenen Daten, einen Vorbehalt, den du wirklich vertrittst. Detektoren lesen generische Formulierungen als Text mit niedriger Perplexität.
- Erneut bewerten. Wenn sich die Zahl nicht bewegt hat, war die Umschreibung kosmetisch. Versuche es beim selben Satz noch einmal.
- Prüfe, ob die Bedeutung erhalten geblieben ist. Vergleiche vorher und nachher; wenn sich eine Aussage verschoben hat, mach es rückgängig.
Hier ist eine Veranschaulichung, kein gemessenes Ergebnis. Vorher: „The implementation of renewable energy solutions is essential for the mitigation of climate change impacts across multiple sectors.“ Nachher: „Renewable energy is not optional any more. In our region the grid added more solar than gas last year, and the planning queue is the bottleneck, not the technology.“ Dasselbe Argument, konkretes Detail, ungleichmäßiger Rhythmus. Das ist die Form einer Bearbeitung, die einen Score bewegt — obwohl keine Umschreibung eine bestimmte Zahl bei irgendeinem Detektor garantiert.
Was bedeutet ein hoher Score nicht?
Es bedeutet nicht, dass du betrogen hast, und es bedeutet nicht, dass du sicher bist, wenn du es getan hast. Die Ausgabe des Detektors ist eine Wahrscheinlichkeitsschätzung. Die FAQ von GPTZero selbst beschreibt eine Klassenwahrscheinlichkeit von 90 % als Korrektheit bei ähnlichen Dokumenten, nicht als Sicherheit über deines (gptzero.me). Die Seite von Turnitin räumt ein, dass ein Befund von 50 % bis zu 65 % KI-Text widerspiegeln könnte – eine Bandbreite, keine Messung (turnitin.com).
Unser Lauf vom 28.09.2026 macht denselben Punkt von der anderen Seite deutlich: 239 von 709 von Menschen verfassten Leitfäden wurden bei einer Schwelle von 30 % markiert, und 12 uneditierte Modellpassagen lagen im Durchschnitt bei 33 %, eine davon bei nur 4 %. Markierungen treffen menschliche Arbeit, und maschinelle Arbeit rutscht durch. Wenn du dich einem Gremium gegenübersiehst statt einer Punktzahl, deckt was eine Anhörung zur akademischen Integrität bewertet ab, welche Beweise tatsächlich zählen.
Der unangenehme Teil: Ein niedriger Wert ist ebenso wenig ein Beweis für irgendetwas. Er bedeutet, dass der Text an jenem Tag dieses Instrument nicht ausgelöst hat.
Wann dies die falsche Wahl ist
Wenn der markierte Text nicht von dir stammt – eine Passage, die du aus einer Quelle eingefügt hast, ein Abschnitt, den ein Kollege erstellt und übergeben hat –, dann humanisiere ihn nicht. Das Umschreiben der Arbeit eines anderen, um an einer Prüfung vorbeizukommen, ist genau das, wofür Detektoren existieren, und dafür sind diese Bearbeitungen nicht gedacht. Wenn deine Einrichtung KI-Unterstützung grundsätzlich verbietet, macht das Bearbeiten der Ausgabe den Entwurf ebenso wenig regelkonform. Die Regeln stehen an erster Stelle; die Werkzeuge kommen danach.
Überspringe auch den kostenpflichtigen Weg, wenn du nur wissen musst, ob ein Satz seltsam klingt. Eine kostenlose Prüfung auf Satzebene beantwortet das. Zu zahlen ergibt Sinn, wenn du ein Dokument hast, das die Prüfung eines bestimmten Lesers bestehen muss, und du die Überarbeitungsschleife ausführen und verifizieren musst.
Noch eine ehrliche Einschränkung: Kein Tool kann maschinell geschriebene Ideen zu Ihren machen. Die Argumente, die Daten und die Schlussfolgerungen müssen Ihre eigenen sein, bevor sich irgendein Bearbeitungsdurchgang lohnt.
Eine Fünf-Minuten-Routine, die die Rate senkt
Bewerten Sie das Dokument. Lesen Sie die markierten Sätze laut vor – Ihr Ohr erkennt einen flachen Rhythmus schneller als jede Bewertung. Schreiben Sie drei davon mit je einem konkreten Detail um. Bewerten Sie erneut. Wenn die Zahl gesunken ist, haben Sie Ihre Methode; wenn nicht, liegt Ihr Text möglicherweise einfach in einem Bereich, in dem dieser Detektor unzuverlässig ist, und die richtige Antwort ist eine zweite Meinung statt einer Überarbeitungsspirale.
Bewahren Sie eine Kopie des Vorher-Textes auf. Wenn jemand fragt, ist es eine stärkere Position zu zeigen, was Sie geändert haben und warum, als eine saubere Bewertung ohne Spur dahinter.
Messhinweis: Die Zahlen in diesem Artikel stammen aus unserem eigenen Detektorlauf vom 28.09.2026 – n = 709 handgeschriebene Leitfäden gegenüber n = 12 unbearbeiteten Modellausgaben, medianer KI-Score 25 % bzw. 34 %. Methode: /methodology/.