Unser Ansatz zu den EU-Textprovenienzregeln ist einfach: Herkunftsetiketten sagen, woher ein Text stammt, nicht wer ihn geschrieben hat, und sie ändern nichts daran, wie du editierst. Wenn du in die EU veröffentlichst, prüfe die Primärquelle unter openai.com/index/eu-text-provenance, bewahre deine Entwürfe auf und korrigiere das Schreiben, das du tatsächlich kontrollieren kannst. Das Etikett ist Metadaten. Dein Manuskript gehört weiterhin dir.
Was hat sich diese Woche tatsächlich geändert?
Eine Provenienzschicht wird jetzt an Texte angehängt, die durch bestimmte KI-Systeme erzeugt wurden, und diejenigen, die das zuerst spüren, sind die, die Inhalte in EU-Märkte liefern: Marketingteams, Agenturen mit EU-Kunden, Forschende, die bei in der EU ansässigen Fachzeitschriften einreichen, und alle, deren CMS durch eine Modell-API läuft. Die Änderung betrifft die Rückverfolgbarkeit der Herkunft, nicht die Bewertung deiner Prosa. Nichts daran misst, ob sich ein Absatz maschinell hergestellt anhört.
Diese Unterscheidung ist wichtig, denn die meisten panischen E-Mail-Threads, die ich gesehen habe, verwechseln zwei verschiedene Dinge:
| Signal | Was es berichtet | Was es nicht beweist |
|---|---|---|
| Provenienz-Metadaten | Welches System eine Passage erzeugt oder verarbeitet hat | Wer die Ideen geschrieben hat oder ob ein Mensch sie bearbeitet hat |
| KI-Detektor-Score | Statistisches Signal in der Formulierung | Urheberschaft, Absicht oder Fehlverhalten |
| Ähnlichkeitsprozentsatz | Überschneidung mit einem Referenzkorpus | Ob die Überschneidung zitiert, belegt oder zufällig ist |
Ein Modell-Score, ein Anteil qualifizierender Prosa und ein Ähnlichkeitsprozentsatz sind nicht austauschbar. Keiner der drei ist ein Urteil über die Urheberschaft. Wenn ein Kunde, eine Redaktion oder ein Gremium einen davon als Beweis behandelt, ist das ein Prozessproblem, kein Schreibproblem.
Wen trifft es zuerst, und wen nicht?
Die praktische Betroffenheit ist enger, als die Schlagzeilen vermuten lassen. Sie sind betroffen, wenn Ihr Text durch ein System läuft, das die Herkunft aufzeichnet, und Sie in der EU veröffentlichen. Sie sind weitgehend nicht betroffen, wenn Sie in einem reinen Texteditor schreiben, in ein CMS einfügen, das kein Modell aufruft, oder außerhalb des EU-Geltungsbereichs veröffentlichen.
Diejenigen, die zwischen die Räder geraten, sind die, die KI als Hilfe beim Entwerfen genutzt und dann stark von Hand überarbeitet haben. Ihr endgültiger Text kann einen Herkunftsnachweis aus der Entwurfsphase tragen, obwohl er überhaupt nicht nach der Ausgabe des Modells klingt. Das ist der unangenehme Fall, und es lohnt sich, ihn ehrlich zu benennen: Ein Herkunftsetikett kann technisch korrekt über das Werkzeug sein und völlig nichtssagend über das Schreiben.
Hier ist die Reihenfolge, die Sie aus Schwierigkeiten heraushält:
- Exportieren Sie die Seite der Primärquelle als PDF mit sichtbarem Datum.
- Prüfen Sie, ob Ihr Veröffentlichungs-Stack Text durch eine Modell-API schickt. Fragen Sie den Betreiber Ihrer Plattform, raten Sie nicht.
- Führen Sie Ihre eigene Versionshistorie: erster Entwurf, modellgestützter Entwurf, endgültige Bearbeitung.
- Notieren Sie in Ihrem Redaktionsprotokoll, welche Abschnitte modellgestützt waren und welche nicht.
- Wenn Sie offenlegen müssen, legen Sie das Werkzeug und die Phase offen, nicht ein Geständnis über die Urheberschaft.
Wenn Ihnen das Etikett an Ihrem Text mehr Sorgen macht als das Schreiben selbst, lassen Sie den Entwurf zuerst durch den AI detector laufen. Bewertungen auf Satzebene zeigen, welche Zeilen das Signal tragen, sodass Sie die Zeilen bearbeiten, die es brauchen, statt ein ganzes Dokument blind umzuschreiben.
Bedeutet ein Provenienz-Label, dass ein Detektor mich markiert?
Nein, und das ist der Einwand, den ich am häufigsten höre: “Wenn das Label da ist, wird der Detektor darauf anspringen.” Provenienz und Detektion laufen auf unterschiedlichen Mechanismen. Provenienz ist ein Datensatz, der an ein Generierungsereignis angehängt ist. Detektion ist eine statistische Auswertung der Formulierungen, die davor stehen.
Wir haben das an unserem eigenen Material getestet. Am 28.09.2026 haben wir zwei Korpora mit dem DeAIze-Detektor (lokales Ensemble, Lite-Stufe) bei einer Markierungsschwelle von 30 % bewertet. Eine Referenzstichprobe von 709 Passagen aus DeAIze-Leitfäden, die nicht als generiert markiert waren, ergab einen mittleren KI-Score von 26 %, einen Median von 25 %, eine Spanne von 0–69 %, wobei 239 von 709 Passagen auf oder über der Schwelle lagen. Das sind Passagenzahlen, keine Zahlen unabhängiger Dokumente, und die menschliche Urheberschaft wurde nicht unabhängig verifiziert. Unbearbeitete Modellausgaben, 12 Passagen aus festen Prompts, ergaben einen Mittelwert von 33 %, einen Median von 34 %, eine Spanne von 4–46 %.
Lesen Sie diese beiden Spannen nebeneinander. Sie überschneiden sich. Eine Passage am unteren Ende der Modellausgabe-Spanne liegt unter einer Passage am oberen Ende der Referenzspanne. Das ist die ganze Geschichte, warum eine einzelne Zahl eine Urheberschaftsfrage nicht klären kann und warum ein Provenienz-Label plus ein Detektor-Score immer noch keinen Beweis ergeben.
Die zeitlose Lösung: Bearbeiten Sie die Sätze, die das Signal tragen
Was auch immer das Label sagt, die Bearbeitungsarbeit ist dieselbe, und es ist die Arbeit, die in unserem Grundlagenleitfaden zum Humanisieren von KI-Text beschrieben wird. Sie versuchen nicht, ein Tool zu schlagen. Sie versuchen, den Text so klingen zu lassen, als hätte eine Person etwas Bestimmtes zu sagen.
Beginnen Sie mit den Passagen, die ein Detektor auf Satzebene hervorhebt. In unserer eigenen Stichprobe lag die KI-Erkennungshäufigkeit bei 1 pro 100 Wörter im Referenzkorpus und bei 1 pro 100 Wörter in der unbearbeiteten Modellausgabe, sodass die Häufigkeit allein gute Prosa nicht von generierter Prosa trennen wird. Was sie trennt, ist die Platzierung: Generierter Text neigt dazu, dieselben Gewohnheiten gleichmäßig zu verteilen, während menschliche Entwürfe ihre Eigenheiten clustern.
Eine ausgearbeitete Illustration, kein echtes Kundendokument:
- Vorher: “Es ist wichtig, die facettenreiche Natur der Provenienzanforderungen zu berücksichtigen, um eine umfassende Compliance über alle relevanten Stakeholder hinweg sicherzustellen.”
- Nachher: “Provenienzregeln gelten für drei Gruppen: Publisher, Plattformen und alle, die Text durch eine Modell-API leiten. Prüfen Sie, welche Sie sind.”
Die zweite Version nennt eine Zahl, nennt die Gruppen und lässt die Füllwörter weg. Sie ändert auch die Aussage, und das ist der Teil, den die Leute überspringen. Jede Überarbeitung, die eine Menge, eine Quellenangabe, eine Verneinung oder eine Einschränkung ändert, hat das Dokument beschädigt, selbst wenn die Bewertung sinkt. Vergleichen Sie jeden überarbeiteten Satz mit dem Original und überprüfen Sie die Fakten selbst. Semantische Ähnlichkeit ist eine Prüfhilfe, kein Beweis dafür, dass die Bedeutung erhalten geblieben ist.
Wann dies die falsche Wahl ist
Kaufen Sie nichts dafür, wenn Sie sich in einer dieser Situationen befinden.
- Sie befinden sich in einem Urheberschaftsstreit. Ein Umschreibungs-Tool ist kein Beweis, und das Bearbeiten des umstrittenen Textes kann den Nachweis zerstören, den Sie benötigen. Bewahren Sie das Original auf, behalten Sie Zeitstempel bei und folgen Sie dem Verfahren Ihrer Einrichtung.
- Ihre Richtlinie verbietet KI-Unterstützung vollständig. Dann ist die Lösung kein Umschreiben; es ist ein Gespräch mit Ihrem Vorgesetzten darüber, was Sie tatsächlich getan haben.
- Sie haben nie ein Modell verwendet und Ihr Text ist sauber. Herkunftsregeln sind kein Grund, Ihre Arbeit durch einen Paraphrasierer laufen zu lassen.
- Sie benötigen eine Turnitin-Nummer. Niemand kann Ihnen eine versprechen. DeAIze bietet keine offizielle Turnitin-Auswertung oder einen Turnitin-Score-Schätzer, und jedes Tool, das etwas anderes behauptet, verkauft Ihnen eine Vermutung.
Wenn Ihre Situation ein Gremium oder ein Kunde ist, der schwierige Fragen stellt, ist die nützliche Lektüre unser Leitfaden dazu, was ein hoher Score wirklich bedeutet, der durchgeht, wie Sie reagieren, wenn die Zahl bestritten wird, statt wie Sie sie verbergen.
Was heute zu tun ist, in dieser Reihenfolge
Zehn Minuten Verwaltungsarbeit schlagen eine Woche Angst.
- Lesen Sie die Primärquelle und notieren Sie das Datum, an dem Sie sie gelesen haben.
- Fragen Sie Ihre Plattform, ob Text Ihr CMS für eine Modell-API verlässt.
- Archivieren Sie Ihren Versionsverlauf an einem Ort, den Sie kontrollieren.
- Lassen Sie den Entwurf durch einen Detektor auf Satzebene laufen und markieren Sie nur die beanstandeten Zeilen.
- Bearbeiten Sie diese Zeilen auf Spezifität, überprüfen Sie jede Zahl und jeden Beleg gegen das Original und behalten Sie beide Versionen.
- Wenn eine Offenlegung erforderlich ist, nennen Sie das Tool und die Phase klar.
Das ist der ganze Ansatz: Wissen, was das Label erfasst, wissen, was es nicht erfasst, und Ihre Anstrengungen auf die Sätze verwenden, nach denen ein Leser Sie tatsächlich beurteilen wird. Die Ideen, die Daten und die Schlussfolgerungen müssen von Ihnen stammen. Kein Label ändert das, und kein Detektor kann es messen.
Wenn Sie sehen möchten, welche Sätze das Signal tragen, bevor Sie mit der Bearbeitung beginnen, erhalten Sie mit der Rewrite-Testversion 200 Wörter nach der E-Mail-Bestätigung ohne Kreditkarte, und die Erkennungsgrenzen werden in der aktuellen Oberfläche angezeigt.
Messhinweis: Die Zahlen in diesem Artikel stammen aus unserem eigenen Detektor, der am 28.09.2026 ausgeführt wurde — n = 709 Referenzpassagen aus Leitfäden, die nicht als generiert gekennzeichnet waren, gegenüber n = 12 unredigierten Modellpassagen, medianer KI-Score 25 % bzw. 34 %. Die Urheberschaft der Referenzen wurde nicht unabhängig überprüft; die Passagen sind keine unabhängigen Dokumente. Methode: /methodology/.