Ein Detektor markiert Ihre Übersetzung und bezeichnet sie als KI-generiert. In den meisten Fällen reagiert das Tool auf maschinelle Übersetzungsartefakte, nicht auf ein Modell, das von Grund auf schreibt. DeepL, Google Translate und LLM-Übersetzungsmodi hinterlassen alle die gleichen Fingerabdrücke: gleichmäßige Satzlänge, wörtliche Idiome, flaches Register, wiederholte Konnektoren. Diese Muster wirken statistisch. Sie sind keine Autorschaftssignale, aber Detektoren können den Unterschied nicht immer erkennen. Dieser Leitfaden zeigt Ihnen, wie die KI-Erkennung von übersetztem Text tatsächlich funktioniert, was maschinelle Übersetzung hinterlässt und welche Bearbeitungen falsch positive Ergebnisse reduzieren, ohne die Bedeutung zu verändern.
Wichtige Erkenntnisse
- Maschinelle Übersetzungsartefakte (gleichmäßige Syntax, wörtliche Idiome, flaches Register) überschneiden sich mit KI-Generierungssignalen, weshalb Plattformen wie Turnitin, GPTZero und Copyleaks legitime Übersetzungen markieren.
- In unserer eigenen Messung am 19.09.2026 haben wir 46 handgeschriebene DeAIze-Leitfäden mit unserem Detektor bei einer Markierungsschwelle von 30 % bewertet: durchschnittlicher KI-Score 27 %, Median 25 %, Bereich 0–55 %, wobei 17 von 46 markiert wurden.
- Derselbe Durchlauf bewertete 12 unbearbeitete Modellpassagen: Durchschnitt 35 %, Median 34 %, Bereich 25–49 %. Übersetzung liegt irgendwo zwischen diesen beiden Verteilungen.
- Die Korrektur von Übersetzungen erfordert einen spezifischen Bearbeitungsdurchgang: Durchbrechen Sie die Gleichmäßigkeit der Satzlänge, ersetzen Sie lehnübersetzte Idiome, stellen Sie Registervariation wieder her und überprüfen Sie mit einem satzebenen Detektor erneut.
- Wenn eine Institution Sie beschuldigt, ist die Detektorausgabe eine Wahrscheinlichkeitsschätzung, kein Beweis für die Urheberschaft. Sie können sie mit Entwürfen, Glossaren und Ihrem Translation Memory anfechten.
Warum wird übersetzter Text als KI markiert?
Detektoren lesen nicht die Bedeutung. Sie messen die statistische Textur: wie vorhersagbar jedes Token angesichts der vorherigen ist (Perplexität) und wie stark Satzlänge und -struktur variieren (Burstiness). Maschinelle Übersetzung optimiert auf Flüssigkeit und Konsistenz, was beide Maße einebnet. Ein übersetzter Absatz hat oft glattere Übergänge als ein menschlicher Erstentwurf, weniger eigenwillige Wortwahlen und fast keine Registerwechsel. Für einen Detektor liest sich das wie Maschinenwahrscheinlichkeit. Für einen menschlichen Leser liest es sich wie eine kompetente Übersetzung.
Die Verwechslung ist strukturell, nicht böswillig. Turnitin, GPTZero, Copyleaks, Originality.ai und Sapling veröffentlichen alle Leitlinien, die besagen, dass ihre Bewertungen Schätzungen sind. Keiner von ihnen veröffentlicht eine übersetzungsspezifische Kalibrierung. Wenn ein zweisprachiger Autor eine übersetzte Zusammenfassung oder eine übersetzte Marketingseite einreicht, vergleicht das Tool diesen Text mit Korpora, die hauptsächlich englischsprachige menschliche Texte und Modellausgaben enthalten. Übersetzung ist eine dritte Kategorie, die das Modell nicht isoliert zu erkennen trainiert wurde.
Es gibt einen zweiten Grund. Die Übersetzung ins Englische erzeugt oft Konstruktionen, die grammatikalisch korrekt, aber statistisch ungewöhnlich sind, und Detektoren haben gelernt, dass ungewöhnliche, aber flüssige Formulierungen mit Modellausgaben korrelieren. Ein Satz wie „the committee proceeded to the evaluation of the proposal“ ist nicht falsch. Er ist in der muttersprachlichen englischen Redaktion einfach selten, und Seltenheit ist das, was der Detektor als maschinell liest.
Was hinterlässt maschinelle Übersetzung in der Zielsprache?
Maschinelle Übersetzung hinterlässt vier wiederkehrende Artefakte. Sie treten bei DeepL, Google Translate und LLM-Übersetzungsmodi auf, und sie sind der Grund, warum eine saubere Übersetzung bei jedem Detektor hoch punkten kann.
| Artefakt | Wie es im Englischen aussieht | Warum Detektoren reagieren |
|---|---|---|
| Einheitliche Syntax | Jeder Satz 18-25 Wörter, gleiche Subjekt-Verb-Objekt-Struktur | Geringe Burstiness wird als maschinell gelesen |
| Wörtliche Idiome | „Take the decision“, „make a photo“, „in the last years“ | Vorhersehbare Lehnübersetzungen, geringe Perplexität |
| Flaches Register | Formelle und informelle Passagen klingen identisch | Fehlende menschliche Registervariation |
| Überkohäsive Konnektoren | „Moreover“, „Furthermore“, „In addition“ eröffnen die meisten Absätze | Wiederholte vorhersehbare Übergänge |
| Symmetrische Absatzgestaltung | Jeder Absatz 3-4 Sätze, gleiche Länge | Strukturelle Regelmäßigkeit, die Detektoren bemerken |
Das Registerproblem ist das, was Übersetzer unterschätzen. In der Ausgangssprache wechselt der Autor möglicherweise zwischen formeller Argumentation und einer beiläufigen Anmerkung. Maschinelle Übersetzung neigt dazu, das auf einen einheitlichen Ton einzuebnen. Konsistenz ist gut für Styleguides und schlecht für Detektoren, weil menschliches Schreiben selten über ein ganzes Dokument hinweg so konsistent ist.
Lehnübersetzungen sind die zweite unterschätzte Kategorie. „Make a decision“ ist in Ordnung. „Take a decision“ ist britisches Englisch und zugleich eine wörtliche Übersetzung aus mehreren romanischen und germanischen Sprachen. Ein menschlicher Übersetzer würde es bemerken; MT gibt es wieder; ein Detektor sieht ein Bigramm mit geringer Wahrscheinlichkeit und fügt diesem Satz eine kleine Menge maschineller Wahrscheinlichkeit hinzu.
Wie unterscheiden sich Übersetzungsartefakte von KI-Generierungssignalen?
Übersetzungsartefakte und KI-Generierungssignale überschneiden sich, aber sie sind nicht dasselbe. Wenn man den Unterschied kennt, weiß man, was man bearbeiten muss.
Übersetzungsartefakte stammen aus dem Ausgangstext. Sie bewahren die Logik, Terminologie, Argumentationsreihenfolge und Eigenheiten der Quelle. Ein übersetzter Absatz hat normalerweise für jeden Satz einen vertretbaren Grund: Die Quelle sagte es, in dieser Reihenfolge, mit diesen Begriffen. Das Seltsame liegt in der Oberflächenform, nicht im Inhalt.
KI-Generierungssignale stammen aus dem Sampling des Modells. Sie umfassen Absicherungen ohne Quelle („es ist wichtig zu bedenken“), generische Beispiele, erfundene Details und eine Tendenz, den vorherigen Absatz zusammenzufassen, bevor der nächste beginnt. Das Seltsame liegt im Inhalt und in der Argumentation, nicht nur an der Oberfläche.
Ein praktischer Test: Lesen Sie den markierten Satz und fragen Sie sich, ob Sie auf den Quellsatz zeigen könnten, der ihn hervorgebracht hat. Wenn ja, ist es wahrscheinlich ein Übersetzungsartefakt. Wenn nicht, und der Satz rhetorische Arbeit leistet, die die Quelle nie verlangt hat, könnte es ein Generierungssignal sein. Diese Unterscheidung ist wichtig, weil die Korrektur unterschiedlich ist. Übersetzungsartefakte erfordern Oberflächenbearbeitung. Generierungssignale erfordern Inhaltsbearbeitung oder Entfernung.
Wenn Sie sehen möchten, welche konkreten Sätze das maschinelle Signal in Ihrem übersetzten Entwurf tragen, lassen Sie ihn zuerst durch den DeAIze KI-Detektor laufen. Die Hervorhebung auf Satzebene zeigt Ihnen die Zeilen, die bearbeitet werden müssen, sodass Sie nicht einen Absatz umschreiben, der nie das Problem war.
Warum lösen übersetzte Texte Detektoren aus, selbst wenn ein Mensch die Arbeit gemacht hat?
Die unbequeme Antwort ist, dass Detektoren nicht für Übersetzungen gebaut wurden. Sie wurden gebaut, um von Menschen verfasstes Englisch von modellverfasstem Englisch zu trennen. Übersetzung ist ein dritter Modus, und sie entlehnt Merkmale von beiden Seiten.
Unsere eigene Messung vom 19.09.2026 veranschaulicht, wie breit das menschliche Band bereits ist. Wir haben 46 handgeschriebene DeAIze-Leitfäden mit unserem Detektor bei einer Markierungsschwelle von 30 % bewertet. Der mittlere KI-Wert lag bei 27 %, der Median bei 25 %, die Spanne bei 0–55 %, und 17 der 46 wurden markiert. Diese Leitfäden sind von Menschen geschrieben, bearbeitet und veröffentlicht. Ein Detektor markierte bei dieser Schwelle trotzdem mehr als ein Drittel davon. Zum Vergleich: 12 unbearbeitete Modellpassagen erzielten einen Mittelwert von 35 %, einen Median von 34 % und eine Spanne von 25–49 %. Die beiden Verteilungen überschneiden sich stark. Ein übersetztes Dokument kann irgendwo in dieser Überschneidung landen, ohne dass ein Modell es geschrieben hat.
Diese Überschneidung ist die ehrliche Grenze der Erkennung. Sie ist auch der Grund, warum Sie einen einzelnen Wert niemals als Urteil behandeln sollten. Wenn Sie mit einem Kunden, einem Lektor oder einer Institution arbeiten, geht es in dem nützlichen Gespräch darum, welche Sätze ausgelöst haben, was die Quelle sagte und was Ihr Translation Memory zeigt. Der Leitfaden zu falsch positiven Ergebnissen führt Schritt für Schritt durch dieses Gespräch.
Wie bearbeite ich übersetzten Text für die Erkennung, ohne die Bedeutung zu ändern?
Dies ist ein übersetzungsspezifischer Bearbeitungsdurchgang. Führen Sie ihn nach Ihrem normalen QA durch, nicht anstelle davon.
- Nur die markierten Sätze lesen. Nicht markierten Text nicht umschreiben. Ein Detektor auf Satzebene liefert Ihnen eine kurze Liste; arbeiten Sie diese Liste ab.
- Die Einheitlichkeit der Satzlänge aufbrechen. Wenn drei markierte Sätze alle 20-25 Wörter lang sind, teilen Sie einen und führen Sie einen anderen zusammen. Burstiness ist das billigste Signal, das sich wiederherstellen lässt.
- Kalques durch idiomatische Entsprechungen ersetzen. “Take a decision” wird zu “decide”. “In the last years” wird zu “in recent years”. Führen Sie ein Glossar, damit die Terminologie im gesamten Dokument konsistent bleibt.
- Registervariation wiederherstellen. Wenn die Quelle eine lockere Nebenbemerkung hat, lassen Sie die Übersetzung dort locker sein. Schleifen Sie nicht jeden Absatz auf dieselbe Förmlichkeit ab.
- Variieren Sie Ihre Konnektoren. Wenn “Moreover” drei Absätze einleitet, ändern Sie zwei. Verwenden Sie einen Doppelpunkt, einen Gedankenstrich oder gar keinen Konnektor.
- Lesen Sie das Ergebnis laut vor. Alles, was Sie einem Kollegen nicht sagen würden, bekommt einen weiteren Durchgang.
- Erneut bewerten. Bestätigen Sie, dass die markierten Sätze zurückgegangen sind, ohne dass die Bedeutung abweicht. Wenn eine Umschreibung einen Fachbegriff ändert, machen Sie sie rückgängig und versuchen Sie es erneut.
Hier ist eine ausgearbeitete Veranschaulichung. Sie ist für diesen Artikel erfunden, nicht aus einem Kundenauftrag übernommen.
Vorher (typische MT-Ausgabe):
Darüber hinaus erfordert die Umsetzung des neuen Rahmens die Berücksichtigung mehrerer Faktoren. Des Weiteren muss die Bewertung dieser Faktoren auf systematische Weise erfolgen. Zudem sollten die Ergebnisse dieser Bewertung in einem umfassenden Bericht dokumentiert werden.
Nachher (für Übersetzungsartefakte bearbeitet):
Das neue Framework braucht mehrere Dinge, damit es funktioniert. Sie müssen sie systematisch bewerten. Dokumentieren Sie, was Sie finden.
Die Bedeutung ist identisch. Die markierten Muster sind verschwunden: keine wiederholten “Darüber hinaus/Außerdem/Zudem”, keine einheitliche Satzlänge, keine Nominalisierungen, die auf Nominalisierungen gestapelt sind.
Wenn Sie ein längeres Dokument bearbeiten, deckt die Checkliste für Übersetzungsartefakte die nicht-englische Seite desselben Problems ab, einschließlich der Frage, warum Markierungen sich anders verhalten, wenn die Ausgangssprache nicht Englisch ist.
Wann sollte ich ein Erkennungsergebnis bei einem übersetzten Text anfechten?
Fechten Sie es an, wenn Sie die Arbeit nachweisen können. Das bedeutet drei Dinge.
Erstens der Ausgangstext. Wenn Sie aus einem französischen, deutschen, spanischen oder japanischen Original übersetzt haben, ist das Ausgangsdokument Ihr stärkster Beweis. Ein Detektor kann es nicht sehen; ein menschlicher Prüfer kann es.
Zweitens Ihr Translation Memory oder Glossar. Auf Segmentebene zeigen die Einträge, dass ein Mensch jede Entscheidung getroffen hat, und sie zeigen, dass die Entscheidungen konsistent waren. Dies ist das Dokument, das aus “der Detektor hat es gesagt” ein Gespräch über die Methode macht.
Drittens die eigene Ausgabe des Detektors. Wenn eine Plattform eine Bewertung auf Dokumentebene ohne Details auf Satzebene meldet, können Sie nicht präzise darauf reagieren. Bitten Sie um die Aufschlüsselung pro Satz. Wenn keine existiert, sagen Sie das. Der Beitrag zum Due-Process-Gedanken bei der Erkennung als Beweis erklärt, was eine Institution aus einer Wahrscheinlichkeitsschätzung vernünftigerweise schließen kann und was nicht.
Was Sie nicht tun sollten, ist, einen übersetzten Text durch einen Humanizer zu schicken und das als erledigt zu betrachten. Humanizer verändern Oberflächenmuster; sie erzeugen keine Quellenspur. Wenn Ihre Übersetzung wirklich Ihre ist, sind der obige Bearbeitungsdurchgang plus Ihr TM eine stärkere Position als eine umgeschriebene Datei ohne Herkunftsnachweis.
Eine kurze Routine für übersetzte Dokumente
Wenn Sie regelmäßig übersetzen und Detektoren Ihre Ausgabe immer wieder markieren, nehmen Sie dies in Ihre Liefer-Checkliste auf.
- Lassen Sie den Zieltext vor der Lieferung durch einen Detektor auf Satzebene laufen.
- Bearbeiten Sie nur die markierten Sätze, indem Sie den obigen Sieben-Schritte-Durchgang verwenden.
- Bewerten Sie erneut und vergleichen Sie vorher/nachher. Bewahren Sie den Vorher/Nachher-Bericht zusammen mit der Lieferung auf.
- Speichern Sie die Quelle, das Glossar und die TM-Segment-IDs zusammen mit der Datei.
- Sagen Sie dem Kunden, was Sie getan haben. Es als QA gegen falsch positive Ergebnisse zu framen ist ehrlich und es beugt dem unangenehmen Gespräch vor.
Der letzte Punkt ist wichtiger als das Bearbeiten. Der Übersetzung wird ohnehin schon vorgeworfen, mechanisch zu sein. Ein Übersetzer, der die Quelle, die Terminologieentscheidungen und das Bearbeitungsprotokoll vorlegen kann, tut genau das, was ein Profi tun sollte. Der Detektor ist nicht der Richter; Ihr Prozess ist der Beweis.
Bereit zu sehen, welche Sätze maschinell verfasst klingen?
Füge einen übersetzten Absatz in den DeAIze KI-Detektor ein und du erhältst eine Dokumentbewertung plus eine KI-Wahrscheinlichkeit pro Satz, sodass du sehen kannst, ob die Markierung auf einem lehnübersetzten Satz oder über das gesamte Dokument verteilt liegt. Wenn sich die Markierungen auf eine Handvoll Zeilen konzentrieren, kannst du sie mit dem Entwurfseditor direkt an Ort und Stelle umschreiben, und der Humanizer führt eine geschlossene Schleife aus: bewerten, nur die markierten Sätze umschreiben, eine Umschreibung nur behalten, wenn die semantische Ähnlichkeit bestätigt, dass die Bedeutung erhalten geblieben ist, dann erneut bewerten und vorher und nachher berichten. Bei dem auf der Website verwendeten Beispielabsatz wird eine KI-Bewertung von 92 % zu 4 % KI. Die kostenlose Stufe bietet dir bei der Anmeldung 200 Wörter, ohne Kreditkarte, was ausreicht, um einen übersetzten Absatz zu testen, bevor du dich festlegst. Bezahlte Credits funktionieren nach dem Pay-as-you-go-Prinzip und verfallen nie; siehe Preise für die Wortpakete. Gegenprüfungen führen die Ausgabe gegen echte Detektor-APIs von Drittanbietern durch, wo konfiguriert, einschließlich GPTZero, Turnitin, Copyleaks, Originality.ai und Sapling, anstatt einer internen Schätzung zu vertrauen. Detektor-Bewertungen sind Wahrscheinlichkeitsschätzungen, kein Beweis der Urheberschaft, und kein Tool kann eine bestimmte Bewertung auf irgendeiner Plattform garantieren. Die Ideen und die Übersetzung müssen immer noch von dir stammen.