Wie du erkennst, ob ein Text von einer KI stammt: Anzeichen, Detektoren und 24 echte Vorwürfe

Kurz gesagt: Ob ein Text von einer KI stammt, lässt sich heute nicht zuverlässig feststellen – weder mit dem Auge noch mit einem Detektor. Aber wir haben etwas Interessanteres als Theorie. Bei der Vermessung des Marktes für KI-Kurse haben wir Teilnehmerbewertungen von Udemy und Coursera ausgelesen und dabei eine seltene Ader getroffen: echte Menschen, die dem Autor eines Bezahlkurses öffentlich vorwerfen, maschinell erzeugtes Material zu verkaufen. Keiner von ihnen hat einen Detektor laufen lassen. Wir haben nachgesehen, was sie wirklich verraten hat – und es war nichts von dem, was Detektoren messen.

Warum die Aufgabe von vornherein unlösbar ist

Ein Sprachmodell wurde auf menschlichen Texten trainiert und ist darauf optimiert, statistisch „normalen“ Text zu erzeugen. Guter Maschinentext ist per Definition nicht von durchschnittlichem menschlichem Schreiben zu unterscheiden. Die Aufgabe „KI von Mensch unterscheiden“ scheitert daran, dass die eigentliche Grenze nicht zwischen Maschine und Mensch verläuft, sondern zwischen eigener Handschrift und gemitteltem Stil. Und gemittelt schreiben auch Menschen – vor allem müde, vorsichtige oder solche, die in einer zweiten Sprache arbeiten.

Dazu kommt: Kaum jemand veröffentlicht die rohe Ausgabe des Modells. Der Text wird redigiert, erweitert, mit Eigenem vermischt. Reine Fälle von „Mensch“ und „KI“ gibt es fast nicht, es gibt ein Kontinuum. Der Kurs, den wir unten sezieren, ist genau so ein Hybrid: Das Skript sieht maschinell geschrieben aus, aber die Folien hat ein Mensch gebaut, eingesprochen und verkauft. „Hat das eine KI geschrieben?“ hat hier nicht einmal eine eindeutige Antwort. Und das ist der Normalfall, nicht die Ausnahme.

Unsere Daten: 24 Vorwürfe maschineller Autorschaft, null Detektoren

Wir haben die Bewertungen der größten Kurse zu ChatGPT und generativer KI ausgelesen – eigene Marktrecherche, Stand 17.07.2026. Das Nebenprodukt war am Ende mehr wert als das eigentliche Ergebnis. In den negativen Bewertungen taucht immer wieder derselbe Vorwurf auf: Das hat eine Maschine gemacht. Und erhoben wird er von Leuten, die für den Kurs bezahlt und ihn durchgesessen haben.

Am direktesten trifft es Prompt Engineering with ChatGPT Masterclass von RPATech: 118.803 Teilnehmer, 57.836 Bewertungen, Bewertung 4,48. Das ist kein Randprodukt, sondern einer der größten Kurse der Nische:

"Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word"
— Bradley M., 16.04.2026, 1★

Und beim selben Kurs, knapper geht ein Urteil kaum:

"AI voice, not recommended. didn't learned anything"
— Ashvin D., 22.06.2026, 1★

Achte darauf, was in diesen Bewertungen fehlt. Keine Prozentzahl. Kein Wort über GPTZero oder ZeroGPT. Nichts über Perplexität, Satzrhythmus oder die Formel „nicht nur X, sondern Y“. Niemand hat einen Detektor benutzt – zwei Dinge haben gereicht: Die Folie war überladen, und das Gesprochene stimmte Wort für Wort mit dem Geschriebenen überein. Das sind keine Stilindizien. Das sind Indizien für den Prozess: So sieht Text aus, den niemand fürs Ohr umgeschrieben hat, weil zwischen Generierung und Aufnahme kein Mensch stand.

Was eine Maschine wirklich verrät: nicht der Stil, sondern die fehlende Arbeit

Wir haben alle negativen Bewertungen in Cluster sortiert, und ein Muster fiel heraus. Die häufigste Beschwerde über Videokurse hat mit KI gar nichts zu tun – sie geht ums Ablesen von der Folie.

"why read straight from the slide? I can do that. This was not a helpful course at all"
— Janie I., 02.07.2026, 1★ (Kurs von Justin Barnett)

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website"
— Shashank T., 13.04.2026, 1★ (The Complete AI Guide)

"They are just reading the prompter sometimes without even knowing the point. Hating myself after purchasing it."
— Sachin S., 13.07.2026, 1★ (The Complete AI Guide)

Sieh dir Sachins Formulierung an: „sometimes without even knowing the point“. Das ist die schärfste Definition von Maschinentext, die ich kenne, und sie hat nichts mit Statistik zu tun. Maschinenhaft wird ein Text, wenn zwischen ihm und dem Leser niemand stand, der ihn verstanden hat. Ein Modell kann Verständnis in jedem einzelnen Satz simulieren. Was es nicht simulieren kann, ist die Entscheidung, die Hälfte davon zu streichen – denn diese Entscheidung setzt voraus, dass du weißt, wozu du schreibst.

Daraus folgt das zweite Cluster: Füllmaterial und Wiederholung.

"I finished week 2. And all the lessons could be in 1 lesson. I jumped to week 3, 4, 5 and 6, and I see some concept reapeted. Very bad time spending for me."
— Shai Mizrachi, 22.07.2023, 1★ (Vanderbilt)

"The course is far too drawn out… padding the course with filler and making it longer than it needs to be."
— Victoria X., 13.02.2026, 2★ (The Complete AI Guide)

"The majority of the class he just rambles around unimportant subject… There's really no 'meat' in this course. A major waste of time and money!"
— Kevin K., 20.02.2026, 1★ (ChatGPT for Work)

Und das dritte: Leere, die als Inhalt verkauft wird.

"The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models."
— Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

"Didnt meet expectations, only theory is discussed which we already know."
— Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone)

Zähl es zusammen. Das Urteil „Maschine“ fällen Leser nicht wegen des Satzrhythmus, sondern wegen dreier Dinge: Am Text wurde nie gekürzt, der Text entscheidet nichts, der Autor ist nicht im Raum. Alle drei sind keine Eigenschaften eines Generators, sondern Folgen fehlender Redaktion. Ein Mensch mit Abgabefrist und ohne Lust liefert exakt dasselbe ab. Genau deshalb trifft der Vorwurf und geht gleichzeitig daneben.

Ein ehrlicher Einwand gegen uns selbst: Das ist kein Experiment. Wir wissen nicht, ob tatsächlich ein Modell diesen Kurs geschrieben hat – RPATech hat sich nie geäußert, und Bradley M.s Bewertung bleibt die Meinung eines Zuschauers. Unsere Aussage ist bescheidener: Wir wissen, woran echte zahlende Menschen ihr Urteil festmachen. Das sind Daten über den Detektor namens „Mensch“, nicht über die Tatsache der Generierung.

Was für KI-Spuren gehalten wird – und warum das ein Irrtum ist

Jetzt sieh dir die kanonische Liste der „Anzeichen“ an und beobachte, wie sie daran scheitert, eine Maschine zu beschreiben. Das wird üblicherweise als Beweis präsentiert:

• Verdächtige Glätte. Alle Sätze ungefähr gleich lang und gleich komplex, der Rhythmus schwankt nie.
• Alles zu dritt. Aufzählungen mit exakt drei Punkten, symmetrische Absätze, gleich große Abschnitte.
• Die Konstruktion „nicht X, sondern Y“. „Das ist nicht bloß ein Werkzeug, sondern eine Denkweise“ – fünfmal pro Seite.
• Null Konkretes. Keine Namen, keine Daten, keine Zahlen, keine erlebten Fälle. Stimmt für alles und taugt deshalb für nichts.
• Verräterisches Vokabular. „Landschaft“, „Potenzial entfesseln“, „im digitalen Zeitalter“, „wichtig zu erwähnen“.

Nicht ein einziger dieser Punkte trennt Maschine von Mensch. Sie alle trennen Schablonentext von lebendigem Text – und nach Schablone schreiben auch Menschen: müde, vorsichtige, solche, die nach einem Skript wiederholen, oder solche, die in einer zweiten Sprache arbeiten. Mit dieser Liste „überführst“ du mühelos einen sorgfältigen Menschen. Und umgekehrt: Die Ausgabe eines Modells mit gutem Prompt zeigt keinen dieser Punkte. Verlang Konkretes, ein echtes Beispiel und eine Haltung, und das Maschinenhafte verdampft (wie das geht, siehst du in der Formel für einen starken Prompt).

Probier es gleich hier aus. Der Prompt unten lässt das Modell denselben Absatz zweimal schreiben – einmal „maschinell“, einmal lebendig – und danach über die eigene Ausgabe urteilen. Beide Fassungen kommen aus der Maschine, also ist jedes Detektorurteil „KI / keine KI“ konstruktionsbedingt in der Hälfte der Fälle falsch:

Schreib denselben Absatz mit 120 Wörtern darüber, warum das Remote-Onboarding neuer Mitarbeiter scheitert, zweimal.

Fassung A: so, wie ein müder Mensch schreibt, der nur die Seite vollkriegen will – ohne Namen, ohne Zahlen, ohne Fälle, alle Sätze ungefähr gleich lang.

Fassung B: mit einer erfundenen, aber konkreten Firma, einem konkreten Fehlschlag in der ersten Woche, einer Zahl und Sätzen von sehr unterschiedlicher Länge.

Antworte dann in drei Punkten: Welche Fassung würde ein KI-Detektor auf Perplexitätsbasis als maschinell markieren, warum, und wäre dieses Urteil richtig, wenn du beide geschrieben hast?

Wie ein Detektor innen funktioniert – und warum er lügt

Ein KI-Detektor „erkennt“ keinen Text. Er misst statistische Eigenschaften: wie vorhersagbar jedes nächste Wort ist (Perplexität) und wie ungleichmäßig die Satzkomplexität verteilt ist (Burstiness). Die Logik: Ein Modell wählt konstruktionsbedingt die wahrscheinliche Fortsetzung, sein Text ist im Schnitt also vorhersagbarer und gleichmäßiger. Die Logik stimmt. Das Problem ist, was daraus folgt.

• Falsch-Positive bei Menschen. Wer schlicht und vorhersagbar schreibt, sieht statistisch aus wie ein Modell. Ein engerer Wortschatz ergibt niedrige Perplexität – und einen engen Wortschatz haben ein Schulkind, ein vorsichtiger Jurist und jeder, der in einer Sprache schreibt, die er gelernt statt aufgesogen hat.
• Falsch-Negative. Bitte das Modell um mehr Abwechslung oder redigier den Text leicht von Hand, und der Detektor schweigt. Er fängt Vorhersagbarkeit, nicht Herkunft.
• Keine Kalibrierung. Die Prozentzahl sieht wissenschaftlich aus, lässt sich aber nicht prüfen: Detektoren veröffentlichen keine transparente Methodik, und die Trefferquote fällt bei Texten, die den Trainingsdaten nicht ähneln. „87 % Wahrscheinlichkeit“ und „unser Gerät hat die Zahl 87 ausgespuckt“ sind zwei verschiedene Aussagen – verkauft wird dir die erste, geliefert die zweite.
• Bei kurzen Texten ist es Raten. Ein einzelner Absatz trägt schlicht nicht genug Statistik.
• Ein Wettlauf, den der Detektor per Definition verliert. Jede Verbesserung eines Modells bringt seine Ausgabe näher an durchschnittliches menschliches Schreiben. Der Detektor holt kein Ziel ein – das Ziel läuft davon.

Der Schluss ist hart, aber nötig: Die Prozentzahl eines Detektors taugt nicht als Grundlage für einen Vorwurf – nicht an der Uni, nicht in der Redaktion, nicht im Recruiting. Das ist ein Werkzeug mit unbekannter Fehlerrate, die ungleich verteilt ist und die am härtesten trifft, die ohnehin schon schlechter dastehen.

Zur zweiten Sprache: Was wir beweisen können und was nicht

Die These „Detektoren bestrafen Menschen, die in einer zweiten Sprache schreiben“ klingt plausibel, und der Perplexitätsmechanismus sagt sie direkt voraus. Aber wir haben keine eigene Messung der Detektoren, und wir werden uns auch keine ausdenken.

Was wir haben, ist ein benachbarter, harter Befund. Unsere Marktrecherche stützt sich auf eine randomisierte kontrollierte Studie von Bälter, Kann, Mutimukwe & Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024), n = 2.263 schwedische Studierende, ein Online-Programmierkurs in zwei Sprachen:

• Abbruchquote auf Schwedisch: 57 %. Auf Englisch: 71 % (φ = 0,2; p < 0,00001).
• Durchschnittsnote der Verbliebenen: 16,9 gegenüber 14,3 – ein vernachlässigbarer Unterschied (δ = 0,085).

Lies das genau: Englisch hat das Verständnis nicht beschädigt, es hat die Leute vertrieben. Und, für unser Thema am wichtigsten: Die selbst eingeschätzte Sprachbeherrschung schützte nicht. Wer sein Englisch für gut hielt, brach genauso ab.

Über Detektoren sagt das direkt nichts. Es sagt aber Folgendes: Die Kosten, in einer fremden Sprache zu schreiben, sind real, messbar und für den, der sie zahlt, unsichtbar. Ein Detektor, der niedrige Perplexität bestraft, ist eine weitere Schicht derselben Steuer, aufgelegt auf die, die sie schon zahlen. Das ist ein Argument, kein Beweis, und ich gebe es nicht als Zweites aus.

Das Indiz, das funktioniert: Fakten prüfen

Das Stärkste, was wir gefunden haben, ist eine Bewertung, in der jemand nicht geraten, sondern erwischt hat:

"Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models."
— Jose C., 12.05.2026, 1★ (Kurs von Justin Barnett)

Der Fehler steckte nicht nur in der Vorlesung, sondern auch im Test – die falsche Antwort galt also als richtig. Das ist ein Indiz. Nicht „87 % Wahrscheinlichkeit“, sondern eine konkrete falsche Behauptung, die du auf den Tisch legen kannst und die der Autor nicht erklären kann, weil sie nicht von ihm stammt.

Kein Detektor hätte davon irgendetwas gefunden – die Prosa der Vorlesung ist tadellos. Gefunden hat es ein Mensch, der das Thema kannte. Die Regel ist simpel: Wenn ein Text Fakten enthält, prüf die Fakten, nicht den Stil. Ein Link, der ins Leere führt, eine verwechselte Architektur, eine Zahl ohne Quelle – das sind harte Indizien, und zugleich der Fingerabdruck einer KI-Halluzination.

Der Prompt für diese Prüfung läuft direkt hier:

Prüfe diese vier Behauptungen und markiere jede als WAHR, FALSCH oder OHNE QUELLEN NICHT ÜBERPRÜFBAR, mit je einem Satz Begründung:

1. Midjourney, DALL-E und Stable Diffusion basieren auf der GAN-Architektur.
2. Perplexität misst in der Sprachmodellierung, wie vorhersagbar ein Text für ein Modell ist.
3. Ein Text, dem ein Detektor „100 % KI“ gibt, beweist, dass der Autor KI benutzt hat.
4. Wasserzeichen erlauben es, die Ausgabe jedes beliebigen Modells zu erkennen.

Sag danach, welche dieser vier Fehler du in einem hastig gebauten Onlinekurs erwarten würdest, und warum genau diese.

Und Wasserzeichen?

Technisch ist es möglich, bei der Generierung eine unmerkliche statistische Markierung einzubetten und sie später zu prüfen: Das Modell verschiebt seine Wortwahl nach einer geheimen Regel ein wenig, und diese Verschiebung lässt sich später wiedererkennen. Google DeepMind treibt so einen Ansatz unter dem Namen SynthID voran. Die Grenzen der Methode sind grundsätzlich, keine Frage der Umsetzung:

• Die Markierung gibt es nur da, wo sie jemand gesetzt hat. Ein Modell ohne Wasserzeichen – darunter jedes lokal laufende – spielt schlicht nicht mit.
• Die Markierung überlebt nicht alles. Umformulieren, Hin- und Herübersetzen oder dichtes Redigieren von Hand waschen die statistische Verschiebung heraus.
• Niemand ist verpflichtet. Einen verbindlichen Branchenstandard gibt es nicht, und ein freiwilliger identifiziert die Ehrlichen.
• Eine fehlende Markierung bedeutet nichts. Selbst ein perfektes Wasserzeichen antwortet „ja, das ist unser Modell“ – niemals „nein, das ist ein Mensch“.

Das ist eine nützliche Technologie für Plattformen, kein Universaldetektor für dich.

Was du statt eines Detektors tun kannst

Wenn du unterrichtest, redigierst oder ein Team führst, ist „Hat das eine KI geschrieben?“ fast immer die falsche Frage. Die richtigen lauten: „Versteht der Autor, was er abgegeben hat?“ und „Erledigt der Text seine Aufgabe?“. Beides lässt sich prüfen.

• Ein Gespräch. Zwei Nachfragen zum Inhalt beantworten alles, was kein Detektor beantwortet.
• Der Prozess. Entwürfe, Versionsverlauf, Zwischenabgaben. Du siehst den Weg, nicht nur das Ergebnis.
• Eine Aufgabe, die KI nicht allein erledigt. Lokaler Kontext, eigene Erfahrung, Daten aus der Sitzung, Bezug auf einen konkreten Fall.
• Faktenprüfung. Siehe Jose C. oben: Eine überprüfbare Behauptung schlägt zehn Prozentpunkte Zuversicht.
• Offene Regeln. Sag vorher, was erlaubt ist: „KI ist für den Entwurf und zum Prüfen in Ordnung, nicht für die Schlussfolgerungen.“ Eine transparente Regel nimmt das halbe Problem weg.

Der naheliegende Einwand: Ein Gespräch skaliert nicht, ein Detektor ist ein Klick. Berechtigter Einwand. Aber sieh dir an, was passiert, wenn man das ganze System um das herum baut, was skaliert:

"you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not."
— Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt — 698.444 Eingeschriebene)

"quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'"
— Cory Covino, 04.05.2024, 2★ (IBM)

"Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience."
— Laurie J Phillips, 12.04.2024, 3★ (IBM)

Das ist dieselbe Krankheit wie beim Detektor, nur von der anderen Seite: automatische Prüfung, die das Falsche misst, weil das Richtige zu messen teuer ist. Das automatische „100 % korrekt“ und die „87 % KI“ sind verwandt. Beide geben dir eine Zahl statt eines Urteils.

Und das ist keine Faulheit der Plattform, sondern eine strukturelle Grenze. Um einen Prompt zu prüfen, braucht es ein Modell in der Lektion. Coursera hat keins: Vanderbilts Prompt Engineering Specialization verlangt, dass der Teilnehmer separat ein kostenpflichtiges ChatGPT-Abo kauft und die Übungen woanders macht. Was dabei herauskommt, kann die Plattform physisch nicht sehen, also stempelt sie ein automatisches Bestanden. Genau deshalb steckt in unserem KI-Kurs das Modell direkt in der Lektion – und aus demselben Grund haben die Prompt-Blöcke in diesem Artikel einen Startknopf, statt dass du sie irgendwohin kopieren musst.

Wenn der Vorwurf dich trifft

Die Situation ist real und unangenehm: Der Detektor hat eine Prozentzahl ausgeworfen, und der Text ist deiner. Was hilft:

• Der Versionsverlauf. Google Docs, Word, jeder Editor mit Autospeichern. Das ist der beste Beweis überhaupt – der Schreibprozess ist schwerer zu fälschen als das Ergebnis. Schalte das Autospeichern ein, bevor du es brauchst.
• Entwürfe und Notizen. Sie aufzuheben ist lästig; sie sind auch das, was dich rettet.
• Bereitschaft zu erklären. Wenn du deinen eigenen Text verstehst, ist die Sache in zwei Minuten Gespräch erledigt.
• Das Werkzeug ruhig auseinandernehmen. Verlang keine Prozentzahl, sondern die konkrete Stelle, die sie ausgelöst hat, und die Methode hinter der Zahl. Beides gibt ein Detektor nicht her – und dieses Fehlen ist selbst schon die Antwort.
• Die Frage wechseln. „Fragen Sie mich zum Inhalt“ ist der eine Satz, der das Gespräch vom Raten zur Prüfung macht. Wer anklagt, kann ihn schlecht ablehnen.

Der Prompt, der dich auf so ein Gespräch vorbereitet, heißt nicht „überlist den Detektor“, sondern „prüf, ob du deinen eigenen Text wirklich beherrschst“:

Hier ist der Absatz eines Studenten:

„Städtische Grünflächen verbessern die psychische Gesundheit. Studien haben gezeigt, dass der Zugang zu Parks Stress reduziert und das allgemeine Wohlbefinden steigert. Im digitalen Zeitalter ist es wichtig zu erwähnen, dass Stadtplaner die Landschaft der urbanen Entwicklung ganzheitlich betrachten müssen, um das Potenzial grüner Infrastruktur zu entfesseln.“

Urteile nicht darüber, ob eine KI das geschrieben hat. Formuliere stattdessen fünf Fragen, die ich dem Autor in einem zweiminütigen Gespräch stellen könnte und die zeigen würden, ob er versteht, was er abgegeben hat. Schreib zu jeder Frage, was die Antwort eines Kundigen enthalten würde und wie die Antwort eines Blenders klänge.

Wie du mit KI schreibst, ohne nach Maschine zu klingen

Und das praktischste Fazit. Wenn du KI ehrlich benutzt, als Entwurf, dann verschwindet das Maschinenhafte nicht durch Tricks, sondern durch Substanz. Dieses Zitat lohnt sich, wenn du nach dem Zaubergriff suchst:

"I've studied best practices to avoid it generating content that sounds like AI, but I'm not having any success. … It is reported as 100% written by AI according to zerogpt."
— OpenAI-Forum, Thread „Prompt to insert content without sounding like AI“

"the email writing tools just seems to strip out my personal voice making me sound like I'm writing unsolicited marketing spam."
— Kommentar auf Hacker News

Einschränkung: Das sind drei Quellen aus Foren, in denen fortgeschrittene Nutzer sitzen, kein Massenpublikum. Die Stichprobe ist klein, und was dabei herauskommt, ist eine Hypothese, keine Messung. Aber die Hypothese passt zu allem anderen: Der Mensch im ersten Zitat hat sämtliche „Best Practices gegen KI-Stil“ studiert und ist gescheitert. Weil er den Stil bekämpft hat. Der Stil ist das Symptom. Die Krankheit ist die Leere.

Hier ist ein Entwurf. Wenn du einen eigenen hast, setz ihn an dessen Stelle.

„KI verändert die Art, wie Teams arbeiten. Es ist wichtig zu erwähnen, dass Organisationen das Potenzial dieser Werkzeuge entfesseln müssen. Im digitalen Zeitalter riskieren Unternehmen, die sich nicht anpassen, in einer sich ständig wandelnden Landschaft hinter die Konkurrenz zurückzufallen.“

Aufgabe: Mach den Text konkreter, ohne ihn zu verlängern.
Regeln:
- streiche jeden Satz, der immer noch stimmen würde, wenn du „KI“ durch eine beliebige andere Technologie ersetzt;
- jede überlebende Behauptung braucht ein Beispiel oder eine Zahl, sonst fliegt sie raus;
- wechsle lange Sätze mit kurzen ab.
Schließe mit einer separaten Liste „Braucht die Erfahrung des Autors“: die Stellen, die nur ein Mensch füllen kann.

Die letzte Regel ist der Kern. Ein Text hört genau dann auf, maschinell zu wirken, wenn er enthält, was das Modell nicht hat: deinen konkreten Fall, deine Zahl, deine Haltung. Deshalb stehen in diesem Artikel Namen, Daten und Sterne – nicht zur Zierde, sondern weil sie sich nicht generieren lassen.

Das Wichtigste

KI-Detektoren sind kein Wahrheitssensor, sondern eine Wahrscheinlichkeitsvermutung mit unbekannter Fehlerrate, die am härtesten die trifft, die schlicht und in einer zweiten Sprache schreiben. Die „Anzeichen für Maschinenstil“ trennen Schablonentext von lebendigem Text, nicht Maschine von Mensch. Und die Leute, die Maschinentext tatsächlich erwischen – Bradley M. und Jose C. in unseren Daten –, erwischen ihn nicht am Stil: sondern an einem Text, an dem nie gekürzt wurde, an einem sachlichen Fehler, am fehlenden Autor. Genau das lohnt sich also zu prüfen. Der einzige verlässliche Weg herauszufinden, ob hinter einem Text ein Mensch steht, ist, mit ihm über den Inhalt zu reden.

Weiter zum Thema: KI in der Schule und Abschreiben – was Lehrkräfte praktisch tun können; KI-Halluzinationen – woher die nicht existierenden Links kommen, die als echtes Indiz taugen; die Formel für einen starken Prompt – das Maschinenhafte am Eingang statt am Ausgang entfernen; KI bei der Arbeit – über Entwürfe und Redaktion.