Immer mehr Schulen, Hochschulen und Weiterbildungsanbieter nutzen KI-Detektoren, um die Autorenschaft von Texten zu überprüfen. Der Druck ist groß: Plagiate vermeiden, akademische Integrität wahren, Betrug verhindern. Doch die Hoffnung, mit technischen Lösungen Klarheit zu schaffen, ist trügerisch.
Denn immer weniger lässt sich sicher unterscheiden, wer einen Text tatsächlich verfasst hat. Die Hilflosigkeit der Bildungseinrichtungen ist spürbar: Wenn selbst Expert:innen nicht mehr zuverlässig erkennen können, ob ein Text von einer KI oder einem Menschen stammt, scheinen Detektoren die einzige Lösung zu sein. Doch die Tools versprechen nur Scheinsicherheit – sie liefern keine Gewissheit, sondern Wahrscheinlichkeiten.
Wie KI-Detektoren funktionieren
KI-Detektoren sind keine neue Erfindung. Sie entstanden fast zeitgleich mit den ersten großen Sprachmodellen wie ChatGPT. Tools wie GPTZero, ZeroGPT oder der ehemalige Klassifikator von OpenAI sollten von Anfang an eine einfache Frage beantworten: Ist dieser Text von einer KI oder von einem Menschen geschrieben? Doch die Antwort darauf ist weitaus komplexer, als es den Anschein hat.
Die meisten Detektoren analysieren Texte anhand von zwei zentralen Kriterien, die auch im Podcast von c’t uplink thematisiert wurden: Perplexity und Burstiness.
Perplexity (dt. etwa: „Verwirrtheit“) misst, wie „vorhersehbar“ ein Text ist. KI-Systeme neigen dazu, statistisch wahrscheinlichere Wörter und Formulierungen zu wählen, sie greifen auf Muster aus ihren Trainingsdaten zurück. Ein menschlicher Text hat dagegen oft eine höhere Perplexity, weil Menschen unvorhersehbarer, kreativer und individueller schreiben. Vereinfacht gesagt: Wenn ein Text zu „glatt“ und vorhersehbar wirkt, könnte das auf eine KI hindeuten. Burstiness (dt. etwa: „Schubhaftigkeit“) beschreibt die Varianz in einem Text, also wie stark sich Satzlängen, Wortwahl und Stil innerhalb eines Textes unterscheiden. Menschen schreiben in „Schüben“: Mal kurz und prägnant, mal ausführlich und komplex. KI-Texte sind hier oft uniformer, weil sie weniger starke Schwankungen aufweisen.
Auf Basis dieser beiden Metriken und weiterer sprachlicher Muster versuchen Detektoren, KI-Texte zu identifizieren. Sie prüfen etwa die Wortwahl, die bei KI-Texten oft weniger abwechslungsreich ist, oder den Satzbau, der bei KI-generierten Texten gleichmäßiger ausfällt.
Wasserzeichen: Der zweite Ansatz der Detektoren
Ein weiterer Weg, KI-Inhalte zu erkennen, sind technische „Wasserzeichen“, die in Texte, Bilder oder Audiodateien eingebettet werden. Diese Marker sollen – ähnlich wie ein unsichtbares Siegel – nachweisen, dass ein Inhalt von einer KI stammt. Die EU schreibt vor, dass KI-Anbieter ab Dezember 2026 Wasserzeichen und passende Detektoren bereitstellen müssen.
Doch die Praxis zeigt: Wasserzeichen sind kein zuverlässiger Nachweis. Anthropic, der Anbieter von Claude, gibt selbst zu, dass sein System keine absolute Sicherheit bietet. So kann ein Wasserzeichen auch nach Übersetzung oder stärkerer Umarbeitung durch Claude auftreten – und damit fälschlich den Eindruck erwecken, der gesamte Text sei von der KI generiert. Die Kritik richtet sich daher weniger gegen Transparenz an sich, sondern gegen die grobe Aussagekraft des Signals: „Claude beteiligt“ wird leicht zu „Claude hat es geschrieben“. In der Praxis könnten Lehrende, Arbeitgeber oder Redaktionen diesen Unterschied ignorieren und einen Fund überinterpretieren.
Hinzu kommen ungleiche Folgen: Wer technisch versiert ist und den Text komplett umschreibt, kann das Signal eher loswerden. Wer nur leicht überarbeitet – etwa Schüle*innen, Studierende oder Menschen mit Schreibblockade –, trägt die Kennzeichnung womöglich weiter. Diese Asymmetrie ist ein zentraler Kritikpunkt. Zudem fürchten viele ein „digitales Tattoo“: dass legale, produktive KI-Hilfe – etwa bei Gliederung, Lektorat oder Übersetzung – später als Makel oder Beweis mangelnder Eigenleistung behandelt wird. Ein Wasserzeichen lässt sich nicht so einfach durch Kopieren oder Löschen unsichtbarer Zeichen entfernen. Da die Markierung in der statistischen Wortwahl liegt, gibt es keinen einzelnen Marker, den man herauslöschen könnte.
Ein weiteres Problem: Wasserzeichen sind kein Negativnachweis. Fehlt ein Wasserzeichen, folgt daraus nicht, dass ein Text menschlich ist. Er kann von einer älteren Modellversion, einem anderen Modell oder nach starker Bearbeitung stammen. Umgekehrt beweist ein Treffer keine Täuschung. Anthropic betont zwar, dass das Wasserzeichen keine Nutzer-, Organisations- oder Chat-ID enthält und damit nicht zurückverfolgt werden kann, wer den Text geschrieben hat. Doch die gesellschaftliche Sorge bleibt: Wie wird das Signal später von Dritten genutzt?
Warum Detektoren leicht ausgetrickst werden können
Besonders interessant ist der Fall Pangram, das aktuell als eine der besten Lösungen für KI-Erkennung gehandelt wird. Das Tool wirbt damit, menschliche Texte mit einer Genauigkeit von 99,98 % zu erkennen. Doch bei KI-generierten Inhalten schwanken die Ergebnisse stark. Die neue Version 4.0 behauptet sogar, den KI-Anteil in überarbeiteten Texten anzuzeigen. Doch wie im Podcast von c’t uplink deutlich wird, sind diese Werte nicht realistisch: „Die ersten Stichproben, die wir mit dem neuen Tool gemacht haben, zeigen, dass das überhaupt gar nicht haltbar ist, diese Werte, die Pangram da angibt.“
Das Problem liegt im System: Pangram nutzt kein klassisches Messverfahren wie Perplexity oder Burstiness, sondern ein Sprachmodell, das mit KI-Texten, überarbeiteten Texten und menschlichen Texten trainiert wurde. Sprachmodelle liefern jedoch keine deterministischen Ergebnisse. Wie im Podcast erklärt: „Wenn man mehrfach den gleichen Text hochlädt, dann kommen unterschiedliche Ergebnisse raus – und auch wenn man unterschiedliche Dateiformate hochlädt, können teilweise Unterschiede von 50 % rauskommen.“
Doch selbst wenn Wasserzeichen und sprachliche Muster zunächst funktionieren – sie lassen sich umgehen. Schon einfache Änderungen können die Erkennung aushebeln: Wird ein KI-Text leicht umformuliert, etwa durch Kürzen oder Verlängern von Sätzen, sinkt die Erkennungsrate dramatisch. In Tests fiel die Trefferquote bei einem KI-Modell von 70 % auf unter 5 %, sobald der Text paraphrasiert wurde. Auch das gezielte Einfügen von Fehlern oder das Entfernen besonders auffälliger Formulierungen führt Detektoren in die Irre. Zudem gibt es bereits spezielle Anleitungen für gängige KI-Systeme, die diese typischen Muster gezielt entfernen.
Der paradoxe Kreislauf: Wie KI menschliche Sprache verändert
Hier liegt das strukturelle Dilemma: KI-Detektoren lernen, was „KI-typisch“ ist – doch gleichzeitig verändern generative KI-Systeme den menschlichen Sprachgebrauch selbst.
Studien wie die von Yakura et al. (2024/26) zeigen, dass nach dem Start von ChatGPT Wörter wie delve, showcase, boast, intricacies oder meticulous – also typische Präferenzen von Sprachmodellen – in spontanen Podcast-Gesprächen sprunghaft angestiegen sind. Die Autor*innen analysierten dafür 737.083 Stunden Gespräche aus über 800.000 Episoden. Selbst kurze Interaktionen mit Chatbots führen dazu, dass Menschen diese Wörter später in ihrer eigenen Sprache übernehmen.
Eine weitere Untersuchung von Anderson et al. (AIES 2025) mit 22,1 Millionen Wörtern aus Wissenschafts- und Technologiepodcasts kommt zu einem ähnlichen Ergebnis: Der Gebrauch LLM-assoziierter Begriffe nahm signifikant zu, während vergleichbare Kontrollwörter keinen entsprechenden Trend zeigten. Die Forscher*innen sprechen deshalb von einer Konvergenz zwischen menschlicher Wortwahl und KI-Sprachmustern – also einer Angleichung der beiden Sprachstile.
Die Folge: Je mehr Menschen diese KI-typischen Stilmerkmale in ihre eigene Sprache integrieren, desto höher wird das Risiko von Falschpositiven. Ein menschlich verfasster Text könnte dann als KI-generiert gelten – nicht weil er mit KI erstellt wurde, sondern weil sein Autor oder seine Autorin Sprachmuster nutzt, die durch den allgemeinen Umgang mit KI inzwischen normalisiert wurden. Der Detektor verwechselt dann sprachlichen Einfluss mit technischer Autorschaft.
Vom Inhalt zur Form – und zurück: Was wirklich zählt
Der Einsatz von KI-Detektoren hat die Debatte in der Bildung grundlegend verschoben. Nicht mehr die Qualität oder der Gehalt eines Textes stehen im Mittelpunkt, sondern die Frage, wie er entstanden ist. Das ist aus mehreren Gründen problematisch.
Zunächst bleiben die Inhalte selbst oft ungehört. Ob ein Kommentar sinnvoll ist, eine Arbeit gut recherchiert oder eine Argumentation überzeugend – diese Fragen treten in den Hintergrund. Stattdessen wird über Formalien gestritten: „Hat Herr Müller den Text selbst geschrieben oder mit KI generiert?“, statt „Was vertritt er für Interessen – und sind sie berechtigt?“ Die Diskussion verlagert sich von der Sachebene auf die Produktionsebene.
Hinzu kommt, dass die Tools keine Gewissheit liefern. KI-Detektoren arbeiten mit Wahrscheinlichkeiten, nicht mit Fakten. Selbst ihre Entwickler*innen warnen davor, sie als alleinige Beweisgrundlage zu nutzen. OpenAI stellte seinen eigenen Klassifikator bereits 2023 wieder ein, weil er nur 26 % der KI-Texte erkannte – und gleichzeitig 9 % der menschlichen Texte fälschlich als KI einordnete. Eine solche Fehlerquote macht die Tools für ernsthafte Entscheidungen ungeeignet.
Doch selbst wenn die Detektoren zuverlässiger wären: Die reine Kontrolle ist keine Lösung. Solange wir Prüfungen als reine Überprüfung verstehen, bekämpfen wir nur die Symptome – nicht die eigentliche Ursache. Wenn generative KI Routinetätigkeiten übernimmt, verschiebt sich der Fokus auf andere Kompetenzen. Statt reiner Wissensabfrage müssen Prüfungen kritische Bewertung und Einordnung von Quellen, AI Literacy, digitale Basiskompetenzen und ethische Verantwortung in den Mittelpunkt stellen. Sie sollen nicht nur technische Fähigkeiten abfragen, sondern vor allem reflexive, ethische und gestaltende Kompetenzen sichtbar machen.
Dafür braucht es neue Prüfungsformate. Projektbasiertes Lernen und Prüfen mit realen, komplexen Problemstellungen fördert Zusammenarbeit, Kreativität und Problemlösungskompetenz. Prozessorientiertes Prüfen durch Feedback-Schleifen, Peer-Reviews oder Lernjournale gibt Einblicke in Denkwege und Strategien der Lernenden. Statt KI zu verbieten, könnte sie Teil der Prüfung sein – mit der Verpflichtung, den Einsatz offenzulegen und kritisch zu reflektieren. Auch mündliche und kontextbezogene Prüfungen mit persönlichem oder regionalem Bezug können KI-Einsatz erschweren und gleichzeitig authentische Lerngelegenheiten schaffen.
Prüfungen müssen stärker als Lerngelegenheiten verstanden und gestaltet werden. Sie sollten nicht in erster Linie Defizite aufzeigen, sondern Lernfortschritte sichtbar machen und würdigen. So können Prüfungen zu Räumen werden, in denen Lernende Selbstwirksamkeit erfahren – weil sie ihre Fähigkeiten zeigen, reflektieren und weiterentwickeln können.
