Wie funktionieren KI-Detektoren? Perplexität, Burstiness und Klassifikatoren

KI-Detektoren messen, wie vorhersehbar ein Text ist. Die meisten lassen den Text durch ein Sprachmodell laufen und prüfen, wie wahrscheinlich jedes Wort angesichts der vorherigen Wörter war. Text, der durchgehend leicht vorherzusagen ist, wirkt maschinell. Text mit überraschenderer, ungleichmäßigerer Wortwahl wirkt menschlich. Viele kommerzielle Tools setzen zusätzlich einen trainierten Klassifikator ein, der den Unterschied an großen Mengen gekennzeichneter Beispiele gelernt hat.

Das ist der Grundgedanke. Die Details erklären, warum Detektoren nützlich sind und warum sie trotzdem danebenliegen.

Die Grundfrage eines Detektors

Ein Detektor versteht Ihre Argumentation nicht, prüft Ihre Fakten nicht und weiß nicht, wer Sie sind. Er betrachtet die Oberfläche des Textes, also die Wörter und ihre Anordnung, und stellt eine einzige statistische Frage: Sieht das eher nach dem aus, was ein Sprachmodell erzeugen würde, oder eher nach dem, was Menschen schreiben?

Um das zu beantworten, nutzen Detektoren verschiedene Arten von Signalen. Die meisten modernen Tools kombinieren mehrere davon.

Signal 1: Perplexität

Perplexität ist ein Maß für Überraschung. Man nimmt ein Sprachmodell, gibt ihm Ihren Text Wort für Wort und fragt bei jedem Schritt, wie wahrscheinlich das tatsächliche nächste Wort war.

Nehmen Sie diesen Satz: „Die Katze saß auf dem ___.“ Ein Modell sagt mit großer Sicherheit „Sofa“, „Boden“ oder „Teppich“ voraus. Lautet das nächste Wort „Sofa“, ist die Perplexität niedrig. Lautet es „Manuskript“, ist sie hoch.

Sprachmodelle erzeugen Text, indem sie wahrscheinliche Wörter auswählen. Ihre Ausgabe hat deshalb, gemessen mit einem ähnlichen Modell, meist durchgehend niedrige Perplexität. Menschen wählen Wörter aus vielen Gründen: Gewohnheit, Humor, eine bestimmte Erinnerung, eine etwas eigenwillige Formulierung, die ihnen gefällt. Das treibt die Perplexität nach oben.

Einige frühe Detektoren stützten sich stark auf diese eine Zahl. Das Problem: Auch viel menschliches Schreiben ist vorhersehbar. Ein Laborbericht, eine juristische Zusammenfassung oder ein nach Bewertungsschema geschriebener Aufsatz kann eine niedrige Perplexität haben, einfach weil die Textsorte formelhaft ist.

Signal 2: Burstiness

Burstiness betrachtet, wie sich die Perplexität über den Text hinweg verändert. Ein Mensch schreibt vielleicht zwei schlichte Sätze, dann einen mit einem ungewöhnlichen Bild, dann ein Fragment. Die Vorhersehbarkeit springt hin und her. KI-Ausgaben halten meist vom Anfang bis zum Ende ein gleichmäßiges Niveau.

Dieselbe Idee steckt in einfacheren Maßen, etwa wie stark die Satzlänge schwankt. Menschliche Absätze mischen oft einen Satz mit 30 Wörtern mit einem mit 4 Wörtern. Absätze eines Modells halten die Sätze meist in einem engen Bereich.

GPTZero hat das Paar aus Perplexität und Burstiness bei seinem Start Anfang 2023 bekannt gemacht, und die Begriffe sind geblieben. Die aktuellen Modelle von GPTZero nutzen mehr als diese beiden Maße, aber sie bleiben ein nützlicher Weg, um zu verstehen, worauf Detektoren achten.

Signal 3: Trainierte Klassifikatoren

Der heute häufigste Ansatz kommerzieller Detektoren ist ein Klassifikator: ein Machine-Learning-Modell, trainiert auf einer großen Menge von Texten mit den Etiketten „Mensch“ und „KI“. Es lernt alle Merkmale, die beide Gruppen trennen, auch solche, auf die kein Mensch käme.

Klassifikatoren basieren oft auf derselben Transformer-Technologie wie die Chatbots selbst. Bei Texten, die ihren Trainingsdaten ähneln, können sie ziemlich gut sein. Schwer tun sie sich mit Texten, die das nicht tun, zum Beispiel:

• Texte eines neueren Modells, das der Klassifikator noch nicht kennt
• Sprachen oder Dialekte, die im Trainingsdatensatz selten waren
• Unterrepräsentierte Textsorten wie Lyrik oder technische Dokumentation
• Gemischte Texte, bei denen ein Mensch einige Teile und KI andere geschrieben hat

Deshalb trainieren Anbieter ihre Detektoren regelmäßig neu, und deshalb kann derselbe Text vom selben Tool im Abstand von einigen Monaten einen anderen Wert bekommen.

Signal 4: Wasserzeichen

Wasserzeichen sind ein anderer Ansatz. Statt im Nachhinein zu raten, lenkt das Unternehmen, das das Modell betreibt, die Wortwahl beim Generieren in ein verborgenes statistisches Muster. Ein passender Detektor kann dann nach diesem Muster suchen.

Alle drei großen Chatbots tun das inzwischen zumindest bei einem Teil ihrer Texte. Google markiert Texte aus der Gemini-App seit 2024 mit SynthID (wie SynthID funktioniert). Anthropic hat im August 2026 begonnen, Claudes Texte mit einem Wasserzeichen zu versehen (was Anthropic dazu gesagt hat), und OpenAI führt ab Oktober 2026 sein Wasserzeichen textGrain für ChatGPT-Texte in der EU ein (wo es gilt). Wasserzeichen können recht zuverlässig sein, wenn sie vorhanden sind. Der Haken: Nur das Unternehmen, das das Modell entwickelt hat, besitzt den Schlüssel, um sie zu prüfen, viele Texte im Umlauf tragen überhaupt kein Wasserzeichen, und starke Überarbeitung oder Übersetzung schwächt das Signal ab.

Fast jeder Detektor, dem Sie derzeit begegnen, auch die an Schulen und Hochschulen eingesetzten, stützt sich deshalb auf die oben beschriebenen statistischen Methoden und nicht auf Wasserzeichen.

Wie aus den Signalen ein Wert wird

Verschiedene Tools stellen Ergebnisse unterschiedlich dar:

• Ein einzelner Prozentwert, oft beschrieben als Anteil des Textes, der wahrscheinlich KI-generiert ist.
• Markierung von Sätzen oder Absätzen, die zeigt, welche Teile den Wert bestimmt haben.
• Kategorien wie vollständig KI, KI-überarbeitet oder von Menschen geschrieben. Der KI-Detektor von RealWrite nutzt vier Kategorien, damit Sie gemischte Urheberschaft sehen statt eines einzigen Urteils.

Unabhängig vom Format ist die Zahl eine Wahrscheinlichkeitsschätzung, keine Tatsachenfeststellung. Ein Wert von 80 % bedeutet nicht, dass 80 % der Wörter von einer Maschine getippt wurden. Er bedeutet, dass das Modell ziemlich sicher ist, dass der Text seinen KI-Beispielen ähnelt.

Warum KI-Detektoren danebenliegen

Wenn man weiß, wie Detektoren arbeiten, lassen sich ihre Fehlerquellen leicht vorhersagen.

Vorhersehbare Textsorten wirken wie KI

Formelles, strukturiertes Schreiben hat von Natur aus eine niedrige Perplexität. Abstracts, Anschreiben, Produktbeschreibungen und standardisierte Aufsätze folgen Konventionen, die das nächste Wort leicht erraten lassen. Menschen, die in diesen Textsorten schreiben, werden häufiger markiert.

Nicht-Muttersprachler werden häufiger markiert

Wer in einer Zweitsprache schreibt, nutzt oft einen kleineren, sichereren Wortschatz und regelmäßigere Satzmuster. Genau diese Merkmale verbinden Detektoren mit KI. Eine Stanford-Studie aus dem Jahr 2023 unter der Leitung von Weixin Liang, veröffentlicht in der Fachzeitschrift Patterns, ergab, dass mehrere verbreitete Detektoren einen großen Teil der TOEFL-Aufsätze von Nicht-Muttersprachlern als KI-generiert einstuften, während sie Aufsätze von US-Schülern weit genauer bewerteten. Ausführlich behandeln wir das in Fehlalarme bei KI-Detektoren.

Kurze Texte liefern zu wenig Signal

Statistische Maße brauchen Daten. Ein Absatz mit 100 Wörtern enthält schlicht nicht genug Wörter für eine verlässliche Schätzung. Viele Tools legen deshalb eine Mindestlänge fest, und Ergebnisse nahe dieser Grenze sind am wenigsten stabil.

Überarbeitung verwischt die Grenze

Echte Texte sind zunehmend gemischt. Jemand schreibt einen Entwurf mit KI und formuliert die Hälfte neu. Jemand schreibt selbst und poliert den Text mit einem Grammatik-Tool. Detektoren wurden überwiegend an sauberen Beispielen beider Seiten trainiert, also landen gemischte Texte in der unsicheren Mitte.

Übersetzung trübt das Signal

Ein Text, der in einer Sprache geschrieben und maschinell in eine andere übersetzt wurde, übernimmt etwas von der Regelmäßigkeit des Übersetzungsmodells. Ein KI-Text, der anschließend übersetzt wurde, verliert einige seiner ursprünglichen Muster. So oder so beurteilt der Detektor nicht mehr die Art von Text, für die er trainiert wurde, und den Ergebnissen ist schwerer zu trauen.

Grammatik-Tools können Text in Richtung „KI“ schieben

Aggressive Grammatik- und Stilvorschläge machen Texte meist glatter und gleichförmiger. Wer genug davon annimmt, dessen ursprünglicher Text kann statistisch der Ausgabe eines Modells ähnlich werden.

Wofür Detektoren gut sind

Nutzlos sind Detektoren deshalb nicht. Richtig eingesetzt sind sie eine schnelle zweite Meinung. Ein hoher Wert bei einem Entwurf ist ein guter Anlass, ihn noch einmal zu lesen: Sind alle Sätze gleich lang? Gibt es in jedem Absatz Floskeln? Steht irgendetwas Konkretes darin?

So empfehlen wir, jeden Detektor zu nutzen, auch unseren. Prüfen Sie einen Entwurf vor der Abgabe, schauen Sie, welche Teile hoch bewertet werden, und überarbeiten Sie diese so, dass sie mehr nach Ihnen klingen. Die Seite So funktioniert's zeigt diesen Ablauf in RealWrite.

Was Detektoren nicht sein sollten: der einzige Beleg bei einer Entscheidung über die Arbeit eines Menschen. Das sagen selbst die Unternehmen, die sie entwickeln. Turnitin etwa weist Lehrkräfte darauf hin, dass sein KI-Wert nicht die alleinige Grundlage für Maßnahmen gegen Studierende sein sollte. Unser Turnitin-Erklärartikel zeigt, was dessen Bericht enthält.

Kurz zusammengefasst

• Detektoren messen Vorhersehbarkeit, nicht Bedeutung.
• Perplexität ist die Überraschung auf Wortebene. Burstiness ist, wie stark diese Überraschung schwankt.
• Die meisten kommerziellen Tools setzen zusätzlich trainierte Klassifikatoren ein, die ständig neu trainiert werden müssen.
• Wasserzeichen sind vielversprechend, in der Praxis aber selten.
• Bei formellen Textsorten, Nicht-Muttersprachlern, kurzen und überarbeiteten Texten liegen Detektoren am häufigsten daneben.

Wenn Sie sehen möchten, wie Ihr eigener Text bewertet wird, können Sie mit RealWrite eine kostenlose Prüfung durchführen. Und wenn Sie Tools abwägen, vergleicht unser Überblick über die besten KI-Detektoren die wichtigsten Optionen direkt miteinander.