KI-Textdetektoren versagen, wenn das Modell deinen Schreibstil nachahmt
Epoch AI hat Pangram, GPTZero und Originality.ai getestet. Gewöhnlichen KI-Text erkennen sie fast perfekt, doch bis zu 29 Prozent akademischer Passagen im Stil einer bestimmten Autorin oder eines bestimmten Autors übersehen sie.
KI-Textdetektoren entscheiden über reale Dinge: darüber, ob ein Student geschummelt hat, ob eine Einreichung gelesen wird oder ob eine Bewerberin ihr Anschreiben selbst verfasst hat. Eine neue Studie der Forschungsgruppe Epoch AI legt nahe, dass sie weit weniger verlässlich sind, als diese Anwendungen voraussetzen, und dass der Trick, der sie aushebelt, nur einen Satz im Prompt braucht.
Das Team testete drei weit verbreitete Detektoren: Pangram (Version 3.3.2), GPTZero (Modell 2026-05-11-base) und Originality.ai (Turbo 3.0.2). Es stellte ein Korpus aus 495 von Menschen geschriebenen Passagen von 99 Autorinnen und Autoren zusammen, gleichmäßig verteilt auf Blogs, Belletristik und wissenschaftliche Texte. Alle Texte entstanden vor dem Erscheinen von ChatGPT im November 2022, sodass keine KI sie beeinflusst haben konnte. Bei einfachem KI-Text aus einem schlichten Prompt lagen alle drei Detektoren fast fehlerfrei: Die Übersehquote betrug höchstens 0,7 Prozent. Pangram und GPTZero schlugen bei menschlichen Texten überhaupt keinen falschen Alarm, während Originality.ai 19 von 495 menschlichen Passagen fälschlich markierte, eine Falschpositivrate von 3,8 Prozent.
Dann änderten die Forschenden eine einzige Sache. Sie gaben drei Spitzenmodellen, Claude Opus 4.8, GPT-5.5 und Gemini 3.1 Pro, jeweils fünf echte Passagen einer Autorin oder eines Autors und baten um neue Texte im gleichen Stil. Von 297 so erzeugten Passagen rutschten im Schnitt 38 durch, eine Übersehquote von rund 13 Prozent. Belletristik blieb mit 1 bis 5 Prozent leicht zu erkennen. Bei wissenschaftlichen Texten brach die Erkennung ein: Pangram übersah 25 Prozent, GPTZero 24 Prozent und Originality.ai 29 Prozent der imitierten akademischen Passagen. Die schlechteste einzelne Paarung war Pangram gegen von Gemini verfasste akademische Texte; dort blieben 48 Prozent unentdeckt.
Die drei Werkzeuge funktionieren unterschiedlich und scheitern auf dieselbe Weise, und genau das ist bemerkenswert. Pangram nutzt ein neuronales Netz, das mit menschlichen und maschinellen Texten trainiert wurde. GPTZero misst, wie vorhersehbar und wie abwechslungsreich die Wortwahl ist, ausgehend von der Annahme, dass Modelle gleichförmiger schreiben als Menschen. Originality.ai sucht nach statistischen Mustern, die es im Training gelernt hat. Stilnachahmung schlägt alle drei, weil sie ihre gemeinsame Grundannahme angreift: dass KI-Text eine erkennbare Standardstimme hat. Gib dem Modell die Stimme eines anderen zum Anziehen, und das Signal verblasst. Zudem ist es ein asymmetrischer Wettlauf: Einen Stil zu imitieren kostet einen Prompt, ihn zu erkennen ist ein schwieriges statistisches Problem, das mit besseren Modellen noch schwieriger wird.
Was das für dich bedeutet: Wenn du unterrichtest, Einreichungen prüfst oder einstellst, behandle ein Detektorergebnis als schwachen Hinweis statt als Beleg, besonders bei formeller oder akademischer Prosa, und niemals als alleinige Grundlage für einen Vorwurf. Wenn du studierst oder schreibst, ist auch das umgekehrte Risiko wichtig: Originality.ai markierte fast vier Prozent echter menschlicher Passagen als KI, daher sind falsche Beschuldigungen eine reale Möglichkeit; Entwürfe und Versionsverläufe aufzubewahren ist eine günstige Absicherung. Für alle anderen lautet die ehrliche Zusammenfassung: Eine zuverlässige Erkennung von KI-Text gibt es derzeit nicht, und nur Prüfungen, die den Prozess statt allein das Ergebnis bewerten, halten stand.
Quellen
Quellen: https://epoch.ai/data-insights/ai-text-detection-challenges
Alibaba zeigt Qwen3.8 Max vorab und will die Gewichte verschenken
Alibabas Qwen-Team hat ein multimodales Modell mit 2,4 Billionen Parametern vorgestellt, das nach eigener Aussage nur hinter Claude Fable 5 liegt. Offene Gewichte sind versprochen, doch Datum, Lizenz und unabhängige Benchmarks fehlen noch.
