Pangrams neuer Detektor soll sich nur bei einem von 24.000 Dokumenten irren. Die Zahl verdient einen genaueren Blick
Pangram 4 beansprucht eine Falsch-Positiv-Rate von 0,0041 Prozent und soll KI-Texte trotz 13 Humanizer-Werkzeugen erkennen. Wichtiger ist, dass sich die Nutzerzahl binnen eines Jahres vervierundvierzigfacht hat.
Pangram hat mit Pangram 4 ein neues Modell zur Erkennung KI-generierter Texte veröffentlicht. Nach Angaben des Unternehmens ist es sechsmal größer als sein Vorgänger, erzeugt vierzehnmal weniger falsche Treffer und übersieht sechsmal weniger KI-Texte. In Pangrams eigenen Benchmarks erkennt es 99,66 Prozent der KI-Texte korrekt und stuft menschliche Texte in 0,0041 Prozent der Fälle fälschlich als KI ein. Das Unternehmen beschreibt dies als ungefähr einen Fehler pro 24.000 Dokumente.
Die Veröffentlichung enthält mehr als diese Schlagzeilenzahl. Pangram 4 soll leicht mit KI überarbeitete Texte von vollständig KI-generierten unterscheiden können – eine praktisch äußerst wichtige Abgrenzung, an der frühere Detektoren scheiterten. Außerdem will das Modell „Humanizer“-Werkzeugen widerstehen, also Diensten, die KI-Ausgaben gezielt umschreiben, um die Erkennung zu umgehen. Bei 13 verbreiteten Humanizern soll es den KI-Anteil in 98,83 Prozent der Fälle erkennen. Die API kostet nun 0,05 US-Dollar je 100 Wörter, abhängig von der Dokumentlänge zwei- bis zehnmal mehr als bisher; das Scannen von Bildern ist in allen Tarifen enthalten. Pangram 3 bleibt bis zum 30. September 2026 verfügbar.
Die Geschäftszahlen sind womöglich die größere Geschichte. Nach Angaben der New York Times stieg der Jahresumsatz binnen eines Jahres um das 35-Fache. Die monatliche Nutzerzahl sprang von 2.700 im Juni 2025 auf 120.000 im Juni 2026. Aus einer akademischen Nischensorge ist eine Produktkategorie mit echten Einnahmen geworden. Deshalb löste Substacks Entscheidung, in der vergangenen Woche Pangram-Werkzeuge einzubauen, eine so heftige Reaktion aus.
Nun zum Vorbehalt – und er ist erheblich. Sämtliche genannten Zahlen stammen vom Unternehmen, das das Produkt verkauft. Unabhängige Prüfungen fielen bei Detektoren in der Vergangenheit schlecht aus. Eine Stanford-Studie zeigte eine systematische Benachteiligung von Menschen, deren Muttersprache nicht Englisch ist: Ihr oft formelhafterer Satzbau wurde eher als maschinell eingestuft. Zudem klingt eine Falsch-Positiv-Rate von 0,0041 Prozent nur so lange vernachlässigbar, bis man sie im großen Maßstab betrachtet. Bei 120.000 Dokumenten im Monat werden ungefähr fünf Menschen monatlich zu Unrecht beschuldigt – und keiner von ihnen kann beweisen, etwas nicht getan zu haben. Im Unterricht oder in einem Disziplinarverfahren zählt nicht die Gesamtgenauigkeit, sondern der Preis dafür, der eine falsche Treffer zu sein.
Was das für dich bedeutet: Wenn du schreibst, besonders auf Englisch als Zweitsprache, solltest du wissen, dass solche Werkzeuge inzwischen breit eingesetzt werden. Eine Markierung ist kein Schuldbeweis. Bewahre Entwürfe, Versionsverlauf und Notizen auf; sie sind deine einzige wirkliche Absicherung. Bist du auf der anderen Seite – als Lehrkraft, Redakteur oder Plattform –, behandle einen Detektorwert als einen Hinweis, der ein Gespräch beginnt, niemals als Beweis, der es beendet. Vom Anbieter gemeldete Genauigkeit bleibt eine Marketingbehauptung, bis eine unabhängige Stelle sie überprüft.
Quellen
Erneut veröffentlicht eine Big-Four-Beratung Berichte mit Quellen, die nicht existieren
GPTZero fand erfundene Belege in vier Berichten von PwC Middle East. Einer davon wurde mit 84-prozentiger Wahrscheinlichkeit vollständig von KI erzeugt. KPMG, Deloitte und EY waren schon vorher aufgefallen.
