Wie zuverlässig sind KI-Detektoren? Was die Forschung zeigt und wie man einen Score liest

Wie zuverlässig sind KI-Detektoren? Nicht zuverlässig genug, um zu beweisen, dass jemand KI verwendet hat. Die besten kommerziellen Tools erkennen inzwischen die meisten Texte, die direkt aus einem Chatbot kopiert wurden, und markieren längere menschliche Texte nur selten. Schwächere Tools markieren dagegen viele menschliche Texte, und KI-Text, der umgeschrieben oder im Stil eines echten Autors verfasst wurde, kann bei vielen Tools durchrutschen. Betrachten Sie jeden Score eines KI-Detektors als Hinweis darauf, wo Sie genauer hinsehen sollten, nie als Beweis für sich allein.

In aktuellen unabhängigen Tests schnitten die besten Tools weit besser ab als OpenAIs eigener Detektor im Jahr 2023, den OpenAI damals wegen geringer Genauigkeit zurückzog. Gut genug, damit ein Score als Beweis taugt, sind sie aber nicht.

Wie ein KI-Detektor entscheidet

KI-Detektoren beurteilen den Text selbst, nicht seine Herkunft. Einfachere Tools messen, wie vorhersehbar die Wortwahl ist und wie gleichmäßig die Sätze wirken. Kommerzielle Tools trainieren Klassifikatoren mit großen Sammlungen menschlicher und KI-generierter Texte. In beiden Fällen ist das Ergebnis eine Schätzung, etwa „82 % KI“.

Vorhersehbarkeit ist die Quelle vieler Fehlalarme. James Zou, Seniorautor einer Stanford-Studie über Detektoren aus dem Jahr 2023, sagte, sie würden „typischerweise anhand einer Kennzahl namens ‚Perplexität‘ bewerten“, die mit der Raffinesse des Schreibstils zusammenhängt. Schlichtes, sorgfältiges Schreiben kann für eine solche Kennzahl wie maschinell geschrieben wirken, selbst wenn jedes Wort von einem Menschen stammt.

Was die Forschung zeigt

Studien geprüft im Oktober 2026. Die ersten drei stammen aus dem Jahr 2023, die letzten drei testen neuere Tools und Modelle.

Zusammengenommen sagen die Studien zweierlei: Welches Tool man nutzt, macht einen enormen Unterschied, und bei Stilimitation geraten selbst die besten Tools ins Straucheln, während ein Humanizer einige von ihnen ausgehebelt hat.

Für die Details lohnt sich der Blick in OpenAIs Hinweis zu seinem Klassifikator, den Beitrag von Stanford HAI zur Studie über Verzerrungen, die Forschungszusammenfassung der University of Chicago und den Test von Epoch AI aus dem Jahr 2026. Die Arbeit von Weber-Wulff erschien im International Journal for Educational Integrity, die Neurochirurgie-Studie von 2025 in Acta Neurochirurgica.

Rechenbeispiel 1: dieselbe ehrliche Klasse, sechs verschiedene Tools

Nehmen wir 1.000 Aufsätze, die vollständig von Lernenden geschrieben wurden, ganz ohne KI, und wenden die oben berichteten Falsch-positiv-Raten an. Das ist unsere eigene Rechnung, kein neuer Test. Und da die Studien unterschiedliche Texte und Bedingungen nutzten, ist es keine Rangliste.

Je nach Tool bekommt dieselbe ehrliche Klasse zwischen null und mehreren Hundert Fehlalarmen. Null Fehler bei 495 Versuchen beweisen zudem nicht, dass es bei jeder Art von Text null Fehler gibt.

Rechenbeispiel 2: Warum selbst 1 % ins Gewicht fällt

Die Vanderbilt University hat eine Variante dieser Rechnung angestellt, als sie 2023 den KI-Detektor von Turnitin abschaltete: Sie hatte 2022 rund 75.000 Arbeiten eingereicht, eine Falsch-positiv-Rate von 1 % hätte also etwa 750 fälschlich markierte Arbeiten bedeuten können.

Dazu kommt ein zweiter Effekt. Für eine markierte Person ist nicht die Fehlerquote entscheidend, sondern die Wahrscheinlichkeit, dass ihre Markierung falsch ist. Und die hängt davon ab, wie viele tatsächlich KI genutzt haben. Wir nehmen hier einen Detektor an, der 90 % der mit KI geschriebenen Aufsätze erkennt, und variieren den Rest. Die Zahlen dienen der Veranschaulichung und sind nicht gemessen.

Szenario C zeigt den Haken: Mit demselben „1-%-Detektor“ trifft etwa jede dritte Markierung jemanden, der ehrlich geschrieben hat, wenn nur wenige KI genutzt haben. Bei den besten Tools und langen Texten liegt die Rate womöglich eher bei 0 %, für sie ist das also der pessimistische Fall. Bei schwächeren Tools, kurzen Texten und formalem Schreiben sind Raten von mehreren Prozent oder mehr realistisch, wie das erste Beispiel zeigt.

So lesen Sie den Score eines Detektors

• Prüfen Sie, was der Prozentwert misst. Die Zahl von Turnitin gibt den Anteil des „qualifizierenden Textes“ an, den das Tool für wahrscheinlich KI-generiert hält, und ist kein Urteil über die gesamte Arbeit. Lesen Sie die Erklärung des jeweiligen Tools, bevor Sie aufgrund einer Zahl handeln.
• Niedrige Scores sind am wenigsten verlässlich. Turnitin selbst zeigt zwischen 1 % und 19 % statt einer Zahl nur ein Sternchen, weil seine Tests in diesem Bereich häufiger Fehlalarme ergaben.
• Scores verschiedener Tools sind nicht vergleichbar. In der Neurochirurgie-Studie von 2025 kamen dieselben menschlichen Texte im Schnitt auf 37 % KI bei Corrector, 28 % bei ZeroGPT und 6 % bei GPTZero.
• Länge und Sprache spielen eine Rolle. OpenAI erklärte, sein Klassifikator sei unter 1.000 Zeichen, also bei ein oder zwei kurzen Absätzen, sehr unzuverlässig und bei anderen Sprachen als Englisch deutlich schlechter.
• Ein Durchlauf mit einem Tool ist ein einzelner Datenpunkt. Ein hoher Score bei einem langen Text von einem gut getesteten Tool verdient einen genaueren Blick. Ein hoher Score bei einem kurzen Absatz von einem kostenlosen Tool sollte kaum ins Gewicht fallen.

Wann ein Fehlalarm wahrscheinlicher ist

Das Risiko eines falschen „KI“-Etiketts steigt in diesen Fällen:

• Wer schreibt, hat nicht Englisch als Muttersprache. 2023 stuften die sieben Detektoren der Stanford-Studie im Schnitt 61 % der TOEFL-Aufsätze als KI ein, was die Autoren auf eine einfachere Wortwahl zurückführten, die Texte vorhersehbarer macht. Neuere Tools schneiden womöglich besser ab, doch eine solche Markierung verdient besondere Vorsicht.
• Der Text ist kurz oder nicht auf Englisch, wovor OpenAI bei seinem eigenen Tool gewarnt hat.
• Menschlicher und KI-Text sind gemischt. Laut Turnitin sind seine Fehlalarme auf Satzebene in gemischten Dokumenten häufiger, vor allem dort, wo menschliche und KI-Passagen aufeinandertreffen.
• Der Text ist förmlich und formelhaft. Wissenschaftliche Artikel folgen strengen Konventionen, ein Grund, warum in der Studie von 2025 so viele von Menschen verfasste neurochirurgische Texte bei Corrector und ZeroGPT hohe Scores erhielten.

Ein falsches „Mensch“-Etikett, also ein falsch-negatives Ergebnis, ist wahrscheinlicher, wenn KI-Text paraphrasiert, durch einen Humanizer geschickt oder im Stil eines echten Autors geschrieben wurde, wie die Tests von Weber-Wulff und Epoch AI zeigten. Die Chicagoer Studie stellte dasselbe bei GPTZero nach einem Humanizer fest, nicht aber bei Pangram.

Was tun, wenn Ihr Text als KI markiert wird?

Wenn eine Lehrkraft, ein Lektorat oder ein Kunde Ihnen sagt, ein Detektor habe eine Arbeit markiert, die Sie selbst geschrieben haben:

1. Fragen Sie nach Details. Welches Tool wurde verwendet, welchen Score hat es ausgegeben und welche Passagen wurden hervorgehoben?
2. Zeigen Sie Ihren Arbeitsprozess. Der Versionsverlauf in Google Docs oder Microsoft Word, Gliederungen, Notizen, frühere Entwürfe und die gelesenen Quellen sind viel stärkere Belege als jeder Score.
3. Bieten Sie ein Gespräch an. Die eigene Argumentation, die Quellen und die eigenen Entscheidungen zu erklären, fällt der Person, die einen Text tatsächlich geschrieben hat, in der Regel leicht.
4. Verweisen Sie auf die Faktenlage. OpenAI hat seinen eigenen Detektor zurückgezogen, Turnitin empfiehlt, seinen Score zu nutzen, „um ein Gespräch zu beginnen, nicht um eine Schlussfolgerung zu ziehen“, und die Vanderbilt University hat den KI-Detektor von Turnitin abgeschaltet.
5. Gehen Sie den offiziellen Weg. Lesen Sie die Richtlinien Ihrer Hochschule, Schule oder Ihres Arbeitgebers zu KI und Integrität und nutzen Sie den vorgesehenen Widerspruchsweg. Wenn viel auf dem Spiel steht, holen Sie sich Hilfe bei einer Studienberatung, beim AStA oder bei einer Ombudsstelle.

Damit es nicht wieder passiert: Bewahren Sie Entwürfe und Versionsverlauf von Anfang an auf, prüfen Sie die Regeln, bevor Sie KI für irgendetwas einsetzen, selbst für Grammatikkorrekturen, und legen Sie die Nutzung offen, wo das verlangt wird.

Wie Lehrkräfte und Redaktionen einen Detektor nutzen sollten

• Nutzen Sie einen Score als Gesprächsanlass, nicht als Urteil. Bitten Sie die schreibende Person zu erklären, worum es in dem Text geht und wie sie ihn geschrieben hat.
• Legen Sie von Anfang an klare Regeln fest. Das Team für Lehrtechnologie von MIT Sloan empfiehlt klare KI-Richtlinien, offene Gespräche und die Bitte an Studierende, zu beschreiben, wie sie KI genutzt haben, statt sich auf die Erkennung zu verlassen.

Wofür sich ein kostenloser KI-Checker eignet

Ein Detektor ist am nützlichsten bei Ihren eigenen Texten, als schneller Check, ob ein Entwurf generisch klingt, bevor Sie ihn abgeben oder veröffentlichen. Falls ja, schreiben Sie ihn mit Ihrer eigenen Stimme um und ergänzen Sie konkrete Details, die nur Sie kennen.

Clever AI bietet dafür einen kostenlosen KI-Detektor. Sie fügen 20 bis 4.000 Zeichen ein und erhalten einen KI-Score, einen Mensch-Score und eine Einschätzung (wahrscheinlich KI, gemischt oder wahrscheinlich menschlich), ganz ohne Konto. Bei kurzen Passagen sind die Ergebnisse aus den oben genannten Gründen am wenigsten verlässlich. Es handelt sich um die Schätzung eines Sprachmodells, nicht um eine Prüfung mit Turnitin, GPTZero oder einem anderen Detektor, und das Tool gehörte nicht zu denen aus den oben genannten Studien. Wie die Seite selbst sagt: Nutzen Sie es, um zu entscheiden, was Sie umschreiben, nicht als Beweis in Bezug auf die Arbeit anderer.

Wenn Sie KI zum Brainstorming oder für Entwürfe nutzen, ob in Clever AI Hub oder anderswo, gilt dieselbe Faustregel: Bewahren Sie Ihre Entwürfe auf, halten Sie sich an die Regeln, die für Ihr Schreiben gelten, und sagen Sie, wann KI geholfen hat.

Fazit

In den neuesten Tests lagen die besten Detektoren bei längeren, unbearbeiteten Texten selten falsch, doch keiner kann über einen einzelnen Text etwas beweisen: Die Tools unterscheiden sich enorm, umgeschriebener oder stilimitierender KI-Text rutscht bei manchen durch, und wenn echte KI-Nutzung selten ist, sind viele Markierungen falsch. Nehmen Sie einen Score als Anlass, genauer hinzusehen, und entscheiden Sie dann anhand echter Belege wie Entwürfe, Notizen und ein Gespräch.