KI-Texte erkennen: Wie zuverlässig KI-Detektoren wirklich sind

KI-Detektoren werben mit 97 bis 99,98 Prozent Genauigkeit. In der größten unabhängigen Vergleichsstudie erreichte keines von 14 getesteten Werkzeugen 80 Prozent. Und OpenAI hat den eigenen Detektor am 20. Juli 2023 abgeschaltet – er erkannte 26 Prozent der KI-Texte und markierte 9 Prozent menschlicher Texte fälschlich. Dieser Beitrag zeigt, was die Werkzeuge wirklich leisten, wen sie zu Unrecht treffen und wie Sie KI-Texte ohne Software erkennen.

Der Widerspruch: Werbung gegen Messung

Wer nach einem KI-Detektor sucht, landet auf Startseiten mit sehr klaren Zahlen. Winston AI nennt sich „the only AI detector with a 99,98% accuracy rate". Copyleaks schreibt „over 99% accuracy" bei 0,03 Prozent Falsch-Positiven. GPTZero und QuillBot nennen 99 Prozent, Originality.ai 97,8 Prozent, Sapling „97%+". Das sind Anbieterangaben von den eigenen Websites, abgerufen am 5. September 2026, nicht unabhängig überprüft und ohne offengelegte Testbedingungen.

Dem stehen Messungen gegenüber. Die breiteste unabhängige Untersuchung stammt von Debora Weber-Wulff (HTW Berlin) und Kolleginnen und Kollegen, 2023 im International Journal for Educational Integrity erschienen. Getestet wurden 14 Werkzeuge, zwölf kostenlose und zwei kommerzielle (Turnitin und PlagiarismCheck). Das Ergebnis in einem Satz: Alle lagen unter 80 Prozent Genauigkeit, nur fünf über 70 Prozent. Das beste Werkzeug im Test, Turnitin, kam nach der gemittelten Methodik auf rund 73 Prozent.

Das stärkste Einzelargument liefert aber nicht die Wissenschaft, sondern der Hersteller von ChatGPT. OpenAI veröffentlichte am 31. Januar 2023 einen eigenen „AI Text Classifier" und beschrieb dessen Leistung ungeschönt: „our classifier correctly identifies 26% of AI-written text (true positives) as 'likely AI-written,' while incorrectly labeling human-written text as AI-written 9% of the time (false positives)." Knapp sechs Monate später steht im selben Beitrag der Nachtrag: „As of July 20, 2023, the AI classifier is no longer available due to its low rate of accuracy."

Die ehrlichste Selbstauskunft kommt von Scribbr, bei deutschen Studierenden der bekannteste Anbieter: Kein KI-Detektor sei komplett zuverlässig, und die höchste Genauigkeit der eigenen Untersuchung habe bei 84 Prozent gelegen. Das deckt sich mit der Studienlage deutlich besser als die 99-Prozent-Versprechen der Konkurrenz.

Wie KI-Detektoren arbeiten – und warum sie unsicher bleiben

Alle gängigen Detektoren beruhen auf drei Prinzipien, die sich beliebig kombinieren lassen.

• Perplexität: Ein Referenz-Sprachmodell misst, wie überrascht es vom jeweils nächsten Wort ist. Sind die Wörter durchweg naheliegend, ist die Perplexität niedrig. Annahme: Sprachmodelle wählen glatte, wahrscheinliche Formulierungen, Menschen schreiben unvorhersehbarer.
• Burstiness: Die Streuung der Satzlängen über einen Text hinweg. Menschliche Texte schwanken – auf einen langen Satz folgt ein kurzer Einwurf. KI-Texte bleiben gleichmäßiger.
• Trainierte Klassifikatoren: Der heute dominierende Ansatz. Ein neuronales Netz lernt aus menschlichen und maschinellen Texten Muster wie ungewöhnlich gleichmäßige Grammatik, formelhafte Übergänge und wiederkehrende rhetorische Vorlagen.

Der logische Bruch steckt schon im ersten Prinzip: Niedrige Perplexität ist kein Beweis für maschinelle Herkunft, sondern ein Maß für sprachliche Konventionalität. Wer einfach und in Standardformulierungen schreibt, erzeugt dieselbe Signatur – Menschen mit Deutsch als Zweitsprache, Verfasser von Rechtstexten, Definitionen, Prüfungsaufsätzen nach Schema.

Vier Gründe machen die Unsicherheit strukturell. Keiner davon lässt sich durch bessere Software beheben:

1. Kein forensischer Fingerabdruck. KI-Text enthält keine versteckte Markierung, der Detektor rät auf Basis von Stilstatistik. QuillBot formuliert das selbst so: Die Ergebnisse seien „probability estimates, not verdicts".
2. Die Verteilungen überlappen. Sadasivan und Kollegen zeigen theoretisch: Die erreichbare Erkennungsleistung hängt von der statistischen Distanz zwischen menschlichem und maschinellem Schreiben ab. Je besser Modelle Menschen imitieren, desto kleiner wird diese Distanz – und desto schlechter muss jeder Detektor werden.
3. Das Ziel bewegt sich. Detektoren werden auf bestimmten Modellversionen trainiert. Der RAID-Benchmark hält 2024 fest, dass gängige Detektoren „easily fooled by adversarial attacks, variations in sampling strategies, repetition penalties, and unseen generative models" seien.
4. Die Umgehung ist trivial. Umschreiben, Übersetzen oder leichtes Überarbeiten zerstört die statistische Signatur – dazu unten die Zahlen.

Ein Nebenbefund derselben Gruppe ist unangenehmer, als er klingt: Spoofing. Angreifer können die verborgene Signatur ableiten und menschliche Texte gezielt so umformen, dass Detektoren sie als KI einstufen – belegt bisher nur qualitativ, ohne Prozentwerte. Und Elkhatat und Kollegen maßen 2023, dass fünf Werkzeuge Texte von GPT-3.5 deutlich besser erkannten als solche von GPT-4. Seither sind mehrere Modellgenerationen erschienen.

Das eigentliche Problem: Falsch-Positive

Detektoren machen zwei Arten von Fehlern, und sie sind sehr unterschiedlich teuer.

Ein Falsch-Negativ ist ärgerlich, aber für niemanden persönlich schädlich. Ein Falsch-Positiv kostet eine Bewerberin die Stelle, einen Studenten ein Verfahren. Beide Fehlerarten lassen sich nur gegeneinander abwägen, nicht gemeinsam senken – Turnitin bestätigt das ausdrücklich: Um die Falsch-Positiv-Rate niedrig zu halten, „we might miss some AI written text".

Die Stanford-Zahlen: 61,22 gegen 5,19 Prozent

Ein Team der Stanford University prüfte sieben Detektoren – darunter Originality.AI, Sapling, GPTZero, ZeroGPT und den OpenAI-Klassifikator – an TOEFL-Aufsätzen von Nicht-Muttersprachlern und an Aufsätzen von US-Achtklässlern. Beide Sammlungen waren vollständig von Menschen geschrieben. Jede „KI"-Meldung war damit ein Fehler.

89 von 91 TOEFL-Aufsätzen (97,80 Prozent) wurden von mindestens einem der sieben Detektoren als KI markiert, 18 Aufsätze (19,78 Prozent) von allen sieben einstimmig. Die Autoren warnen ausdrücklich vor dem Einsatz in Bildungs- und Bewertungskontexten.

Warum auch 1 Prozent nicht harmlos ist

Turnitin nennt „a less than 1% false positive rate" – ausdrücklich nur für Dokumente mit über 20 Prozent KI-Anteil. Das klingt beruhigend, bis man es hochrechnet. Genau das tat die Vanderbilt University am 16. August 2023: Die Hochschule reichte 2022 rund 75.000 studentische Arbeiten bei Turnitin ein. Bei 1 Prozent wären das rund 750 fälschlich markierte Arbeiten in einem Jahr an einer einzigen Universität. Vanderbilt schaltete den Detektor daraufhin ab – auch wegen der fehlenden Offenlegung der Funktionsweise und der nachgewiesenen Benachteiligung von Nicht-Muttersprachlern.

Für Personalabteilungen ist die Rechnung identisch: Bei 5.000 Anschreiben im Jahr und optimistisch angenommenen 1 Prozent sortieren Sie 50 Menschen zu Unrecht aus – und erfahren nie davon. Dazu kommt: Ein Anschreiben hat selten 300 Wörter Fließtext, genau die Mindestlänge, die Turnitin verlangt. Ein Bewerbungsanschreiben ist damit schon technisch keine valide Prüfgrundlage.

Der zweite Fehler tritt gleichzeitig auf: Weber-Wulff und Kollegen fanden eine Grundtendenz, Texte eher als menschlich einzustufen. Rund 20 Prozent der unbearbeiteten KI-Texte wurden fälschlich Menschen zugeschrieben. Detektoren übersehen also viele echte KI-Texte und markieren gleichzeitig Unschuldige.

Umschreiben hebelt die Erkennung aus

Wenn Detektoren wenigstens die offensichtlichen Fälle fänden, wären sie als grobes Sieb brauchbar. Weber-Wulff und Kollegen haben gemessen, wie die Genauigkeit einbricht, sobald ein Text bearbeitet wird.

Die Studie fasst das so zusammen: Etwa die Hälfte der KI-Texte, die irgendeine Form der Verschleierung durchlaufen haben, würde vermutlich Menschen zugeschrieben.

Daraus folgt die eigentliche Perversion dieser Werkzeuge: Wer täuschen will, wird nicht erwischt. Erwischt wird, wer offen und unbearbeitet arbeitet. Ein Sieb, das die Sorglosen fängt und die Gewieften durchlässt, taugt nicht als Kontrollinstrument – weder in der Hochschule noch in der Personalauswahl. Turnitin gibt an, umgeschriebene KI-Texte inzwischen erkennen zu können; diese Funktion ist nach Anbieterangabe allerdings nur für englischsprachige Einreichungen verfügbar.

Die Werkzeuge im Überblick

Die Nachfrage ist trotzdem groß: Auf die zehn wichtigsten deutschen Suchbegriffe rund um KI-Erkennung entfallen rund 53.500 Suchanfragen pro Monat (Google Ads über DataForSEO, Deutschland, Stand 5. September 2026). Meistgesucht ist „ki detektor" mit 18.100 Anfragen im Monat, mit klarer Spitze im März – dem akademischen Abgabezeitraum.

Die Spalte „Behauptete Genauigkeit" enthält ausschließlich Anbieterangaben von den jeweiligen Websites, abgerufen am 5. September 2026. Sie sind nicht unabhängig überprüft und stehen im Widerspruch zur Studienlage. Lesen Sie diese Spalte als Marketingaussage, nicht als Messwert.

Bei mehreren Anbietern ließen sich die Preise nicht belegen. Diese Felder sind bewusst offen geblieben, statt geschätzt zu werden.

Turnitins eigene Einschränkungen

• Kein Deutsch: Die KI-Erkennung ist nur für „long-form English, long-form Spanish, long-form Japanese, and long-form Modern Arabic" freigegeben. Wer sie auf deutsche Arbeiten anwendet, arbeitet außerhalb der Spezifikation des Anbieters.
• Mindestens 300 Wörter: Verlangt werden „at least 300 words of prose text in a long-form writing format". Listen und Nicht-Fließtext werden ausgeschlossen.
• Kein Schuldspruch: „Turnitin does not make a determination of misconduct; rather, it provides data for educators to make an informed decision." Der Prozentwert soll ausdrücklich nicht alleinige Grundlage für Maßnahmen oder Noten sein.

Die schärfsten Warnungen des Feldes formulieren die Anbieter selbst. QuillBot: „Never rely on AI detection alone to make decisions that could impact someone's career or academic standing." Sapling: „No current AI content detector (including Sapling's) should be used as a standalone check." Wer einen Detektorwert als Beweis verwenden will, wird von den Herstellern widerlegt.

Ein deutschsprachiger Redaktionstest von kopfundstift.de (Stand 11. August 2026) prüfte jedes Werkzeug mit fünf Texten: Originality.ai und QuillBot erkannten alle fünf KI-Texte ohne Falsch-Positive, GPTZero war bei Deutsch schwach, ZeroGPT erkannte keinen einzigen deutschen KI-Text. Bei fünf Texten pro Werkzeug ist das ein Praxiseindruck, keine Messung – erwähnenswert nur, weil ZeroGPT als einziger Anbieter gar keinen Genauigkeitswert nennt.

Was Google zu KI-Texten sagt

Unter Website-Betreibern hält sich die Sorge, Google könne KI-Texte erkennen und abstrafen. Googles Position ist seit dem 8. Februar 2023 dokumentiert: „Appropriate use of AI or automation is not against our guidelines." Die einzige rote Linie: „Using automation — including AI — to generate content with the primary purpose of manipulating ranking in search results is a violation of our spam policies."

Der entscheidende Halbsatz ist „primary purpose of manipulating ranking". Nicht das Werkzeug ist das Problem, sondern Absicht und Ergebnis. In den Spam-Richtlinien firmiert das unter „Scaled content abuse", mit dem Beispiel „Using generative AI tools or other similar tools to generate many pages without adding value for users". Das Risiko ist nicht der einzelne KI-gestützte Ratgeberartikel, sondern der Rollout von 500 nahezu identischen Landingpages – und das war vor ChatGPT nicht anders.

„KI-Text" kann auch technisch kein Rankingfaktor sein: Für Google gilt dieselbe Studienlage wie für alle anderen. Ein Signal mit 26 bis 74 Prozent Trefferquote und zweistelligen Falsch-Positiv-Raten würde massenhaft gute Inhalte abstrafen und schlechte belohnen. Google hätte damit schlechtere Ergebnisse, nicht bessere – und setzt generative KI ohnehin selbst in der Suche ein.

Zur Transparenz rät Google dort, wo Leser sich fragen würden, wie ein Inhalt entstanden ist. Von einer KI-Autorenzeile rät Google dagegen ab: „Giving AI an author byline is probably not the best way to follow our recommendation to make clear to readers when AI is part of the content creation process." Praktisch heißt das: ein Methodenhinweis im Text oder Impressum, kein Autorenname „ChatGPT".

Kennzeichnungspflicht seit dem 2. August 2026

Seit dem 2. August 2026 gilt Artikel 50 der EU-KI-Verordnung (Verordnung (EU) 2024/1689); für Bestandssysteme läuft bei der maschinenlesbaren Markierung eine Übergangsfrist bis zum 2. Dezember 2026. Es geht also nicht mehr um „kommt bald", sondern um geltendes Recht. Die folgende Einordnung ist allgemeine Information und keine Rechtsberatung; wesentliche Auslegungsfragen sind noch nicht gerichtlich geklärt.

Die Verordnung unterscheidet zwei Rollen. Anbieter entwickeln ein KI-System und bringen es unter eigenem Namen auf den Markt. Betreiber setzen ein fremdes System im eigenen Betrieb ein – Marketingabteilungen, Agenturen, Redaktionen, Personalabteilungen. Wer ChatGPT nutzt, ist regelmäßig Betreiber und damit selbst pflichtig.

Drei Absätze sind relevant. Absatz 1 verlangt, dass Menschen erkennen können, wenn sie mit einem KI-System interagieren – die Chatbot-Pflicht. Absatz 2 verlangt eine maschinenlesbare Markierung synthetischer Inhalte; diese Pflicht liegt beim Modellanbieter, nicht bei Ihnen. Absatz 4 betrifft Marketing und Redaktion: Kennzeichnungspflichtig ist Text, der veröffentlicht wird, um „die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren". Dort steht auch die entscheidende Ausnahme: Die Pflicht gilt nicht, wenn der Inhalt eine menschliche Überprüfung oder redaktionelle Kontrolle durchlaufen hat und eine Person die redaktionelle Verantwortung trägt. Eine reine Rechtschreibkontrolle genügt dafür nicht, die Prüfung muss inhaltlich sein.

Ebenfalls nicht erfasst: unterstützende Bearbeitung ohne inhaltliche Änderung, interne Dokumente ohne Außenwirkung, künstlerische oder fiktionale Werke sowie alle Inhalte, die vor dem 2. August 2026 erstellt wurden. Bei Verstößen drohen Bußgelder bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes, je nachdem, welcher Betrag höher ist. Als zuständige Behörde in Deutschland wird die Bundesnetzagentur genannt – diese Angabe stammt aus einer anwaltlichen Sekundärquelle und sollte gegengeprüft werden.

Der Merksatz: Die KI-Verordnung verlangt keine Kennzeichnung, weil ein Text mit KI entstanden ist. Sie verlangt sie, weil ein Text ungeprüft über Fragen von öffentlichem Interesse informiert. Wer redaktionell arbeitet, erfüllt die Ausnahme durch die Arbeit selbst.

Zehn Merkmale, an denen Redakteure KI-Texte erkennen

Die manuelle Prüfung ist schneller, aussagekräftiger und fairer als jeder Detektor. Vorweg: Keines dieser Merkmale ist ein Beweis. Sie sind Anlässe für eine Rückfrage, nicht für eine Anschuldigung – ein Merkmal sagt nichts, sieben zusammen sind ein Muster.

1. Die Dreier-Liste als Denkform. Drei Vorteile, drei Schritte, drei Aspekte – auch im Satz: „schnell, effizient und kostengünstig". Prüffrage: Sind alle Aufzählungen gleich lang?
2. Der Floskel-Reflex. „Nicht nur … sondern auch", „Es ist wichtig zu beachten, dass", „In der heutigen digitalen Welt", „Zusammenfassend lässt sich sagen", „spielt eine entscheidende Rolle". Drei oder mehr davon auf 800 Wörter sind ein deutliches Signal.
3. Einzelwörter mit auffälliger Häufung. „zudem", „darüber hinaus", „letztendlich", „maßgeblich", „essenziell", „ganzheitlich", „nahtlos", „robust", „revolutionieren", „im Zeitalter von". Kein Wort ist für sich verdächtig – verdächtig ist die Dichte: fünf davon auf 500 Wörter.
4. Gleichmäßige Satzlängen. KI-Texte pendeln sich bei 15 bis 25 Wörtern pro Satz ein. Praxistest: Absatz überfliegen und nur auf die Punkte schauen. Stehen sie in gleichmäßigen Abständen? Fehlt jeder Satz unter fünf und jeder über 40 Wörtern?
5. Perfekt symmetrische Struktur. Jeder Abschnitt gleich lang, jede Zwischenüberschrift nach demselben Muster („So gelingt …", „Warum … wichtig ist"). Menschliche Texte sind schief: Ein Abschnitt läuft aus dem Ruder, ein anderer ist drei Zeilen kurz.
6. Fehlende Konkretheit – das stärkste Einzelmerkmal. „Studien zeigen", ohne die Studie zu nennen. „Deutlich schneller", ohne Zahl. Die wirksamste Prüffrage: Streichen Sie alles, was keine überprüfbare Angabe ist – keine Zahl, kein Name, kein Datum, kein Zitat. Was bleibt übrig?
7. Keine Position, kein Risiko. „Es kommt auf den Einzelfall an", „Beide Ansätze haben Vor- und Nachteile". Es fehlt die klare Empfehlung, die Kritik am Marktführer, das Eingeständnis eines eigenen Fehlers.
8. Erfahrungswissen fehlt. Menschliche Fachtexte enthalten, was nur jemand weiß, der es gemacht hat: die Ausnahme, die nicht im Handbuch steht. Prüffrage: Steht mindestens eine Information im Text, die nicht in den ersten zehn Google-Ergebnissen zu finden ist?
9. Formatierungsspuren. Übermäßiger Fettdruck im Fließtext, Emoji-Aufzählungen im Fachtext, Reste von Anweisungen („Gerne, hier ist dein Text:", „Als KI-Sprachmodell …", „[Hier Ihren Firmennamen einfügen]") und uneinheitliche Anführungszeichen, weil aus einer Chat-Oberfläche kopiert wurde.
10. Faktenfehler in einer Form, die Menschen nicht produzieren. Erfundene Studien mit echt klingenden Autorennamen, falsche DOI-Nummern, Paragrafen, die es nicht gibt, Zitate von realen Personen, die diese nie gesagt haben. Ein Mensch, der schlampt, lässt die Quelle weg. Eine KI, die halluziniert, erfindet eine.

Für die Praxis lässt sich das zu einer Prüfroutine ordnen. Die Reihenfolge ist die Botschaft:

Wer KI selbst einsetzt, dreht dieselbe Liste um und nutzt sie als Qualitätsmaßstab. Welche Rolle dabei die Aufgabenstellung an das Modell spielt, habe ich in meiner Sammlung ChatGPT-Prompts ausgeführt.

Was tun bei falschem Verdacht?

Wenn Sie zu Unrecht beschuldigt werden

1. Verlangen Sie die Datengrundlage. Welches Werkzeug, welcher Prozentwert, wie lang war der Text? Unter 300 Wörtern sind die Ergebnisse nach Turnitins eigener Angabe nicht aussagekräftig – und Deutsch ist dort gar nicht freigegeben.
2. Zitieren Sie die Anbieter. Turnitin: „Turnitin does not make a determination of misconduct." QuillBot warnt davor, allein auf KI-Erkennung gestützte Entscheidungen über Karriere oder Ausbildung zu treffen; Sapling nennt sein eigenes Werkzeug als alleinige Prüfung ungeeignet.
3. Verweisen Sie auf die Studienlage. Kein Werkzeug erreichte in der unabhängigen Vergleichsstudie 80 Prozent. Bei Nicht-Muttersprachlern lag die Falsch-Positiv-Rate im Mittel bei 61,22 Prozent. OpenAI hat den eigenen Detektor wegen zu geringer Genauigkeit abgeschaltet.
4. Legen Sie den Entstehungsprozess offen. Versionsverläufe in Google Docs oder Word, Zwischenstände, Notizen, Zeitstempel. Das ist der stärkste Gegenbeweis – und ein guter Grund, künftig in einem Programm mit Versionshistorie zu schreiben.
5. Bieten Sie ein Gespräch an. Warum dieses Argument? Woher diese Quelle? Was wurde verworfen? Ein zehnminütiges Fachgespräch ist aussagekräftiger als jeder Detektorwert.

Wenn Sie selbst prüfen

Machen Sie die Prüfung nie zur Anschuldigung. Fragen Sie nach dem Prozess, nicht nach der Schuld: „Erzählen Sie mir, wie Sie an den Text herangegangen sind." Wer KI eingesetzt hat, sagt das meist, wenn die Frage offen gestellt ist – und wer es nicht hat, wird nicht beschädigt. Ein Detektorwert ist allenfalls eine von mehreren Informationen, nie der Auslöser für ein Verfahren.

Für Lehrende kommt eine unbequeme Konsequenz hinzu. Weber-Wulff und Kollegen schreiben unmissverständlich: „the systems we tested should not be used in academic settings." Wirksamer als jede Software sind Prüfungsformate, die sich nicht per Prompt lösen lassen: mündliche Verteidigung, Prozessdokumentation, Arbeit an konkretem lokalem Material.

Für alle vier Zielgruppen verschiebt sich damit die Frage. Ob ein Text mit KI entstanden ist, ist selten das Entscheidende – entscheidend ist, ob er stimmt, ob er etwas sagt und ob jemand dafür geradesteht. Ein ungeprüfter KI-Text mit erfundenen Quellen ist ein Haftungsrisiko, unabhängig davon, ob ihn je ein Detektor markiert.

Häufige Fragen

Wie kann man KI-Texte erkennen?

Zuverlässig gar nicht, aber es gibt belastbare Indizien. Am aussagekräftigsten ist die manuelle Prüfung: Klicken Sie zwei bis drei Quellenangaben nach, denn KI-Texte enthalten häufig erfundene, aber plausibel klingende Belege. Streichen Sie danach alles, was keine überprüfbare Angabe ist – keine Zahl, kein Name, kein Datum, kein Zitat. Bleibt fast nichts übrig, ist das ein stärkeres Signal als jeder Detektorwert.

Sind KI-Detektoren zuverlässig?

Nicht als Beweismittel. In der größten unabhängigen Vergleichsstudie mit 14 Werkzeugen erreichte keines 80 Prozent Genauigkeit, nur fünf lagen über 70 Prozent. OpenAI hat den eigenen Detektor am 20. Juli 2023 abgeschaltet, weil er nur 26 Prozent der KI-Texte erkannte und 9 Prozent menschlicher Texte falsch markierte.

Welcher KI-Detektor ist der beste für deutsche Texte?

Für Deutsch kommen nur Werkzeuge in Frage, die die Sprache ausdrücklich unterstützen: Copyleaks, GPTZero, Winston AI und Scribbr in der Bezahlversion. Turnitin, der Marktführer im Bildungsbereich, unterstützt Deutsch nicht. Ein Werkzeug, das zuverlässig genug für eine Entscheidung wäre, gibt es nach der Studienlage nicht.

Gibt es einen kostenlosen KI-Detektor?

Ja, mehrere. Ohne Anmeldung am großzügigsten sind Copyleaks mit 25.000 Zeichen, ZeroGPT mit 15.000 Zeichen und GPTZero mit 10.000 Zeichen. QuillBot erlaubt 1.200 Wörter pro Scan und sechs Scans am Tag. Die Gratis-Limits sagen nichts über die Treffsicherheit aus.

Erkennt Google KI-Texte und straft sie ab?

Google sucht gar nicht danach. In der offiziellen Position heißt es: „Appropriate use of AI or automation is not against our guidelines." Ein Verstoß liegt erst vor, wenn Inhalte in erster Linie zur Manipulation von Rankings erzeugt werden. Die Herkunft eines Textes ist kein Rankingfaktor, die Qualität schon.

Muss ich KI-Texte kennzeichnen?

Seit dem 2. August 2026 gilt Artikel 50 der EU-KI-Verordnung. Kennzeichnungspflichtig sind KI-Texte, die die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse informieren und keine inhaltliche menschliche Prüfung durchlaufen haben. Normale Marketing- und Produkttexte fallen in der Regel nicht darunter. Ein KI-Chatbot auf der Website muss dagegen als solcher erkennbar sein.

Was kann ich tun, wenn ich zu Unrecht der KI-Nutzung beschuldigt werde?

Verlangen Sie die Datengrundlage: welches Werkzeug, welcher Prozentwert, welche Textlänge. Unter 300 Wörtern sind die Ergebnisse nach Turnitins eigener Angabe nicht aussagekräftig. Legen Sie anschließend Ihren Entstehungsprozess offen: Versionsverlauf in Word oder Google Docs, Zwischenstände, Notizen, Rechercheverlauf. Das ist der stärkste Gegenbeweis.