Stilprüfung

Markiert werden Formmerkmale, die in maschinell oder routiniert erzeugter Prosa gehäuft auftreten. Keines davon ist für sich genommen ein Fehler. Dieselben Mittel kennzeichnen auch gute rhetorische und akademische Texte. Auffällig wird erst die Häufung.

Antithese »nicht X, sondern Y«

Kontrastfigur, die eine Einsicht durch Verneinung zuspitzt. Einmal pointiert wirkungsvoll, als Dauermuster ein verbreiteter Reflex. Beispiel: Deutschland denkt in Projekten, nicht in Produkten.

Übergangs- und Eröffnungsfloskel

Vorgefertigte Anschlüsse, die Struktur eher behaupten als herstellen. Beispiele: Darüber hinaus, Letztlich, In einer Welt, in der.

Verstärker und Bedeutsamkeits-Adjektiv

Aufwertung ohne Beleg. Das Wort behauptet Wichtigkeit, statt sie zu zeigen. Beispiele: entscheidend, zentral, von grundlegender Bedeutung.

Hohlfloskel

Feste Wendung mit geringem eigenen Informationswert, oft Füllmaterial. Beispiele: spielt eine wichtige Rolle, vor dem Hintergrund, der Schlüssel zu.

Leere Bedeutungszuweisung

Verweist auf eine Bedeutung, ohne sie zu belegen. Beispiele: Dies unterstreicht, einmal mehr, umso wichtiger.

Möglicher Dreiklang

Dreiergruppe, wo zwei oder fünf Glieder oft natürlicher wären. Die unzuverlässigste Kategorie, da ein Regex eine rhetorische Figur nicht von einer banalen Aufzählung unterscheiden kann. Beispiel: einen Server, eine Datenbank oder eine KI-Anwendung.

Rhetorische Frage

Frage als Stilmittel im Fließtext, häufig zur Absatzeröffnung. Beispiel: Was bedeutet das konkret?

Abschwächung / Hedging

Vorsichts-Floskel, die im Dauergebrauch jede Aussage abfedert. Beispiele: kann durchaus, in vielen Fällen, unter Umständen.

Gedankenstrich

Gehäufte Halbgeviertstriche gelten als verbreiteter Marker, weil viele Modelle sie auffällig oft setzen.

Eine Angabe wie „zu 80 Prozent KI-generiert" wäre Scheingenauigkeit. Dieses Werkzeug zählt Oberflächenmuster. Eine belastbare Wahrscheinlichkeit setzt etwas anderes voraus: ein statistisches Modell, trainiert auf großen, sauber zugeordneten Mengen menschlicher und maschineller Texte, sowie die bekannte Häufigkeit von KI-Texten in der geprüften Menge. Beides fehlt hier, und das zweite fehlt in der Praxis fast immer.

Auch eigens trainierte Detektoren leisten es nicht. OpenAI nahm den eigenen Klassifikator 2023 wegen geringer Treffsicherheit wieder vom Netz. Unabhängige Untersuchungen aus 2025 und 2026 berichten Gesamtgenauigkeiten von rund 60 bis 70 Prozent, wobei die Erkennung bei gemischten Mensch-KI-Texten gegen null fällt. Schon leichtes Umschreiben kippt das Ergebnis, sodass ein niedriger Wert nichts beweist.

Hinzu kommt das Grundproblem der Basisrate. Selbst ein sehr treffsicherer Detektor erzeugt überwiegend Fehlalarme, wenn KI-Texte in der geprüften Menge selten sind. Ohne Kenntnis dieser Häufigkeit ist eine Prozentzahl mathematisch bedeutungslos. Dichte Fachprosa und Texte von Nicht-Muttersprachlern werden dabei systematisch häufiger falsch markiert, was solche Zahlen gerade in Bildungs- und Prüfkontexten gefährlich macht.

Deshalb gibt dieses Werkzeug bewusst nur Markierungen aus. Die Zahlen im Vergleichsmodus messen die Stilverschiebung zwischen zwei Fassungen mit bekanntem Ursprung, nicht die Herkunft eines einzelnen Textes. Was technisch tatsächlich tragfähig wäre, ist nicht Textanalyse, sondern Herkunftsmarkierung an der Quelle, etwa über Wasserzeichen oder Provenance-Daten, wie sie Art. 50 der KI-Verordnung von den Anbietern verlangt.