Gib die US-Verfassung von 1787 in einen KI-Detektor ein, und er sagt dir mit hoher Wahrscheinlichkeit: von einer KI geschrieben. Ein Text, der 236 Jahre vor ChatGPT entstand.

Das ist kein ausgesuchter Einzelfall, sondern ein sauberes Experiment: Der Gründer von GPTZero, Edward Tian, hat die Ursache selbst erklärt — die Verfassung ist ein Text, der immer wieder in dieselben Sprachmodelle eingespeist wurde. Der Detektor erkennt darin genau das, was er auch bei echter KI erkennt. Nur eben fälschlich.

Und genau da liegt das Problem. Ein KI-Detektor misst nicht, ob ein Text von einer KI stammt. Er misst etwas anderes — und verwechselt es mit KI-Herkunft.

Was ein Detektor wirklich misst

Ein Plagiatsscanner legt dir die Originalquelle daneben. Du kannst nachsehen: Hier ist der abgeschriebene Absatz, dort die Vorlage. Das lässt sich überprüfen und widerlegen.

Ein KI-Detektor kann das nicht. Er hat keine Vorlage. Er misst, wie vorhersagbar ein Text ist — in der Fachsprache: die Perplexity. Sprachmodelle erzeugen wahrscheinliche, glatte, erwartbare Wortfolgen. Also gilt die Umkehrung als Verdacht: Wer glatt und vorhersagbar schreibt, sieht für den Detektor aus wie eine Maschine.

Das ist der ganze Trick. Und es ist auch der ganze Fehler.

Denn wer schreibt glatt und vorhersagbar? Nicht nur KI. Auch Menschen, die eine Fremdsprache gelernt haben und auf sichere Standardwendungen zurückgreifen. Menschen, die einfach und klar schreiben. Manche neurodiverse Schreiber. Der Detektor kann diese Menschen nicht von einer KI unterscheiden, weil er nie nach KI gesucht hat — nur nach Glätte.

Der Beweis, dass es an der Sprache hängt, nicht an der KI

Eine Studie der Stanford University (Liang et al., veröffentlicht in Patterns der Cell Press, 10.07.2023) hat sieben kommerzielle Detektoren an echten, garantiert menschlichen Texten getestet.

Bei Essays von US-Schülern der 8. Klasse lag die Fehlerquote nahe null. Bei TOEFL-Essays — geschrieben von Menschen, für die Englisch eine Fremdsprache ist — stuften dieselben Detektoren im Schnitt 61,22 % fälschlich als KI ein. Fast 98 % der Aufsätze wurden von mindestens einem Werkzeug markiert, jeder fünfte von allen sieben einstimmig.

Dann kommt der Teil, der alles erklärt. Die Forscher ließen GPT-4 die TOEFL-Essays sprachlich aufpolieren — anspruchsvollere Wortwahl, sonst nichts. Die falsche KI-Einstufung fiel von 61,22 % auf 11,77 %.

Derselbe Inhalt, dieselben Menschen, dieselben Detektoren. Nur reichere Sprache. Wenn ein besserer Wortschatz aus einem „KI-Text“ einen „menschlichen Text“ macht, dann misst der Detektor nicht KI. Er misst Sprachniveau. Und bestraft das niedrigere.

Was passiert, wenn man viele Werkzeuge nebeneinander testet

Die bislang breiteste unabhängige Untersuchung stammt von Weber-Wulff, Anohina-Naumeca, Foltýnek und Kolleg:innen (International Journal for Educational Integrity 19:26, Peer-Review, 25.12.2023). Sie prüften 14 Detektoren an 54 Dokumenten mit bekannter Herkunft — 756 Einzeltests.

Das Ergebnis: Kein einziges Werkzeug erreichte 80 % Genauigkeit, nur fünf kamen über 70. Die Falsch-Positiv-Raten reichten von 0 % (Turnitin in diesem Test) bis 50 % (GPTZero in diesem Test). Rund 20 % der echten KI-Texte wurden dem Menschen zugeschrieben — nach leichter Überarbeitung sogar die Hälfte.

Die Autoren schreiben, die Systeme seien „für den akademischen Gebrauch nicht geeignet“. Und sie benennen den eigentlichen Kern: Anders als beim Plagiatsscanner gibt es keine Originalquelle. Ein allein auf dieser Basis beschuldigter Student hätte „keine Möglichkeit zur Verteidigung“ — im Original: no possibility for a defence.

Man kann nicht widerlegen, was nicht belegt ist.

Der ehrlichste Kronzeuge: OpenAI selbst

Wenn irgendjemand KI-Text erkennen können sollte, dann der Hersteller von ChatGPT. OpenAI hat es versucht — mit einem eigenen „AI Text Classifier“, veröffentlicht im Januar 2023.

Nach knapp sechs Monaten nahm OpenAI ihn wieder vom Netz. In der eigenen Update-Notiz steht der Grund: due to its low rate of accuracy — wegen zu geringer Treffsicherheit. Das Tool erkannte nur 26 % der KI-Texte und stufte 9 % menschlicher Texte fälschlich als KI ein. Für kurze Texte unter 1.000 Zeichen sei es „sehr unzuverlässig“.

Der Hersteller, der das Modell gebaut hat, konnte dessen Ausgabe nicht zuverlässig erkennen — und war ehrlich genug, das Produkt zurückzuziehen.

Was die Anbieter selbst ins Kleingedruckte schreiben

Das Aufschlussreichste steht nicht im Marketing, sondern in den FAQ.

Turnitin, der Marktführer im Bildungsbereich, nennt eine dokumentweite Falsch-Positiv-Rate von „unter 1 %“. Liest man weiter, gilt diese Zahl nur für Dokumente mit über 20 % KI-Anteil; satzweise liegt die Rate bei rund 4 %; unter 20 % zeigt das Tool gar keine Zahl mehr, nur ein Sternchen. Und Turnitin schreibt selbst, das Ergebnis solle „nicht die alleinige Grundlage für eine Maßnahme“ sein.

GPTZero schreibt in der eigenen FAQ, seine Ergebnisse sollten „nicht zur Bestrafung von Schülern verwendet werden“ — these results should not be used to punish students. Und: Der Trainingsdatensatz bestehe mehrheitlich aus englischer Prosa erwachsener Autoren. Genau das erklärt den Bias.

Das ist der rote Faden: Die Anbieter selbst warnen vor genau dem Gebrauch — Bestrafung auf Verdacht —, für den Lehrende die Werkzeuge einsetzen.

Fairerweise gibt es einen Gegenbeleg, und er gehört dazu: Turnitin hat eine eigene Studie veröffentlicht (26.10.2023), wonach ab 300 Wörtern kein statistisch signifikanter Nachteil für Englisch-Lernende bestehe. Das widerspricht Stanford nur teilweise — für lange Texte. Für kurze räumt Turnitin selbst höhere Fehlerraten ein. Und es ist ein Zeuge in eigener Sache. Kurze Aufgaben, Zusammenfassungen, Antworten in zwei Absätzen sind Studienalltag — genau dort, wo die Zahlen am schlechtesten sind.

Warum eine kleine Prozentzahl trotzdem gefährlich ist

„Unter 1 %“ klingt beruhigend. Rechne es hoch.

Die Vanderbilt University reichte 2022 rund 75.000 Arbeiten ein. Rechnerisch — nicht gemessen — ergäben Turnitins eigene „unter 1 %“ daraus etwa 750 Fälle, in denen ein Mensch fälschlich markiert würde. Ob es diese Fälle gab, sagt die Rechnung nicht. Aber Vanderbilt zog die Konsequenz und schaltete den Detektor am 16.08.2023 ab, mit der Begründung, man halte KI-Erkennungssoftware nicht für ein wirksames Werkzeug, das eingesetzt werden sollte.

Bei Massenbetrieb ist eine niedrige Fehlerrate keine kleine Zahl. Sie ist eine dreistellige Zahl von Verdächtigungen pro Jahr — jede mit einem Menschen dahinter, der nichts getan hat.

Und die deutsche Rechtslage?

Das Wichtigste zuerst, und es steht in kaum einer Zusammenfassung: In Deutschland liegt die Beweislast bei der Hochschule. Eine Täuschung muss die Prüfungsbehörde nachweisen — und Täuschung wie Sanktion müssen vorab in der Prüfungsordnung geregelt sein. Ein Detektor-Score dreht diese Beweislast nicht um.

Das aktuellste Urteil kommt vom Verwaltungsgericht Kassel (25.02.2026, Az. 7 K 2134/24.KS und 7 K 2515/25.KS). Das Gericht bestätigte Sanktionen wegen KI-Nutzung — stützte sich dabei aber ausdrücklich nicht auf einen Detektor, sondern auf menschlich prüfbare Indizien: eine auffällige Diskrepanz zwischen schriftlicher und mündlicher Leistung, übermäßig wiederholte Standardwendungen. Die Urteile sind noch nicht rechtskräftig (Stand 24.07.2026); ob eine höhere Instanz sie bestätigt, ist offen.

Eine praxisnahe Handreichung des Digitale Lehre Hub Niedersachsen (Baresel, Horn & Schorer, Stand 24.02.2025) rät Hochschulen vom Einsatz von KI-Detektoren ab. Ihre Argumente: personenbezogene Prüfungsdaten (Art. 6 DSGVO), das Verbot rein automatisierter Entscheidungen (Art. 22 DSGVO), eine mögliche Einstufung als Hochrisiko-KI nach dem EU-AI-Act. In den zitierten Eilverfahren des VG München galten Detektor-Ergebnisse jeweils nur als ein Indiz, nie als Beweis.

Manche deutsche Universität zieht daraus die klarste Konsequenz und stellt bewusst gar keine KI-Detektoren bereit — als offizielle Linie, nicht als Einzelmeinung.

Was du tun kannst, wenn dich ein Detektor zu Unrecht markiert

Das hier ist journalistische Einordnung, kein Rechtsrat für deinen konkreten Fall — dazu gehört jemand mit Aktenkenntnis. Aber die Richtung, in die belegte Fakten und die zitierten Handreichungen zeigen, lässt sich benennen:

Der Score allein ist kein Beweis. Er nennt eine Wahrscheinlichkeit, keine überprüfbare Quelle. Frag nach der Grundlage: Welches Werkzeug, welche Version, welche Zahl, gemessen woran? Ein „hoher KI-Wert“ ohne diese Angaben ist kein Nachweis, sondern eine Behauptung.

Zeig deinen Entstehungsprozess. Das ist der stärkste Gegenbeweis, den ein Detektor gerade nicht liefern kann: der Versionsverlauf deines Dokuments (Google Docs, Word, jede Cloud speichert ihn), Zwischenstände, Notizen, Recherche-Tabs, Quellen. Ein echter Schreibprozess hinterlässt Spuren. Eine Wahrscheinlichkeit tut das nicht.

Benenne den Bias, wenn er dich betrifft. Wenn Deutsch — oder Englisch — nicht deine Muttersprache ist, ist die Stanford-Studie deine Quelle: dieselben Werkzeuge, die Muttersprachler fast fehlerfrei durchwinken, markieren Fremdsprachige massenhaft. Das ist kein Verdachtsmoment gegen dich, sondern ein bekannter, gemessener Konstruktionsfehler der Werkzeuge.

Kenn die Beweislast. In Deutschland muss die Hochschule die Täuschung nachweisen, nicht du deine Unschuld. Im Ernstfall gehört das in die Hände der Rechtsberatung deiner Hochschule, einer Fachanwältin oder des Datenschutzbeauftragten.

Der ehrliche Gegenpunkt

Damit das hier keine bequeme Einseitigkeit wird: Es gibt zwei Dinge, die für die Detektoren sprechen — und beide muss man dazusagen.

Erstens erkennen Menschen KI-Text noch schlechter. Eine Studie zum wissenschaftlichen Schreiben (Cheng et al., 2025) fand: Menschliche Gutachter lagen bei 19 % — Zufallsniveau. Die Detektoren schlugen sie deutlich. Nur maß dieselbe Studie zugleich eine Falsch-Positiv-Rate von 72,2 % bei rein menschlichem Text. „Besser als Menschen im Erkennen“ und „untauglich als Beweis“ schließen sich eben nicht aus.

Zweitens: Erkennung an der Quelle funktioniert. Google DeepMind hat in Nature (23.10.2024) ein Text-Wasserzeichen gezeigt (SynthID-Text), das KI-Ausgaben zuverlässig markiert, ohne die Textqualität messbar zu senken — getestet an rund 20 Millionen Gemini-Antworten. Der Unterschied ist entscheidend: Das Signal wird beim Erzeugen eingebaut, nicht hinterher erraten. Genau deshalb setzt auch die Regulierung darauf: Ab dem 2. August 2026 verlangt Artikel 50 des EU-AI-Acts (nach der FAQ der EU-Kommission), dass Anbieter generativer KI ihre Ausgaben maschinenlesbar kennzeichnen — Übergangsfrist für Bestandssysteme bis 2. Dezember 2026. (Das ist die Rechtslage laut Primärquelle, keine Rechtsberatung; prüf den Stand an deinem Lesedatum.)

Der Weg nach vorn ist also Kennzeichnung an der Quelle, nicht Raten am Ergebnis. Dass die Politik diesen Weg wählt, ist ein leises Eingeständnis: Der nachträgliche Detektor löst das Problem nicht.

Der eine Satz zum Mitnehmen

Ein KI-Detektor ist ein Gesprächsanlass, kein Gerichtsurteil. Er darf eine Nachfrage auslösen — „erzähl mir, wie dieser Text entstanden ist“. Er darf nie das letzte Wort haben. Nicht, weil das eine nette Haltung wäre, sondern weil er technisch nichts anderes kann: Er misst Glätte, nennt eine Wahrscheinlichkeit und legt keine Quelle daneben. Wer darauf eine Note oder einen Vorwurf stützt, verwechselt eine Vermutung mit einem Beweis.

Und die Verfassung von 1787 war es nicht.

Quellen

Alle am 24. Juli 2026 geprüft. Zahlen gelten zum jeweils genannten Messdatum; Detektor-Werte und der Rechtsstatus können sich seither geändert haben.

Wenn dir hier etwas veraltet oder falsch vorkommt: schreib mir.