Ich hatte die Headlines von Hand geschrieben. Das war mir wichtig. Der Rest des Berichts war modellgeneriert, klar, aber die Überschriften wollte ich selbst, also habe ich daran gesessen und gefeilt, bis sie saßen. Starke Verben, ein Bild pro Zeile, nichts Glattgebügeltes. Die Art Sprache, bei der man hört, dass jemand sie gemeint hat.

Dann, halb aus Neugier, halb aus Eitelkeit, habe ich den Bericht durch Gemini geschickt und gefragt, was davon nach KI klingt.

Gemini war sich ziemlich sicher. Der maschinengenerierte Text? Ging durch, menschlich. Und die Headlines, das einzige Stück im ganzen Dokument, das von vorne bis hinten aus meinem Kopf kam, markiert als KI.

Ich habe das zweimal gelesen. Kein knapper Fall, kein „schwer zu sagen". Das Modell hatte sich genau in die falsche Richtung entschieden, und zwar mit Überzeugung. Mein erster Reflex war Verteidigung — doch, das war ich, ich habe die Versionen noch. Aber dann kam die Frage, die ich seitdem nicht mehr losgeworden bin: Wie kann ein Detektor so selbstsicher danebenliegen?

Der Detektor misst gar nicht, was du denkst

Die Antwort fängt mit einer Enttäuschung an. Gemini hat hier nicht gemessen. Es hat geraten, und das tun sie alle, auch die kommerziellen, auch die teuren. Kein Detektor besitzt ein Instrument, das maschinengeschriebenen Text physikalisch von menschlichem trennt. Sie haben ein Gefühl dafür, wie KI-Text üblicherweise aussieht — verdichtet, rhythmisch, bewusst gebaut — und meine handgetunten Headlines sahen halt zufällig genau so aus. Ironischerweise das, was passiert, wenn ein Mensch sich richtig Mühe gibt.

Das wäre eine nette Anekdote über einen verwirrten Algorithmus, wenn dahinter nicht ein sauberer empirischer Befund stünde, der die Sache umdreht. Wenn der Detektor nicht „Maschine" erkennt — was erkennt er dann?

Ein Paper von Anfang 2026 hat die Frage präzise beantwortet, und die Antwort ist unbequemer, als sie klingt. Die Forscher schickten Base-Modelle und ihre instruction-tuned Geschwister durch GPTZero und Pangram, die zwei großen kommerziellen Detektoren. Llama-3-8B als rohes Base-Modell: zu 96,7 und 98,8 Prozent als menschlich eingestuft. Dann dasselbe Modell, dieselbe Architektur, nur nachträglich auf Instruktionen getrimmt — und plötzlich gilt es nur noch zu 30,3 und 17,1 Prozent als menschlich.1

Halte einen Moment inne, was das heißt. Die Maschine bleibt exakt dieselbe. Was sich ändert, ist allein ein Nachbearbeitungsschritt. Und genau an diesem Schritt entscheidet sich, ob der Detektor „Mensch" oder „KI" sagt. Er trackt also nicht das Maschinenhafte an sich. Er trackt den Fingerabdruck des Alignment-Trainings. Was er für das Wesen von KI-Text hält, ist in Wahrheit eine Narbe, die der Politur-Schritt hinterlässt — und mein handgefeilter Text trug zufällig ein paar derselben Spuren.

Und die Maschinen sind nicht die Einzigen, die sich täuschen lassen. Wir auch: In der bisher saubersten Turing-Test-Studie wurde ein Spitzenmodell in 73 Prozent der Fälle für den Menschen gehalten, häufiger als der echte Mensch im selben Test.2 Was ich an dieser Zahl glaube, ist nicht „Menschen sind blind" — das halte ich für eine steile These. Welcher Text mir besser gefällt ist eine ganz andere Frage als welcher von einer Maschine stammt, und die beiden werden ständig verwechselt.3 Wer täglich mit der Technologie arbeitet, erkennt anders als jemand, der 2023 das letzte Mal eine KI gesehen hat. Erkennung ist Übungssache, kein festes menschliches Defizit. Aber die meisten Gelegenheitsleser merken es eben nicht, und genau diese Lücke ist das Problem. „Klingt nach KI" und „ist KI" sind zwei verschiedene Dinge — sie korrelieren, sicher, aber der Detektor sieht nur das erste und behauptet das zweite.

Es ist kein Stil, es ist eine Narbe

Eine Schleifwalze fährt über ein Holzbrett: links die volle Maserung, rechts eine glatt geschliffene Fläche mit einer glühenden Narbe.
Das Alignment schleift die Maserung weg. Was übrig bleibt, ist glatt — und trägt die Spur des Schliffs.

Bleibt die Frage, woher dieser glattgebügelte Sound überhaupt kommt. Die Antwort steckt schon in den Base-vs-Instruct-Zahlen. Das Base-Modell schreibt menschlich, weil es auf menschlichem Text trainiert wurde und nichts anderes kennt. Dann kommt das RLHF-Training, das Alignment, und schleift die Menschlichkeit weg.

Technisch passieren dabei zwei Dinge. Das erste ist mode collapse: Das Modell könnte aus einer riesigen Vielfalt an Formulierungen schöpfen, tut es nach dem Training aber nicht mehr. Es kollabiert auf einen schmalen Korridor von Phrasen, die der Reward belohnt hat. Ein einzelner Text liest sich passabel, aber über tausend Texte hinweg sagt das Modell immer dasselbe auf dieselbe Art. Das zweite heißt sycophancy: Das Modell lernt zu gefallen, und gefällige Sprache ist weichgespült, beteuernd, konfliktscheu. Sie traut sich keine kantige Formulierung, keinen scharfen Satz, kein Risiko.

Zusammen erzeugen die beiden, was man GPT-isms nennt: „delve", die ewig gleichen Dreiergruppen, das „es ist nicht X, sondern Y", die brave Dreiteilung jeder Aufzählung. Texte, die klingen, als hätte sie nicht eine Person geschrieben, sondern der statistische Durchschnitt aller Personen. Das ist kein Stil. Das ist eine Narbe vom Training. Der Prozess, der das Modell höflich und hilfsbereit und sicher macht, macht es gleichzeitig erkennbar.

Ich besitze kaum noch eigene Texte

Ein fluchtendes Archivregal: die vorderen Ordner sind halb durchsichtig, ganz hinten steht ein einzelner massiver Ordner mit Spinnweben.
Der letzte Ordner, für den ich die Hand ins Feuer legen würde, steht ganz hinten.

So weit hätte ich das als interessantes Detektor-Problem abhaken können. Was mir das Schmunzeln über Geminis Fehlurteil verdarb, kam erst, als ich den Spieß umdrehte und mich selbst prüfte.

Ich wollte einen Gegenbeweis. Einen längeren Text, von dem ich hundertprozentig sagen kann: keine Zeile davon hat je ein Modell gesehen. Kein Draft-Pass, kein „mach das mal runder", kein schnelles Umstellen eines Absatzes. Reiner Mensch.

Mir fiel fast nichts ein.

Meine E-Mails laufen durch Vorschläge. Commit-Messages, halb autocompletet. Blog-Posts, Berichte, Dokumentation, alles entsteht inzwischen im Dialog mit einem Modell. Die letzten Texte, deren Urheberschaft ich zu hundert Prozent garantieren könnte, liegen Jahre zurück. Handschriftliche Tagebuchseiten vielleicht, ein paar alte Briefe.

Und es ist nicht so, dass ich mich der KI ausgeliefert hätte. Die Gedanken sind meine, das steht außer Frage — was in den Texten steht, woraufhin sie argumentieren, welche Beispiele drinstehen, das kommt aus meinem Kopf. Was nie ganz meins ist, sind die Worte. Die Formulierung ist die des Modells, und ehrlich gesagt mag ich sie meistens nicht. Ich iteriere, schiebe nach, fordere eine andere Version, noch eine, und komme trotzdem fast immer an den Punkt, wo mir das Ergebnis nicht gefällt. Wahrscheinlich wäre ich schneller, würde ich den Absatz selbst tippen. Ich mache es trotzdem nicht. Ich bin bequem geworden, und das ist der unangenehme Teil des Geständnisses.

Fragt mich morgen jemand, ob ein Text von mir ist, lautet die ehrliche Antwort bei fast allem: jein. Den Rest klärt dann ein Detektor, der rät.

Warum die glatte Sprache nicht harmlos ist

Man kann das alles für ein ästhetisches Problem halten — ein Geschmacksding, glatt gegen kantig. Sobald aber jemand nicht mehr erkennt, dass er mit einer Maschine redet, wird es eines mit Folgen. Denn wer das nicht merkt, lässt sich anders behandeln, und stärker beeinflussen.

Gemessen ist das längst. Eine KI mit Zugang zu ein paar persönlichen Infos überredet in 64,4 Prozent der Fälle besser als ein menschlicher Gesprächspartner.4 Solange die Erkennung greift, fährt man gegenüber einem fremden Überzeuger einen Schutzreflex hoch. Versagt die Erkennung, fällt der Reflex mit ihr weg — man verteidigt sich gegen etwas, das man für seinesgleichen hält.

Und der kulturelle Einsatz wird gerade sichtbar. Im April 2025 wurde berichtet, dass OpenAI an einem eigenen, X-ähnlichen sozialen Netzwerk arbeitet — ein interner Prototyp rund um einen Feed aus KI-generierten Inhalten, zu dem Sam Altman extern Feedback einholte.5 Berichtet ist ein früher Prototyp, nicht das fertige Produkt. Aber die Richtung lässt sich kaum überlesen, und meine Lesart ist düster: eine Plattform, deren Inhalt am Ende die Maschine liefert und der Mensch nur noch die Idee. Wenn der statistische Durchschnitt aller Menschen zur dominanten Stimme im Feed wird, verlernen wir, wie ein einzelner echter Mensch klingt. Es geht sogar tiefer als Kultur — was mühelose, glatte KI mit unserem Denken macht, ist ein eigenes Fass, groß genug, dass ich es erst am Ende der Serie aufmache.6

Das Pflaster und die Wunde

Eine Walzmaschine spuckt glatte Blätter auf ein Fließband, am Ende schmirgelt ein Mensch jedes einzelne von Hand ab; ein Pfeil zeigt zurück zum Schraubenschlüssel an der Maschine.
Der Humanizer schmirgelt am Ende des Bandes. Der Schraubenschlüssel liegt vorne an der Maschine.

Es gibt einen ganzen Markt dafür, KI-Text wieder „menschlich" zu machen. Humanizer nennen sie sich. Du schiebst deinen generierten Text rein, sie würfeln Synonyme, brechen die Satzlängen auf, streuen ein paar Unregelmäßigkeiten ein, und am Ende rutscht der Text am Detektor vorbei. Ein Wettrüsten, das am Symptom herumdoktert: Du nimmst den glatten, alignment-polierten Output und reibst nachträglich Sandpapier drüber, damit er rauer aussieht.

Das hat mich nie überzeugt, und nach dem Gemini-Moment verstand ich besser, warum. Der Humanizer arbeitet am Ende der Kette, am fertigen Text. Die Glätte entsteht aber viel früher, im Modell, im Training, lange bevor das erste Wort fällt. Ein Humanizer überklebt die Narbe. Die Frage, die mich seitdem nicht loslässt: Was, wenn man stattdessen verhindert, dass sie überhaupt entsteht?

Also baue ich das selbst

Es gibt Arbeit in diese Richtung, und sie ist gut. Sam Paech hat ein Verfahren namens FTPO veröffentlicht, Final Token Preference Optimization, und die Idee ist chirurgisch statt grob. Man profiliert zuerst, welche Tokens und Phrasen ein bestimmtes Modell über Gebühr produziert, baut daraus automatisch einen Präferenz-Datensatz und finetunt dann gezielt gegen genau diese Muster, an der einzelnen Stelle, an der das Modell ins Slop-Gleis abbiegen würde. Nicht das ganze Modell umkrempeln, nur die überfahrenen Pfade dämpfen, vorsichtig genug, dass der Rest heil bleibt. Die Ergebnisse sind ungewöhnlich sauber für so einen Eingriff: rund 90 Prozent weniger Slop, während die Mathe- und Reasoning-Benchmarks stabil bleiben oder sich sogar minimal verbessern — der Eingriff repariert die Sprache, ohne die Fähigkeiten zu beschädigen.7 Und der Abstand, gegen den man da antritt, ist grotesk: Manche dieser Muster tauchen über 1.000-mal häufiger in Modell-Output auf als in menschlichem Text. Das ist kein subtiler Drift mehr, das ist ein statistischer Schrei. Die ganze Pipeline ist offen, MIT-Lizenz.

Das ist Root-Cause statt Pflaster. Du humanisierst nicht den Text, du reparierst das Modell, das ihn erzeugt.

Bleibt der Haken, der das Ganze für mich erst persönlich macht: Das alles existiert auf Englisch. Die Slop-Profile, die Banlists, die Datensätze, die fertigen Anti-Slop-Adapter, alles englisch trainiert und gegen englische Korpora gemessen. Für Deutsch gibt es nichts davon. Dabei hat deutscher KI-Text seinen eigenen Fingerabdruck, andere Floskeln, andere Reflexe, und niemand hat ihn bisher systematisch vermessen, geschweige denn weggeschliffen.

Also baue ich das gerade. Ein deutsches Slop-Profil aus echtem Modell-Output, einen Präferenz-Datensatz, der die typisch deutschen Tells erfasst, und am Ende ein finetuntes Modell, das auf Deutsch schreibt, ohne dass jeder zweite Absatz mit einem Mini-Fazit endet und jede Liste genau drei Punkte hat. Kein Humanizer hintendran. Die Glätte gar nicht erst entstehen lassen.

Nur stellte sich heraus: Bevor man einem Modell Slop abtrainieren kann, muss man erst einmal genau wissen, was Slop überhaupt ist. Und an dieser Stelle wurde es richtig interessant. Davon handelt Teil 2.