KI-Detektor falsch positiv: warum es ehrliche Texte trifft

Ein KI-Detektor weiß nicht, wer einen Text geschrieben hat. Er schätzt, wie wahrscheinlich die Wortfolge ist. Dahinter stehen zwei Größen. Perplexität misst, wie überraschend die Wortwahl für ein Sprachmodell ist. Niedrige Perplexität, also vorhersagbarer Text, gilt als maschinell. Burstiness misst die Schwankung von Satzlänge und Komplexität. Gleichförmiger Text gilt ebenfalls als maschinell.

Die formale Grundlage stammt aus der KI-Forschung selbst. Das DetectGPT-Paper von 2023 zeigt, dass maschinengenerierter Text in Regionen besonders hoher Wahrscheinlichkeit liegt, weil ein Modell beim Schreiben die wahrscheinlichsten Wörter wählt^[4]. Menschlicher Text ist im Schnitt überraschender. Die Kehrseite steht im selben Befund: menschlicher Text, der ebenfalls vorhersagbar ist, etwa durch einfache Sprache oder formelhafte Fachbegriffe, landet in genau denselben Regionen und wird als maschinell eingeordnet.

Das ist der Kern des Problems. Akademisches Schreiben verlangt nüchterne, standardisierte Sprache. Eine saubere Methoden-Beschreibung, ein juristischer Standardsatz, ein technisches Protokoll, alles davon hat niedrige Perplexität. Der Detektor liest das nicht als sorgfältige Arbeit, sondern als statistisch maschinenähnlich. Wer mustergültig wissenschaftlich schreibt, erhöht sein Risiko eines Falsch-Positivs. Die ausführliche Mechanik steht im Leitfaden zu KI-Detektoren im Studium.

Drei Profile tragen das höchste Falsch-Positiv-Risiko: nicht-muttersprachliche Texte, betont nüchterne Schreibstile und alles, was sprachlich vorhersagbar ist. Sie überlappen, weil ihnen dieselbe Ursache zugrunde liegt, eine niedrige Perplexität.

Der erste Pfad: nicht-muttersprachliches Schreiben

Die stärkste Einzelevidenz liefert die Stanford-Studie von Liang und Kollegen aus 2023^[2]. Sieben verbreitete Detektoren stuften im Schnitt 61,22 Prozent der englischen TOEFL-Essays von Nicht-Muttersprachlern fälschlich als KI ein, während dieselben Tools die Essays von US-Achtklässlern bei nur 5,19 Prozent Fehlern fast fehlerfrei als menschlich erkannten. 18 der 91 Essays wurden sogar von allen sieben Tools einstimmig falsch markiert. Reicherten die Forscher dieselben Essays mit muttersprachlichem Wortschatz an, fiel die Fehlerquote von 61,22 auf 11,77 Prozent, und die markierten Essays hatten messbar niedrigere Perplexität. Es ist die Vorhersagbarkeit der Sprache, die flaggt, nicht die Herkunft des Textes.

Ein eingeladener Fachkommentar in derselben Zeitschrift brachte es auf den Punkt, rein technische Lösungen für die Erkennung schaffen mehr Probleme, als sie lösen^[5].

Der Bias ist kein Naturgesetz

Die Befundlage ist seit 2024 differenzierter. Das Educational Testing Service, Herausgeber von TOEFL und GRE, trainierte 2024 eigene Detektoren auf einem großen GRE-Datensatz und fand mit diesen keinen Bias gegen Nicht-Muttersprachler^[6]. Eine peer-reviewte Arbeit auf der EACL 2026 fand für tschechische Texte ebenfalls keinen systematischen Bias und hält fest, dass zeitgemäße Detektoren wirksam arbeiten, ohne sich auf Perplexität zu stützen^[7]. Daraus folgt aber nicht, dass das Problem gelöst ist. Der Bias steckt in den perplexity-basierten Tools, die Hochschulen 2023 bis 2025 eingesetzt haben, und genau diese Tools laufen im Alltag weiter.

Der zweite Pfad: nüchterne und formelhafte Sprache

Der Effekt hängt nicht an der Staatsangehörigkeit, sondern an der sprachlichen Einfachheit. Das zeigt die Umkehrprobe derselben Stanford-Studie, denn als die Forscher die Essays der US-Muttersprachler sprachlich vereinfachten, stieg deren Fehlerquote von 5,19 auf 56,65 Prozent. Wer in knappen Standardsätzen schreibt, wie es ein Methodenteil, eine juristische Subsumtion oder eine technische Dokumentation verlangt, produziert genau das niedrig-perplexe Muster, das die Tools als maschinell lesen.

Der dritte Pfad: ein abweichender Schreibstil

Auch neurodivergente Schreibweisen können betroffen sein. Eine peer-reviewte Studie der AIED 2025 untersuchte rund 60.000 Reddit-Beiträge und fand, dass Texte aus einem wahrscheinlich-autistischen Subkorpus signifikant häufiger als KI markiert wurden als allgemeine Beiträge^[8]. Betroffen waren dabei weniger als 2 Prozent beider Gruppen, der Effekt ist real und statistisch signifikant, aber klein. Niemand wird massenhaft beschuldigt, doch wer ein ungewöhnliches, repetitives oder besonders strukturiertes Schreibmuster hat, trägt ein erhöhtes Risiko.

KI-Erkennung funktioniert auf Deutsch nachweislich schwächer und uneinheitlicher als auf Englisch. Die Tools sind überwiegend auf englischen Daten trainiert, und das schlägt auf jede nicht-englische Sprache durch.

Die beste peer-reviewte deutsche Evidenz stammt von einer Forschungsgruppe um Schaaff, Schlippe und Mindner. Ihr eigenes Klassifikationssystem erkannte von Grund auf KI-generierte deutsche Texte zu 97 Prozent, umgeschriebene deutsche Texte aber nur noch zu 72 Prozent^[9]. Die Erkennung bricht also schon bei einer einzigen Überarbeitung ein. Turnitin unterstützt seine KI-Erkennung offiziell nur für Englisch, Spanisch und Japanisch, Deutsch steht nicht auf der Liste^[10]. Wer einen deutschen Text durch ein primär für Englisch gebautes Tool schickt, bekommt ein Ergebnis auf wackliger Grundlage.

Die Datenlücke bei deutschen Texten

An dieser Stelle ist Genauigkeit wichtiger als ein griffiger Wert. Eine Studie, die speziell für deutschsprachige, menschlich verfasste Texte eine Falsch-Positiv-Rate der gängigen kommerziellen Detektoren ausweist, fehlt bislang. Der größte mehrsprachige Benchmark, MULTITuDE von 2023, enthält zwar 300 menschliche deutsche Texte und testet GPTZero und ZeroGPT, berichtet die Falsch-Positiv-Rate aber nur über alle elf Sprachen zusammen, nicht für Deutsch allein^[11]. Im Netz kursierende Prozentzahlen aus Agentur-Eigentests nennen wir bewusst nicht, weil ihre Methodik nicht offenliegt.

Was es gibt, ist ein deutscher Befund zur grundsätzlichen Unzuverlässigkeit. Eine Studie von Fiedler und Döpke aus 2025 ließ 63 Lehrende deutsche Textauszüge beurteilen und prüfte parallel KI-Detektoren^[12]. Detektoren und Lehrende lagen gleichermaßen nur knapp über dem Zufallsniveau, und selbst die 63 Lehrenden ordneten gut ein Drittel der tatsächlich von Menschen verfassten Auszüge fälschlich der KI zu. Auf Deutsch ist der Detektor-Score also ein noch schwächeres Signal als auf Englisch.

Der Leitgedanke heißt plausibilisieren statt beweisen. Sie müssen Ihre Unschuld nicht technisch beweisen, weil die Beweislast bei der Hochschule liegt. Sie müssen zeigen, dass Sie hinter dem Inhalt stehen und ihn erklären können. Das ist ein anderer, erreichbarer Anspruch.

Eine Vorbemerkung vorweg, die viel Stress erspart. Jagen Sie Ihren Text nicht vorsorglich durch mehrere Detektoren, um sich freizutesten. Ein Eigen-Check ist genauso falsch-positiv-anfällig wie der Test der Hochschule. Ein bestandener Check beweist Ihre Eigenleistung nicht, ein nicht bestandener beweist keine Täuschung. Die Tool-Widersprüche taugen als Argument gegen die Beweiskraft eines Scores, nicht als Absicherung.

Tool-Uneinigkeit ist Ihr stärkstes Sachargument

Wenn zwei seriöse Detektoren denselben Text gegensätzlich bewerten, kann kein einzelner Score die Wahrheit über die Herkunft sein. Das ist mehrfach belegt. Eine Studie in JCO Clinical Cancer Informatics maß zwischen drei verbreiteten Detektoren eine Spearman-Korrelation von nur 0,143 bis 0,471 am selben Korpus, also schwache bis allenfalls mäßige Übereinstimmung^[13]. Eine Arbeit im Journal of Applied Learning and Teaching von 2025 fand sogar Widersprüche innerhalb eines Tools. ZeroGPT meldete für eine Gemini-Datei 82 Prozent und für zwei weitere Dateien desselben Modells 100 Prozent.^[14] Eine Untersuchung im International Journal for Educational Integrity zeigte zudem, dass zwei Tools auf denselben Texten Gesamtgenauigkeiten von 0,69 und 0,61 erreichten und beide an gemischten, teils überarbeiteten Texten scheiterten, also genau an dem, was eine echte Studi-Arbeit ausmacht^[15].

Versionsverlauf: ein Indiz, kein Beweis

Ein Versionsverlauf gilt vielen als sicherster Nachweis, trägt aber weniger, als sie denken. Die IT-Abteilung der University of Maryland hält offen fest, dass er sich umgehen lässt, etwa indem man einen fertigen Text Wort für Wort abtippt^[16]. Er kann ein ergänzendes Indiz sein, mehr nicht. Bei Word kommt ein praktischer Stolperstein dazu, denn der Verlauf existiert nur bei Speicherung in OneDrive oder SharePoint mit aktiviertem AutoSpeichern, eine rein lokal gespeicherte Datei hat keinen Cloud-Verlauf^[17]. Google Docs protokolliert dagegen nahezu jede Bearbeitung automatisch.

Was wirklich trägt: ob Sie den Inhalt erklären können

Der robusteste Hebel ist kein Dokument, sondern eine Fähigkeit. Ob Sie den Inhalt Ihrer Arbeit im Gespräch sicher wiedergeben können, wiegt schwerer als jeder Zeitstempel. Wer darlegt, warum eine Methode gewählt wurde, was ein Ergebnis bedeutet und wie ein Argument aufgebaut ist, entkräftet einen Score überzeugender als jede Datei-Historie.

Bei empirischen Arbeiten zählen dazu die Rechenwege, die eingesetzten Tools wie SPSS oder R und die einzelnen Auswertungsschritte, die Sie nachvollziehbar erklären können. Das wiegt auch deshalb so schwer, weil die Beweislast für eine Täuschung bei der Hochschule liegt und nicht bei Ihnen^[3]. Sie müssen Ihre Unschuld nicht belegen, sondern zeigen, dass Sie hinter Ihrer Arbeit stehen. Die FH Aachen rät genau dazu, Eigenständigkeit nicht am fertigen Text, sondern an der nachvollziehbaren inhaltlichen Auseinandersetzung sichtbar zu machen^[18]. Gespeicherte Entwürfe, Recherche-Notizen oder ein Chat-Verlauf bei KI-Nutzung können das ergänzen, bleiben aber Nebenbeleg neben der inhaltlichen Souveränität.

Die sechs Schritte im Überblick

Ein hoher Score ohne weitere Indizien ist kein Verfahren, sondern ein Verdacht auf wackliger Grundlage. Solange niemand einen formalen Vorwurf erhebt, müssen Sie nichts überstürzen. Sinnvoll ist nur, die eigene Arbeitsspur zu sichern, solange sie noch frisch ist.

Wo Ihre Prüfungsordnung es zulässt, ist Transparenz der bessere Schutz als Verstecken. Eine knappe Angabe in der Eigenständigkeitserklärung, in welchem Umfang Sie KI als Formulierungs- oder Recherche-Hilfe genutzt haben, nimmt einer späteren Auseinandersetzung den schärfsten Punkt. Genau die ungekennzeichnete Nutzung war im Verfahren vor dem VG Kassel der juristische Anker, nicht die KI-Nutzung als solche. Die ungekennzeichnete Nutzung gilt als Täuschung und ist dem Ghostwriting gleichgestellt, die konkrete Sanktion hängt von Prüfungsordnung und Einzelfall ab^[23]. Seit Februar 2025 verlangt zudem Artikel 4 der EU-KI-Verordnung ein ausreichendes Niveau an KI-Kompetenz, ein reflektierter, offener Umgang ist also zunehmend Teil dessen, was Hochschulen erwarten^[24].

Sollte es doch zu einem formalen Vorwurf kommen, gilt: nicht impulsiv reagieren, Akteneinsicht in die Detektor-Evidenz und das Verfahren verlangen, die Substanz-Belege bündeln und auf die Beweislast der Hochschule sowie die mündliche Zusatzprüfung verweisen. Den vollständigen Eskalations- und Stellungnahme-Leitfaden für diese Lage finden Sie im Krisenhilfe-Teil des KI-Detektoren-Leitfadens.