KI-Detektoren im Vergleich: wie zuverlässig sind sie wirklich?

Wer nach einem KI-Detektor-Vergleich sucht, landet in einer Zahlen-Schlacht. GPTZero nennt 99 Prozent Genauigkeit, Winston AI 99,98 Prozent, Copyleaks über 99 Prozent. Jeder Anbieter erklärt sich zum Genauesten, und die meisten Vergleichsseiten übernehmen diese Werte, als wären es Messergebnisse. Es sind aber Eigenangaben aus internen Tests, die niemand von außen reproduziert hat.

Sobald unabhängige Forschung dieselben Tools auf echten Studierenden-Texten prüft, schrumpfen die Zahlen drastisch. Statt 99 Prozent stehen dann 61 bis 69 Prozent Gesamtgenauigkeit im Raum, bei einer mittleren Trefferquote von 51 bis 60 Prozent, und auf bestimmten Aufgaben markieren Detektoren bis zu jede zweite menschliche Arbeit fälschlich als KI. Eine peer-reviewte Übersichtsstudie aus 2026 fasst für genau die hier verglichenen Tools zusammen, dass sie häufig Falsch-Positive produzieren und intransparent bleiben, besonders bei mehrsprachigen und nicht-muttersprachlichen Texten.

Bemerkenswert ehrlich ist ausgerechnet ein Anbieter selbst. Originality.ai schreibt in der eigenen Genauigkeits-Dokumentation, eine einzelne Zahl genüge angesichts der Folgen nicht und man könne von automatischer Erkennung keine Perfektion annehmen. Das Hochschulforum Digitalisierung formuliert es 2026 noch deutlicher und hält fest, dass die Prozentangaben eine Genauigkeit vortäuschen, die faktisch nicht gegeben ist.

Dieser Artikel macht die Diskrepanz sichtbar, statt sie zu verschweigen. In der folgenden Tabelle steht neben jedem Anbieter-Versprechen, was unabhängige Messungen für dasselbe Tool ergeben haben, mit Quelle zu jeder Zahl.

Verglichen werden die Tools, die Studierenden im DACH-Raum am häufigsten begegnen, das institutionelle Turnitin ebenso wie die kostenlosen Massen-Tools, die man panisch selbst auf den eigenen Text wirft. Am meisten zählt für die Praxis eine einzige Frage: wie oft markiert ein Tool eine ehrlich geschriebene Arbeit fälschlich als KI?

Vier Dinge fallen beim direkten Vergleich auf.

1. Die größte Lücke klafft bei Winston AI, das mit 99,98 Prozent wirbt (Stand Juni 2026), während eine unabhängige Studie 45,8 Prozent Falsch-Positive auf echten Studi-Texten maß, also fast jede zweite menschliche Arbeit fälschlich markierte. Originality.ai verspricht 0,5 Prozent Falsch-Positive und liegt gemessen bei 17,6 Prozent. Selbst im günstigsten Fall bleibt der Abstand zwischen Versprechen und Messung groß.
2. Das Gratis-Tool ZeroGPT nennt auf der eigenen Seite gar keine konkrete Genauigkeitszahl und bewirbt nur ein „High Accuracy Model“. Wer hier eine belastbare Angabe sucht, findet Marketing-Vokabular statt einer Zahl.
3. Turnitin ist ein Sonderfall. Die viel zitierte Marke von unter 1 Prozent Falsch-Positiven gilt laut Turnitins eigener Dokumentation nur für Dokumente, bei denen mindestens 20 Prozent des Textes als KI vorhergesagt werden, und der Anbieter schreibt ausdrücklich, das Ergebnis solle nicht alleinige Grundlage für Maßnahmen gegen Studierende sein. In einer unabhängigen Messung kam Turnitin auf eine Gesamtgenauigkeit von 0,61.
4. Teurer heißt nicht zuverlässiger. Das Gratis-Tool ZeroGPT schnitt bei den Fehlalarmen sogar besser ab als die kostenpflichtigen Originality.ai und Winston AI. Ein Abo kauft mehr Volumen und Komfort, aber keine verlässlichere Erkennung.

Alle Angaben im Detail

Wer die ganze Bandbreite sehen will, findet sie hier: jedem Anbieter-Versprechen ist gegenübergestellt, was unabhängige Studien für dasselbe Tool gemessen haben, dazu Sprache, Kosten und Quelle zu jeder Zahl. Die Spalte „Anbieter behauptet“ ist Marketing, die Spalte „Unabhängig gemessen“ stammt aus peer-reviewten Studien. Warum die Anbieter überhaupt mit solchen Werten werben und wer am Misstrauen verdient, nimmt das Geschäft mit den KI-Detektoren in den Blick.

Turnitin ist das Werkzeug, das an deutschen Hochschulen am häufigsten lizenziert ist. Für deutschsprachige Arbeiten ist dabei eine Angabe des Herstellers selbst entscheidend: Die KI-Erkennung unterstützt laut Turnitins eigener Dokumentation Englisch, Spanisch und Japanisch. Ein Erkennungsmodell für Deutsch gibt es nicht.

Wenn Ihre Hochschule Turnitin einsetzt, betrifft der KI-Indikator Ihre deutsche Hausarbeit also nicht. Die Plagiatsprüfung, die dasselbe System mitbringt, läuft davon unabhängig weiter und ist sprachunabhängig. Diese beiden Funktionen werden im Gespräch regelmäßig verwechselt, auch von Prüfenden.

Turnitin selbst schreibt außerdem in die eigene Dokumentation, das Ergebnis der KI-Erkennung solle nicht die alleinige Grundlage für Maßnahmen gegen Studierende sein. Das ist keine Kritik von außen, sondern der Hinweis des Herstellers.

Die hohen Anbieter-Werte sind nicht frei erfunden, sie entstehen aber in einem kontrollierten Labor. Ein Detektor wird auf einem bestimmten Datensatz getestet, lernt dort die typischen Spuren und erkennt sie zuverlässig wieder. Eine Arbeit von 2026 hat mit erklärbarer KI offengelegt, was dabei wirklich passiert. Die Detektoren stützen sich auf datensatz-spezifische Stil-Artefakte, nicht auf stabile Merkmale von Autorschaft. Wechselt die Textsorte, die Länge oder die Sprache, bricht die Leistung ein. Im Test top, am echten Studi-Text daneben. Wie wenig dazu nötig ist, zeigte eine Untersuchung von 2024, in der die Erkennungsgenauigkeit von 39,5 auf 17,4 Prozent fiel, sobald simple Verschleierungs-Techniken angewendet wurden.

Dazu kommt ein Zielkonflikt, der sich nicht auflösen lässt. Misst man Detektoren mit der fairen Metrik, wie viel KI sie bei nur einem Prozent Falsch-Positiven noch erkennen, fallen mehrere auf bis zu null Prozent. Hält man die Quote fälschlich beschuldigter Menschen niedrig, erkennen die Tools kaum noch KI. Erkennen sie viel KI, beschuldigen sie zu viele Unschuldige. Beides gleichzeitig geht nicht.

Am deutlichsten wird das an einem Befund, der sich nicht mit Ungenauigkeit erklären lässt. Mehrere Detektoren markieren stark überarbeitete Texte seltener als minimal überarbeitete. Fast-DetectGPT stufte Texte mit einem Prozent KI-Anteil zu 10,07 Prozent als KI ein, Texte mit 75 Prozent KI-Anteil aber nur zu 9,59 Prozent. Dasselbe Muster zeigten fünf weitere geprüfte Werkzeuge^[2].

Das ist kein Messfehler, sondern ein Widerspruch in der Sache. Ein Instrument, das KI-Beteiligung misst, müsste bei mehr KI einen höheren Wert zeigen. Wenn der Wert stattdessen sinkt, misst es etwas anderes als das, wonach gefragt wird. Wonach genau, lässt sich benennen: nach der sprachlichen Berechenbarkeit der Oberfläche. Ein leicht geglätteter Menschentext ist berechenbar, ein stark umgeschriebener KI-Text oft weniger. Der Score folgt der Oberfläche, nicht der Herkunft.

Und weil keiner der Detektoren die Wahrheit über die Herkunft eines Textes kennt, widersprechen sie sich gegenseitig. Drei verbreitete Tools waren sich an denselben Texten kaum einig, ihre Ergebnisse überschnitten sich nur schwach. Studierende erleben das regelmäßig, wenn dieselbe Arbeit bei einem Tool unauffällig bleibt und beim nächsten fast vollständig als KI gilt. Diese Widersprüchlichkeit ist kein Werkzeug, mit dem man sich freitesten kann, sondern das stärkste Argument gegen die Beweiskraft eines einzelnen Scores.

Jedes Tool führt Deutsch in seiner Sprachliste, manche werben mit 30 oder mehr Sprachen. Das klingt beruhigend und verschweigt das Eigentliche. Trainiert wurden diese Modelle überwiegend auf englischen Daten, und Turnitin nennt die nicht-englische Erkennung in der eigenen Dokumentation nur eingeschränkt unterstützt. Deutsch zu unterstützen heißt nicht, auf Deutsch zuverlässig zu sein.

Belastbar messen lässt sich das bislang kaum. Es gibt keine peer-reviewte Studie, die für deutschsprachige Texte eine Falsch-Positiv-Rate der gängigen kommerziellen Detektoren ausweist. Die nächstbesten Annäherungen zeigen aber die Richtung. Eine deutsche Untersuchung fand, dass die getesteten Detektoren auf deutschen Thesis-Auszügen nur knapp über Zufallsniveau lagen. Ein eigenes Forschungssystem erreichte auf frisch generierten deutschen Texten 97 Prozent, fiel bei umgeschriebenen aber auf 72 Prozent. Und eine spanische Studie zeigte, dass nicht-englische und gemischte Texte die generelle Schwachstelle aller geprüften Tools sind.

Der Grund ist immer derselbe. Detektoren messen, wie vorhersagbar ein Text statistisch ist, nicht, wer ihn geschrieben hat. Wer in einer Fremdsprache, mit begrenzterem Wortschatz oder in nüchterner Fachsprache schreibt, produziert vorhersagbareren Text und wird häufiger fälschlich als KI markiert. Die Stanford-Studie von 2023 hat das gemessen, über 61 Prozent der englischen Texte von Nicht-Muttersprachlern wurden falsch eingestuft, gegenüber rund 5 Prozent bei Muttersprachlern. Ein mehrsprachiger Vergleichstest von 2025 bestätigt den Effekt über viele Sprachen hinweg. Für deutschsprachige Studierende heißt das, dass ausgerechnet die, die sich sprachlich am meisten anstrengen, das höchste Risiko tragen.

Wer gezielt nach einem deutschen KI-Detektor sucht, landet schnell bei Anbietern, die mit besserer Leistung auf Deutsch werben. Das klingt nach der naheliegenden Lösung für das eben beschriebene Sprach-Problem. Bei genauem Hinsehen wiederholt sich aber dieselbe Lücke zwischen Versprechen und Beleg, nur auf Deutsch.

1. Detectora.de wirbt als „#1 KI-Detektor für deutsche Texte“ mit 98 Prozent Genauigkeit. Bemerkenswert ist, womit der Anbieter diese Zahl belegt, nämlich mit einer einzelnen Masterarbeit und nicht mit einer unabhängigen Messung. Die kostenlose Version erkennt zudem nur die alte Modell-Generation GPT-3.5, aktuelle Modelle wie GPT-4o, Claude und Gemini gibt es erst im Bezahl-Tarif ab 11,90 Euro im Monat.
2. Das Original stammt von der Fachhochschule Wedel. Dort entwickelte Tom Tlok 2023 in seiner Masterarbeit einen Detektor für deutsche Texte und baute dafür den ersten großen deutschsprachigen Datensatz auf. Das Tool ist kostenlos, datenschutzkonform und in seinen Grenzen ehrlich, es weist selbst darauf hin, dass es zuverlässig nur GPT-3.5-Texte erkennt und sein Ergebnis „ohne Gewähr“ ist.
3. isgen.ai wirbt mit 96,4 Prozent über mehr als 80 Sprachen, nennt dafür aber keine nachprüfbare Quelle (Stand unserer Sichtung: Juni 2026). Damit fehlt genau die Transparenz, die ein Werkzeug für eine Prüfungs-Entscheidung bräuchte.

Der gemeinsame Nenner ist ernüchternd. Die beste belegte Genauigkeitszahl für Deutsch stammt aus einer Masterarbeit von 2023 und bezieht sich auf eine KI-Generation, die heute kaum noch jemand nutzt. Eine peer-reviewte Untersuchung, die 14 Detektoren prüfte, kam unabhängig davon zum selben Gesamturteil, dass die Werkzeuge weder genau noch zuverlässig sind. Einen echten Vorteil haben die deutschen Anbieter trotzdem, und der liegt nicht bei der Genauigkeit, sondern beim Datenschutz. Detectora und das FH-Wedel-Tool verarbeiten Texte auf deutschen Servern, während die großen internationalen Tools meist außerhalb der EU liegen, mehr dazu gleich im nächsten Abschnitt.

Eine Frage lassen fast alle Vergleichsseiten aus, obwohl sie für DACH-Studierende besonders zählt. Wenn Sie Ihre noch unveröffentlichte Haus- oder Abschlussarbeit in einen kostenlosen Detektor kopieren, geben Sie unveröffentlichtes geistiges Eigentum an einen meist außereuropäischen Anbieter weiter. Was danach mit dem Text geschieht, ob er gespeichert oder zum Training weiterverwendet wird, regeln die Anbieter höchst unterschiedlich, von ausdrücklichem Verzicht bis zu Datenschutzerklärungen, die dazu gar nichts sagen.

Ein voreiliger Upload kann mehr Probleme schaffen, als er löst, ohne dass Sie im Gegenzug ein verlässliches Ergebnis bekommen. Bevor Sie irgendein Tool nutzen, lohnt sich deshalb ein nüchterner Dreischritt.

1. Die Datenschutzerklärung des Tools lesen.
2. Den Serverstandort und eine mögliche Weiterverwendung zum Training klären.
3. Im Zweifel keinen sensiblen oder unveröffentlichten Text eingeben.

Nicht-kommerzielle, an Hochschulen entwickelte Werkzeuge sind hier oft transparenter als die Freemium-Tools mit den lautesten Genauigkeits-Versprechen.