Der Detektor misst eine Statistik. Er entscheidet nicht, wer den Text geschrieben hat.

Rubrik: Technologie & KI Autor: V Leselänge: ~27 Min Quellen und weiterführende Literatur: 22 Einträge Themen: KI, Bildung, akademische Integrität, Texterkennung, Verantwortung SEO / Arbeitstitel: Wie erkennt man einen von künstlicher Intelligenz geschriebenen Text?

Die Frage lautet: Wie erkennt man einen von künstlicher Intelligenz geschriebenen Text? Sie klingt nur so lange einfach, bis wir merken, dass wir nicht eine Sache vergleichen. Ein statistischer Wert ist kein Ursprung. Ein Wasserzeichen ist kein Detektor für beliebige Chatbot-Ausgaben. Ein niedriger FPR im Labor ist kein niedriger FPR bei einem nicht muttersprachlichen Schreiber. Turnitin Similarity ist nicht Turnitin AI writing. Erst wenn diese vier Dinge getrennt sind, lässt sich lesen, was Klassifikatoren bis September 2026 können, was gemeinsame Tests über sie sagen und warum die öffentlichen Leitlinien der Karls-Universität und der ČVUT den Detektor nicht als Herkunftsnachweis nehmen.

1. Hochschule, Anbieter und Labor messen nicht dieselbe Sache

Stellen wir uns eine Kommission an einer Hochschule vor. Eine Lehrperson bringt einen Text, der ihr zu glatt vorkommt. Der Student behauptet, allein gearbeitet zu haben und sich nur die Sprache habe korrigieren lassen. Das Studienamt will eine klare Regel, weil die Fälle zunehmen und jede Entscheidung eine Berufung tragen muss. Der Anbieter zeigt einen Prozentsatz im Dashboard. Das Labor zeigt eine Genauigkeitstabelle auf einem gemeinsamen Satz. Die Karls-Universität schreibt in einer öffentlichen Empfehlung, dass es kein technisch zuverlässiges Verfahren zur Erkennung generativer KI gibt ^[12]. Die ČVUT untersagt in einer methodischen Anweisung aus dem Jahr 2023 den Einsatz von KI-Werkzeugen zur Erkennung studentischer Lösungen wegen falsch positiver und falsch negativer Ergebnisse ^[13].

Auf den ersten Blick ist das ein Streit darüber, ob „wir KI erkennen können“. In Wirklichkeit beschreibt jede Seite ein anderes Objekt. Der Anbieter misst ein Flag nach seinem Modell und seiner Schwelle. Das Labor misst die Leistung auf einem bestimmten Textsatz, in einer bestimmten Sprache, gegenüber bestimmten Angriffen und mit einer bestimmten Kalibrierung. Die Hochschule entscheidet, ob eine Zahl in die Sanktion gegen einen bestimmten Menschen eingehen darf. Der Student trägt nicht die Folgen der durchschnittlichen Genauigkeit des Werkzeugs. Er trägt die Folgen eines Schlusses über einen Text, in einem Verfahren, mit einer Möglichkeit der Verteidigung.

Deshalb können alle teilweise recht haben und die gemeinsame Entscheidung trotzdem falsch sein. Turnitin hat recht, dass sein Werkzeug einen Zahlenwert zurückgibt und dass es im Mai 2023 ein großes betriebliches Volumen an Abgaben verarbeitet hat ^[10]. Die Forscher haben recht, dass sich Detektoren messen lassen und dass einige Signale Information tragen. Die Karls-Universität und die ČVUT haben recht, dass ein Disziplinarurteil kein Labordiagramm ist. Sobald der Prozentsatz aus dem Dashboard in den Satz „der Student hat betrogen“ übersetzt wird, hat sich der Gegenstand der Messung geändert. Und genau dort entsteht der teuerste Fehler.

Der Detektor misst eine Statistik. Er entscheidet nicht, wer den Text geschrieben hat.

— Jiný Kontext

2. Ein Wert hat mindestens fünf Schichten

Eine Zahl am Ende der Analyse sieht einfach aus. Sie entsteht jedoch in einer Kette von Schichten. Die erste ist das Signal. Es kann Perplexität sein, ein Klassifikator, ein Wasserzeichen, ein Vergleich mit gespeicherter Ausgabe oder Metadaten. Jedes Signal beantwortet eine andere Frage und jedes versagt anders. Perplexität bestraft ungewöhnliche oder umgekehrt zu vorhersehbare Sprache. Ein Klassifikator lernt die Grenze zwischen Sätzen. Ein Wasserzeichen sucht eine statistische Spur, die der Generator zuvor einfügen musste. Metadaten helfen nur, wenn sie vorhanden sind und nicht vom Text getrennt wurden.

Die zweite Schicht ist die Schwelle. Ein Werkzeug kann bei einer Einstellung nützlich und bei einer anderen gefährlich sein. Die Hochschule muss nicht nur wissen, dass der Klassifikator ein hübsches Diagramm hat. Sie muss den Fehlalarm beim Einzelnen kennen, weil die Strafe auf einen Menschen fällt, nicht auf den Durchschnitt. RAID kalibriert deshalb die True-Positive-Rate bei einer False-Positive-Rate von 5 %. Das ist genauer als ein unkontrollierter Standardregler, aber auch das ist keine Entschuldigung für einen Disziplinarautomaten ^[6].

Die dritte Schicht ist die Textpopulation. Ein englischer Aufsatz ist keine tschechische Seminararbeit. Code ist nicht die Einleitung einer Diplomarbeit. Der Text eines Muttersprachlers ist nicht der Text eines Menschen, der in einer Zweitsprache schreibt. Ein übersetzter Absatz ist kein Beweis für einen Autorenwechsel. Ein Domänenwechsel kann die Reihenfolge der Werkzeuge ändern, weil das Modell keinen Autor erkennt. Es erkennt Ähnlichkeit zu dem, was es als menschlich und als maschinell gelernt hat.

Die vierte Schicht ist die Bearbeitung. Ein Text kann paraphrasiert, übersetzt, redigiert oder mit menschlicher Arbeit vermischt sein. Dieser Artikel beschreibt kein Verfahren, wie man Schulregeln umgeht. Er beschreibt nur, dass Bearbeitung die Statistik ändert. Wenn sich das Signal ändert und die Autorschaft nicht, kann der Wert kein Herkunftssiegel sein.

Die fünfte Schicht ist die Entscheidung. Dasselbe Ergebnis kann ein orientierender Anstoß für ein Gespräch sein, darf aber nicht alleiniger Beweis eines Betrugs sein. Diese Schichtung ist kein Detail für Methodologen. Sie bestimmt, ob die Zahl in ein erzieherisches Gespräch gehört, in eine Anpassung der Regeln oder in ein Verfahren, das einem Studenten schaden kann.

3. Eine Ähnlichkeitsstatistik ist kein Herkunftssiegel

Der Klassifikator hat keinen Menschen an der Tastatur gesehen. Er weiß nicht, ob der Student die erste Fassung geschrieben, das Modell für eine Gliederung genutzt, sich das Englisch hat korrigieren lassen, den Text hin- und herübersetzt oder eine fertige Ausgabe übernommen hat. Er sieht einen Text und vergleicht dessen Eigenschaften mit dem, was er in seinem Satz als menschlich und als maschinell behandelt. Daraus kann ein Verdacht entstehen. Daraus allein kann keine Autorschaft entstehen.

Das ist kein Wortspiel. Der Ursprung eines Textes ist eine historische Frage. Wer hat was getan, wann, in welchem Umfang und mit welchem Grad an Selbstständigkeit. Ein statistischer Wert ist eine Frage der Verteilung. Wie sehr ähnelt der Text einer Klasse gegenüber einer anderen. Zwischen diesen Fragen gibt es eine Brücke, aber sie ist nicht automatisch. Die Brücke bilden Kenntnis des Prozesses, der Aufgabenstellung, der Zwischenfassungen, der Konsultationen, der Erklärung, der Verteidigung und der Möglichkeit, die Arbeit zu erläutern.

DetectGPT ist ein nützliches Beispiel. Es geht von der Idee aus, dass maschinell erzeugter Text eine andere Wahrscheinlichkeitskrümmung haben kann als menschlicher Text ^[15]. Das ist eine elegante statistische Hypothese. Es ist kein Herkunftsprotokoll einer Datei. Sobald sich Modell, Sprache, Domäne oder Bearbeitung des Textes ändern, ändern sich auch die Eigenschaften des Signals. Manchmal hilft es. Manchmal bricht es. Der Schluss „ähnelt der Ausgabe eines Modells“ ist nicht dasselbe wie „dieser Mensch hat KI unangemessen genutzt“.

Die Hochschule muss deshalb drei Sätze unterscheiden. Erstens: Das Werkzeug hat den Text markiert. Zweitens: Der Text hat Merkmale, die ein Gespräch rechtfertigen. Drittens: Der Student hat die Regeln verletzt. Den ersten Satz kann Software sagen. Der zweite braucht eine Lehrperson. Der dritte braucht ein Verfahren.

4. Ein Wasserzeichen ist kein Detektor für einen beliebigen Chatbot

Ein Wasserzeichen im Text klingt nach einer Lösung. Der Generator würde bei der Erzeugung einige Wörter mit einer kleinen statistischen Verschiebung wählen, und der Detektor würde später prüfen, ob die Verschiebung im Text geblieben ist. Kirchenbauer und Kollegen beschrieben ein Schema, das laut dem Paper von 2023 die Erkennung schon aus einem kurzen Abschnitt ermöglicht, im Laborsetting angegeben als „as few as“ 25 Tokens ^[3]. Das ist ein wichtiges Forschungsergebnis. Es ist kein universeller Detektor für Text aus dem Internet.

Ein Wasserzeichen wirkt nur dann, wenn der Generator das konkrete Schema wirklich verwendet hat, wenn der Detektor die nötige Konfiguration kennt und wenn der Text keine Änderung durchlaufen hat, die die Spur zerbricht. Wenn jemand dem Detektor eine gewöhnliche Ausgabe eines öffentlichen Chatbots eingibt, bei dem kein öffentlich überprüfbares Wasserzeichen eingesetzt und zur Kontrolle veröffentlicht ist, sucht er kein Siegel. Er sucht statistische Ähnlichkeit. Das ist ein anderes Werkzeug.

Zum September 2026 lässt sich aus öffentlichen Unterlagen nicht ableiten, dass die großen Verbraucherschatdienste einem gewöhnlichen Nutzer ein überprüfbares Textwasserzeichen nach diesem Schema geben. OpenAI spricht nach dem Rückzug seines Klassifikators über Herkunft bei anderen Modalitäten und über breitere Fragen der Provenienz, hat aber keinen öffentlichen, zuverlässigen Textklassifikator zurückgebracht, der allein die Herkunft einer Seminararbeit klären würde ^[1].

Daraus folgt nicht, dass Wasserzeichen keinen Wert haben. Daraus folgt, dass ihr Wert ein anderer ist. Sie können in einem geschlossenen System nützlich sein, das Erzeugung und Prüfung kontrolliert. In einer öffentlichen und gemischten Umgebung, in der Text durch Editoren, Übersetzungen, Kopieren und menschliche Revision wandert, wird aus einem Wasserzeichen kein Gerichtsstempel.

5. Ein niedriger FPR im Labor ist kein niedriger FPR bei einem nicht muttersprachlichen Schreiber

Die False-Positive-Rate sieht nach einer technischen Angabe aus. In der Hochschule ist sie jedoch die Wahrscheinlichkeit, dass ein unschuldiger Text als verdächtig markiert wird. Und diese Wahrscheinlichkeit ist keine Eigenschaft des Werkzeugs für sich. Sie ist eine Eigenschaft des Werkzeugs auf einer bestimmten Textpopulation.

Liang und Kollegen untersuchten im Jahr 2023 insgesamt 91 menschliche TOEFL-Essays und 88 Essays von Achtklässlern in den Vereinigten Staaten. Bei sieben Detektoren, darunter GPTZero, maßen sie bei den TOEFL-Essays eine durchschnittliche False-Positive-Rate von 61,22 %. Achtzehn der 91 TOEFL-Essays, also 19,78 %, markierten alle sieben Detektoren. Mindestens ein Detektor markierte 89 von 91 Essays, also 97,80 % ^[8]. Das ist eine starke Zahl, aber sie hat genaue Grenzen. Sie misst menschliche englische TOEFL-Essays nicht muttersprachlicher Schreiber gegenüber den Werkzeugen vom 15. März 2023. Sie misst keine tschechischen Seminararbeiten im Jahr 2026.

Trotzdem ist sie wichtig. Sie zeigt, dass die Population der Schreiber Teil der Messung ist. Ein engeres Vokabular, ein einfacherer Satzbau oder ein gelernter Schulstil können „modellhaft“ wirken, ohne dass ein Modell den Text geschrieben hat. Ein solches Signal zu bestrafen heißt, Stil, sprachlichen Hintergrund oder Genre zu bestrafen. Das ist genau die Art von Fehler, die eine Institution nicht hinter dem Wort Objektivität verstecken darf.

Daraus folgt nicht, dass jeder Detektor heute denselben Fehler im selben Maß macht. Daraus folgt, dass es nicht reicht, einen FPR aus einem englischen oder einem Anbietertest zu übernehmen und auf tschechische Studenten anzuwenden. Wer die Zahl in einem Verfahren nutzen will, muss ihre Geltung für die gegebene Sprache, das Genre, die Länge und die Population zeigen. Ohne das ist ein niedriger FPR in einer Präsentation nur eine ferne Angabe.

6. Turnitin Similarity ist nicht Turnitin AI writing

Lehrende kennen die Prüfung der Ähnlichkeit mit Quellen. Die hat ihr eigenes Problem, misst aber wenigstens eine andere und verständliche Sache: ob ein Text mit einem anderen Text übereinstimmt. Turnitin Similarity ist nicht dasselbe wie Turnitin AI writing. Eine Übereinstimmung mit einer Quelle kann Abschreiben, eine schlechte Zitation oder eine gängige Wendung zeigen. Ein AI-writing-Wert fragt, ob ein Teil des Textes maschinell geschrieben wirkt. Diese Ergebnisse in einer Sanktion zu mischen ist ein Fehler des Gegenstands.

Das Beispiel ist einfach. Ein Student kann eine Quelle ehrlich zitieren und eine hohe Ähnlichkeit haben, weil Bibliographie, gesetzliche Formulierungen oder die Aufgabenstellung gleich sind. Ein anderer kann den Text so paraphrasieren, dass die Ähnlichkeit sinkt, die Autorschaft aber problematisch bleibt. Ein Dritter kann allein schreiben, aber in einem Genre, das formal, wiederholend und schulisch geglättet ist. Jeder Fall braucht eine andere Frage.

Turnitin selbst unterscheidet in seinen Unterlagen Schwellen und Grenzen. Beim AI-writing-Modell nennt es eine Mindestlänge von 300 Wörtern und beschreibt, wie es mit einem niedrigen Markierungsbereich umgeht ^[11]. In einem Betriebtext von 2023 spricht es von einer document-level false positive rate von weniger als 1 % für Dokumente über 20 % KI-Schreiben auf einem internen Test von 800 000 akademischen Texten vor ChatGPT und von einer sentence-level false positive rate von etwa 4 % ^[10]. Das sind Zahlen des Anbieters, mit definierter Schwelle und eigenem Satz. Sie sind keine Beweisregeln einer tschechischen Hochschule.

Der richtige administrative Satz lautet deshalb nicht „Turnitin hat einen Prozentsatz gezeigt, der Fall ist klar“. Er lautet: „Das Werkzeug hat den Text in einer Aufgabe markiert; wir müssen klären, was es gemessen hat, ob Länge, Sprache und Schwelle passen und ob es eine unabhängige verfahrenstechnische Stütze gibt.“ Das ist langsamer. Aber eine Hochschule, die schneller straft als sie unterscheidet, straft nicht Genauigkeit. Sie straft Bequemlichkeit.

7. Vierzehn Werkzeuge auf vierundfünfzig Dokumenten sind keine Betriebgarantie

Weber-Wulff und Kollegen testeten im Winter und Frühjahr 2023 insgesamt 14 Detektoren, davon 12 öffentliche sowie Turnitin und PlagiarismCheck. Der Satz hatte 9 Dokumente in 6 Klassen, also 54 Dokumente, auf Englisch. Im strengen binären Schnitt erreichte kein Werkzeug mehr als 80 % Treffergenauigkeit; das beste, Turnitin, hatte 76 %. Im halb-binären Schnitt hatte es 79 % und in der logarithmischen Bewertung 81 % ^[5].

Diese Studie hat Grenzen. Der Satz ist klein. Die Sprache ist Englisch. Die Werkzeuge haben sich seit 2023 geändert. Es ist kein Urteil, dass eine bestimmte Version eines bestimmten Werkzeugs im Jahr 2026 nichts Nützliches kann. Es ist jedoch eine gut lesbare Demonstration von etwas anderem: wie leicht sich ein Detektor je nach Textklasse und Bewertungsweise anders verhält.

Eine kleine gemeinsame Methode hat den Vorteil, die Mechanik zu zeigen. Genauigkeit ist nicht eine Sache. Ein binäres Ergebnis bestraft ein anderes Versagen als eine weichere Klassifikation. Übersetzte Texte, menschlich bearbeitete Texte und gemischte Texte sind nicht bloß Rauschen. Sie sind genau die Lagen, in denen Hochschulen leben. Ein Student muss keine reine Modellausgabe abgeben. Er kann einen eigenen Entwurf, eine Sprachkorrektur, eine Übersetzung, eine Konsultation und Zitate haben. Gerade in diesen Zwischenzuständen ist die Disziplinarentscheidung am schwersten.

Deshalb sind vierzehn Werkzeuge auf vierundfünfzig Dokumenten keine Betriebgarantie. Sie sind eine Warnung davor, eine Labortabelle in ein Verfahren über einen Menschen zu übersetzen. Wer einen Detektor verantwortlich nutzen will, muss wissen, wie der Fehler auf den eigenen Texten aussieht. Nicht auf einem Text aus der Werbung.

8. RAID zeigt den Einbruch bei geändertem Sampling. Das ist keine tschechische Diplomarbeit

RAID ist ein größerer und härterer Test. Dugan und Kollegen beschrieben in ACL 2024 einen gemeinsamen Benchmark für die robuste Evaluation von Detektoren maschinell erzeugten Texts. Der Datensatz enthält mehr als 6 Millionen Generierungen, 11 Modelle, 8 Domänen, 11 adversarial attacks und 4 Decoding-Strategien; bewertet werden 8 offene und 4 geschlossene Detektoren ^[6]. Die Autoren verfolgen die True-Positive-Rate bei einer False-Positive-Rate von 5 %. Das ist wichtig, weil man ohne Kalibrierung auf einer Metrik gut aussehen kann, die für die Hochschule nicht tragbar ist.

RAID zeigt zugleich die Brüchigkeit. Eine Repetition Penalty senkt laut Paper die Treffergenauigkeit um bis zu 32 Prozentpunkte ^[6]. Bei naiven Schwellen erscheint bei closed-source-Werkzeugen eine False-Positive-Rate von bis zu 1,7 %; offene Metriken liegen oft deutlich höher ^[6]. Diese Zahlen haben genaue Grenzen. Sie gehören zu dem gegebenen Benchmark, den Modellen, Domänen und Einstellungen. Sie sind keine direkte Messung einer tschechischen Diplomarbeit.

Genau deshalb sind sie nützlich. Sie sagen nicht: „Benutzen Sie niemals einen Detektor“. Sie sagen: „Eine Änderung von Sampling, Domäne und Bearbeitung ändert das Ergebnis so stark, dass die Standardschwelle kein Beweis ist.“ RAID-extra enthält auch tschechische und deutsche Nachrichten und Code ^[7]. Das zeigt, dass es einen tschechischsprachigen Stresstest in einer anderen Domäne gibt. Es bedeutet nicht, dass jemand die disziplinarische Nutzung auf tschechischen Seminar- und Abschlussarbeiten validiert hat.

Ein öffentlicher Benchmark ist eine Karte. Er ist kein Urteil. Er hilft zu sehen, welche Signale Aufmerksamkeit verdienen, wo Werkzeuge fallen und wie sie sich bei geänderten Bedingungen verhalten. Die Entscheidung über einen Studenten muss woanders stehen.

9. Ein zurückgezogener Klassifikator ist Beweis einer Grenze. Er ist kein Beweis, dass ein neues Werkzeug keine hat

OpenAI veröffentlichte im Januar 2023 einen AI Text Classifier. Im Juli desselben Jahres zog sie ihn wegen geringer Genauigkeit zurück ^[1]. Auf einem englischen Challenge-Set gab sie an, dass das Werkzeug 26 % der KI-Texte korrekt als „likely AI-written“ markierte und 9 % der menschlichen Texte fälschlich markierte ^[1]. Die Schwelle war vorsichtig gesetzt, damit es nicht zu viele falsch Positive gab. Der Preis war klar: Das Werkzeug verfehlte viele KI-Texte.

Dieses Beispiel wird oft zu schnell verwendet. Die eine Seite macht daraus den Beweis, dass Erkennung als Feld nichts wert ist. Die andere sagt, das alte Werkzeug sei Vergangenheit und man müsse sich nicht damit beschäftigen. Kein Satz reicht. Es ist die Prüfung eines Werkzeugs einer Firma, eines englischen Satzes und einer Periode. Es ist keine Messung des Tschechischen, von Code, kurzer Texte oder gemischter Autorschaft.

Zugleich ist es der Beweis einer Grenze, die sich nicht wegwischen lässt. Wenn selbst ein großer Anbieter einen öffentlichen Klassifikator zurückzieht, weil er nicht genau genug ist, kann eine Hochschule ohne weitere Stütze nicht behaupten, ein anderer Prozentsatz eines anderen Dienstes reiche zur Schuld. Ein neues Werkzeug kann besser sein. Es muss das jedoch auf der zuständigen Population und bei einer Schwelle zeigen, die den Folgen entspricht.

Die nützliche Frage lautet nicht, ob sich Detektoren verbessern. Sie ändern sich gewiss. Sie lautet, ob ihr Fehler für eine konkrete Entscheidung tragbar bleibt. Für einen orientierenden Hinweis kann die Grenze eine andere sein als für ein Disziplinarverfahren. Für ein Gespräch mit dem Studenten eine andere als für die Annullierung einer Arbeit. Das Wort „Verdacht“ und das Wort „Beweis“ dürfen nicht denselben Regler teilen.

10. Paraphrase bricht die Statistik. Dieser Text ist keine Anleitung für die Hochschule

Sadasivan und Kollegen zeigen in Can AI-Generated Text be Reliably Detected?, dass Paraphrasieren die Leistung von Detektoren und eines Wasserzeichens senken kann ^[2]. Bei wassergezeichneter Ausgabe in einem Experiment an etwa 100 XSum-Passagen sank die Treffergenauigkeit des Detektors nach einer PEGASUS-Paraphrase von 97 % auf 80 %, und die Perplexität stieg um 3,5 ^[2]. Bei DetectGPT auf 200 XSum-Passagen, erzeugt von GPT-2 Medium und paraphrasiert durch ein T5-Modell, sank der AUROC von 96,5 % auf 59,8 % ^[2]. Bei rekursiver DIPPER-Paraphrase nennt das Dossier einen Rückgang von 82 % auf 18 % AUROC ^[2][16].

Diese Zahlen sind kein Rezept. Sie sagen dem Studenten nicht, was er tun soll. Sie sagen der Hochschule auch nicht, dass jeder bearbeitete Text verdächtig ist. Sie sagen, dass sich ein statistisches Signal ändern lässt, ohne dass sich der historische Ursprung einfach ändert. Ein Text kann durch eine Maschine, einen Menschen, eine Übersetzung und eine Redaktion gehen. Autorschaft wird nicht binär, nur weil ein Werkzeug ein binäres Flag zurückgibt.

Ein AUROC von 50 % entspricht dem Zufall. Wenn das Ergebnis nach der Bearbeitung einer zufälligen Unterscheidung nahekommt oder darunter fällt, ist es falsch, eine Strafe auf die Vorstellung zu stützen, der Wert halte stabil. Noch schlechter ist der Gedanke, ein niedriger Wert reinige automatisch und ein hoher überführe automatisch. Beide Fehler haben dieselbe Wurzel: Sie verwechseln statistische Ähnlichkeit mit Herkunft.

Deshalb muss Paraphrase in einem Artikel über Erkennung vorsichtig genannt werden. Nicht als Anleitung zum Umgehen. Als Test der Tragfähigkeit einer Behauptung. Wenn eine kleine Änderung der Formulierung das Ergebnis erheblich ändert, ist das Ergebnis kein Siegel. Es ist ein Signal mit einer Grenze.

11. Eine Nutzungserklärung ist keine Erkennung

Manche Hochschulen reagieren auf generative KI mit einer Pflichtenerklärung. Das ist eine andere Sache als Erkennung. Die Erklärung sagt nicht, dass wir jede Nutzung eines Modells nachträglich erkennen können. Sie sagt, dass der Autor seine Arbeit beschreiben und die Verantwortung für die Art der Nutzung des Werkzeugs tragen soll.

Die Fakultät für Geisteswissenschaften der Karls-Universität führt in der Maßnahme der Dekanin Nr. 3/2026 eine Pflichtenerklärung über die Nutzung generativer KI in der Abschlussarbeit ein ^[14]. Die ČVUT arbeitet in ihren Unterlagen mit einer Erklärung zur künstlichen Intelligenz in Abschlussarbeiten ^[20][21]. Das ist keine Blackbox. Es ist ein Verfahrenselement. Es zwingt den Autor, Recherche, Gliederung, Sprachkorrektur, Texterzeugung und die eigene Verantwortung zu unterscheiden.

Der AI Act in Artikel 50 und die zugehörigen FAQ der Europäischen Kommission regeln Transparenzpflichten bei bestimmten Arten von Ausgaben und Texten im öffentlichen Interesse ^[22]. Sie klären damit nicht die Herkunft jeder Seminararbeit. Das ist kein Hochschuldetektor. Es ist ein rechtlicher Rahmen für Kennzeichnung und Transparenz in einem anderen Entscheidungsraum.

Eine Erklärung kann also vernünftig sein. Sie ist kein Ersatz für einen Beweis. Sie hilft, Regeln zu setzen, das Gespräch zwischen Betreuer und Student zu verbessern und im Voraus zu sagen, was erlaubt ist. Wird ein Verstoß jedoch nachträglich behandelt, reicht es nicht, die Erklärung mit dem Prozentsatz eines Werkzeugs zu vergleichen. Man muss die Arbeit lesen, den Prozess verfolgen und nach Dingen fragen, die der Autor der Arbeit verteidigen können muss.

12. Die Karls-Universität nimmt den Detektor nicht als Beweis. Die ČVUT verbietet ihn zur Erkennung

Die öffentlichen tschechischen Leitlinien sind in diesem Punkt nüchterner als viele Debatten. Die Karls-Universität hält in ihrer Empfehlung zu Abschlussarbeiten fest, dass es kein technisch zuverlässiges Verfahren zur Erkennung generativer KI gibt ^[12]. Die ČVUT hält in der methodischen Anweisung Nr. 5/2023 fest, dass KI-Werkzeuge zur Erkennung studentischer Lösungen nicht verwendet werden sollen, gerade wegen falsch positiver und falsch negativer Ergebnisse ^[13]. Spätere Unterlagen der ČVUT arbeiten eher mit einer Nutzungserklärung zur KI als mit der Erhebung des Detektors zum Beweis ^[21].

Das bedeutet nicht, dass Hochschulen auf akademische Integrität verzichten. Es bedeutet, dass sie sie nicht in einer Blackbox suchen. Ein Betreuer kann die Entwicklung des Textes, die Konsultationen, die Literatur, die Formulierung des Problems und die Fähigkeit des Studenten kennen, das Vorgehen zu verteidigen. Eine Kommission kann prüfen, ob der Student die eigenen Behauptungen versteht. Regeln können erlaubte Sprachhilfe von unzulässiger Übernahme einer Ausgabe unterscheiden.

Die Nationale Technische Bibliothek merkt im Zusammenhang mit KI-Werkzeugen für die Forschung an, dass Detektoren orientierend sind ^[19]. Das ist das genaue Wort. Orientierend heißt nicht nutzlos. Es heißt, dass das Ergebnis die Richtung für die nächste Frage zeigt. Es ersetzt die Antwort nicht.

Im disziplinarischen Zusammenhang ist diese Zurückhaltung auch menschlich wichtig. Ein Fehlalarm ist nicht nur ein Fehler in einer Tabelle. Es ist die Beschuldigung eines Menschen der Unehrlichkeit. Und eine solche Beschuldigung braucht mehr als eine Ähnlichkeitsstatistik.

13. Ein Flag über zwanzig Prozent ist kein Betrugsanteil

Turnitin teilte im Mai 2023 mit, dass es in den 7 Wochen nach der Detektorvorschau 38,5 Millionen Abgaben verarbeitet hat. Davon hatten 9,6 % einen Wert über 20 % KI-Schreiben und 3,5 % einen Wert von 80 bis 100 % KI-Schreiben ^[10]. Diese Zahlen verleiten oft zu einem einfachen Satz: So viele Studenten betrügen. Das wäre eine schlechte Übersetzung.

Die gemessene Einheit sind Abgaben im System Turnitin, einschließlich Aufgaben, in denen KI erlaubt gewesen sein kann oder in denen die Nutzung eines Werkzeugs hätte angegeben werden sollen. Ein Wert über 20 % ist ein Flag nach dem Werkzeug, kein Schluss auf einen Regelverstoß. Ein Dokument mit hohem Wert kann ein Fall zur Prüfung sein. Es ist nicht von sich aus eine Akte.

Der Anbieter arbeitet zugleich mit einem eigenen internen Test von 800 000 akademischen Texten vor ChatGPT und nennt für Dokumente über 20 % KI-Schreiben eine document-level false positive rate von weniger als 1 % ^[10]. Auch diese Zahl hat eine Grenze. Sie gilt für die Methodik des Anbieters, eine konkrete Schwelle und einen Satz. Bei niedrigen Werten hat Turnitin selbst die Ergebnisse relativiert, und die Dokumentation nennt Grenzen für kürzere Texte ^[11].

Daraus folgt eine einfache Regel: Ein Flag ist kein Betrugsanteil. Es ist ein administratives Signal. Nutzt die Hochschule es für ein Gespräch, muss sie es von der Schuld trennen. Nutzt sie es für eine Strafe, muss sie eine weitere Stütze haben. Sonst wird aus Orientierung ein Urteil.

14. Die beste Entscheidung ist die, deren Fehlalarm Sie tragen können

Beim Werkzeug fragen wir oft, wie häufig es KI-Text fängt. Bei der Institution ist ebenso wichtig, wie häufig sie menschlichen Text schädigt. Das folgende Schema ist keine Rangliste von Werkzeugen. Es ist eine Karte der Fehler, die eine Hochschule im Voraus benennen muss.

Illustratives Schema: Der Detektor steht in der ersten Spalte, die Textpopulation in der zweiten und die Entscheidung der Hochschule in der dritten. Der Pfeil von der ersten Spalte in die dritte führt nicht direkt. Er führt über Prüfung, Verteidigung und Regeln.

Die beste Entscheidung ist also nicht die, die einen Fall so schnell wie möglich schließt. Es ist die Entscheidung, deren Fehler sich erklären, korrigieren und menschlich tragen lässt. Bei risikoarmer Nutzung kann ein Detektor helfen, Texte für die manuelle Prüfung zu ordnen. Bei einer Strafe muss die Schwelle strenger sein, weil ein Fehlalarm nicht nur ein technischer Verlust ist. Er ist ein Eingriff in den Ruf.

15. Ein Text, dessen Herkunft Sie kennen, sagt mehr als der Prozentsatz eines Anbieters

Ein praktischer Test muss nicht kompliziert sein. Er soll nicht beweisen, dass jemand betrogen hat. Er soll zeigen, ob die Institution ihr eigenes Werkzeug versteht. Nehmen Sie einen Text, dessen Herkunft Sie kennen: einen eigenen Absatz, der vor dem Aufkommen von ChatGPT geschrieben wurde, einen archivierten Text einer Lehrperson, eine alte Studentenarbeit mit klarem Datum. Lassen Sie ihn durch zwei Detektoren laufen. Unterscheiden sich die Ergebnisse, ist das kein Markenstreit. Es ist der Hinweis, dass ein Wert keine Herkunft ist.

Wie man einen Detektor an einem Text prüft, dessen Herkunft man kennt

Denselben bekannten menschlichen Text kann man hin- und herübersetzen lassen. Weber-Wulff und Kollegen hatten in ihrem Satz eine Klasse maschinell übersetzter Texte ^[5]. Die Übersetzung ändert die Statistik, aber sie ändert nicht den Menschen, der den ursprünglichen Text geschrieben hat. Erscheint nach der Übersetzung ein Flag, sieht die Hochschule den Unterschied zwischen einer Änderung der Oberfläche und einer Änderung der Autorschaft.

Der dritte Test ist die Länge. OpenAI und Turnitin knüpften ihre Grenzen an die Zuverlässigkeit auf einem hinreichend langen Text; Turnitin nennt ein Minimum von 300 Wörtern ^[1][11]. Ein kurzer Absatz, ein Abstract oder eine Antwort in einer Prüfung lässt sich nicht als Diplomarbeit lesen. Es ist eine andere Messeinheit.

Drei Tests vor der Strafe

Der erste Test ist die Abweichung zweier Werkzeuge auf einem bekannten menschlichen Text. Der zweite ist die Änderung des Werts nach der Übersetzung eines bekannten menschlichen Texts. Der dritte ist eine Länge unter der Schwelle des Werkzeugs. Keiner der Tests sagt, wer betrogen hat. Alle drei sagen, ob der Wert das Gewicht tragen kann, das die Institution ihm auflegt.

Vor der disziplinarischen Nutzung

Vor der Strafe müssen Fragen kommen, die nicht nur das Werkzeug betreffen. Gibt es Zwischenfassungen? Kann der Student die Literatur erklären? Passt der Stil zur früheren Arbeit, ohne daraus eine Pseudowissenschaft zu machen? War die Nutzung von KI in der Aufgabenstellung erlaubt, beschränkt oder verboten? War die Regel vor der Abgabe klar? Fehlt die Antwort auf diese Fragen, ergänzt sie kein Prozentsatz.

Die Abweichung zweier Werkzeuge auf einem bekannten Text ist kein Markenstreit. Sie ist der Beweis, dass ein Wert keine Herkunft ist.

— Jiný Kontext

16. Auf Tschechisch extrapolieren Sie keinen englischen FPR

Tschechisch ist nicht bloß Englisch mit diakritischen Zeichen. Es hat eine andere Flexion, eine andere Wortstellung, andere Wendungen, andere Genregewohnheiten und einen anderen Schulstil. Wird ein Detektor vor allem auf englischen Texten trainiert und geprüft, lassen sich seine Zahlen nicht einfach auf eine tschechische Seminararbeit übertragen. RAID-extra zeigt die Existenz einer tschechischen Nachrichtendomäne im erweiterten Test ^[7]. Das ist nützlich. Es ist keine Validierung tschechischer Hochschularbeiten.

Liangs Studie misst nicht muttersprachliches Englisch ^[8]. Weber-Wulff misst englische Dokumente in einem kleinen Satz ^[5]. Der OpenAI Classifier maß ein englisches Challenge-Set ^[1]. Turnitin nennt eigene betriebliche und interne Testzahlen ^[10][11]. Jede dieser Quellen hat Wert. Keine von ihnen sagt: „Hier ist eine zuverlässige False-Positive-Rate für tschechische Diplomarbeiten an der Karls-Universität und der ČVUT in den Jahren 2025 bis 2026.“

Was würde die Hauptthese schwächen? Ein öffentlicher, vorab registrierter Test auf tschechischen Seminar- und Diplomtexten mit einer kalibrierten False-Positive-Rate von höchstens 1 % und zugleich angegebener True-Positive-Rate. Ein Test, der Übersetzung und gewöhnliche menschliche Bearbeitung übersteht. Ein eingesetztes, öffentlich überprüfbares Wasserzeichen bei den großen Chatbots. Oder eine neue Politik tschechischer Hochschulen, die den Detektor ausdrücklich zum Beweis erhöhen würde. Zum Datum der Recherche gibt es im Dossier keine solche Stütze.

Solange sie fehlt, ist es genauer, weniger zu sagen. Ein Detektor kann eine orientierende Hilfe sein. Er ist nicht der Autor des Texts. Er ist kein Zeuge. Er ist kein Beweisautomat.

17. Die versteckte Last ist ein Fehlalarm, den der Bestrafte nicht tragen kann

In der öffentlichen Debatte wird oft der Schaden eines verfehlten KI-Texts gezählt. Ein Student hat betrogen und die Hochschule hat ihn nicht entdeckt. Dieser Schaden existiert. Akademische Integrität ist keine Dekoration. Der zweite Schaden ist weniger sichtbar: der Fehlalarm. Der Student hat den Text selbst geschrieben oder ein Werkzeug in erlaubter Weise genutzt, und das System hat ihn als verdächtig markiert. Die Lehrperson beginnt, anders zu schauen. Eine Kommission will eine Erklärung. Der Ruf ist beschädigt, bevor der Fehler behoben wird.

Das ist die versteckte Rechnung eines bequemen Prozentsatzes. Die Software gibt in einer Sekunde eine Zahl zurück. Die Institution muss die Folge dann Wochen oder Monate tragen. Hat sie kein Verfahren, das den Fehlalarm auffängt, ist der Detektor nicht billig. Er verschiebt nur die Kosten auf den Menschen mit weniger Macht.

Daraus folgt nicht, dass Hochschulen verzichten sollen. Daraus folgt, dass sie genauer benennen sollen, was sie strafen. Verboten kann die nicht angegebene Übernahme einer Ausgabe sein, die Missachtung der Regeln für die Zitation eines Werkzeugs, die Unfähigkeit, die Arbeit zu verteidigen, oder eine irreführende Erklärung. Das alles sind menschlich und verfahrenstechnisch prüfbare Fragen. Ein Detektor kann einen Anstoß geben. Er hat nicht das letzte Wort.

Die Frage lautet also nicht, wie man einen von künstlicher Intelligenz geschriebenen Text an einer Zahl erkennt. Sie lautet: Wem aus einer Ähnlichkeitsstatistik dürfen Sie glauben, bei welcher Textpopulation, mit welcher Schwelle, und welchen Fehler bei diesem Menschen können Sie tragen? Lautet die Antwort „wir wissen es nicht“, ist das unangenehm. Aber es ist genauer als eine Sicherheit, die das Werkzeug nie gemessen hat.

Verwandte Texte dieser Reihe

• Deepfake: Wie erkennt man ein gefälschtes Video oder Foto? — ein Bilddetektor hat dasselbe Problem wie ein Textdetektor: Das Labor ist nicht der Betrieb.
• Ist ein Foto ein Beweis? — die Echtheit einer Datei ist nicht die Vollständigkeit eines Geschehens.