Wie der Wert gebaut ist, und wie wir wissen, dass er funktioniert

Was der Wert ist, und was er nicht ist

Der Stilwert zählt Oberflächengewohnheiten, die unbearbeiteter Assistenztext meistens hat. Er läuft von 0 bis 100, und zwei Zahlen auf dieser Skala tragen Gewicht: 25 ist dort, wo ein Text anfängt, möglicherweise maschinengeformt zu wirken; 55 ist dort, wo er stark nach unbearbeiteter Modellausgabe liest. Diese beiden Grenzen sind gegen ein Korpus gesetzt, nicht nach Augenmaß — dazu gleich mehr.

Er ist keine Wahrscheinlichkeit dafür, dass eine KI den Text geschrieben hat, und er ist kein Wasserzeichen-Detektor. Er liest, wie die Wörter angeordnet sind und welche Formulierungen wiederkehren. Er kann bei einer sorgfältigen Autorin hoch ausfallen, deren Prosa zufällig formal und gleichmäßig ist, und niedrig bei bearbeiteter Modellausgabe. Beides steht im Bericht, statt geglättet zu werden — ein Wert, der sich sicher gibt, ist schlechter als kein Wert.

Zwei Arten von Belegen

Der Wert summiert zwei Familien von Messungen. Die erste liegt in Formulierungen: Floskeln, Verbindungswörter am Satzanfang, das Schlussangebot, noch einmal zu überarbeiten. Präzise und eng — wenn eine zuschlägt, liegt sie fast immer richtig, und wer angewiesen wird "schreibe schlicht, keinen Füllstoff", umgeht alle gleichzeitig. Ein Wert, der nur darauf baut, ist eine Phrasenliste, und eine Phrasenliste ist ein Wettrennen, das die Phrasen irgendwann immer verlieren.

Die zweite Familie misst Anordnung statt Wortschatz. Vier Messungen, die keine davon durch Meiden einer Phrasenliste umgangen werden kann:

Interpunktionsbreite

Modellprosa läuft fast alles über Komma und Punkt. Menschliches Schreiben desselben Registers verwendet einen sichtbaren Anteil auf Doppelpunkt, Klammer, Fragezeichen, Semikolon. Gemessen wird, wie viel der Interpunktion außerhalb der beiden Standardzeichen liegt — die stärkste einzelne Messung auf der Verteilungsseite.

Satzlängenform

Die Streuung der Satzlänge allein ist leicht zu erfüllen: Ein Modell wechselt einen 14-Wörter-Satz mit einem 22-Wörter-Satz ab und wirkt damit variiert. Deshalb wird die Spannweite neben der Streuung gelesen — was ein menschlicher Entwurf hat und Modellausgabe nicht, ist ein Fünf-Wörter-Satz neben einem Fünfunddreißig-Wörter-Satz.

Wortschatz-Gleichverteilung

Modellprosa greift zum Synonym, wo ein Mensch das Wort wiederholt, das er eben benutzt hat. Diese Gewohnheit liest sich als reicher Wortschatz und misst sich als eine eingeebnete Häufigkeitsverteilung: Die häufigsten Wörter sind weniger dominant als in menschlicher Prosa.

Wiederholungsabstände

Dieselbe Gewohnheit, entlang des Texts gelesen. Wer über Moorlandschaften schreibt, sagt "Moor" viermal in einem Absatz und dann nicht wieder; ein Modell streut seine Wiederholungen fast gleichmäßig. Gemessen wird, wie gleichmäßig Wiederholungen verstreut sind, in Fenstern, damit die Textlänge sich nicht als Stil verkleidet.

Obendrauf sitzen die sichtbaren Auffälligkeiten, die der Bericht direkt nennt: Gedankenstrichdichte, typografische Anführungszeichen, fett gesetzte Aufzählungsanfänge, Schablonenstruktur, Chat-Assistent-Anrede, Absicherung. Die volle Liste, auf die der Wert aktuell zuschlagen kann:

• Floskeln ("spielt eine entscheidende Rolle", "es ist wichtig zu erwähnen")
• Das Schlussangebot, noch einmal zu überarbeiten
• Unnatürlich gleichmäßiger Satzrhythmus
• Häufiger Gedankenstrich
• Typografische Anführungszeichen und Apostrophe
• Wiederholte "X, Y und Z"-Dreiergruppen
• Aufzählungen mit fett gesetzten Anfängen
• Schablonenhafte Artikelstruktur
• Chat-Assistent-Anrede ("Als KI-Sprachmodell…")
• Absichernde Formulierungen ohne Handelnde

Woran er gemessen wird

Ein Wert ohne beschriftetes Korpus ist eine Meinung. Dieser wird bei jeder Änderung gegen 49 Stichproben in zwei Sprachen geprüft:

Menschlich (31 Stichproben): Prosa, veröffentlicht bevor Assistenten sie hätten schreiben können — Wikipedia- und Wikivoyage-Fassungen von Mitte 2018, und Essays, veröffentlicht zwischen 2001 und 2005. Ausgewählt, um schwer zu sein, nicht leicht: formal, gut gegliedert, über Themen, nach denen Leute Assistenten fragen. Genau dieser Störfaktor lässt einen naiven Wert Kompetenz als KI-Spuren lesen.

Maschinell (18 Stichproben): Ausgabe der großen Assistenten in beiden Sprachen, dazu zehn Stichproben, die eigens geschrieben wurden, um Phrasenlisten zu umgehen — schlichtes Register, keine Gedankenstriche, keine Floskeln, locker, wo locker passt. Diese zehn sind die, die auf der reinen Phrasenlisten-Fassung als menschlich durchgingen.

Die Zahlen, Stand 1. September 2026

Die Testsuite meldet die Trennung als Fläche unter der Kurve — die Wahrscheinlichkeit, dass eine zufällige maschinelle Stichprobe über einer zufälligen menschlichen liegt. 0,5 ist eine Münze; 1,0 ist perfekte Trennung.

Beide Sprachen

0,963

18 maschinelle gegen 31 menschliche Stichproben.

Englisch

0,953

10 gegen 18.

Deutsch

0,986

8 gegen 13.

Vor den Verteilungsmessungen erreichte dasselbe Korpus 0,74 — nahe genug an einer Münze, dass leicht bearbeitete Modellausgabe im Bereich "liest menschlich" landete. Die Band-Ergebnisse zählen mehr als der Durchschnitt: keine menschliche Stichprobe liegt im oberen Band, und drei der achtzehn maschinellen Stichproben liegen unter 25. Zwei davon sind der bewusste Rest ehrlicher Schwellen; die Suite dokumentiert sie, statt sie wegzutunen. Eine ist lange, variierte Modellprosa, die auf jeder Messung wie sorgfältig geschriebene Prosa aussieht, weil sie auf jeder dieser Messungen auch eine ist.

Die Suite fordert Untergrenzen, keine Dezimalstellen: Sie verlangt Trennung über 0,9 und scheitert bei einem Rückschritt darunter, und sie jagt nicht der letzten Stichprobe hinterher, weil 49 Stichproben keine Aussage über die dritte Dezimalstelle tragen — und eine Schwelle, so lange nachjustiert, bis das Korpus perfekt geteilt ist, nennt gewöhnliches menschliches Schreiben maschinell.

Was wir absichtlich nicht werten

Jede Kandidatenmessung wird vor ihrem Platz im Wert nach Klasse und nach Quelle geprüft, denn ein Signal, das die Klassen trennt, indem es die Genres innerhalb des menschlichen Korpus trennt, ist schlechter als kein Signal. Drei Kandidaten wurden berechnet, gemessen und ausgeschlossen:

Anteil der Funktionswörter

Wie viel des Texts aus "der", "und", "in" besteht. Es maß sich wie das stärkste Signal in der Datei — und es ist ein Genre-Detektor. Jeder menschliche Essay liegt hoch, jeder menschliche Enzyklopädie-Eintrag liegt niedrig; auf einem gemischten Korpus ist das eine Münze, die nach Genre gewichtet ist, kein Beleg für Urheberschaft.

Wortschatzreichtum

Type-Token-Verhältnisse fallen mit der Textlänge, die in Fenstern gemessene Fassung ist also ehrlich — und verfolgt trotzdem das Register stärker als die Urheberschaft. Berechnet, intern gemeldet, und aus dem Wert ausgeschlossen.

Durchschnittliche Wortlänge

Auf dem Korpus in beiden Sprachen auf Zufallsniveau gemessen. Sie steht im Bericht, weil ein stilles Streichen eines Nullergebnisses Verschleierung wäre; sie trägt nichts bei.

Denselben Audit läuft über die Phrasenlisten: Jedes Muster in beiden Sprachpaketen wird über das menschliche Korpus gelegt, und ein Muster, das nur auf menschlichen Stichproben zuschlägt, fliegt raus. Ein Muster, das menschliches Schreiben trifft, ist kein Beleg für irgendetwas — außer dafür, dass wir ein schlechtes Muster geschrieben haben.

Woher die Schwellen kommen

Jede Schwelle ist sprachspezifisch, denn Deutsch beugt und komponiert auf Arten, die all diese Messungen verschieben, ohne dass der Schreiber dafür etwas kann. Und jede Schwelle liegt ungefähr am unteren Quartil des menschlichen Korpus statt in der Mitte zwischen den Klassen. Eine Schwelle, darauf gestellt, die beiden Klassen gleichmäßig zu teilen, maximiert die Korpus-Genauigkeit und nennt jeden zweiten ehrlichen Essay maschinell — das ist der Fehler, den dieses Produkt sich nicht leisten kann, und der Grund, warum die eine schwere maschinelle Stichprobe, die trotzdem durchrutscht, absichtlich drinbleibt.

Die rohen Schwerepunkte sind nicht der Wert. Die Summe läuft durch eine feste monotone Kurve, damit die beiden Band-Grenzen auf einem 200-Wörter-Absatz dasselbe bedeuten wie auf einem 2.000-Zeichen-Dokument. Die Punkte einfach zu addieren und bei 100 abzuschneiden brachte ein Drittel gewöhnlichen menschlichen Schreibens über die erste Grenze; die Kurve existiert, damit 25 und 55 das bedeuten, was die Oberfläche sagt.

Was diese Seite ändern würde

Diese Zahlen beschreiben diesen Wert auf diesem Korpus heute. Sie werden bei jeder Änderung am Wert neu gemessen, und diese Seite trägt das Datum der letzten Messung. Was sie stärker machen würde: ein größeres, vielfältigeres menschliches Korpus, besonders informelle Prosa auf Deutsch; und auf der Wasserzeichen-Seite statt der Stilseite ein öffentlicher Prüf-Schlüssel eines Anbieters — sobald einer existiert, wird jede statistische Aussage in diesem Feld überprüfbar, auch unsere.

Was diese Seite nicht ist: die Behauptung, der Wert erkenne Urheberschaft. Er erkennt Gewohnheiten. Wer wissen will, was sicher in seiner Datei steht — die Zeichen, die Metadaten — bekommt vom Prüfer selbst bestimmte Antworten; der Wert ist der Teil, wo die ehrliche Antwort lautet: "Das ist es, was einem sorgfältigen Leser auffallen würde."