Warum KI-Detektoren bei Nicht-Muttersprachlern häufiger falsch liegen

Die kurze Antwort

KI-Detektoren markieren Texte von Nicht-Muttersprachlern häufiger, weil sie keine Autorschaft feststellen, sondern Vorhersagbarkeit messen: Wie naheliegend ist jedes Wort im Kontext der vorangegangenen? Wer in einer Fremdsprache schreibt, wählt bewusst den sicheren, konventionellen Ausdruck — und genau diese naheliegende Formulierung wählt auch ein Sprachmodell. Der Text wirkt für das Werkzeug maschinell, obwohl er nur vorsichtig ist. Das ist kein Randfall, sondern eine bekannte, in der Forschung beschriebene Verzerrung solcher Werkzeuge — und sie trifft ausgerechnet die Gruppe, die sich am schlechtesten wehren kann.

Betroffen sind beide Richtungen: internationale Studierende, die ihre Abschlussarbeit auf Deutsch schreiben, und deutsche Studierende in englischsprachigen Studiengängen. Der Mechanismus hängt nicht an einer bestimmten Sprache, sondern daran, dass die Textsprache nicht deine stärkste ist.

Was misst ein KI-Detektor eigentlich?

Der wichtigste Satz zuerst: Ein Detektor sieht nicht, wie ein Text entstanden ist. Er sieht nur den fertigen Text. Alles, was er tun kann, ist statistische Eigenschaften dieses Textes mit dem zu vergleichen, was Sprachmodelle typischerweise produzieren.

Die zwei zentralen Größen dabei:

• Vorhersagbarkeit. Wie wahrscheinlich ist jedes einzelne Wort, wenn man die vorangegangenen kennt? Sprachmodelle wählen im Mittel das wahrscheinlichere Wort. Texte mit durchgehend naheliegender Wortwahl bekommen deshalb einen hohen Wert.
• Variation. Wie stark schwanken Satzlänge und Satzbau? Menschliches Schreiben ist unruhiger: lange Sätze neben kurzen, eingeschobene Gedanken, wechselnde Konstruktionen. Gleichmäßige Texte wirken maschineller.

Beides sind Eigenschaften des Stils, nicht der Urheberschaft. Ein Werkzeug, das Vorhersagbarkeit misst, markiert zuverlässig alles, was vorhersagbar ist — Maschinentexte ebenso wie stark konventionalisierte menschliche Texte. Das ist kein Implementierungsfehler einzelner Anbieter, sondern liegt in der Natur des Verfahrens.

Warum trifft das Fremdsprachentexte besonders?

Weil Schreiben in einer zweiten Sprache eine Strategie der Risikovermeidung ist. Wer nicht sicher ist, ob eine ungewöhnliche Wendung idiomatisch klingt, nimmt die Wendung, von der er weiß, dass sie richtig ist. Das ist gutes Sprachverhalten und schlechte Detektorstatistik. Konkret entsteht dabei:

• Kleinerer aktiver Wortschatz. Man greift auf die Wörter zurück, die man sicher beherrscht — also auf die häufigen. Häufige Wörter sind per Definition die vorhersagbaren.
• Erlernte Satzmuster. Formulierungen aus dem Sprachkurs, aus Schreibratgebern, aus gelesener Fachliteratur werden wiederverwendet. Genau diese Muster stecken auch in den Trainingsdaten der Sprachmodelle.
• Weniger Idiomatik und weniger Brüche. Ironie, Umgangssprache, ein bewusster Stilbruch — das sind die Stellen, an denen menschliche Texte unvorhersehbar werden. In der Fremdsprache traut man sie sich zuletzt zu.
• Gleichmäßigerer Satzbau. Sicherheit entsteht durch Wiederholung funktionierender Strukturen. Das senkt die Variation, die Detektoren als menschlich lesen.

Dazu kommt ein zweiter, oft übersehener Effekt: Viele Studierende lassen ihren fertigen, selbst geschriebenen Text sprachlich glätten — durch ein Korrekturprogramm, eine Grammatikhilfe, ein Übersetzungstool oder einen Sprachcheck. Jeder dieser Schritte ersetzt ungewöhnliche Formulierungen durch normale und macht den Text messbar vorhersagbarer. Inhaltlich hat sich nichts geändert, und in vielen Prüfungsordnungen ist reine Sprachkorrektur ausdrücklich zulässig — für den Detektor sieht der Text danach trotzdem maschineller aus als vorher.

Der Fachtext verschärft das Ganze zusätzlich. Wissenschaftliche Sprache ist ohnehin formelhaft: standardisierte Verfahrensbeschreibungen, Passivkonstruktionen, feste Übergänge. Ein Methodikteil ist deshalb in jeder Sprache der am stärksten markierte Abschnitt einer Arbeit — bei Fremdsprachigkeit addieren sich beide Effekte.

Wichtig ist, was daraus nicht folgt: Ein hoher Wert heißt nicht, dass der Text von einer Maschine stammt. Er heißt, dass der Text Eigenschaften hat, die bei Maschinentexten häufig sind — und die bei einer bestimmten Gruppe menschlicher Texte eben auch. Diese Unterscheidung geht in der Praxis regelmäßig verloren, weil ein Prozentwert wie eine Diagnose aussieht und nicht wie eine Wahrscheinlichkeitsangabe.

Wen betrifft das konkret?

Vier Gruppen, die alle dasselbe Sprachprofil erzeugen:

• Internationale Studierende an deutschen Hochschulen, die ihre Arbeit auf Deutsch schreiben. Deutsche Fachsprache ist syntaktisch anspruchsvoll, und wer sie erlernt hat, schreibt sie in der Regel lehrbuchnah — also konventionell.
• Deutsche Studierende in englischsprachigen Studiengängen. Derselbe Effekt in der anderen Richtung, und die zahlenmäßig oft größere Gruppe.
• Alle, die ihren Text sprachlich glätten lassen — durch Software, ein Schreibzentrum oder eine Korrekturlesung. Der Text wird besser und gleichzeitig vorhersagbarer.
• Wer sehr diszipliniert schreibt. Klar, sachlich, ohne Umwege, in kurzen gleichförmigen Sätzen — das ist der Stil, den jeder Schreibratgeber empfiehlt, und statistisch der maschinennächste.

Die unbequeme Konsequenz: Der Detektorwert korreliert teilweise mit Sprachsicherheit und Sorgfalt, nicht mit Ehrlichkeit. Wer das nicht weiß, liest ein hohes Ergebnis als Verdacht — obwohl es auch schlicht bedeuten kann, dass jemand in einer Fremdsprache besonders vorsichtig geschrieben hat.

Warum kurze deutsche Texte das Problem verschärfen

Jede statistische Aussage wird unsicherer, je weniger Material sie hat. Bei einem kurzen Text gibt es schlicht zu wenige Sätze, um Vorhersagbarkeit und Variation verlässlich zu schätzen — ein einzelner formelhafter Absatz kann das Ergebnis dominieren. Ein Exposé, ein Abstract oder eine Seminararbeitseinleitung liegt genau in diesem Bereich.

Bei deutschen Texten kommt hinzu, dass die Datenlage dünner ist: Der Großteil der öffentlich verfügbaren, nachweislich menschlichen Referenztexte ist englisch. Wer für Deutsch keinen eigenen Referenzbestand gemessen hat, überträgt englische Schwellenwerte — und weiß nicht, wie oft sie danebenliegen.

Wir ziehen daraus eine ausdrückliche Konsequenz: Bei kurzen deutschen Texten geben wir gar kein Urteil „hohe Wahrscheinlichkeit für KI“ aus. Nicht weil das Werkzeug dort nichts ausrechnen könnte, sondern weil wir in unseren Messungen keine Schwelle gefunden haben, die wir ehrlich verantworten können. Ein Urteil, dessen Fehlerrate wir nicht kennen, geben wir nicht ab. Welche Schwellen für welche Sprache und Länge gelten und gegen welche Textbestände sie gemessen wurden, steht vollständig auf unserer Genauigkeitsseite — inklusive der Fälle, in denen wir uns enthalten.

Wie groß ist die Fehlerquote?

Bei den meisten Anbietern: unbekannt. Das ist die eigentliche Nachricht. Fast jedes Werkzeug gibt einen Prozentwert aus, kaum eines gibt an, wie oft dieser Wert bei nachweislich menschlichen Texten zustande kommt. Ohne diese zweite Zahl ist die erste nicht interpretierbar.

Woran du erkennst, ob eine Angabe belastbar ist:

• Wird die Falsch-Positiv-Rate genannt? Ohne sie ist ein Genauigkeitswert eine Marketingzahl.
• Wogegen wurde gemessen? Menschliche Referenztexte müssen nachweislich menschlich sein — in der Praxis heißt das: veröffentlicht, bevor es generative Sprachmodelle in der Breite gab.
• Getrennt nach Sprache und Länge? Ein einziger Genauigkeitswert für alles verdeckt genau die Unterschiede, um die es hier geht.
• Ist die Messung nachvollziehbar? Wenn niemand nachrechnen kann, ist es keine Messung, sondern eine Behauptung.

Wir veröffentlichen unsere Falsch-Positiv-Raten getrennt nach Sprache und Textlänge, dazu die Textbestände, gegen die gemessen wurde, und die Fälle, in denen wir uns eines Urteils enthalten. Nachzulesen auf der Genauigkeitsseite. Wir tun das nicht aus Bescheidenheit, sondern weil ein Urteil ohne Fehlerrate für dich wertlos ist: Erst die zweite Zahl sagt dir, wie ernst du die erste nehmen musst.

Hilfreich ist außerdem, zwischen zwei Zahlen zu unterscheiden, die oft vermischt werden. Die eine sagt, wie zuverlässig ein Werkzeug KI-Texte findet — das ist die Zahl, mit der geworben wird. Die andere sagt, wie oft es dabei jemanden trifft, der nichts getan hat. Beide lassen sich gegeneinander verschieben: Wer die Schwelle senkt, findet mehr Maschinentexte und beschuldigt mehr Menschen. Aus deiner Perspektive als Verfasserin oder Verfasser ist ausschließlich die zweite Zahl relevant, und genau sie fehlt fast überall.

Was du tun kannst — und was nicht hilft

Vorweg, weil es der naheliegende Gedanke ist: Absichtlich schlechter zu schreiben, hilft nicht. Du würdest die Qualität deiner Arbeit senken, um einen Wert zu beeinflussen, der ohnehin keine Autorschaft feststellt — und bewertet wird die Arbeit, nicht der Detektor. Das Ziel ist nicht ein niedriger Wert. Das Ziel ist, im Fall einer Rückfrage belegen zu können, dass du den Text geschrieben hast.

Was tatsächlich trägt:

• Dokumentiere den Entstehungsprozess, während du schreibst. Versionsverlauf einschalten, Zwischenstände speichern, Notizen und Materialsammlungen aufheben. Eine Datei-Historie über Wochen ist der stärkste Beleg, den es gibt — und sie lässt sich nachträglich nicht herstellen.
• Halte fest, welche Hilfsmittel du benutzt hast. Rechtschreibprüfung, Übersetzungstool, Literaturverwaltung. Wenn deine Prüfungsordnung eine Kennzeichnung verlangt, erfüllst du damit gleich eine Pflicht — und Sprachkorrektur ist an vielen Hochschulen ausdrücklich erlaubt. Was für deine Hochschule gilt, steht in deiner Prüfungsordnung; die Regelungen unterscheiden sich stark.
• Schau dir dein eigenes Ergebnis vorher an — vor allem den Methodikteil, also den formelhaftesten Abschnitt. Nicht, um zu optimieren, sondern damit du weißt, was jemand anders sieht, und nicht überrascht wirst.
• Schreib in deiner Stimme, wo die Form es zulässt. Einleitung, Diskussion und Fazit erlauben Argumentation, Abwägung und eigene Beispiele — die Stellen, an denen Texte unvorhersehbar werden, ganz ohne Verrenkungen. Der Methodikteil bleibt formelhaft, und das ist richtig so.

Unser KI-Check ist für die ersten 1.500 Wörter kostenlos, verlangt keine Anmeldung und nennt bei jedem Ergebnis, wie oft dieses Urteil bei nachweislich menschlichen Texten in derselben Sprache und Länge falsch liegt. Bei kurzen deutschen Texten sagt er dir stattdessen, dass er es nicht seriös beurteilen kann. Das ist weniger befriedigend als eine Zahl und deutlich nützlicher als eine falsche.

Und falls die Rückfrage schon im Raum steht: Wie du auf einen konkreten KI-Vorwurf reagierst, was du belegen kannst und in welcher Reihenfolge du vorgehst, steht in KI-Vorwurf, obwohl du selbst geschrieben hast: Was jetzt zu tun ist.