Kann man KI-geschriebene Arbeiten erkennen? Was Detektoren wirklich leisten

Ein Schüler reicht eine auffallend flüssige Arbeit ein. Die Lehrkraft prüft den Text mit einem KI-Detektor und liest: 91 Prozent Wahrscheinlichkeit für KI. Fall erledigt? Nein. Wer versteht, wie diese Detektoren arbeiten, weiß, dass diese Zahl viel weniger aussagt, als sie scheint, und dass es bessere Wege gibt, mit KI-erstellten Arbeiten umzugehen.

Dieser Beitrag behandelt die Erkennungsfrage, die derzeit in vielen Lehrerzimmern und Prüfungsämtern diskutiert wird. Die kurze Antwort vorweg: Verlassen Sie sich nicht auf ein Prozent-Ergebnis, sondern auf Verfahren, die den Arbeitsprozess sichtbar machen.

Warum KI-Detektion so oft danebenliegt

KI-Detektoren suchen nach statistischen Mustern: Wie vorhersehbar sind die Wortwahlen, wie gleichmäßig ist der Satzbau. KI-Text ist im Durchschnitt vorhersehbarer als menschlicher Text, darauf stützt sich die Erkennung. Das Problem: Das ist ein Durchschnitt, kein Fingerabdruck.

Zwei Fehlerarten sind die Folge. Der Detektor übersieht KI-Text, den ein Schüler leicht überarbeitet hat, denn schon wenige Änderungen entfernen die statistische Regelmäßigkeit. Und schlimmer: Der Detektor schlägt bei echtem menschlichem Text an, der zufällig regelmäßig aufgebaut ist. Wer ordentlich und formell schreibt, und besonders wer in einer Zweitsprache schreibt, wird nachweislich häufiger zu Unrecht verdächtigt. Eine Betrugsanschuldigung auf Basis einer solchen Prozentzahl lässt sich nicht begründen, und der Schaden einer falschen Anschuldigung ist groß.

An technischen Auswegen wird gearbeitet, etwa an Wasserzeichen, die KI-Text unsichtbar markieren. Aber auch das ist keine geschlossene Lösung: Ein Wasserzeichen funktioniert nur, wenn der Anbieter des Modells mitmacht, und es übersteht Überarbeitung häufig nicht. Auf absehbare Zeit gibt es kein Werkzeug, das KI-Text zuverlässig beweist.

Was funktioniert: den Prozess sichtbar machen

• Zwischenschritte einreichen lassen. Gliederung, Entwurf, Quellenliste mit Notizen. Einen glaubwürdigen Arbeitsprozess zu fälschen ist mehr Arbeit als selbst zu schreiben.
• Über die Arbeit sprechen. Fünf Minuten Nachfragen zeigen schnell, ob jemand den eigenen Text kennt.
• Aufgaben stellen, die KI schlecht kann. An eigene Erfahrung koppeln, an den Unterricht, an lokale Quellen. Generische Aufgaben bekommen generische KI-Antworten.
• Vereinbarungen statt Verbote. Festlegen, was erlaubt ist (Brainstorming, Feedback) und was nicht (den Text schreiben lassen), und die KI-Nutzung angeben lassen.

Die Chance im Problem

Wichtig ist auch der Umgang mit dem Verdachtsfall selbst. Ein Detektor-Ergebnis kann Anlass für ein Gespräch sein, aber nicht die Grundlage für eine Sanktion. Wer eine Täuschung feststellen will, braucht mehr als eine Prozentzahl: das Gespräch über den Inhalt, den Vergleich mit früheren Arbeiten, die Zwischenschritte. Das ist aufwendiger, aber es ist der einzige Weg, der einer Prüfung standhält und die Beziehung zur Klasse nicht beschädigt.

Die unbequeme Wahrheit: Schülerinnen und Schüler nutzen diese Werkzeuge ohnehin, und nach der Schule erst recht. Wer nur verbietet, erzieht zu heimlicher und schlechter Nutzung. Wer erklärt, warum KI überzeugend klingt und trotzdem Fehler macht, vermittelt genau den kritischen Blick, den es braucht.

Wer selbst verstehen möchte, wie ein Sprachmodell schreibt und warum Detektion prinzipiell schwierig ist: Was ist ein LLM? erklärt die Grundlage, und Modul 1 ist kostenlos lesbar.