Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch15. Juli 2026 · Q005816

AI detectors rarely flag human writing, but sometimes miss AI text imitating real authors

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der bereitgestellte Berichtsauszug berichtet, dass drei KI-Textdetektoren einfache KI-Texte fast immer erkannten, aber bei stilnachahmenden KI-Texten 10 bis 18 Prozent übersahen; bei nachgeahmter wissenschaftlicher Schreibweise waren es laut Bericht etwa 26 Prozent. Menschliche Texte wurden meist korrekt eingeordnet, wobei Originality.ai 3,84 Prozent der Stichprobe fälschlich als KI markierte; die Befunde gelten nur für die getesteten Dienste und Texte.

Mittel

Der bereitgestellte Berichtsauszug vergleicht Pangram, GPTZero und Originality.ai anhand von 495 menschlichen Texten sowie je 297 KI-Texten aus einfachen Prompts und aus Stilnachahmung. Als Erkennung zählte nur ein eindeutiges KI-Urteil in der Standardeinstellung; „Mixed“ galt bei KI-Texten als Nichterkennung.

Bei KI-Texten aus einfachen Prompts lagen die Nichterkennungsraten laut Bericht zwischen 0 und 0,67 Prozent. Texte, die den Stil eines bestimmten Autors nachahmten, wurden deutlich öfter übersehen: je nach Dienst 10,1 bis 17,9 Prozent; im Mittel etwa 13 Prozent. Bei nachgeahmter wissenschaftlicher Schreibweise seien rund 26 Prozent unerkannt geblieben. Menschliche Texte stuften Pangram und GPTZero in der Stichprobe nie als KI ein. Originality.ai markierte 19 von 495 fälschlich als KI (3,84 Prozent).

Die Ergebnisse gelten für die drei getesteten Dienste, ihre Standardeinstellungen und die untersuchten Passagen. Der Auszug enthält keine näheren Angaben zur Textauswahl und erlaubt daher keine belastbare Verallgemeinerung auf andere Detektoren oder Textbestände.

Ausführlich lesen

Der bereitgestellte Berichtsauszug beschreibt einen Vergleich dreier KI-Texterkennungsdienste: Pangram, GPTZero und Originality.ai. Geprüft wurden menschlich verfasste Texte, KI-Texte aus einfachen direkten Prompts und KI-Texte, die den Stil eines bestimmten menschlichen Autors nachahmen sollten. Für jede der beiden KI-Kategorien wurden 297 Passagen ausgewertet, für menschliche Texte 495. Gezählt wurde jeweils das Dokumenturteil der Dienste in der Standardeinstellung. Nur ein eindeutiges Urteil „KI“ galt als Erkennung; ein „Mixed“-Urteil wurde bei KI-Texten als Nichterkennung gewertet.

Laut Bericht erkannten die Dienste KI-Texte aus einfachen Prompts fast immer: Die Nichterkennungsraten lagen zwischen 0 und 0,67 Prozent. Bei stilnachahmenden KI-Texten stiegen sie deutlich: Pangram übersah 30 von 297 Passagen (10,1 Prozent), GPTZero 32 (10,8 Prozent) und Originality.ai 53 (17,9 Prozent). Zusammenfassend wurden im Durchschnitt etwa 13 Prozent solcher Passagen nicht erkannt. Besonders schwach seien die Ergebnisse bei nachgeahmter wissenschaftlicher Schreibweise gewesen; dort seien rund 26 Prozent der KI-Passagen unentdeckt geblieben.

Bei den menschlichen Texten meldeten Pangram und GPTZero in dieser Stichprobe keine Passage fälschlich als KI. Originality.ai tat dies bei 19 von 495 Texten, entsprechend 3,84 Prozent. Die Grafik weist für die Fehlerraten 90-Prozent-Wilson-Intervalle aus; die Stichprobengrößen und Intervalle begrenzen, wie präzise sich die beobachteten Raten verallgemeinern lassen.

Der Auszug belegt damit einen Unterschied zwischen den getesteten Bedingungen: Einfache KI-Texte wurden fast immer erkannt, stilimitierende KI-Texte jedoch deutlich häufiger übersehen, während Fehlalarme bei menschlichen Texten insgesamt selten waren. Diese Ergebnisse beziehen sich auf die beschriebenen drei Dienste, ihre Standardeinstellungen und die untersuchten Passagen. Der bereitgestellte Textauszug enthält keine näheren Angaben zur Auswahl der Texte oder Autoren und erlaubt daher keine weitergehenden Aussagen über andere Detektoren oder Textbestände.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen von Luna geben die Zahlen korrekt wieder und erfinden nichts. Beiden fehlt der Versuchsaufbau mit fünf Textproben, und die Konfidenzintervalle werden nicht erwähnt. Die Einschätzung, dass der Auszug keine belastbare Verallgemeinerung erlaube, ist Lunas eigene Schlussfolgerung und kein Berichtsinhalt.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Versuchsaufbau der Stilnachahmung: Modelle erhielten fünf Textproben eines bestimmten Autors und sollten ihn nachahmen (in beiden Fassungen nicht genannt)
  • Die 90-%-Wilson-Konfidenzintervalle als Angabe der Messunsicherheit (in beiden Fassungen nicht genannt)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
    • clef 100 %kein Bezug
    • Luna 24 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 25 %gleiches Oberthema, hilft nicht
    • Luna 41 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-P3-T08 Welche gemeinsame Bezugsgröße für den Umfang der Nutzung, welcher Beobachtungszeitraum, welcher Stichprobenplan, welche Definition von Beinahe-Vorfall und welche statistische Obergrenze (obere Konfidenzgrenze) würden es jedem erlauben zu sagen: „keine erkennbare systemische Fehlausrichtung (Verhalten gegen die vorgesehenen Ziele oder Werte) im Einsatzmaßstab“? Und wie muss dargestellt werden, dass die Erkennung lückenhaft ist? Luna: Stufe 3 · 24 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 29 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 37 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 31 %einzelne zitierbare Belege
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 43 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
Frieden und Sicherheit
  1. SF-K1 Wie stellt man sicher und weist nach, dass Entscheidungen über den Einsatz von Gewalt, vor allem über Atomwaffen, beim Menschen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 31 %umfangreiche Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 19 %einzelne zitierbare Belege
    • Luna 64 %einzelne zitierbare Belege
    • JEV 55 %umfangreiche Belege
    • amos 36 %umfangreiche Belege
    • SubQ 37 %umfangreiche Belege
    • drex 41 %umfangreiche Belege
    • d3-ultra 52 %umfangreiche Belege
    • Haiku-Prüfung beantwortet teilweise oder widerspricht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →