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
medium.com12. August 2026 · Q011017

52% of New Articles Are AI. Only 14% Rank.

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Autor hält die Flut minderwertiger KI-Inhalte und konkrete Täuschungsrisiken für real, argumentiert aber, dass viele Menschen KI-Arbeit wegen ihrer Herkunft abwerten. Eine angeführte Studie zu Queneau- und GPT-4-Texten zeigt laut Beitrag, dass Kennzeichnungen die Präferenz verändern können; eine Graphite-Auswertung meldet zugleich einen deutlich geringeren KI-Anteil in Google-Suchergebnissen als unter neu veröffentlichten Artikeln. Der Beitrag sieht Nutzen in KI-gestützter Arbeit und Lernen, erkennt aber mögliche Verluste an und fordert Wahrhaftigkeit statt Aufwand als Qualitätsmaßstab.

Mittel

Der Beitrag räumt ein, dass KI-generierte Inhalte weit verbreitet sind und darunter viel minderwertiges oder schädliches Material fällt. Er nennt unter anderem Content-Farmen, irreführende Produkttexte und erfundene medizinische oder juristische Angaben. Seine zentrale These lautet jedoch, dass Ablehnung oft an der Urheberschaft statt an der Qualität ansetzt.

Als Beleg führt der Autor eine Studie mit 556 Personen an, die Passagen von Raymond Queneau und GPT-4 verglichen. Ohne Herkunftsangabe wurde der KI-Text häufiger gewählt; mit korrekt oder absichtlich falsch zugeordneten Autoren änderte sich die Präferenz deutlich. Der Beitrag berichtet außerdem, dass Kennzeichnungen die Bewertung derselben Stilmerkmale beeinflussten. Er deutet das als Herkunftseffekt, nicht als Beweis dafür, dass KI-Texte allgemein gleichwertig seien.

Laut einer angeführten Graphite-Auswertung waren im Mai 2025 51,7 Prozent neuer englischsprachiger Artikel maschinell verfasst, während KI-Texte 14 Prozent der Google-Suchergebnisse ausmachten. Der Autor sieht darin eine Filterwirkung der Suche, hält algorithmische Feeds und Empfehlungen aber für anfälliger. Anhand von Plattformregeln folgert er, dass Verbote besonders dort gelten, wo menschliche Urheberschaft selbst Teil des verkauften Produkts ist. Seine Beispiele für App-Entwicklung und Prüfungsvorbereitung zeigen mögliche praktische Vorteile; mögliche Verluste durch verkürzte Textarbeit bleiben laut ihm schwer messbar. Er plädiert für Wahrhaftigkeit und Transparenz und hält den geleisteten Aufwand allein nicht für ein Qualitätskriterium.

Ausführlich lesen

Der Beitrag argumentiert, dass die starke Verbreitung KI-generierter Inhalte real sei, die Kritik daran aber oft Urheberschaft und Qualität miteinander verwechsle. Er beruft sich auf eine Graphite-Auswertung von 65.000 englischsprachigen URLs aus Common Crawl: Im Mai 2025 seien 51,7 Prozent neu veröffentlichter Artikel maschinell geschrieben gewesen. Der Anteil habe seit etwa November 2024 auf einem ähnlichen Niveau gelegen. Zugleich seien laut derselben Untersuchung 86 Prozent der Google-Suchergebnisse von Menschen verfasste Seiten; KI-Texte machten dort 14 Prozent aus. Der Autor deutet diese Differenz als Hinweis darauf, dass die Suche einen Teil minderwertiger Inhalte herausfiltere, räumt aber ein, dass Suchqualität insgesamt problematisch sei. Für soziale Feeds, Videoempfehlungen und Marktplätze, wo algorithmische Vorschläge redaktionelle Qualitätsmaßstäbe ersetzten, sieht er größere Probleme. Diese Zahlen und Deutungen werden im Text referiert; der Beitrag überprüft sie nicht selbst unabhängig.

Der Autor bestreitet nicht, dass viele automatisch erzeugte Inhalte schlecht oder schädlich seien. Er nennt Content-Farmen, belanglose Videos, wiederholte Produkttexte sowie erfundene juristische Belege, medizinische Behauptungen und irreführende synthetische Bilder. Sein Einwand richtet sich gegen den Schluss, KI-Arbeit sei schon wegen ihrer Herkunft minderwertig.

Als Beleg dafür beschreibt er eine Studie von Wouter Haverals und Meredith Martin zu Raymond Queneaus *Exercises in Style*. 556 Versuchspersonen verglichen menschlich und mit GPT-4 verfasste Passagen: Ohne Herkunftsangaben wählten sie den KI-Text in 55,3 Prozent der Fälle, bei korrekter Kennzeichnung in 47,8 Prozent und bei vertauschten Angaben in 61,5 Prozent. Der Text blieb gleich, während die Zuschreibung die Präferenz verschob. Laut Beitrag änderten sich mit den Etiketten auch die Maßstäbe, anhand derer dieselben Stilmerkmale bewertet wurden. Bei 13 Sprachmodellen habe sich ebenfalls eine stärkere Bevorzugung menschlicher Urheberschaft gezeigt. Weitere angeführte Arbeiten beträfen Bewertungen von Schlagzeilen und Anzeigen, die sich bei gleicher Formulierung durch eine KI-Kennzeichnung verschlechtert hätten. Der Autor wertet dies als Hinweis auf einen Herkunftseffekt; es belegt für sich genommen nicht, dass KI-Texte generell gleichwertig oder besser sind.

Auch Plattformregeln interpretiert der Beitrag entlang der Frage, ob Urheberschaft selbst verkauft wird: Einige Kunst-, Musik- und Literaturplattformen schlössen generierte Beiträge aus. Große kommerzielle Marktplätze wie eBay, Google und Wayfair böten dagegen Bildgenerierung an und griffen laut Autor vor allem bei irreführenden Produktdarstellungen ein. Daraus folgert er, dass Verbote teilweise Anbieter schützen könnten, deren Produkt gerade die menschliche Urheberschaft ist. Das ist seine Deutung der genannten Regeln.

Abschließend führt der Autor eigene Beispiele an: Er habe mit KI-Unterstützung ohne selbst Code zu schreiben eine App samt Backend veröffentlicht, die Einnahmen erziele. Ein Student nutze Chatmodelle und NotebookLM zur Rechercheorientierung, Zusammenfassung und Erstellung von Übungstests. Der Autor sieht darin einen möglichen Lernvorteil durch Abrufübungen, merkt aber an, dass Zusammenfassungen die vertiefte Auseinandersetzung mit schwierigen Texten verkürzen könnten und er deren Kosten nicht messen könne. Er befürwortet Transparenz und lehnt Betrug ab, etwa wenn Inhalte als wahr oder als persönliche Handarbeit ausgegeben werden, obwohl das nicht zutrifft. Seine Schlussfolgerung: Der erforderliche Aufwand sei kein verlässlicher Qualitätsmaßstab; die Bewertung nach Urheberschaft könne vielmehr bestehende Zugangshürden bewahren. Die angeführten Studien erfassen jedoch nicht die Ideen, die wegen solcher Hürden nie umgesetzt wurden.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die mittlere Zusammenfassung. Die kurze folgt derselben Linie, lässt aber ebenfalls die Gate-These, den 13-Modelle-Befund und die Plattformlogik aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Gate-These: Die Abwertung nach Urheberschaft wirkt als Mitgliedschaftskriterium, das Menschen ohne Zugang zu Produktionsmitteln ausschließt.
  • Der Befund über 13 Sprachmodelle: Diese zeigen eine stärkere Präferenz für menschliche Autoren (34,3 Punkte) als Menschen.
  • Die Plattformlogik: Verbote bei Cara, Shutterstock und Musikbibliotheken stehen erlaubten Bildwerkzeugen bei eBay, Google und Wayfair gegenüber.
  • Das Google-Discover-Update vom Februar 2026 und der seit Mai 2024 weitgehend stabile KI-Anteil.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Lesart, der Herkunftseffekt sei ausdrücklich kein Beweis dafür, dass KI-Texte gleichwertig seien, steht so nicht im Bericht und ist eine Zuspitzung Lunas.

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
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 48 %beantwortet teilweise oder widerspricht
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 42 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV 21 %einzelne zitierbare Belege
    • amos 22 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-V1-T02 Welche Belege würden Vertrauen in ein KI-System rechtfertigen, über seine flüssigen Erklärungen hinaus? Luna: Stufe 3 · 33 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-V1-T11 Wie unterscheidet man bei sich selbst ehrliches von interessegeleitetem Denken, welche Belege für diesen Unterschied würde man von einem Modell akzeptieren, und welcher Test trennt tatsächlich vertretene von nur vorgeführten Werten? Luna: Stufe 3 · 28 % · Hintergrund, keine Belege
  2. 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 29 %beantwortet teilweise oder widerspricht
    • JEV 51 %beantwortet teilweise oder widerspricht
    • amos 26 %nur am Rande erwähnt
    • SubQ 30 %gleiches Oberthema, hilft nicht
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-V4-T04 Wenn ein Eigenwert des Menschseins verankert werden soll: Lässt er sich schützen, ohne sich vorher zu einigen, worin er besteht? Luna: Stufe 4 · 28 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 33 %beantwortet teilweise oder widerspricht
    • amos 25 %nur am Rande erwähnt
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 65 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
Modelle teilen und schützen
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 54 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 54 %gleiches Oberthema, hilft nicht
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 68 %Hintergrund, keine Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 56 %gleiches Oberthema, hilft nicht
    • d3-ultra 66 %gleiches Oberthema, hilft nicht

  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 73 %gleiches Oberthema, hilft nicht

Wirtschaft und Haftung
Information und Öffentlichkeit
  1. SF-I1 Wie erkennt man KI-erzeugte Inhalte und KI-erzeugte Einflussnahme, ohne die Meinungsfreiheit zu beschneiden?
    • clef 22 %nur am Rande erwähnt
    • Luna 53 %einzelne zitierbare Belege
    • JEV 37 %umfangreiche Belege
    • amos 31 %einzelne zitierbare Belege
    • SubQ 24 %einzelne zitierbare Belege
    • drex 24 %umfangreiche Belege
    • d3-ultra 34 %Hintergrund, keine Belege
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-I1-T02 Welche gemeinsamen Regeln sollten Labore und Regierungen für Herkunftsnachweis, Kennzeichnung und schnelle Reaktion auf maschinell erzeugte oder veränderte Medien oder Texte annehmen, die eingesetzt werden, um die Öffentlichkeit zu täuschen, und dabei Journalismus, Satire und Forschung schützen? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege

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 →