Zu glatt, zu strukturiert, zu viel Markdown – also KI?

„Das ist doch KI.“ Dieser Satz fällt inzwischen schnell. Ein Text ist sauber gegliedert, sprachlich glatt, vielleicht etwas zu ordentlich oder vielleicht zu lang. Es gibt klare Zwischenüberschriften, Aufzählungen oder Markdown-Formatierungen – und schon scheint die Sache entschieden.

Doch so einfach ist es nicht. Ein Text kann Hinweise auf KI-Nutzung enthalten, typische Muster zeigen oder ungewöhnlich gleichförmig wirken. Das ist aber noch kein belastbarer Nachweis darüber, wie er tatsächlich entstanden ist. Genau hier liegt das Problem vieler heutiger Diskussionen über KI-Texte.

Schon der Begriff selbst ist unscharf. Hat eine KI nur Ideen geliefert? Eine Gliederung vorgeschlagen? Einen vorhandenen Text sprachlich überarbeitet? Einzelne Passagen formuliert? Oder stammt der Text fast vollständig aus einem Sprachmodell? Was wurde ergänzt? Was nur kurz überflogen? Zwischen rein menschlichem Schreiben und weitgehend automatisierter Texterzeugung liegen inzwischen viele Zwischenstufen. Die einfache Frage „Mensch oder KI?“ bildet diese Realität nur unzureichend ab.

Hinzu kommt: Viele Eigenschaften, die wir heute spontan mit KI verbinden, sind keineswegs exklusiv maschinell. Menschen schreiben gleichförmig, nutzen Listen, arbeiten mit klaren Strukturen oder formulieren bewusst nüchtern. Gerade Fachautoren tun das oft ganz gezielt, weil komplexe Inhalte dadurch verständlicher werden.

Umgekehrt können moderne Sprachmodelle so angewiesen werden, dass ihre Texte persönlicher, unregelmäßiger oder stilistisch eigenwilliger wirken. Wer nur den fertigen Text betrachtet, sieht also das Ergebnis – nicht den Entstehungsprozess.

Das gilt auch für das menschliche Bauchgefühl. Wer die Texte eines Mitarbeiters oder Autors lange kennt, bemerkt vielleicht einen plötzlichen Stilbruch. Das kann ein sinnvoller Anlass sein, genauer hinzusehen. Ein Satz wie „Das klingt nach ChatGPT“ bleibt aber zunächst eine Einschätzung. Studien zur menschlichen Erkennung KI-generierter Texte zeigen, dass Menschen bei dieser Aufgabe erhebliche Schwierigkeiten haben können. Persönliche Erfahrung hilft beim Einordnen, ersetzt aber keinen Nachweis.

Ähnlich verhält es sich mit KI-Detektoren. Sie suchen nach statistischen oder erlernten Mustern, die bei KI-generierten Texten häufiger vorkommen können. Unter bestimmten Bedingungen kann das durchaus funktionieren. Die Ergebnisse hängen jedoch stark davon ab, welches Modell den Text erzeugt hat, welche Sprache und Textsorte untersucht wird und ob der Text anschließend verändert wurde.

Weber-Wulff und Kollegen untersuchten zwölf frei verfügbare und zwei kommerzielle Detektoren und fanden deutliche Grenzen bei der zuverlässigen Unterscheidung menschlicher und KI-generierter Texte. Tufts, Zhao und Li kamen in ihrer 2025 veröffentlichten Untersuchung ebenfalls zu dem Ergebnis, dass die Robustheit solcher Verfahren bei anderen Modellen, Textdomänen oder bearbeiteten Texten deutlich nachlassen kann. Gleichzeitig zeigen andere Untersuchungen, dass Detektion unter definierten Testbedingungen durchaus brauchbare Ergebnisse liefern kann.

Die sachlichere Schlussfolgerung lautet deshalb: KI-Detektion kann funktionieren, aber ein einzelner Detektorwert ist kein universeller Herkunftsnachweis.

Selbst Anbieter wie Turnitin weisen ausdrücklich auf Fehlklassifikationen hin und empfehlen, die eigene KI-Erkennung nicht als alleinige Grundlage für nachteilige Entscheidungen zu verwenden. Gerade in Unternehmen ist das wichtig. Ein False Positive ist nicht nur ein technischer Fehler. Daraus kann schnell ein Vorwurf gegenüber einem Mitarbeiter, Bewerber oder Dienstleister entstehen. Je größer die Konsequenz einer solchen Einstufung, desto belastbarer sollte auch die Grundlage sein.

Ein besonders gutes Beispiel für vorschnelle Zuschreibungen ist Markdown.

Heute werden Sternchen, Überschriftenzeichen oder klar erkennbare Formatierungsstrukturen teilweise fast reflexartig mit ChatGPT oder anderen LLMs verbunden. Dabei ist Markdown alles andere als eine KI-Erfindung.

John Gruber stellte Markdown bereits im März 2004 öffentlich vor. Ziel war es, Texte für das Web in einer einfachen und gut lesbaren Klartextsyntax schreiben zu können, ohne sich beim Schreiben ständig mit HTML beschäftigen zu müssen. Markdown existiert damit seit mehr als 22 Jahren und war von Anfang an ein Werkzeug für menschliche Autoren und Web-Publishing.

Gruber selbst nutzte Markdown bereits 2004 für veröffentlichte Texte auf Daring Fireball. Auch ich habe Markdown schon früher als Autor in meinen eigenen beruflichen Texten und in Mails für strukturell sichtbare Verbesserungen verwendet, lange bevor die heutige Diskussion über ChatGPT und generative KI entstanden ist.

Gerade deshalb wirkt die heutige Zuschreibung etwas eigentümlich. Eine Schreibtechnik, die Autoren seit vielen Jahren verwenden, wird plötzlich als vermeintliches KI-Merkmal gelesen. Natürlich nutzen auch KI-Systeme Markdown. Das bedeutet aber nur, dass sie ein vorhandenes Format verwenden. Markdown zeigt, wie ein Text strukturiert wurde – nicht, wer ihn geschrieben hat.

Vielleicht liegt genau hier der wichtigere Punkt. Wir versuchen künstliche Intelligenz zum Teil anhand von Merkmalen zu erkennen, die ursprünglich aus menschlicher Sprache und menschlichen Schreibgewohnheiten stammen. Gleichzeitig verändern digitale Werkzeuge seit Jahrzehnten die Art, wie Menschen schreiben. Die Grenze zwischen vermeintlich „menschlich“ und vermeintlich „maschinell“ wird dadurch nicht klarer, sondern unschärfer.

Für Unternehmen ist deshalb eine andere Frage oft hilfreicher. Wenn die Herkunft eines Textes wirklich relevant ist, sollte nicht nur der fertige Text betrachtet werden. Entwürfe, Versionsstände, Quellen und nachvollziehbare Bearbeitungsschritte können wesentlich mehr über seine Entstehung aussagen. Ebenso wichtig ist die Frage, ob und wofür KI eingesetzt wurde und wer anschließend die fachliche Verantwortung übernommen hat.

Technische Provenienzansätze wie C2PA verfolgen einen ähnlichen Gedanken: Herkunft und Bearbeitung sollen möglichst nachvollziehbar dokumentiert werden, statt später allein aus dem sichtbaren Ergebnis auf die Entstehung zu schließen.

Für Geschäftsführer und Führungskräfte ist deshalb meist nicht die Frage entscheidend, ob ein Text „nach KI klingt“. Wichtiger ist, ob der Inhalt fachlich korrekt ist, ob die Quellen geprüft wurden, ob KI entsprechend den Unternehmensregeln eingesetzt wurde und welcher Mensch die Verantwortung für das Ergebnis übernimmt.

Die Beurteilung lautet also vielleicht nicht:

„Sieht dieser Text nach KI aus? Damit ist er redaktionell fragwürdig.“

Sondern:

„Können wir nachvollziehen, wie dieser Text entstanden ist, worauf seine Aussagen beruhen und wer dafür Verantwortung übernimmt?“

Das ist weniger spektakulär. Aber für Unternehmen und Beiträge im Netz wesentlich brauchbarer, wenn Menschen sich mit ihren Kenntnissen anderen Interessenten mitteilen wollen.

Quellen

John Gruber / Daring Fireball — Introducing Markdown, 15. März 2004. Primärquelle zur Einführung von Markdown und seinem ursprünglichen Zweck als leicht lesbare Schreibsyntax für Webautoren.

Weber-Wulff et al. — Testing of Detection Tools for AI-Generated Text, 2023. Untersuchung von zwölf frei verfügbaren und zwei kommerziellen KI-Detektoren.

Tufts, Zhao, Li — A Practical Examination of AI-Generated Text Detectors for Large Language Models, Findings of NAACL 2025. Untersuchung zur Robustheit von Detektoren bei anderen Modellen, Textdomänen und bearbeiteten Texten.

Turnitin — Using the AI Writing Report. Anbieterhinweise zu Fehlklassifikationen und zur eingeschränkten Aussagekraft eines einzelnen Detektorwertes.

NIST — 2024 NIST GenAI Pilot Study – Text-to-Text Evaluation Overview and Results. Ergänzende Gegenposition: Detektion kann unter definierten Testbedingungen durchaus wirksam sein.

C2PA — Guiding Principles und technische Spezifikation zur Provenienz digitaler Inhalte.

Die frühere Verwendung von Markdown durch Mike Winter ist eine vom Autor ausdrücklich bestätigte persönliche Erfahrung.

Fachartikel von Mike Winter | Inhaber von Off Sence AI