Drei Jahre lang lautete die Standardantwort auf KI-Texterkennung: Sie funktioniert nicht zuverlässig genug, um darauf Entscheidungen zu stützen. Das muss aktualisiert werden. Allerdings fällt das Update enger aus, als die Schlagzeilen suggerieren. Aber es rettet die Erkennung nicht.

Was sich tatsächlich verbessert hat

Im Juni 2026 testete eine peer-reviewte Studie im International Journal for Educational Integrity vier kommerzielle Detektoren anhand von 160 Dokumenten bekannter Herkunft. Alle vier erkannten jeden vollständig von Menschen verfassten Text korrekt. Pangram schnitt am besten ab. Ein Arbeitspapier der University of Chicago kam ein Jahr zuvor zu einem ähnlichen Ergebnis: Bei mittleren und langen Textpassagen lag Pangrams Rate falsch-positiver Ergebnisse praktisch bei null.

Zum Vergleich: Die noch immer häufig zitierte Untersuchung von 2023 fand bei allen 14 getesteten Tools eine Genauigkeit von unter 80 %. Das Problem der Fehlalarme hinter den bekannten Horrorgeschichten – ehrliche Studierende, die aufgrund eines Scores beschuldigt werden – ist bei langen Texten durch die besten Tools weitgehend gelöst. Das ist ein echter Fortschritt und sollte auch so benannt werden.

Was diese Tests nicht messen

Nun betrachten wir, was tatsächlich getestet wird: unveränderte Modellausgaben oder Ausgaben, die per Prompt menschlicher klingen sollen.

Das ist nicht das, was in einem Prüfungsamt ankommt. Ein Studierender, der eine Arbeit auslagert, kopiert nicht einfach rohes ChatGPT in das Abgabefeld. Er lässt den Text zunächst durch einen Humanizer laufen, prüft ihn anschließend mit einem kostenlosen öffentlichen Detektor und wiederholt den Vorgang, bis der Text als unauffällig gilt. Wie ein Wissenschaftler gegenüber The Atlantic sagte: „Im Grunde ist es ein Wettrüsten.“

Für dieses Szenario ist die Studienlage uneinheitlich. Eine Studie der University of Notre Dame aus 2026 ergab, dass nach dem Einsatz eines kommerziellen Humanizers weniger als 4 % der vollständig KI-generierten Umschreibungen noch erkannt wurden. Das Chicago-Papier stellte bei Verwendung eines anderen Humanizers fest, dass ein Tool relativ gut standhielt. Keine der beiden Studien ist peer-reviewed. Die peer-reviewte Studie wiederum humanisierte ihre Texte durch Prompts und nicht mit einem speziellen Tool.

Die treffendere Zusammenfassung lautet daher nicht „Detektoren funktionieren jetzt“. Sie sind bei einem Test deutlich besser geworden, der dem Fall, mit dem Prüfer tatsächlich konfrontiert sind, nur begrenzt ähnelt. Die auffälligsten Zahlen, z.B. die häufig zitierte Quote von einem Fehlalarm bei 25.000 Texten, stammen aus Tests der Anbieter.

Selbst perfekte Erkennung würde die falsche Frage beantworten

Nehmen wir an, das Wettrüsten wäre morgen zugunsten der Detektoren entschieden. Es bliebe trotzdem dieses Problem: Ein Detektor beantwortet nur eine Frage: War KI an der Erstellung des Textes beteiligt?

Diese Frage verliert zunehmend an Aussagekraft. Die bayerische Regierung hat vorgeschlagen, dass Hochschulen den Einsatz von KI in unbeaufsichtigten schriftlichen Prüfungen nicht mehr einfach verbieten dürfen, sondern stattdessen Regeln für die Dokumentation ihrer Nutzung festlegen müssen. Australiens Aufsichtsbehörde empfiehlt Hochschulen, KI innerhalb definierter Grenzen zu erlauben. Die AI Assessment Scale basiert auf vier ihrer fünf Stufen auf erlaubter Nutzung.

Wo KI erlaubt ist, ist „KI war beteiligt“ kein Befund. Es ist eine Beschreibung normaler Praxis.

Und es trifft die Falschen

Die Notre-Dame-Studie untersuchte auch, was eine zuverlässige Erkennung mit ehrlichen Studierenden macht. Leichte, richtlinienkonforme KI-Bearbeitung, also genau die Art, die viele Richtlinien inzwischen ausdrücklich erlauben, wurde in 38 % bis 80 % der Fälle als KI-generiert erkannt.

Zusammen mit dem Ergebnis zur Nutzung von Humanizern ergibt sich ein klares Bild. Die Autoren formulieren es deutlich: „Ehrliche KI-Bearbeitung führt zu einem höheren Sanktionsrisiko als die Umgehung durch Humanizer.“

Anthropic sagt Ähnliches über sein eigenes Text-Wasserzeichen. Es zeigt, dass Claude beteiligt war, kann aber „nicht zwischen ‚Claude hat dies geschrieben‘ und ‚Claude hat dies stark bearbeitet‘ unterscheiden“. Beteiligung ist erkennbar. Der konkrete Beitrag nicht.

Was eine Entscheidung tatsächlich erfordert

Gerichte haben diese Grenze bereits gezogen. Im Januar 2026 hob ein Gericht in New York eine Entscheidung wegen Fehlverhaltens auf, die auf einem KI-Score von 100 % beruhte. Ausschlaggebend war nicht, ob der Detektor richtig lag, sondern das Verfahren: Dem Studierenden wurde kein Berater zugestanden, seine eigenen Gegenbelege wurden nicht berücksichtigt, und derselbe Beamte entschied sowohl über den Fall als auch über den Einspruch. Die Feststellung sei „ohne gültige Grundlage und ohne Begründung“ gewesen.

Deutsche Verwaltungsgerichte sind zu vergleichbaren Schlussfolgerungen gelangt. Ein Detektorergebnis kann höchstens ein Indiz unter mehreren sein; die Beweislast bleibt bei der Prüfungsbehörde.

Auch die Anbieter stimmen dem zu. Turnitin bezeichnet seinen Score als Ausgangspunkt für ein Gespräch, nicht als Beweis. Selbst die für die Erkennung günstigste Studie von 2026 kommt zu dem Schluss, dass diese Tools „nicht als alleiniger Beleg für Entscheidungen mit hohen Konsequenzen eingesetzt werden sollten“.

Die Frage, die an ihre Stelle tritt

Was hat dieser Studierende selbst beigetragen? Das lässt sich nicht aus einem fertigen Text ablesen, ganz gleich, wie gut der Klassifikator ist, denn genau diesen fertigen Text schreibt der Humanizer um. Dafür braucht es Belege über die Entstehung der Arbeit: Entwürfe, Überarbeitungen, konsultierte Quellen und die Reihenfolge, in der Entscheidungen getroffen wurden.

Australiens TEQSA bezeichnet dies als Nachweise des Lernprozesses und fordert Hochschulen auf, die Infrastruktur zu schaffen, um solche Daten zu erfassen. Gleichzeitig bezeichnet sie diese Daten ausdrücklich als „partielle Einblicke“ in die Aktivitäten eines Studierenden.

Auch über ihre Grenzen sollten wir ehrlich sein. Ein Preprint von 2026 zeigte, dass tastaturbasierte Prüfungen in mehr als 99 % der Fälle umgangen werden können, indem jemand KI-Text einfach erneut abtippt. Prozessdaten zeigen zuverlässig, dass ein Mensch den Text eingegeben hat. Für sich genommen zeigen sie jedoch nicht, dass dieser Mensch ihn verfasst hat.

Das ist kein Argument gegen solche Daten. Es ist ein Argument dafür, sie als das zu behandeln, was sie sind: deutlich bessere Belege als ein Output-Score, aber weiterhin Belege statt Beweise – und etwas, das eine Person zusammen mit der Arbeit selbst und, wenn relevant, in einem kurzen Gespräch bewerten sollte.

Erkennung hat in diesem Gesamtbild weiterhin ihren Platz. Wo KI tatsächlich verboten ist und der Text lang genug ist, ist ein moderner Detektor eine günstige und vernünftige erste Prüfung. Aber er ist nur ein Signal, befindet sich in einem Wettrüsten, das er möglicherweise nicht gewinnt, und beantwortet eine Frage, die Prüfungsordnungen zunehmend weniger relevant machen.

---

Beitrag sichtbar machen

Genau für diesen Wandel entwickeln wir Mentafy: eine Dokumentation darüber, wie Arbeit tatsächlich entsteht – in den Tools, die Studierende bereits nutzen –, sodass sowohl der persönliche Beitrag als auch die KI-Nutzung sichtbar werden. Unser Toolset auf einen Blick ansehen oder Kontakt aufnehmen.