KI-generiert, redaktionell von 8thsense ausgewählt, geprüft und freigegeben. EU AI Act, Art. 50
Wer regelmäßig Newsletter, LinkedIn-Posts oder Produkttexte liest, kennt das Gefühl: Viele Texte klingen inzwischen verdächtig ähnlich. Eine Analyse der US-Firma Graphite hat dieses Gefühl jetzt vermessen. Laut Bericht von TechCrunch kommen rund 13.000 Wörter und Wendungen in KI-Texten mindestens doppelt so oft vor wie in Texten von Menschen. Für Geschäftsführer, die Website, Newsletter oder Social Media mit ChatGPT, Claude oder Gemini befüllen, ist das mehr als eine Kuriosität: Kunden merken den Einheitston, und er färbt auf die Marke ab.
So hat Graphite gemessen
Die Forscher nahmen als Vergleichsbasis knapp 10.000 Artikel, die vor dem Start von ChatGPT erschienen sind, also sicher von Menschen stammen. Anschließend ließen sie verschiedene Sprachmodelle zu denselben Themen eigene Artikel schreiben, jeweils auf Basis einer Zusammenfassung. So entstehen Textpaare zum gleichen Inhalt, die sich nur im Autor unterscheiden. Als typisches Merkmal (im Englischen „Tell”) gilt ein Wort, eine Wortgruppe oder ein Satzmuster, das nach Längenbereinigung mindestens doppelt so häufig auftaucht wie beim Menschen. Untersucht wurden unter anderem Claude Opus 5.5, GPT-6 Astra und Gemini 3.1 Pro sowie mehrere Vorgängerversionen (Quelle: graphite.io). Pro Modell weist Graphite mehrere Tausend solcher Merkmale aus, bei Claude Opus 5.5 etwa 2.548. Die Gesamtzahl von rund 13.000 nennen TechCrunch und Gizmodo.
Jedes Modell hat seine Lieblingsfloskeln
Besonders aufschlussreich sind die Beispiele, weil sie zeigen, wie schnell sich ein Text „nach Maschine” anfühlt. Die Werte beziehen sich auf englischsprachige Texte und geben an, wie viel häufiger die Wendung im Vergleich zum menschlichen Text vorkommt:
„this matters” (das ist wichtig) bei Claude Opus 5.5: 116-mal häufiger, „why … matters” 92-mal.
„is more than a … it” (ist mehr als ein …, es ist): 98-mal häufiger.
„dependable” (verlässlich): 23-mal häufiger. Gizmodo nennt hier abweichend 26-mal.
„looking ahead the” (mit Blick nach vorn): 40-mal häufiger.
Bei GPT-6 Astra fällt laut TechCrunch vor allem die korrigierende Formulierung auf, etwa „not simply X”, mit mehr als 100-facher Häufigkeit, dazu vorsichtige Einschränkungen wie „may provide”.
Die Liste liest sich wie ein Textbaukasten, den viele Unternehmen bereits aus eigenen KI-Entwürfen kennen dürften. Im Deutschen tauchen die Muster in übersetzter Form auf: das nachgeschobene „Und genau das ist entscheidend”, das „nicht nur …, sondern auch” oder der Ausblick „Ein Blick nach vorn zeigt”.
Der Gedankenstrich ist als Erkennungszeichen erledigt
Lange galt der lange Gedankenstrich als sicheres Indiz für KI-Texte. Das stimmt nicht mehr. Claude Opus 5.5 nutzt ihn laut Graphite 99 Prozent seltener als der Vorgänger Opus 5, GPT-6 Astra liegt 88 Prozent unter dem menschlichen Wert, Gemini 3.1 Pro hat ihn nahezu abgelegt (Quelle: techcrunch.com). Das Gesamtbild ändert sich dadurch kaum: Die Zahl der Merkmale bleibt nach Angaben der Forscher weitgehend stabil. Verschwindet ein bekanntes Muster, tauchen neue auf. Graphites Chief AI Officer Greg Druck sagte TechCrunch, die Claude-Modelle näherten sich der menschlichen Wortverteilung über die Zeit an, die GPT-Modelle entfernten sich dagegen weiter davon. Seine Vermutung: Bei Milliarden von Parametern könnten die Anbieter nur begrenzt testen, einige Muster rutschten immer durch.
Einordnung: Wer hier misst
Zur Einordnung gehört, wer die Zahlen vorlegt. Graphite beschreibt sich selbst als wachstumsorientierte Agentur mit SEO-Angebot und hat ein eigenes Interesse an dem Thema. Gizmodo rät deshalb, die Ergebnisse „mit Vorsicht” zu lesen (Quelle: gizmodo.com). Methodisch ist die Studie dennoch nachvollziehbar dokumentiert: Graphite legt Schwellenwerte offen und stellt Daten und Rohtexte zum Download bereit. Ein Teil der Bewertungen, etwa wie „geschraubt” ein Text wirkt, stammt allerdings selbst von einem Sprachmodell. Und alle Werte beziehen sich auf Englisch. Die Richtung der Befunde deckt sich aber mit dem, was viele Leser im Alltag beobachten. Auch t3n griff die Analyse auf und verweist auf LinkedIn, wo Nutzer inzwischen mutmaßlich KI-generierte Beiträge melden können (Quelle: t3n.de).
Was das für Unternehmen bedeutet
KI-Entwürfe sind für kleine Teams eine echte Entlastung, gerade dort, wo niemand hauptberuflich schreibt: in der Pflegevermittlung, im Handwerksbetrieb, im Verein oder in der Tanzschule. Das Problem ist nicht der Einsatz von KI, sondern der unbearbeitete Entwurf. Wer drei Wettbewerber mit demselben Werkzeug und denselben Floskeln vor sich hat, wird austauschbar. Drei Schritte helfen, ohne dass dafür eine Redaktion nötig ist:
Eine Stilvorgabe anlegen: eine Seite mit Tonalität, Anrede, typischen eigenen Formulierungen und einer Sperrliste von Floskeln. Diese Vorgabe wird in ChatGPT, Claude oder Gemini als feste Anweisung hinterlegt. Aufwand: ein bis zwei Stunden, einmalig.
Einen kurzen Redaktionsschritt einplanen: Eine Person im Team liest jeden Text vor der Veröffentlichung und streicht Füllsätze, Superlative und Formeln wie „Das ist entscheidend”. Fünf bis zehn Minuten pro Text reichen meist.
Eigenes Material einspeisen: echte Kundenfragen, Zahlen aus dem Betrieb, ein konkretes Beispiel vom Vortag. Das kann kein Modell erfinden, und genau das macht den Unterschied.
Wer Texte in größerer Menge erzeugt, etwa Produktbeschreibungen oder wiederkehrende Kundenmails, kann Stilvorgabe und Prüfschritt fest in den Ablauf einbauen und als Teil einer KI-Automation aufsetzen. Entscheidend bleibt der Mensch am Ende der Kette: Er sorgt dafür, dass der Text nach dem Betrieb klingt und nicht nach dem Werkzeug.
