So testen wir unseren KI-Detektor, und was die Zahlen bedeuten
Jede Zahl, die wir veröffentlichen, stammt aus Texten, die der Detektor im Training nie gesehen hat. Zu jeder Zahl gehören die Stichprobe und das Testdatum.
Mit welchen Texten wir testen
Bei jedem KI-Detektor-Test stellen wir zuerst eine Frage: Wie oft hält der Detektor einen Text, den ein Mensch geschrieben hat, für maschinell? Ein solcher Fehlalarm trifft jemanden, der nichts falsch gemacht hat. Deshalb messen wir ihn gesondert. Die aktuellen Zahlen stammen aus einem Test vom 12. Oktober 2026 mit genau der Version des Detektors, die heute auf der Website läuft.
Keiner der Testtexte wurde zum Trainieren oder Abstimmen des Detektors verwendet. Vor jeder Messung gleichen wir die Testmenge mit den Trainingsdaten ab, und in diesem Test ergab der Abgleich 0 Überschneidungen.
So läuft ein Test ab
Testtexte getrennt halten
Kein Text aus der Testmenge wird zum Trainieren oder Abstimmen des Detektors verwendet. Genau das meint der Begriff zurückgehalten.
Auf Überschneidungen prüfen
Vor jeder Messung gleichen wir die Testmenge mit den Trainingsdaten ab. Im aktuellen Test fand der Abgleich keine Überschneidung.
0 TrefferAn der Linie der Ergebniskarte messen
Jeder Text bekommt einen Wert. Als markiert zählt er ab derselben Linie, ab der die Ergebniskarte anzeigt, dass ein Text nach KI klingt.
65Zahlen mit Datum veröffentlichen
Zu jeder Zahl gehören die Stichprobe und das Testdatum. Nach einem neuen Test ändert sich das Datum auf der Genauigkeitsseite.
2026-10-12
Die Testmenge besteht aus drei Gruppen.
- 01
Menschliche Texte von Muttersprachlern
150Texte je SpracheAlltägliche Webtexte, 150 pro Sprache, höchstens 2 von derselben Website, aus 8 Textsorten.
Sprachen- Englisch
- Spanisch
- Französisch
- Deutsch
- Italienisch
- Portugiesisch
- Niederländisch
- Polnisch
- Türkisch
- Russisch
- Arabisch
- Hindi
- Indonesisch
- 02
Menschliche Texte von Sprachlernenden
5Sprachen mit einer LernergruppeTexte von Menschen, die in einer gelernten Sprache schreiben, aus Lernerkorpora auf Englisch, Deutsch, Spanisch, Französisch und Italienisch.
Texte je Sprache- Englisch600
- Spanisch300
- Französisch300
- Deutsch300
- Italienisch300
- 03
Maschinentexte
9aktuelle Chat-ModelleTexte von 9 aktuellen Chat-Modellen, dazu Fortsetzungen eines menschlichen Textanfangs und Paraphrasen.
Texte je Sprache- Englisch75
- Spanisch76
- Französisch77
- Deutsch75
- Italienisch75
- Portugiesisch75
- Niederländisch73
- Polnisch74
- Türkisch73
- Russisch75
- Arabisch73
- Hindi73
- Indonesisch71
Ab wann ein Text als markiert zählt
- Menschliche SeiteDie Ergebniskarte zeigtLiest sich klar wie von Menschen geschrieben
- DazwischenDie Ergebniskarte zeigtWeder klar nach KI noch klar menschlich
- Maschinelle SeiteDie Ergebniskarte zeigtLiest sich klar wie von KI geschrieben
Als markiert zählt ein Text ab einem Wert von 65. Ab derselben Linie zeigt auch die Ergebniskarte an, dass ein Text nach KI klingt. Der Test misst also genau die Einschätzung, die Sie selbst zu sehen bekämen.
Wie oft menschliche Texte markiert werden
| Sprache | Muttersprachler fälschlich markiert | Sprachlernende fälschlich markiert |
|---|---|---|
| Deutsch | 0 von 150 (0,0 %, Spanne 0,0 bis 2,5 %) | 0 von 300 (0,0 %, Spanne 0,0 bis 1,3 %) |
| Englisch | 0 von 150 (0,0 %, Spanne 0,0 bis 2,5 %) | 3 von 600 (0,5 %, Spanne 0,2 bis 1,5 %) |
| Spanisch | 1 von 150 (0,7 %, Spanne 0,1 bis 3,7 %) | 2 von 300 (0,7 %, Spanne 0,2 bis 2,4 %) |
| Türkisch | 0 von 150 (0,0 %, Spanne 0,0 bis 2,5 %) | nicht gemessen |
Die Tabelle zeigt die Fehlalarme in den vier Sprachen dieser Website. Jede Zelle nennt die Anzahl, die Quote und die 95-%-Spanne um die Quote.
Die englische Gruppe der Sprachlernenden hat zwei Hälften. Bei Schreibenden mit Arabisch als Erstsprache wurden 3 von 300 Texten markiert (1,0 %, Spanne 0,3 bis 2,9 %), bei Schreibenden mit Spanisch als Erstsprache 0 von 300. Für Türkisch haben wir keine Texte von Lernenden, und wir behaupten dazu nichts. Die Werte für die neun weiteren kalibrierten Sprachen stehen auf der Genauigkeitsseite.
Wie viele Maschinentexte erkannt werden
| Sprache | Alle Maschinentexte erkannt | Davon komplett von einem Chat-Modell geschrieben |
|---|---|---|
| Deutsch | 68 von 75 | 54 von 54 |
| Englisch | 68 von 75 | 54 von 54 |
| Spanisch | 63 von 76 | 52 von 54 |
| Türkisch | 65 von 73 | 52 von 54 |
Die Stichproben mit Maschinentexten sind kleiner, zwischen 52 und 77 Texten pro Sprache. Wir nennen sie deshalb nur als Anzahl und nicht als Prozentwert.
Zu „alle Maschinentexte“ gehören auch die Fortsetzungen und Paraphrasen, und die sind schwerer zu erkennen als ein Text, den ein Chat-Modell von Anfang bis Ende geschrieben hat. Erkannte und markierte Texte lassen sich nicht zusammenrechnen. Sie stammen aus verschiedenen Gruppen und beantworten verschiedene Fragen.
Wo der Detektor schwächer ist
Französisch ist beim Erkennen von Maschinentext unsere schwächste Sprache: 53 von 77 Maschinentexten und 44 von 54 Texten, die ein Chat-Modell komplett geschrieben hat. Auf der Genauigkeitsseite steht diese Zeile neben den anderen.
Setzt ein Modell einen Text fort, den ein Mensch begonnen hat, erkennt der Detektor das deutlich seltener. Diese Gruppen sind mit 9 bis 15 Texten pro Sprache zu klein für eine faire Quote, also nennen wir keine.
Kurze Texte geben dem Detektor wenig Material. Unter 50 Wörtern gibt es keine Einschätzung, und unter 100 Wörtern bleibt unsere Sicherheit immer Niedrig. Lange Dokumente haben eine andere Schwäche: Ihr Wert kann sich verschieben, wenn der Text anders in Abschnitte geteilt wird. Behoben ist das noch nicht. Schauen Sie bei einer langen Arbeit deshalb auf die Satzmarkierungen und nicht nur auf den Gesamtwert.
Die Regel, die jede Sprache bestehen muss
Eine Sprache bekommt nur dann eine eigene Linie, wenn ihre Testmenge eine Trennschärfe von mindestens 0,9 erreicht, gemessen als AUROC. Dieser Wert gibt an, mit welcher Wahrscheinlichkeit ein zufällig gewählter Maschinentext höher bewertet wird als ein zufällig gewählter menschlicher Text. 0,5 entspräche einem Münzwurf, 1,0 einer perfekten Trennung.
Steht die Linie fest, dürfen höchstens 1 von 20 menschlichen Texten und höchstens 1 von 20 Texten von Sprachlernenden auf oder über ihr landen. Heute bestehen 13 Sprachen diese Regel. Texte in anderen Sprachen bekommen keinen Wert, nur den Hinweis, dass die Sprache nicht kalibriert ist.
Humanizer und die übrigen Tools
Für den KI-Humanizer veröffentlichen wir ein einziges Ergebnis. In einem Test mit 20 englischen Texten am 17. Oktober 2026 blieben die Fakten in 20 von 20 Texten erhalten, der Sprachstil ebenfalls in 20 von 20. Das ist ein kleiner Test, und über KI-Detektoren sagt er nichts aus. Wie oft umgeschriebene Texte einen Detektor bestehen, geben wir nicht an, und wir behaupten auch nicht, dass sie es tun.
Rechtschreibprüfung, Paraphrasierer und Plagiatsprüfung testen wir ebenfalls. Diese Stichproben sind aber klein oder von uns selbst zusammengestellt, deshalb bleiben die Ergebnisse intern, bis sie groß genug zum Veröffentlichen sind.
Was wir nicht behaupten
Dass der Detektor beweist, wer einen Text geschrieben hat. Er nennt eine Wahrscheinlichkeit mit Spanne.
Dass er in jeder Sprache funktioniert. Kalibriert ist er für 13.
Einen Vergleich mit anderen Detektoren. Einen solchen Vergleich haben wir nicht gemessen.
Eine Genauigkeit für Texte unter 100 Wörtern.
Nach jedem neuen Test ändert sich das Datum auf der Genauigkeitsseite. Unter diesen Zahlen steht kein Autorenname. Es sind Messungen des Unternehmens, und unsere Redaktionsrichtlinien beschreiben, wie Artikel sie zitieren. Wer den Rest der Website schreibt und prüft, zeigt die Teamseite.