AI-Schreibmuster: Die Wörter, der Rhythmus und die Zeichensetzung, die es verraten

Liesen Sie diesen Satz einmal und sehen Sie, ob Sie bereits wissen, woher er stammt: Forschende heben weiterhin die komplexe Wechselwirkung zwischen Motivation und Leistung hervor, und eine wachsende Zahl von Arbeiten betont die zentrale Rolle, die Selbstregulation für den akademischen Erfolg spielt. Daran ist nichts falsch. Jede Klausel ist grammatikalisch, jedes Wort ist ein echtes Wort, und eine Lehrkraft würde keinen einzigen Punkt abziehen. Dennoch liest es sich so, als sei es aus einer Maschine gefallen, denn genau das ist der Fall. Darum geht es in diesem Beitrag.

AI-Schreibmuster sind die wiederholbaren Gewohnheiten in Wortwahl, Satzrhythmus, Zeichensetzung und Struktur, die maschinell verfasste Prosa auf den ersten Blick erkennbar machen. Sie bündeln sich auf vier Ebenen, bei den Wörtern, nach denen ein Modell greift, bei der Form seiner Sätze, bei der Zeichensetzung, auf die es sich stützt, und bei der Art, wie es ein Argument als Ganzes strukturiert. Keine davon beweist für sich allein etwas. Zusammen, innerhalb eines einzigen Absatzes, sind sie schwer zu übersehen.

Die Maschine, die dies tut, wird als statistischer Detektor bezeichnet. Sie bewertet, wie vorhersehbar jedes Wort ist, entsprechend dem, was ein Sprachmodell erwartet. Ein Bericht enthält die Mathematik hinter Perplexity und Burstiness unter dieser Bewertung, die in einem anderen Beitrag über wie AI-Detektoren funktionieren ausführlicher behandelt wird. Der Rest dieses Artikels ist ein Katalog von Hinweisen auf AI-Schreiben, die eine Leserin oder ein Leser hören, zählen oder auf der Seite benennen kann. Das kann wichtig sein, selbst wenn ein Detektor falsch liegt, nicht verfügbar ist oder am eigentlichen Punkt vorbeigeht. Was hier folgt, braucht weder ein Modell noch ein Abonnement.

Warum klingen AI-Schreibmuster roboterhaft?

Ein Sprachmodell tut auf Satzebene etwas anderes als ein Mensch, es wählt immer wieder das statistisch wahrscheinliche nächste Wort innerhalb eines Systems, das darauf trainiert ist, kompetent statt unverwechselbar zu klingen. Kompetenz in diesem Maßstab erzeugt glatte, korrekte, vergessenswerte Prosa, und das ist die Wurzel des roboterhaften Eindrucks. Eine Leserin oder ein Leser kann oft nicht sagen, was an einem solchen Absatz falsch ist, nur dass er flach wirkt, und die vier Ebenen unten sind der Ort, an dem diese Flachheit liegt.

Die Wortwahl ist die Ebene, die Leser zuerst bemerken, formale, theatralische Wörter, die dort auftauchen, wo sie nicht hingehören. Der Satzrhythmus ist leiser, ein Absatz, in dem jeder Satz ungefähr die gleiche Länge hat. Zeichensetzung und Formatierung tragen ihre eigene Signatur, ein Gedankenstrich, der als universelles Gelenk verwendet wird, eine Aufzählung, die Text aufbricht, der im Kopf des Autors nie eine Liste war. Die Struktur ist am wenigsten sichtbar, ein Abschnitt, der seine eigene Überschrift wiederholt, genau drei Punkte behandelt und dann mit einer Zusammenfassung endet.

Beginnen Sie mit den Wörtern, sie sind am einfachsten zu benennen und am besten dokumentiert.

Welche Wörter verwendet AI übermäßig?

Diese formalen, leicht theatralischen Wörter sehen Sie immer wieder, "delve", "underscore", "showcase" und "pivotal" gehören zu den am besten dokumentierten. Dmitry Kobak und drei Mitautoren machten sich daran, die Sprache zu identifizieren. Sie analysierten 15.1 million PubMed abstracts von 2010 bis 2024 und identifizierten eine Gruppe von Wörtern, deren Häufigkeit stark anstieg, als ChatGPT veröffentlicht wurde. "Delve" stieg am stärksten an, die in Science Advances im July 2025 veröffentlichte Studie schätzte seine Häufigkeit im Jahr 2024 auf etwa das 28-fache des Niveaus vor 2023. Am nächsten kamen "underscore" und "showcase". Die Autoren schätzen, dass mindestens 13.5 percent der abstracts von 2024 Anzeichen von AI-Unterstützung tragen, in einigen Ländern und bei einigen Verlagen steigt dieser Anteil auf über 40 percent.

Warum Modelle auf diese bestimmten Wörter konvergieren, ist weniger geklärt als das Muster selbst. Eine COLING 2025-Studie prüfte einundzwanzig überrepräsentierte Wörter im Hinblick auf Modellarchitektur, Trainingsdaten und das menschliche Feedback, das zum Fine-Tuning von Chatbots verwendet wird, und fand die Feedback-Phase als den plausibelsten Beitrag, ohne den Effekt vollständig zu erklären. Auch die Interpretation ist weiterhin umstritten, ein Austausch in der Zeitschrift PNAS aus dem Jahr 2026 widersprach der Frage, wie direkt eine Verschiebung der Wortfrequenz die Nutzung von AI misst, was man sich vor Augen halten sollte, bevor man irgendeine einzelne Zahl hier als gesicherte Tatsache behandelt.

Das gilt nicht nur für Abstracts in Fachzeitschriften. In einer Studie, die eine halbe Million von Studierenden und von KI generierte Aufsätze verglich, untersuchten die Forschenden die Länge und die Wortwahl der Arbeiten und stellten fest, dass die menschlichen Aufsätze insgesamt länger waren und einen größeren Wortschatz verwendeten. In einer Studie zu Peer Reviews, die bei vier Machine-Learning-Konferenzen eingereicht wurden, darunter ICLR 2024 und NeurIPS 2023, verwendeten die Forschenden dieselbe Methode, um zu schätzen, dass zwischen sechs und fünfzehn Prozent des Review-Texts durch ein LLM erheblich verändert wurden. Es war wahrscheinlicher, dass ein LLM ihn beeinflusste, wenn er kurz vor Ablauf der Frist eingereicht wurde.

Wort oder Ausdruck, den KI übermäßig verwendet	Was eine sorgfältige Autorin oder ein sorgfältiger Autor stattdessen verwendet
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

Keines dieser Wörter ist für sich genommen falsch. Ein Methodenteil, der einen Befund als robust bezeichnet, verwendet das Wort korrekt, und ein Historiker, der ein komplexes juristisches Argument beschreibt, gesteht nicht einem Chatbot etwas. Was maschinell gemacht wirkt, ist die Dichte: drei oder vier dieser Wörter in einem Absatz, ohne spezifische Funktion, so aneinandergereiht, wie ein Modell sie aneinanderreiht, weil jedes einzeln die sicherste nächste Wahl war. Ein kurzer Durchgang mit TextPulse's kostenlosem AI word cleaner markiert genau diese Dichte.

Warum klingen AI-Sätze alle gleich lang?

Ein Modell bildet jeden Satz auf die Weise, auf die es den vorherigen gebildet hat, statt einen Gedanken an einer Stelle in sechs Wörtern zu verdichten und ihn an anderer Stelle über dreißig Wörter zu entfalten, sodass die Ausgabe insgesamt dazu neigt, nahezu dieselbe Länge zu haben. Diese Variation, oder ihr Fehlen, kann man hören, wenn man einen Absatz laut liest, eine andere Übung als der burstiness-Wert, den ein Detektor aus derselben zugrunde liegenden Eigenschaft berechnet.

Zwei kleinere Gewohnheiten verraten den Rhythmus aus der Nähe. Ein Modell schließt einen Satz gern mit einem hängenden Partizip, das Bedeutung andeutet, ohne Information hinzuzufügen, eine Behauptung, gefolgt von der Hervorhebung der Notwendigkeit weiterer Forschung oder der Reflexion eines breiteren Wandels im Fach. Es greift auch auf eine paarige Struktur zurück, um ausgewogen zu klingen, nach dem Muster die Methode ist nicht nur effizient, sondern auch skalierbar. Einmal gesagt, ist diese Konstruktion unauffällig. In jedem Absatz gesagt, klingt sie wie eine Vorlage, bei der nur die Substantive ausgetauscht wurden.

Die Regel der Drei

Auch auf der Phrasenebene sind Dreiergruppen der Standardrhythmus des Modells: drei Adjektive vor einem Substantiv, drei Beispiele in einer Liste, drei Klauseln, die nacheinander auf dieselbe Weise gebaut sind. Gelegentliche Dreiergruppen waren schon immer Teil des Englischen. Eine passend platzierte Dreiergruppe ist kein Symptom für irgendetwas. Entscheidend ist die Häufigkeit. Drei ist nicht das Problem. Das Problem ist, wenn Drei in nahezu jedem Absatz auftaucht.

Zählen reicht aus, um das meiste davon ohne besondere Schulung zu erkennen. Lesen Sie einen Absatz und markieren Sie die Länge jedes Satzes in Wörtern. Wenn alle Ihre Markierungen nur um wenige Wörter von der letzten abweichen, ist der Rhythmus das Erkennungsmerkmal. Verwenden Sie TextPulse's kostenlosen Burstiness-Checker, um das Zählen zu automatisieren und grafisch darzustellen, nützlich für eine Passage, die zu lang ist, um sie Satz für Satz auf einen Blick zu erfassen.

Der Gedankenstrich und andere Interpunktionsmerkmale

Warum das Zeichen zum Standard wurde

Der Gedankenstrich ist wahrscheinlich das am häufigsten beschuldigte Satzzeichen in maschinell erzeugtem Schreiben. Sie kennen ihn vielleicht als den langen Gedankenstrich, der ein Komma, einen Doppelpunkt oder einen Punkt ersetzt, um zwei Hälften eines Satzes zu verbinden. Der Gedankenstrich ist nicht neu und auch nichts, was von AI erfunden wurde. Solange es Stilhandbücher gibt, von Chicago bis AP, erlauben sie seine Verwendung zur Betonung und für Unterbrechungen. Und viele beruflich schreibende Autoren verwenden ihn absichtlich.

Der wahrscheinliche Grund, warum er in maschinell erzeugtem Text so oft vorkommt, ist banal: Das Zeichen ist in der bearbeiteten, professionell gesetzten Prosasprache, auf der Sprachmodelle trainiert werden, häufig, und es erlaubt einem Satz, weiterzulaufen, ohne sich auf einen Punkt festzulegen. Ein Modell, das darauf ausgelegt ist, flüssigen, zusammenhängenden Text zu erzeugen, greift oft auf diese Flexibilität zurück, häufiger als die meisten Menschen beim Entwurf von Hand.

Wie oft das vorkommt, variiert enorm je nach System, das den Text erzeugt hat. Ein direkter Testlauf Mitte 2025 gab sechs Chatbots denselben Prompt und zählte die Zeichen: Drei Systeme gaben ihn acht oder neun Mal in unter sechshundert Wörtern zurück, eines verwendete ihn zweimal in fast tausend Wörtern, und zwei verwendeten ihn überhaupt nicht. Die Häufigkeit ist eine Eigenschaft des jeweiligen Modells, das den vor Ihnen stehenden Absatz erzeugt hat, nicht ein festes Merkmal von AI-Schreiben. OpenAI fügte im November 2025 eine Einstellung hinzu, die es einem Nutzer erlaubt, ChatGPT anzuweisen, das Zeichen nicht zu verwenden, und tatsächlich zu befolgen, was dieses Erkennungsmerkmal inzwischen sogar teilweise optional macht.

Nichts davon macht das Zeichen selbst zu einem Beleg für irgendetwas. Viele sorgfältige Schreibende verwenden es absichtlich, und viele studentische Aufsätze, die nie mit einem Chatbot in Berührung kamen, tun es ebenfalls, manchmal weil eine Lehrkraft es ihnen so beigebracht hat. Prüfen sollte man die Dichte: Eine Seite, die sich in jedem zweiten Satz auf das Zeichen stützt, liest sich anders als eine, die es zweimal absichtlich verwendet. TextPulse's free em dash remover prüft diese Dichte und schlägt für jeden einzelnen Fall das Komma, den Doppelpunkt, den Punkt oder den Bindestrich vor, den er verlangt.

Aufzählungen, Fettdruck und Überschriften

Dieselbe Ebene betrifft Formatierungsentscheidungen unterhalb des Satzes. Eine Aufzählung mitten in einem Fließtext, die im Kopf der schreibenden Person nie eine Liste war. Überschriften in Title Case, wenn der Rest des Dokuments in Sentence Case verfasst ist. Eine fett gesetzte Wendung am Anfang jedes Aufzählungspunkts, wie eine kleine Überschrift. Nichts davon sind Satzzeichen, aber alles stammt aus demselben Ursprung: ein Modell, das für ein Chatfenster formatiert, in dem visuelle Struktur die Übergänge ersetzt, die Prosa normalerweise trägt.

Struktur und Form des Arguments

Die letzte Ebene liegt oberhalb des Satzes und ist am schwersten mit einem Worttausch zu beheben, weil sie die Form des Arguments selbst ist. Ein maschinell geschriebener Abschnitt beginnt oft damit, seine eigene Überschrift in leicht anderen Worten zu wiederholen, geht dann durch zwei oder drei unterstützende Punkte, denen ungefähr gleiches Gewicht gegeben wird, unabhängig davon, wie viel jeder einzelne tatsächlich zählt, und schließt dann mit einer Zusammenfassung dessen, was gerade gesagt wurde, statt etwas Neues hinzuzufügen.

Eine verwandte Gewohnheit zeigt sich in längeren Texten ständig: Ein Abschnitt listet auf, was etwas gut macht, schwenkt bei einem Wort wie however um, listet Herausforderungen in derselben ordentlichen Dreierstruktur auf und deutet dann auf eine Zukunft, die sie vermutlich lösen wird. Echte Argumente sind ungleichmäßiger als das. Eine menschliche schreibende Person misst gewöhnlich einem Punkt mehr Bedeutung bei als den anderen beiden, gibt ihm mehr Raum und schuldet dem Leser keinen symmetrischen Abschluss.

Dies ist auch die Ebene, auf der formelhafte akademische Texte täuschend ähnlich wie maschinelle Texte wirken können, da ein Methodenteil oder ein Literaturüberblick einer festen Form folgen soll. Der Unterschied liegt innerhalb dieser Form. Ein maschinell verfasster Literaturüberblick nennt die üblichen Punkte eines Fachgebiets in der üblichen Reihenfolge. Ein menschlicher hingegen argumentiert darüber, welche Punkte wichtig sind und warum, selbst innerhalb einer starren Vorlage, weil eine tatsächliche Position verteidigt wird.

Beurteilung eines Textes, den Sie nicht geschrieben haben

Die vier wichtigsten Hinweise

Die Spezifitätslücke ist der stärkste Hinweis, der einem Leser ganz ohne Werkzeuge zur Verfügung steht. Maschinell entworfene Prosa macht Aussagen, die auf jeder Ebene der Allgemeinheit gelten und an keine davon gebunden sind. Sie berichtet, dass die Forschung die Frage untersucht habe, ohne eine Studie zu nennen, dass der Effekt signifikant sei, ohne eine Größe anzugeben, dass die Praxis in der Branche verbreitet sei, ohne ein Unternehmen oder ein Jahr zu nennen. Ein menschlicher Autor, der mit demselben Wortlimit arbeitet, neigt dazu, diese Wörter auf eine konkrete Sache zu verwenden, weil er eine konkrete Sache hatte und sie einbringen wollte.

Zitate, die sich nicht auflösen lassen, sind der einzige Hinweis auf der Liste, der Beweismaterial nahekommt, und sie sind zugleich die seltensten. Eine makellos formatierte Referenz, einem echten Journal zugeschrieben, mit einer Kennung, die keinen Eintrag zurückliefert, ist sehr schwer versehentlich zu erzeugen. Prüfen Sie drei Referenzen, bevor Sie irgendetwas anderes in einer Einreichung prüfen, bei der Sie unsicher sind. Das dauert zwei Minuten und beendet entweder die Frage oder entfernt das stärkste Signal vom Tisch.

Die Wortschatzdichte ist der Hinweis, zu dem die meisten Leser zuerst greifen, und zugleich derjenige, der am häufigsten fehlgeht. Das Signal ist die Dichte, nicht ein einzelnes Wort. Ein einzelnes formales Verb ist gewöhnlicher akademischer Registergebrauch, fünf davon in einem Absatz, die keine spezifische Funktion erfüllen, sind dagegen ein Muster. Das manuelle Zählen über eine lange Einreichung hinweg ist langsam, und TextPulse's free AI word cleaner markiert die Häufungen automatisch, wodurch aus einem vagen Eindruck etwas wird, auf das Sie auf der Seite zeigen können.

Das Subtilste der vier ist ein Register, das niemals bricht. Ein menschlicher Autor macht über zweitausend Wörter fast immer etwas, das leicht aus dem Takt gerät, ein kurzer Satz nach drei langen, eine Randbemerkung in Klammern, ein Urteil, das er nicht hätte fällen müssen, ein Wort, das er gewählt hat, weil es ihm gefiel. Von einer Maschine entworfene Prosa hält vom ersten bis zum letzten Satz dasselbe Register. Es gibt Genres, die all dies verbieten, daher ist dieses Anzeichen in einem Methodenteil weit weniger aussagekräftig als in einer persönlichen Stellungnahme.

Die Anzeichen, die stark wirken und es nicht sind

Fehlerfreie Grammatik beweist nichts. Rechtschreibung und Zeichensetzung sind seit zwei Jahrzehnten automatisiert, und jeder sorgfältige Autor, der einen Prüfer verwendet, erzeugt dieselbe saubere Oberfläche. Ein formelles Register beweist ebenfalls nichts, da Formalität das ist, was die meisten akademischen und beruflichen Genres nach Vorgabe benötigen. Der starke Einsatz von Überschriften, Fettdruck und Aufzählungslisten ist zunächst eine Frage des Hausstils und erst danach irgendetwas anderes, und viele Autoren wurden schon Jahre davor darauf trainiert, bevor ein Chatbot es irgendjemandem zeigte. Zeichensetzungsgewohnheiten haben dasselbe geringe Gewicht, und der Gedankenstrich im Besonderen musste weit mehr tragen, als ein einzelnes Zeichen tragen kann.

Auch Detektorwerte gehören in diese Gruppe, was Menschen oft überrascht. Ein Wert ist ein statistisches Urteil darüber, wie vorhersagbar der Text ist, und vorhersagbare Prosa ist das, was sorgfältige Menschen jeden Tag erzeugen, weshalb überhaupt erst falsch positive Ergebnisse entstehen. Die Ausgabe eines Detektors ist ein Eingabewert für eine Entscheidung, die eine Person weiterhin treffen muss, und TextPulse's Erläuterung dazu, wie KI-Detektoren funktionieren legt dar, was die Zahl misst, bevor irgendjemand sie als Urteil behandelt.

Was zu tun ist, wenn ein Text mehrere Anzeichen auslöst

Prüfen Sie zuerst das Prüfbare. Ziehen Sie drei Zitate, eine Zahl und eine benannte Tatsache heran und verifizieren Sie jedes davon. Dieser einzelne Durchgang trennt einen Text, der dünn ist, von einem Text, der erfunden ist, und die beiden erfordern sehr unterschiedliche Reaktionen. Vergleichen Sie dann die Einreichung mit etwas, das dieselbe Person früher unter Aufsicht geschrieben hat, da ein plötzlicher Wechsel im Register innerhalb eines Autors mehr Gewicht hat als jede absolute Lesart eines einzelnen Dokuments. Stellen Sie dann eine Frage, die nur der Autor zu seinem eigenen Text beantworten könnte: warum diese Quelle und nicht die offensichtliche Alternative, was der dritte Abschnitt ursprünglich argumentieren sollte, welcher Absatz ihnen die größten Schwierigkeiten bereitet hat. Jemand, der das Stück geschrieben hat, antwortet sofort.

Folgen Sie der Richtlinie, die tatsächlich existiert, und nicht derjenigen, die Sie geschrieben hätten. Die meisten Institutionen legen inzwischen fest, wer ein Anliegen vorbringen darf, welche Belege zulässig sind und was dem Verfasser mitgeteilt wird, und das Überspringen dieser Abfolge ist es, was aus einer berechtigten Frage eine Beschwerde macht. Verfasser auf der anderen Seite dieses Problems, denen mitgeteilt wird, dass ihre eigene Arbeit wie maschinell verfasst liest, haben eine andere Aufgabe zu erfüllen, und TextPulse's AI humanizer berichtet einen geschätzten Human Score, der aus dem Text berechnet wird, statt ein Urteil eines Detektors zu liefern.

Den gleichen Test auf die eigenen Entwürfe anzuwenden ist schwieriger, und ob Ihr Schreiben wie AI klingt hat eine eigene Seite. Der Wortschatz selbst wird separat katalogisiert, in einer Liste von den Wörtern, die ChatGPT verraten.

Die neun Hinweise sind ein Grund, eine Frage zu stellen, und es ist immer dieselbe Frage: Was weiß dieser Text, das eine flüssige Vermutung nicht wissen würde? Stellen Sie sie zuerst an die Zitate. Das ist der eine Teil jeder Einreichung, der von selbst antwortet, ohne dass jemand irgendetwas vorgeworfen werden muss.

Beweisen diese Hinweise, dass ein Text von AI geschrieben ist?

Kein einzelnes Anzeichen beweist etwas, und auch nicht die Gesamtheit aller Anzeichen. Unter dem Druck eines Herausgebers oder Professors kann eine sorgfältige akademische Autorin oder ein sorgfältiger akademischer Autor Absätze mit mehreren dieser Merkmale erzeugen, etwa ohne Pronomen, und zwar auch ohne die Hilfe eines Chatbots. Nicht muttersprachliche Englischschreibende können ebenfalls sichere Wörter verwenden, die ihnen im Unterricht beigebracht wurden, und Studierende, die dazu angeleitet werden, formale Konnektoren zu verwenden, können ebenfalls viele dieser Merkmale aufweisen. Eine Wortliste ist kein Beweis für Fehlverhalten, sondern ein Fehler, der sorgfältige Schreibende fälschlich beschuldigen kann. Wir sollten diesen Fehler benennen, nicht ihn stillschweigend wiederholen.

Was ein Werkzeug verantwortungsvoll leisten kann, ist, das Muster aufzuzeigen, nicht den Text zu beurteilen. Was wir mit TextPulse's AI humanizer anbieten können, ist eine Schätzung eines Human Score auf Grundlage des vorliegenden Textes. Dies ist eine Einordnung davon, wo ein Entwurf im Verhältnis zu diesen oberflächlichen Mustern steht, kein Urteil eines Detektors und kein Versprechen darüber, was ein anderes Werkzeug morgen sagt. Es ist eine Zahl, die Sie als Ausgangspunkt für eine Entscheidung verwenden können, so wie eine Rechtschreibprüfung ein Wort markiert, ohne zu entscheiden, ob der Satz darum herum gut ist.

Jedes der oben genannten Anzeichen hat eine eigene Seite. Der Wortschatz selbst wird in einem Beitrag über Wörter, die ChatGPT verraten erfasst, mit getrennten Darstellungen von der Angewohnheit des em dash und von warum Modelle zu einem bestimmten Verb greifen. Auch die übergeordneten Bezeichnungen werden behandelt: was AI slop bedeutet, was AI fluff bedeutet, und ein praktischer Leitfaden dazu, zu erkennen, ob etwas von AI geschrieben wurde. Wenn die Sorge Ihre eigenen Entwürfe betrifft und nicht die von jemand anderem, gibt es einen Beitrag über das Entfernen von AI-Wörtern aus Ihrem Schreiben.

Wenn Sie das nächste Mal Ihren Text lesen und sich etwas daran nicht ganz richtig anfühlt, suchen Sie nicht einfach ein Synonym, um es zu ersetzen. Versuchen Sie stattdessen, ihn laut vorzulesen. Zählen Sie die Wörter in jedem Satz. Fragen Sie sich, was genau jedes Wort dort tut. Das ist dieselbe Prüfung, die ein sorgfältiger Lektor schon lange durchführte, bevor all dies einen Namen hatte.