Muster des KI-Schreibens: Wörter, Rhythmus und Zeichensetzung, die es verraten

Lesen 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, weil es das ist. Darum geht es in diesem Beitrag.

AI writing patterns sind die wiederkehrenden 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, heißt statistischer Detektor. Sie bewertet, wie vorhersehbar jedes Wort ist, entsprechend dem, was ein Sprachmodell erwartet. Ein Bericht enthält die Mathematik zu perplexity und burstiness, die dieser Bewertung zugrunde liegt, und wird in einem anderen Beitrag über how AI detectors work ausführlicher behandelt. Der Rest dieses Artikels ist ein Katalog von AI writing tells, die eine Leserin oder ein Leser auf der Seite hören, zählen oder 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 Modell noch Abonnement.

Warum klingen AI writing patterns 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 und nicht 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 mit Aufzählungspunkten, die einen Text gliedert, 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 seiner selbst endet.

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

Welche Wörter verwendet AI übermäßig?

Diese formalen, leicht theatralischen Wörter tauchen immer wieder auf: "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 mit der Veröffentlichung von ChatGPT stark anstieg. "Delve" legte am stärksten zu, die in Science Advances im Juli 2025 veröffentlichte Studie schätzte seine Häufigkeit im Jahr 2024 auf etwa das 28-Fache des Niveaus vor 2023. Die nächstliegenden waren "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 hielt die Feedback-Phase für 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 Annahme, wie direkt eine Verschiebung der Wortfrequenz AI-Nutzung 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 verfasste 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 Technik, um zu schätzen, dass zwischen sechs und fünfzehn Prozent des Review-Texts durch ein LLM erheblich verändert worden waren. Es war wahrscheinlicher, dass ein LLM ihn beeinflusst hatte, wenn er kurz vor Ablauf der Frist eingereicht wurde.

Wort oder Ausdruck, den AI 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. Wenn ein Methodenteil eine Erkenntnis als robust bezeichnet, wird das Wort korrekt verwendet, und wenn ein Historiker ein komplexes juristisches Argument beschreibt, gesteht er damit nicht einem Chatbot etwas ein. Was maschinell 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 Durchlauf 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 die gleiche 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 neigt dazu, einen Satz mit einem hängenden Partizip zu beenden, das Bedeutung andeutet, ohne Informationen hinzuzufügen, eine Behauptung, gefolgt von der Hervorhebung der Notwendigkeit weiterer Forschung oder der Reflexion eines breiteren Wandels im Fachgebiet. Es greift auch auf eine gepaarte 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 Gruppen von drei 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. Drei, die in fast jedem Absatz auftauchen, sind es.

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 wenige Wörter vom letzten entfernt sind, ist der Rhythmus das verräterische Merkmal. 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 Interpunktionszeichen, dem in maschinell erzeugten Texten am häufigsten die Schuld gegeben wird. 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 Autorinnen und Autoren verwenden ihn absichtlich.

Der wahrscheinliche Grund, warum er in maschinell erzeugten Texten so oft vorkommt, ist banal: Das Zeichen ist in der redigierten, professionell gesetzten Prosasprache, auf der Language Models 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 geschieht, 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 es acht oder neun Mal in unter sechshundert Wörtern zurück, eines verwendete es zweimal in fast tausend Wörtern, und zwei verwendeten es überhaupt nicht. Die Häufigkeit ist eine Eigenschaft des jeweiligen Modells, das den vor Ihnen liegenden Absatz erzeugt hat, nicht ein festes Merkmal von AI-Schreiben. OpenAI fügte im November 2025 eine Einstellung hinzu, mit der ein Nutzer ChatGPT anweisen kann, das Zeichen nicht zu verwenden, und tatsächlich auch befolgt wird, was selbst dieses Merkmal nun teilweise optional macht.

Nichts davon macht das Zeichen selbst zu einem Beleg für irgendetwas. Viele sorgfältige Autorinnen und Autoren verwenden es absichtlich, und viele studentische Aufsätze, die nie einen Chatbot berührt haben, tun es ebenfalls, manchmal weil eine Lehrkraft es ihnen so beigebracht hat. Was sich zu prüfen lohnt, ist 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 der jeweilige Fall verlangt.

Aufzählungen, Fettdruck und Überschriften

Die gleiche Ebene betrifft Formatierungsentscheidungen unterhalb des Satzes. Eine Aufzählung mitten in einem Fließtext, die im Kopf der Autorin oder des Autors nie eine Liste war. Überschriften in Title Case, wenn der Rest des Dokuments in Sentence Case steht. Eine fett gesetzte Phrase am Anfang jedes Aufzählungspunkts, wie eine kleine Überschrift. Nichts davon sind Satzzeichen, aber alles stammt aus demselben Ort: 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 über dem Satz 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 mit leicht anderen Worten zu wiederholen, geht dann durch zwei oder drei unterstützende Punkte, denen unabhängig davon, wie wichtig jeder einzelne tatsächlich ist, ungefähr gleiches Gewicht gegeben wird, 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 zählt auf, was etwas gut kann, schwenkt bei einem Wort wie however um, zählt Herausforderungen in derselben ordentlichen Dreierfolge auf und deutet dann auf eine Zukunft, die sie vermutlich lösen wird. Echte Argumente sind unregelmäßiger als das. Eine menschliche Autorin oder ein menschlicher Autor legt gewöhnlich mehr Wert auf einen Punkt als auf die anderen beiden, gibt ihm mehr Raum und schuldet der Leserin oder dem Leser keinen symmetrischen Abschluss.

Dies ist auch die Ebene, auf der formelhafte akademische Texte täuschend ähnlich wie maschinell erzeugte Texte wirken können, da ein Methodenteil oder eine Literaturübersicht einer festen Form folgen soll. Der Unterschied liegt innerhalb dieser Form. Eine von einer Maschine geschriebene Literaturübersicht nennt die üblichen Punkte eines Fachgebiets in der üblichen Reihenfolge. Eine von einem Menschen geschriebene argumentiert darüber, welche Punkte wichtig sind und warum, selbst innerhalb einer starren Vorlage, weil eine tatsächliche Position verteidigt wird.

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

Kein einzelnes Anzeichen beweist irgendetwas, 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, etwa dem Fehlen von Pronomen, verfassen, und zwar ohne die Hilfe eines Chatbots. Nicht muttersprachliche englische Schreibende können ebenfalls sichere Wörter verwenden, die sie im Unterricht gelernt haben, und Studierende, denen beigebracht wurde, formale Verknüpfungen zu verwenden, könnten viele dieser Merkmale ebenfalls nutzen. Eine Wortliste ist kein Beweis für Fehlverhalten, sie ist ein Irrtum, der sorgfältige Schreibende fälschlich beschuldigen kann. Wir sollten diesen Irrtum benennen, nicht ihn stillschweigend wiederholen.

Was ein Werkzeug verantwortungsvoll leisten kann, ist, das Muster aufzuzeigen, nicht das Schreiben 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 Einschätzung davon, wo ein Entwurf im Verhältnis zu diesen oberflächlichen Mustern steht, nicht ein Urteil eines Detektors und nicht ein Versprechen darüber, was ein anderes Werkzeug morgen sagt. Es ist eine Zahl, die man als Ausgangspunkt für eine Entscheidung verwenden kann, so wie ein Rechtschreibprüfer ein Wort markiert, ohne zu entscheiden, ob der Satz, in dem es steht, gut ist.

Jedes der oben genannten Anzeichen hat eine eigene Seite. Der Wortschatz selbst ist in einem Beitrag über Wörter, die ChatGPT verraten erfasst, mit separaten Darstellungen der Gewohnheit des Gedankenstrichs und der Frage, warum Modelle sich besonders oft für ein bestimmtes Verb entscheiden. Auch die weiter gefassten Bezeichnungen werden behandelt: was AI slop bedeutet, was AI fluff bedeutet, sowie ein praktischer Leitfaden dazu, zu erkennen, ob etwas von AI geschrieben wurde. Wenn es eher um Ihre eigenen Entwürfe als um die von jemand anderem geht, gibt es einen Beitrag über das Entfernen von AI-Wörtern aus Ihrem Schreiben.

Wenn Sie das nächste Mal Ihren Text lesen und sich etwas darin nicht ganz richtig anfühlt, suchen Sie nicht einfach nach einem Synonym, um es zu ersetzen. Versuchen Sie stattdessen, ihn laut vorzulesen. Zählen Sie die Anzahl der Wörter in jedem Satz. Fragen Sie sich, was genau jedes Wort dort tut. Genau so hat ein sorgfältiger Lektor schon lange gearbeitet, bevor all dies einen Namen hatte.