40+ Wörter und Wendungen, die ChatGPT verraten

Im Jahr 2024 trug mindestens jede achte in PubMed indexierte biomedizinische Arbeit die lexikalische Signatur von KI-Unterstützung, und in einigen Ländern und Zeitschriften lag der Anteil bei über zwei von fünf. Niemand musste etwas zugeben. Eine Handvoll formeller, leicht theatralischer Wörter übernahm das Geständnis, indem sie gemeinsam in einem Abstract weit häufiger auftraten, als es der Zufall erlaubt hätte.

Die Wörter, die ChatGPT verraten, sind nicht exotisch. Es sind gewöhnliche, formelle englische Wörter, zu denen man etwas zu oft greift, in Kombinationen, die eine sorgfältige Autorin oder ein sorgfältiger Autor selten in einem einzigen Absatz aneinanderreihen würde. Hier ist die vollständige Arbeitsreferenz: mehr als vierzig davon, geordnet danach, wo sie typischerweise auftauchen, mit dem, was eine sorgfältige Redaktion stattdessen für jedes einzelne wählen würde. Einige sind berühmt genug, um einen eigenen Ruf zu haben. Die meisten sind es nicht, und entgehen einer Leserin oder einem Leser gerade deshalb, weil keines von ihnen für sich allein verdächtig wirkt. Die weitergehenden Mechanismen dahinter, warum dies überhaupt geschieht, gehören zu einem Begleittext, hier geht es um die Liste selbst.

Warum diese Wörter ChatGPT verraten

Ein Sprachmodell bildet einen Satz, indem es immer wieder das statistisch wahrscheinlichste nächste Wort auswählt, in einem System, das darauf trainiert ist, kompetent statt unverwechselbar zu klingen. Diese Gewohnheit zeigt sich in der Wortwahl, im Satzrhythmus, in der Zeichensetzung und in der Struktur, vollständig behandelt in TextPulse's Leitfaden zu KI-Schreibmustern. Die Wortwahl ist einfach die Ebene, die eine Leserin oder ein Leser zuerst bemerkt, weil sie sich auf der Seite am leichtesten benennen lässt.

Die Wortwahl verdient aus einem Grund eine eigene Referenz: Sie ist überprüfbar. Eine Leserin oder ein Leser braucht kein Abonnement eines Detektors, um zu bemerken, dass sich ein Absatz gleichzeitig auf fünf oder sechs formelle Wörter mit geringem Informationsgehalt stützt. Sie zu zählen ist eine Fähigkeit, die jede Person in der Zeit lernen kann, die man braucht, um diese Liste einmal zu lesen. Satzrhythmus und Zeichensetzung werden an anderer Stelle auf dieser Website ausführlich behandelt, der Wortschatz ist die einzige Ebene, die einer Leserin oder einem Leser nichts weiter als Aufmerksamkeit abverlangt.

Die vollständige Liste der Wörter, die ChatGPT verraten

Die folgende Liste umfasst mehr als vierzig Einträge, gruppiert danach, wo jedes Wort typischerweise auftaucht: in akademischer und wissenschaftlicher Prosa, in geschäftlichem und berufsbezogenem Schreiben, in überleitenden Standardphrasen und in Absicherungen, die einen Absatz abschließen, ohne viel zu sagen. Etwa die Hälfte geht auf eine einzelne große Studie biomedizinischer Abstracts zurück, die übrigen sind informell dokumentiert, etwa durch einen eigenen Scan eines Erkennungsanbieters von mehr als zehn Millionen Wörtern ChatGPT-Ausgabe oder durch eine Analyse vom November 2025, die die Wendung "notable works include" mit etwa dem 120-Fachen ihrer normalen Häufigkeit in KI-generiertem Text und "today's fast-paced world" mit etwa dem 107-Fachen erfasste. Die beiden Arten von Quellen sollte man klar auseinanderhalten, eine peer-reviewte Stichprobe von fünfzehn Millionen Abstracts hat ein anderes Gewicht als der Scan eines Chatbot-Ausgabe durch einen einzelnen Analysten, und die folgende Spalte behauptet nichts anderes.

Wort oder Wendung	Wo es sich häuft	Was eine sorgfältige Autorin oder ein sorgfältiger Autor stattdessen verwendet
delve (into)	Akademisch	betrachten, untersuchen
underscore / underscores	Akademisch	hinweisen auf, zeigen
showcase / showcasing	Akademisch	darstellen, demonstrieren
intricate	Akademisch	komplex, detailliert
meticulous	Akademisch	sorgfältig, gründlich
comprehensive	Akademisch	vollständig, umfassend
notably	Akademisch	insbesondere
crucial	Akademisch	wichtig, zentral
exhibited	Akademisch	zeigte
multifaceted	Akademisch	vielschichtig
encompasses	Akademisch	umfasst, schließt ein
facilitates	Akademisch	hilft, ermöglicht
elucidates	Akademisch	erklärt
discernible	Akademisch	sichtbar, klar
underpinning	Akademisch	stützend
insights	Akademisch	Erkenntnisse, Punkte
within	Akademisch	in
across	Akademisch	in, durchgehend in
particularly	Akademisch	besonders
noteworthy	Akademisch	erwähnenswert
leverage	Business	nutzen
utilize	Business	nutzen
streamline	Business	vereinfachen
elevate	Business	verbessern, steigern
unlock	Business	erschließen, ermöglichen
seamlessly	Business	reibungslos, ohne zusätzliche Schritte
cutting-edge	Business	neu, aktuell
robust	Business	solide, zuverlässig
innovative	Business	neu
results-driven	Business	wirksam
actionable	Business	nutzbar, praktisch
groundbreaking	Business	neu, originell
transformative	Business	bedeutsam, weitreichend
state-of-the-art	Business	aktuellste, neueste
additionally	Transition	auch, und
furthermore	Transition	auch, und
moreover	Transition	auch
in order to	Transition	um zu
due to the fact that	Transition	weil
a wide range of	Transition	mehrere oder die tatsächliche Zahl
today's fast-paced world	Hedge / closer	das tatsächliche Jahr oder Fachgebiet nennen
notable works include	Hedge / closer	die zwei oder drei nennen, die wichtig sind
aims to explore	Hedge / closer	untersucht, prüft
it is worth noting	Hedge / closer	die Tatsache direkt nennen
plays a vital role in	Hedge / closer	ist wichtig für, prägt
serves as a testament to	Hedge / closer	zeigt, beweist
boasts	Hedge / closer	hat, umfasst

"Delve" bekommt genau eine Zeile darüber und nichts weiter: Es ist bereits das am besten dokumentierte Wort auf dieser gesamten Liste, und diesen Fall in Prosa zu wiederholen würde die anderen sechsundvierzig verdrängen. Eine schnellere Prüfung als das gesamte Tableau mit dem Auge zu lesen, ist, einen Entwurf durch TextPulse's kostenlosen KI-Wortreiniger laufen zu lassen, der diese Art von Dichte automatisch markiert.

Ein ausgearbeitetes Beispiel

Nehmen Sie einen Satz, der auf einmal vier Einträge aus dem Tableau enthält: "This comprehensive study aims to explore the multifaceted challenges that underscore the pivotal role of policy in modern research." Jedes Wort ist echt und jede Klausel ist grammatisch, und genau das ist das Problem. Eine menschliche Redaktion würde ihn auf etwas wie dies kürzen: "This study looks at how policy shapes research, and why it matters." Es ging nichts Faktisches verloren. Was fehlte, war die Füllmasse.

Welche Wortkategorie ist der deutlichste Hinweis?

Der akademische Register liefert den klarsten Beleg. In einer Studie zu 15.1 million PubMed abstracts, die zwischen 2010 und 2024 veröffentlicht wurden, stieg "underscores" bis 2024 auf ungefähr das 14-fache der erwarteten Häufigkeit, und "showcasing" auf nahezu das 11-fache. Selbst gewöhnliche Wörter bewegten sich: "potential", "findings" und "crucial" wurden alle messbar häufiger, allein aufgrund eines höheren Ausgangsniveaus, sodass der Anstieg als Rohverhältnis kleiner aussieht, obwohl er real ist. Dasselbe Forschungsteam hob eine Gruppe von zehn sonst unauffälligen Verknüpfungen hervor, darunter "additionally", "comprehensive", "notably" und "within", die zusammen als Gruppe statistisch ungewöhnlich wurden: Keine einzelne von ihnen bedeutet für sich allein etwas, aber vier oder fünf von ihnen in einem Abstract schon.

Dasselbe Muster zeigt sich auch außerhalb der Biomedizin, allerdings je nach Fachgebiet in unterschiedlicher Intensität. Eine separate Analyse von rund 951.000 Arbeiten auf arXiv, bioRxiv und in Zeitschriften der Nature-Familie zwischen Januar 2020 und Februar 2024 schätzte die wahrscheinliche Beteiligung von LLMs in der Informatik auf bis zu 17,5 Prozent, gegenüber einer Obergrenze von eher 6,3 Prozent in der Mathematik und im Nature-Portfolio. Eine Betreuerin oder ein Betreuer in den Geisteswissenschaften und eine in der Informatik lesen nicht dieselbe Grundhäufigkeit dieser Wörter, und das sollte man sich merken, bevor man einen einzelnen Aufsatz als Ausreißer behandelt. Kürzere Arbeiten und Arbeiten von Autorinnen und Autoren, die häufig Preprints veröffentlichen, zeigten das Muster ebenfalls häufiger, was zu einer einfachen Erklärung passt: Diese Wörter sparen Zeit, und Zeitdruck verteilt sich nicht gleichmäßig über ein Fach.

Die Spalte zu Wirtschaft und Karriere oben ist weniger streng dokumentiert, aber nicht weniger sichtbar. "Aims to explore" trat in derselben im November 2025 durchgeführten Analyse, die oben zitiert wurde, etwa 50-mal so häufig auf wie normalerweise, und Anschreiben, LinkedIn-Zusammenfassungen und Pressemitteilungen sind die Orte, an denen sich "streamline", "elevate" und "results-driven" typischerweise häufen. Eine Personalverantwortliche oder ein Personalverantwortlicher, die oder der an einem Nachmittag vierzig nahezu identische Anschreiben liest, bemerkt dies schneller, als es irgendeine Studie messen kann, weshalb Recruiter das Muster anekdotisch schon beschrieben, lange bevor jemand die Zahlen ausgewertet hat. Nichts davon beweist, dass ein bestimmtes Anschreiben von einem Chatbot verfasst wurde. Es beweist, dass der Wortschatz des unternehmerischen Schreibens und der Wortschatz, zu dem ein Sprachmodell greift, stark überlappen, was schon vor ChatGPT der Fall war und nur leichter zu erkennen wurde, sobald ein Werkzeug so viel davon auf einmal erzeugte.

Wie sich die Liste weiter verändert

Die Liste ist nicht festgelegt. Wikipedias eigene Bearbeitungsrichtlinie zum Erkennen maschinell geschriebener Ergänzungen, die von Freiwilligen gepflegt wird, welche diese Art von Bearbeitung täglich rückgängig machen, verfolgt die Entwicklung in Echtzeit. Ihre Welle von 2023 bis Mitte 2024 konzentriert sich auf Wörter wie "boasts", "crucial", "pivotal" und "tapestry". Bis Mitte 2025 verfolgte dieselbe Richtlinie einen anderen Cluster, darunter "align with", "fostering" und "showcasing", wobei einfachere Wörter wie "enhance" und "highlighting" einen größeren Teil der Arbeit übernahmen als die auffälligeren ein Jahr zuvor. Nichts davon ist zentral koordiniert.

Eine Liste, die auf einen einzigen Zeitpunkt eingefroren ist, veraltet aus genau diesem Grund schnell. Bestand hat das zugrunde liegende Muster, formale Wörter, die etwas zu häufig verwendet werden, unabhängig davon, welche konkreten Wörter in diesem Jahr gerade in Mode sind.

Beweisen diese Wörter, dass ChatGPT es geschrieben hat?

Nein. Eine sorgfältige Autorin oder ein sorgfältiger Autor unter Zeitdruck, eine nicht muttersprachliche Person, die nach sicherem formalen Wortschatz greift, und eine Studentin oder ein Student, dem diese genauen Wörter in einem Schreibkurs beigebracht wurden, können alle einen Absatz verfassen, der auf dieser Liste hoch bewertet wird, ohne dass irgendwo in der Nähe ein Chatbot ist. Die obige Tabelle als Beweis für Fehlverhalten zu behandeln, ist der Fehler, durch den sorgfältige Schreibende fälschlich beschuldigt werden, und es lohnt sich, dies als Fehler zu benennen, statt es stillschweigend zu wiederholen. TextPulse's eigene Produkte existieren, weil das umgekehrte Problem ebenso real ist, ein echter menschlicher Text, der das Pech hat, einige dieser Wörter in einem Absatz zu häufen, kann in eine Prüfung geraten, die er nie verdient hat.

Statistische Detektoren arbeiten auf einem verwandten, aber völlig anderen Signal, das in TextPulse's Beitrag über how AI detectors work behandelt wird, und TextPulse's eigener AI humanizer meldet einen geschätzten Human Score, der aus dem vorliegenden Text berechnet wird, statt eines Urteils eines Detektors. Eine Wortliste wie diese ist ein Ausgangspunkt für eine menschliche Entscheidung, kein Ersatz dafür. Der Rest von TextPulse's free tools collection deckt die anderen Ebenen ab, Rhythmus, Zeichensetzung und Struktur, für alle, die einen vollständigen Entwurf prüfen und nicht nur einen Absatz.

Ein Verb macht mehr von dieser Liste aus als jedes andere, und warum Modelle danach greifen wird separat erklärt. Auch die Zeichensetzung verrät dasselbe, und die Gewohnheit mit dem em dash hat eine eigene Seite.

Wenn sich der nächste Absatz leicht unpassend anfühlt, greifen Sie nicht nach einem einzelnen Synonym und erklären ihn damit für korrigiert. Prüfen Sie stattdessen die Dichte: Zwei oder drei dieser Wörter, die tatsächlich Arbeit leisten, sind gewöhnliches Schreiben, vier oder fünf, die überhaupt keine Arbeit leisten, sind der Hinweis, und der Unterschied ist etwas, das jeder Leser lernen kann zu erkennen, ohne zuvor irgendetwas durch einen Detector laufen zu lassen.