GPTZero prüft, ob ein Text von ChatGPT, Claude, Gemini oder einem anderen Modell stammt, markiert das Ergebnis satzweise und spielt den Schreibverlauf eines Google-Dokuments ab, damit Lehrkräfte und Redaktionen auf mehreren Belegen statt auf einem Score entscheiden.
Hast du dieses Tool genutzt? Bewerte es
Hast du dieses Tool genutzt? Bewerte es
GPTZero ist ein Prüfwerkzeug, das feststellen soll, ob ein Text von einem großen Sprachmodell verfasst wurde. Die offizielle Seite beschreibt sich selbst als KI-Detektor, der bewahren soll, was menschlich ist. Die Frage klingt einfach: Hat dies ein Mensch geschrieben oder eine Maschine? Doch auf diese Frage gibt es keine saubere Ja-oder-Nein-Antwort. Was ein Detektor liefert, ist stets eine Wahrscheinlichkeitsaussage und niemals ein Gutachten. Wer das anerkennt, hat die Voraussetzung geschaffen, um solche Werkzeuge sinnvoll einzusetzen.
Dieser Text richtet sich an alle, die nach dem Erscheinen der Zahl eine Entscheidung treffen müssen: an die Lehrkraft vor einer markierten Arbeit, an die Redaktion, die über einen zugekauften Beitrag befindet, an Personalverantwortliche beim Lesen eines Anschreibens und an Studierende, die belegen möchten, dass ein Text tatsächlich von ihnen stammt.
GPTZero ist ein webbasierter Detektor für KI-Texte. Sie fügen Text ein oder laden eine Datei hoch, und das Werkzeug liefert eine Wahrscheinlichkeit dafür, dass der Inhalt maschinell erzeugt wurde, zusammen mit einer Hervorhebung jener Stellen, die zu diesem Schluss geführt haben. Der Dienst startete Anfang 2023, genau in dem Moment, als Bildungseinrichtungen händeringend nach einer Antwort auf die neuen Chatassistenten suchten, und wurde dadurch rasch zu einem der bekanntesten Namen dieser Kategorie.
Die Startseite nennt ausdrücklich die Erkennung von Inhalten führender Modelle, das Ziel ist also nicht ein einzelner Anbieter, sondern die gesamte kommerzielle Modelllandschaft. Dieser Punkt wiegt schwerer, als er zunächst wirkt. Frühe Detektoren waren häufig eng auf eine Modellfamilie abgestimmt, und ihre Treffsicherheit brach ein, sobald Nutzerinnen und Nutzer zu einem anderen Assistenten wechselten. Die Abdeckung über konkurrierende Modellfamilien hinweg aufrechtzuerhalten, ist laufende Wartungsarbeit und keine einmalige technische Leistung, denn jede neue Modellveröffentlichung verschiebt genau jenen statistischen Fingerabdruck, nach dem der Detektor sucht.
Das Produkt begann als Universitätsprojekt. Entwickelt wurde es von Edward Tian, einem Absolventen aus Princeton, zunächst als Abschlussarbeit. Daraus entstand ein Unternehmen, das eine Anschubfinanzierung von 3,5 Millionen Dollar und im Juni 2024 eine Serie-A-Runde über 10 Millionen Dollar einwarb. Ein solcher Werdegang ist in diesem Segment ungewöhnlich und erklärt zum Teil, weshalb das Werkzeug deutlich ausgereifter und tiefer integriert wirkt als die meisten kostenlosen Detektoren, die zur selben Zeit auftauchten.
Im Juni 2026 gab das Unternehmen Superhuman die Übernahme von GPTZero bekannt; die Konditionen wurden nicht offengelegt. Berichte nannten damals mehr als 19 Millionen registrierte Nutzerinnen und Nutzer sowie rund 30 Millionen Dollar wiederkehrenden Jahresumsatz. Zum Zeitpunkt dieses Textes läuft der Dienst weiterhin unter eigener Domain, mit unveränderten Produktseiten, Preisstrecke und Dokumentation. Die Übernahme ist damit vorerst als Eigentümerwechsel und nicht als Einstellung zu lesen. Wer eine mehrjährige institutionelle Einführung plant, sollte dennoch beobachten, wie das Produkt im neuen Konzern positioniert wird.
Ehrlich formuliert: GPTZero löst nicht das Problem, Täuschungsversuche zu überführen. Es löst eine engere Aufgabe. Es macht sichtbar, dass ein Text statistisch Merkmale aufweist, die maschineller Erzeugung ähneln, und stellt der prüfenden Person geordnete Anhaltspunkte bereit. Ob dieser Anhaltspunkt eine Entscheidung verändern sollte, bleibt eine menschliche Beurteilung, und der Anbieter selbst sagt genau das.
Die zentrale Ausgabe verbindet eine Gesamtwahrscheinlichkeit mit einer hervorgehobenen Ansicht des Textes. Technisch arbeitet das Produkt mit einem durchgängigen Deep-Learning-Ansatz, trainiert auf Texten aus dem Web, aus dem Bildungsbereich und aus einer Reihe großer Sprachmodelle, und liefert eine satzweise Klassifikation statt eines undurchsichtigen Urteils. Der praktische Nutzen dieser Feinkörnigkeit liegt auf der Hand: Prüfende erkennen, ob ein Dokument gleichmäßig markiert ist oder ob lediglich zwei, drei Sätze den Ausschlag gaben. Das sind sehr unterschiedliche Situationen, die ein einzelner Prozentwert zu derselben Zahl verflacht.
Das Unternehmen beschreibt zudem den Einsatz von Hidden-Markov-Modellen für die satzweise Hervorhebung sowie eine Komponente, die dem verbreiteten Ausweichmanöver entgegenwirken soll, maschinelle Ausgaben vor der Abgabe durch ein Umformulierungswerkzeug zu schicken. Widerstandsfähigkeit gegen Umformulierung zählt zu den schwierigsten Problemen des Felds und sollte als fortlaufendes Wettrennen verstanden werden, nicht als abgeschlossene Funktion.
Das wirklich unterscheidende Merkmal ist gar nicht der Detektor. Der Schreibbericht wählt einen völlig anderen Weg: Er spielt nach, wie ein Google-Dokument tatsächlich entstanden ist, und zeigt einen Zeitverlauf der Schreibaktivität, die größten Einfügevorgänge und die durchschnittliche Überarbeitungsdauer; das Ergebnis lässt sich als PDF exportieren. Statt den fertigen Text zu analysieren und rückwärts zu schließen, beobachtet er den Vorgang, der den Text hervorgebracht hat.
Diese Umkehrung der Beweislogik verdient Aufmerksamkeit. Ein Detektionswert fragt, ob ein Text maschinell wirkt, und kann darauf immer nur mit einer Wahrscheinlichkeit antworten. Eine Schreibwiedergabe fragt, ob ein Mensch dieses Dokument über die Zeit getippt hat, mit den Fehlstarts und Überarbeitungen, die echtes Schreiben mit sich bringt, und liefert damit etwas, das einem direkten Beleg weit näher kommt. Für Studierende, die sich gegen eine unbegründete Beschuldigung wappnen wollen, ist die Wiedergabe erheblich nützlicher als jeder Zahlenwert, weil sie ein positiver Nachweis der Urheberschaft ist und nicht bloß die Abwesenheit eines Verdachts. Die entscheidende Einschränkung liegt in der Reichweite: Sie funktioniert nur innerhalb von Google-Dokumenten und muss daher vor dem Schreiben aktiviert sein, nicht erst nach einem Vorwurf.
Um den Kerndetektor herum liegen eine Halluzinationsprüfung, eine Plagiatskontrolle, eine Grammatikprüfung und eine Bildanalyse, dazu die direkte Anbindung an Lernplattformen wie Canvas und Google Classroom. Die Halluzinationsprüfung ist für Redaktionen besonders interessant, denn in vielen beruflichen Zusammenhängen besteht das eigentliche Risiko KI-gestützten Schreibens nicht darin, dass eine Maschine den Satz verfasst hat, sondern darin, dass in diesem Satz eine mit großer Selbstsicherheit vorgetragene, schlicht falsche Tatsachenbehauptung steht. Zu prüfen, ob Aussagen und Belege standhalten, ist oft wertvoller als die Frage nach der Urheberschaft.
Wer Menge statt Einzeldokumente bearbeitet, verwandelt mit Stapel-Upload und Klassenübersicht ein Einzelwerkzeug in einen Arbeitsablauf. Auf Vergleichsportalen nennen Nutzerinnen und Nutzer regelmäßig genau diese beiden Punkte als Grund, das Produkt schwergewichtigeren institutionellen Plattformen vorzuziehen, ergänzt um die satzweise Detailansicht, die Ergebnisse leichter deutbar macht.
Dies ist der dominierende und zugleich heikelste Anwendungsfall. Eine Lehrkraft erhält eine Arbeit, die seltsam klingt, lässt sie prüfen und bekommt eine Zahl. Was danach geschieht, entscheidet darüber, ob das Werkzeug genützt oder geschadet hat. Als Anlass für ein Gespräch, in dem Studierende ihre Argumentation erläutern oder Entwürfe zeigen, stiftet es echten Nutzen. Als automatisch wirksames Urteil, das ein Disziplinarverfahren auslöst, erzeugt es genau jene Ungerechtigkeiten, die weiter unten dokumentiert sind.
Verlage, die Texte extern vergeben, müssen häufig wissen, wofür sie bezahlen, insbesondere wenn der Vertrag originäre menschliche Arbeit verlangt. Hier ist die Frage vertraglicher und nicht disziplinarischer Natur: Ein markierter Beitrag führt in aller Regel zu einem Gespräch mit der schreibenden Person statt zu einem förmlichen Vorwurf, was den Einsatz deutlich ungefährlicher macht als im Unterricht.
Anschreiben und schriftliche Aufgaben entstehen zunehmend unter KI-Beteiligung, und manche Arbeitgeber möchten das wissen. Gerade hier ist Vorsicht geboten: Bewerberfelder sind häufig international, und die dokumentierte Benachteiligung nicht muttersprachlicher Verfasserinnen und Verfasser bedeutet, dass eine detektorgestützte Vorauswahl systematisch jene aussortiert, die am wenigsten Möglichkeiten haben, sich zu wehren.
Teams mit großen Produktionsstrecken nutzen die Prüfung als Qualitätsschranke, um zu kontrollieren, ob ausgelagerte Arbeit dem Auftrag entspricht. Da es um gewerbliche Dienstleister geht und nicht um Personen, denen eine akademische Sanktion droht, beschränken sich die Kosten eines Fehlalarms auf eine Nachverhandlung.
Immer mehr Studierende und Autorinnen prüfen vorsorglich den eigenen Text, um zu wissen, ob rechtmäßig verfasste Arbeit markiert wird, bevor es jemand anderes tut. In einem Umfeld, in dem die Beweislast bei der beschuldigten Person liegt, ist das eine vernünftige Reaktion und zugleich ein etwas absurder Zustand, denn ehrliche Schreibende überarbeiten nun ihren Stil, um nicht wie eine Maschine zu wirken.
Einen Prozentwert niemals als Beweis behandeln. Der Anbieter selbst bittet darum, ein Ergebnis als Gesprächseinstieg und nicht als endgültiges Urteil zu verstehen. Wenn der Hersteller vorsichtiger mit seiner Ausgabe umgeht als die Einrichtung, die sie einsetzt, stimmt etwas mit der Einführung nicht.
Prozessbelege der Textforensik vorziehen. Lässt sich das Schreiben in einer Umgebung mit Versionsverlauf anregen oder verlangen, wechseln Sie von wahrscheinlichkeitsbasierter Schlussfolgerung zu beobachtbarer Aufzeichnung, was für folgenreiche Entscheidungen ein wesentlich tragfähigeres Fundament ist.
Die Regeln vor dem Werkzeug festlegen. Klären Sie vorab, welcher Wert welche Maßnahme auslöst, wer sie überprüft und wie Betroffene widersprechen können. Einrichtungen, die Detektion ohne Widerspruchsweg einführen, bemerken diese Lücke meist erst, wenn jemand zu Schaden gekommen ist.
An der eigenen Population kalibrieren. Lassen Sie vor der Einführung Texte prüfen, deren menschliche Urheberschaft feststeht und die aus Ihrer tatsächlichen Zielgruppe stammen. Ist Ihre Studierendenschaft überwiegend mehrsprachig, benötigen Sie Ihre eigene Fehlalarmquote und keinen Herstellerwert aus einer anderen Population.
Gegenüber den Geprüften transparent bleiben. Wer offenlegt, dass geprüft wird und wie Ergebnisse gedeutet werden, verringert das Gefühl der Überwachung und gibt Betroffenen die Gelegenheit, eigene Belege zu sichern.
Nach großen Modellveröffentlichungen erneut testen. Die Erkennungsleistung ist nicht statisch. Erscheint ein bedeutendes neues Modell, können bislang gültige Annahmen hinfällig werden.
Lehrkräfte und Verwaltungspersonal, die ein Signal zur Echtheit einer Arbeit wünschen und, nützlicher noch, einen Weg suchen, die Entstehung dieser Arbeit nachzuvollziehen. Am besten passt das Werkzeug dort, wo die Einrichtung geklärt hat, was eine Markierung bedeutet.
Redaktionen und Content-Verantwortliche, die beauftragte Texte gegen vertragliche Erwartungen prüfen, wobei eine Markierung ein Gespräch mit dem Dienstleister eröffnet und keine Personalakte.
Studierende und Schreibende, die ihre eigene Urheberschaft belegen wollen. Für sie ist die Schreibwiedergabe das wertvolle Produkt, der Detektor beinahe nebensächlich.
Entwicklungs- und Plattformteams, die Prüfung in einen Marktplatz, ein Einreichsystem oder eine Produktionsstrecke einbetten; dass die Programmierschnittstelle übergebene Inhalte standardmäßig nicht speichert, ist ein handfester Vorteil.
Wer zweimal nachdenken sollte: alle, die Gewissheit brauchen. Verlangt Ihr Verfahren einen Beweis statt eines Hinweises, kann kein Detektor am Markt ihn liefern, und die Einführung verleiht einer ohnehin unzureichend gestützten Entscheidung womöglich nur den Anschein von Autorität.
GPTZero läuft primär im Browser und reicht von dort nach außen. Es gibt eine Chrome-Erweiterung, eine Anbindung an Google Docs sowie Verbindungen zu Google Classroom und Canvas, sodass Ergebnisse neben der Kursarbeit erscheinen und nicht in einem separaten Tab. Die Unterstützung für Zapier deckt leichte Automatisierung ab, wenn Dokumente automatisch weitergeleitet werden sollen.
Für Teams, die Prüfung im eigenen Produkt einsetzen möchten, liefert die Programmierschnittstelle einsatzfertigen Beispielcode in siebzehn Sprachen, darunter Node.js, Python, C#, Java und PHP. Die Sprachunterstützung reicht über Englisch hinaus und umfasst unter anderem Spanisch, Französisch und Deutsch; wegen der Schieflage der Trainingsdaten bleibt englische Prosa jedoch der sicherste Fall. Dieser Vorbehalt verdient in jeder nicht englischsprachigen Einführung Gewicht, denn die Erkennungsqualität ist über Sprachen hinweg nicht gleichmäßig, und die veröffentlichten Genauigkeitswerte stammen ganz überwiegend aus englischem Material.
Es gibt eine brauchbare kostenlose Stufe. Ein kostenloses Konto deckt Texte bis einhundertfünfzigtausend Zeichen oder Stapel von bis zu zweihundertfünfzig Dateien ab, großzügig genug, dass viele Lehrkräfte die kostenpflichtige Stufe nie erreichen.
Darüber hinaus ließen sich keine konkreten Abonnementbeträge ermitteln: Die Preisseite gibt serverseitig lediglich einen Platzhalterwert aus, dazu eine Jahresoption, die mit fünfundvierzig Prozent Ersparnis beworben wird. Ein konkreter Monatsbetrag wird hier deshalb nicht genannt. Aus der veröffentlichten Struktur geht ein platzbasierter Professional-Tarif hervor, dazu Team- und Unternehmensvarianten mit geteiltem Guthaben und gebündelter Abrechnung sowie eine separat zu kalkulierende Schnittstellenstufe. Wer eine institutionelle Einführung budgetiert, sollte direkt ein Angebot anfordern, statt sich auf Zahlen aus Verzeichnisseiten Dritter zu verlassen, die häufig veraltet sind. (noch zu verifizieren)
Turnitin ist der etablierte Anbieter für wissenschaftliche Redlichkeit und erreicht Einrichtungen über die vorhandene Plagiatsinfrastruktur. Die KI-Erkennung zog erhebliche Kritik auf sich, auch von Universitäten, die sie abgeschaltet haben.
Originality.ai zielt auf Verlage und Content-Agenturen statt auf Schulen, mit Teamverwaltung, die auf kommerzielle Abläufe zugeschnitten ist.
Copyleaks verbindet Erkennung mit Plagiatsprüfung und legt Gewicht auf Mehrsprachigkeit und unternehmensweite Compliance.
Pangram ist ein neuerer Anbieter, der Arbeiten speziell zu Fehlalarmquoten bei nicht muttersprachlichem Englisch veröffentlicht hat und daher für mehrsprachige Zielgruppen einer Prüfung wert ist.
Verwechseln Sie GPTZero nicht mit ZeroGPT. Es handelt sich um unterschiedliche Produkte verschiedener Unternehmen mit verwirrend ähnlichen Namen; Bewertungen des einen werden regelmäßig für Bewertungen des anderen gehalten. Prüfen Sie die Domain, bevor Sie einem Vergleich vertrauen.
Die wichtigste Alternative ist allerdings kein Produkt. Prüfungsformate so umzugestalten, dass ein Ersatz durch KI belanglos wird, etwa durch Schreiben im Unterricht, mündliche Verteidigung eingereichter Arbeiten oder Aufgaben mit persönlichem oder lokalem Bezug, greift das eigentliche Problem an, statt seine Symptome zu überwachen.
Dieser Abschnitt wiegt schwerer als jeder andere, denn die hier beschriebenen Fehlerarten haben reale Folgen für reale Menschen.
Der Anbieter berichtet, auf einem unabhängigen Prüfdatensatz mit rund 672.000 Texten 95,7 Prozent der KI-Passagen erkannt und dabei 1 Prozent menschlicher Texte falsch eingeordnet zu haben. Die auf der Startseite genannten 99 Prozent sind ebenso zu lesen. Diese Zahlen beschreiben Leistung auf bestimmten Prüfdatensätzen bei bestimmten Schwellenwerten, und Prüfbedingungen sind keine Unterrichtsbedingungen. Bemerkenswert ist insbesondere, dass der fragliche Datensatz vollständig menschliche oder vollständig maschinelle Texte bewertet, während die wirklich schwierigen Fälle Mischdokumente sind, bei denen ein Mensch entworfen und ein Modell überarbeitet hat oder umgekehrt. Sämtliche Angaben sind Eigenangaben und wurden nicht unabhängig geprüft.
Ausdrücklich wird beschrieben, dass die Genauigkeit mit feinerer Granularität abnimmt: Die Einordnung auf Dokumentebene ist verlässlicher als auf Absatzebene, diese wiederum verlässlicher als auf Satzebene. Ein einzelner hervorgehobener Satz ist damit der schwächstmögliche Beleg. Das ist deshalb entscheidend, weil genau dieser hervorgehobene Satz jene Stelle ist, auf die Prüfende im Gespräch zeigen. Der visuell überzeugendste Teil der Oberfläche ist der statistisch unzuverlässigste Teil der Ausgabe.
Dies ist die schwerwiegendste Einschränkung der gesamten Kategorie. Ein Forschungsteam in Stanford stellte fest, dass verbreitete Detektoren mehr als die Hälfte der von nicht muttersprachlichen Personen verfassten TOEFL-Aufsätze fälschlich als KI-generiert einstuften, bei einer durchschnittlichen Fehlalarmquote von etwa 61 Prozent, während Aufsätze muttersprachlicher Achtklässler nahezu fehlerfrei beurteilt wurden. Als Mechanismus gilt, dass Detektoren faktisch Schreibende mit begrenzterem Wortschatz bestrafen, weil einfachere und vorhersagbarere Wortwahl statistisch maschineller Ausgabe ähnelt.
Die Untersuchung bewertete eine Gruppe von Detektoren als Kategorie und sprach kein Urteil über die aktuelle Version eines einzelnen Produkts; mehrere Anbieter, darunter dieser, erklären, den Abstand seither verringert zu haben. Der strukturelle Befund überdauert jedoch Modellaktualisierungen: Ein Detektor, der auf sprachliche Vorhersagbarkeit abstellt, benachteiligt tendenziell Menschen, die in einer Zweitsprache schreiben, und das sind häufig genau jene mit dem geringsten institutionellen Gewicht, um sich zu wehren.
Die Vanderbilt University schaltete die KI-Erkennung von Turnitin ab und erklärte öffentlich, sie halte KI-Erkennungssoftware nicht für ein wirksames Werkzeug, das eingesetzt werden sollte. Die Begründung: Eine Fehlalarmquote von 1 Prozent, angewandt auf die 75.000 in einem Jahr eingereichten Arbeiten, bedeute rund 750 zu Unrecht markierte Studierende. Diese Rechnung macht am deutlichsten, warum eine niedrig klingende Fehlerquote im institutionellen Maßstab nicht beruhigt: 1 Prozent Fehlalarm ist kein einzelner Irrtum, sondern sind Hunderte Studierende pro Jahr an einer einzigen Universität.
Auf professionellen Bewertungsportalen fallen die Noten gut aus und liegen im mittleren Vierbereich, was die Sicht von Lehrkräften widerspiegelt, die das Werkzeug nützlich finden. Auf einem großen Verbraucherbewertungsportal kehrt sich das Bild scharf um: Der Dienst erhält dort über 135 Bewertungen hinweg eine schlechte Einstufung, knapp die Hälfte davon mit nur einem Stern, und die Kritik konzentriert sich auf unbegründete Vorwürfe und die Schwierigkeit, dagegen vorzugehen. Das ist kein Widerspruch. Es spiegelt, dass jene, die das Werkzeug auswählen, und jene, auf die es angewandt wird, dasselbe Produkt gegensätzlich erleben; eine redliche Bewertung muss beides abwägen.
In der eigenen Handreichung für zu Unrecht beschuldigte Studierende räumt das Unternehmen ein, dass kein Detektor perfekt ist und Fehler besonders bei kurzen, überarbeiteten oder gemischten Texten auftreten. Die offiziellen Fragen und Antworten stellen unmissverständlich fest, dass diese Ergebnisse nicht zur Bestrafung von Studierenden dienen sollen, und empfehlen Lehrenden, den Schreibbericht als Teil einer ganzheitlichen Beurteilung heranzuziehen. Einrichtungen, die die Ausgabe zur Sanktion nutzen, handeln damit gegen die ausdrückliche Empfehlung des Unternehmens, das dieses Werkzeug gebaut hat.
Die Datenschutzerklärung sagt zu, personenbezogene Daten nicht länger als drei Monate nach Beendigung eines Kontos aufzubewahren, und hält fest, dass über die Programmierschnittstelle unmittelbar übergebene Text- und Dateiinhalte standardmäßig weder gespeichert noch zur Produktverbesserung genutzt werden. Daraus folgt eine bedeutsame Asymmetrie: Über die Schnittstelle übermittelte Dokumente werden nicht aufbewahrt, Eingaben über die Weboberfläche hingegen gespeichert und in aggregierter Form zur Verbesserung des Dienstes verwendet. Für Schulen, die Arbeiten von Lernenden verarbeiten, ist diese Unterscheidung keine technische Nebensache: Wer studentische Texte über die Weboberfläche hochlädt, gibt dieses Material in eine aggregierte Verbesserungsstrecke, was vor einer Einführung eine Aufklärung der Betroffenen oder eine Prüfung anhand örtlicher Datenschutzpflichten erfordern kann.
Wer die Erkennung umgehen will, schafft das häufig durch Umformulieren, Überarbeiten oder das Mischen maschineller und menschlicher Passagen. Daraus entsteht eine unangenehme Schieflage: Versierte Täuschende entkommen der Erkennung, während unbedarfte, ehrliche Schreibende von Fehlalarmen getroffen werden. Erkennungssysteme sortieren am Ende womöglich Offenheit aus statt Fehlverhalten.
Ja, es gibt eine funktionsfähige kostenlose Stufe. Ein kostenloses Konto verarbeitet Texte bis einhundertfünfzigtausend Zeichen oder Stapel von bis zu zweihundertfünfzig Dateien, was viele Einzelanwendungen abdeckt. Bezahlte Tarife ergänzen Plätze, Volumen und Teamabrechnung; die öffentliche Preisseite nennt jedoch keine konkreten Monatsbeträge, weshalb für institutionelle Budgets ein Angebot anzufordern ist.
Der Anbieter berichtet, auf einem großen unabhängigen Prüfdatensatz 95,7 Prozent der KI-Texte bei 1 Prozent menschlicher Fehlalarme erkannt zu haben, und wirbt auf der Startseite mit 99 Prozent. Unabhängige Untersuchungen der Kategorie insgesamt finden in der Praxis meist geringere Werte, und die Genauigkeit schwankt erheblich mit Textlänge, Überarbeitungsgrad und sprachlichem Hintergrund. Behandeln Sie veröffentlichte Zahlen als Bestfall-Ergebnisse und nicht als Zusicherung für Ihre Dokumente.
Ja, und das ist das zentrale Risiko. Fehlalarme sind über alle Detektoren hinweg gut belegt. Formale wissenschaftliche Prosa, stark überarbeitete Texte und Texte nicht muttersprachlicher Schreibender werden häufiger fälschlich markiert. Kein Ergebnis sollte als Nachweis eines Fehlverhaltens gelten.
Forschung aus Stanford ergab, dass Detektoren als Kategorie über die Hälfte der TOEFL-Aufsätze nicht muttersprachlicher Verfasserinnen und Verfasser fälschlich als KI-generiert einstuften, im Mittel rund 61 Prozent Fehlalarme, während Aufsätze Muttersprachlicher zutreffend beurteilt wurden. Anbieter haben seither an einer Verringerung gearbeitet; Einrichtungen mit mehrsprachiger Zielgruppe sollten die Leistung dennoch an der eigenen Population prüfen, bevor sie sich auf einen Detektor stützen.
Prozessbelege sammeln: Entwürfe, Gliederungen, Notizen und vor allem den Versionsverlauf aus Google Docs oder Word, der mit Zeitstempeln eine allmähliche Entstehung zeigt. Zudem sollte gefragt werden, welche Belege über den Detektorwert hinaus den Vorwurf stützen, verbunden mit der Bitte, den Wert nicht als abschließend zu behandeln. Die veröffentlichte Handreichung des Anbieters stützt diese Haltung.
Nur teilweise. Es gibt eine eigene Komponente gegen Umformulierungswerkzeuge, doch Umschreiben zählt weiterhin zu den wirksamsten Umgehungswegen, und Anwendende berichten häufig, dass überarbeitete oder umformulierte KI-Texte durchrutschen. Die Erkennung ist genau dort am schwächsten, wo am stärksten eingegriffen wurde.
Die Erkennung umfasst Englisch, Spanisch, Französisch, Deutsch und weitere Sprachen. Da die Trainingsdaten jedoch überwiegend aus englischer Prosa Erwachsener bestehen, ist die Genauigkeit außerhalb des Englischen weniger gut beschrieben und sollte vor einer Einführung lokal überprüft werden.
Das hängt vom Weg ab. Über die Programmierschnittstelle übergebene Inhalte werden standardmäßig nicht gespeichert und nicht zur Produktverbesserung genutzt, Eingaben über die Weboberfläche hingegen gespeichert und aggregiert zur Verbesserung des Dienstes verwendet. Personenbezogene Daten werden nicht länger als drei Monate nach Kontobeendigung aufbewahrt. Prüfen Sie diese Bedingungen an den Datenschutzpflichten Ihrer Einrichtung, bevor Sie fremde Texte hochladen.
Beide besetzen unterschiedliche Positionen. Turnitin erreicht Einrichtungen über die vorhandene Plagiatsinfrastruktur, während GPTZero feinere Hervorhebung und die Schreibwiedergabe in Google Docs bietet, für die es keine direkte Entsprechung gibt. Beide teilen dieselben grundlegenden Genauigkeitsgrenzen, und einzelne Universitäten haben die KI-Erkennung von Turnitin wegen Fehlalarmen vollständig abgeschaltet.
Für sich genommen sollten sie das nicht. Das Unternehmen erklärt ausdrücklich, dass Ergebnisse nicht zur Bestrafung von Studierenden dienen sollen, und beschreibt seine Ausgabe als Gesprächseinstieg statt als endgültiges Urteil. Jede folgenreiche Entscheidung braucht stützende Belege, am verlässlichsten die Dokumentation des Schreibprozesses selbst.
