KI-Modelle verraten sich durch typische Formulierungen

Eine aktuelle Untersuchung des Marketingunternehmens Graphite deckt persistente linguistische Muster auf, die KI-Modelle der Spitzenklasse auch nach zahlreichen Optimierungen zur natürlicheren Sprache noch verraten. Die Forscher verglichen ein Korpus aus zehntausend vor der Veröffentlichung von ChatGPT entstandenen Artikeln mit maschinell generierten Neuversionen und identifizierten über 13.000 Phrasen und Konstruktionen, die in KI-Texten mindestens doppelt so häufig vorkommen wie in menschlichen Proben. Obwohl die bekanntesten Stilmerkmale wie der übermäßige Einsatz von Gedankenstrichen durch die Labore erfolgreich unterbunden wurden, entstehen kontinuierlich neue, modell spezifische Auffälligkeiten. Bei Anthropics Claude Opus 5.5 sticht insbesondere die Häufung von Begründungsfloskeln wie this matters oder why X matters hervor. Auch das Adjektiv dependable sowie die Satzstruktur is more than an X, it’s a Y treten signifikant gehäuft auf. OpenAIs Modell Astra zeigt stattdessen eine ausgeprägte Tendenz zu abschwächenden Formulierungen wie may provide sowie zu sogenannten corrective framing-Konstruktionen, bei denen Themen als not simply X oder als Alternative eingeführt werden. Auch der Verweis auf another dimension bleibt ein charakteristisches Element. Google Gemini 3.1 Pro hat seinerseits nahezu vollständig auf Gedankenstriche verzichtet. Trotz der öffentlichen Versprechen der Anbieter, ihre Modelle durch mehr Klarheit, weniger Fachjargon und einen natürlicheren Sprachfluss zu optimieren, bleibt die Gesamtzahl der identifizierbaren Sprachmuster stabil. Greg Druck, Chief AI Officer bei Graphite, weist darauf hin, dass die Labore die vollständige Unterdrückung dieser Muster technisch kaum kontrollieren können. Bei Modellen mit Milliarden von Parametern bleiben die Ressourcen für Tests begrenzt, sodass bestimmte Trainingsartefakte unweigerlich durchrutschen. Die Forschungsergebnisse verdeutlichen, dass sich KI-generierte Texte derzeit nicht ausschließlich durch den gezielten Stilabbau an menschliche Gewohnheiten anpassen lassen, sondern strukturelle Eigenheiten behalten, die eine zuverlässige Unterscheidung vom menschlichen Schreiben ermöglichen. Für Entwickler und Nutzer bleibt dies ein relevanter Aspekt, da die Persistenz dieser Sprachmerkmale sowohl die Transparenz als auch die Validierung von KI-Inhalten in professionellen Kontexten beeinflusst.