Erzählstruktur macht KI-geschriebene Geschichten erkennbar

Auf der Konferenz COLM 2026 stellt ein Forschungsteam um James Russell, Rohan Rajendhran, Christopher M. Pham, Mohit Iyyer und John Wieting die Studie StoryScope vor. Die Arbeit untersucht, welche erzählerischen Entscheidungen KI-generierte Kurzgeschichten von menschlichen unterscheiden, statt nur Wortwahl, Satzbau oder Interpunktion zu betrachten. Das Team nutzt 10.272 Schreibimpulse. Zu jedem Impuls liegt ein menschlicher Text vor, dem fünf KI-Versionen der Modelle Claude, DeepSeek, Gemini, GPT und Kimi gegenübergestellt werden. Es entstehen 61.632 Erzählungen mit durchschnittlich 4.753 Wörtern. In drei Schritten überführt die Studie die Texte in strukturierte Darstellungen, erfasst Figuren, Motive, Ereignisse, Settings, Plots und Zeitordnungen und reduziert die Beobachtungen auf 304 messbare Merkmale. Modelle vom Typ XGBoost lernen diese Merkmale als Unterscheidungsmerkmale. Ohne oberflächliche Stilmerkmale erreicht die Unterscheidung zwischen Mensch und KI einen Makro-F1-Wert von 93,2 Prozent. Die Zuordnung aller sechs Quellen gelingt mit 68,4 Prozent. Die Analyse zeigt drei Muster: KI-Geschichten formulieren ihr Thema in 77 Prozent der Fälle ausdrücklich, menschliche Texte in 52 Prozent. KI-Erzählungen folgen zudem stärker einfachen Kausalketten, enthalten seltener Nebenhandlungen und lösen Konflikte häufiger durch Hauptfiguren. Ohne Nebenhandlungen stehen 79 Prozent der KI-Texte gegenüber 57 Prozent der Menschentexte; Hauptfiguren entscheiden in 69 Prozent der KI-Fälle, aber in 46 Prozent der menschlichen Texte. Emotionen werden in 81 Prozent der KI-Geschichten über Körperempfindungen dargestellt, in 38 Prozent der Menschentexte über direkte Gefühlsbezeichnungen. Eine Überarbeitung nur des Stils verringert die Unterscheidbarkeit kaum. Bei 278 von Gemini erzeugten Geschichten sinkt der Wert durch oberflächliche Korrekturen von 95,5 auf 93,9 Prozent. Das spricht dafür, dass sich narrative Strukturen schwerer verbergen lassen als typische Formulierungen. Die Ergebnisse gelten jedoch nur für lange Fiktion, nicht pauschal für E-Mails, Essays oder Beiträge in sozialen Medien. Zudem werden die Merkmale selbst durch Sprachmodelle erkannt, und hohe Klassifikationswerte beweisen keine individuelle KI-Nutzung. Für die Entwicklung generativer Systeme folgt daraus, dass nicht nur überzeugende Sätze zählen, sondern auch weniger vorhersagbare Erzählwege.