Kontakt aufnehmen →
Wissen

KI-Einheitstext vermeiden: drei Kontrollpunkte im Produktionsprozess

Content Pipelines Marc Ostermann · 4. September 2026 · Aktualisiert am 7. September 2026 · 9 Min

Ihr Text ist fachlich korrekt und sauber gegliedert. Und er könnte trotzdem von jedem anderen Anbieter Ihrer Branche stammen. Für dieses Gefühl gibt es inzwischen Listen. Der Autor Ruben Hassid hat zwölf Formulierungen zusammengetragen, an denen man von KI geschriebene Texte erkennt, dazu elf Kniffe, wie man sie loswird. Seine Pointe lautet in der Wiedergabe eines Branchenberichts: „12 tells deleted. 11 skills. 0 AI smell.“ Wer KI-Einheitstext vermeiden will, kommt mit einer solchen Liste ein gutes Stück weiter. Aber: Weit genug kommt man nicht.

Eine Sperrliste entfaltet ihre Wirkung erst dort, wo sie im Produktionsprozess verankert ist. Als Notizzettel neben der Tastatur bleibt sie ein guter Vorsatz. In der PR-DESK Content Pipeline haben wir sie deshalb an drei Stellen eingebaut: beim Schreiben, zur redaktionellen Prüfung nach dem Entwurf eines Content-Assets und vor der Veröffentlichung. Diese drei Kontrollen greifen im gesamten Produktionsprozess und bei jedem Asset, das unsere Content Pipeline verlässt. Der Text, den Sie gerade lesen, hat sie ebenfalls durchlaufen. Dieser Beitrag zeigt, was hinter dem Sammelbegriff KI-Slop steckt, warum die nachträgliche Erkennung zu spät kommt, wie unsere drei Kontrollpunkte im Einzelnen arbeiten, was der Test am eigenen Text zutage gefördert hat und woran Sie die Textproduktion eines Dienstleisters messen können.

Was KI-Slop ist und wo der Einheitstext herkommt

Zuerst die Begriffe. AI Slop bezeichnet digitale Inhalte aus generativer KI, denen man fehlenden Aufwand, fehlende Qualität oder fehlende Bedeutung ansieht. Das zugrundeliegende Wort slop wurde in den USA zum Wort des Jahres 2025 gewählt. Im Deutschen nennen wir das Ergebnis den KI-Einheitstext: fehlerfrei und austauschbar.

Das Muster dahinter ist beschrieben, und zwar unabhängig von uns. Das Schweizer Übersetzungsunternehmen SwissGlobal hat es in drei Ebenen sortiert, Wortwahl, Satzbau und Bedeutung. Seine Beispiele decken sich fast eins zu eins mit unserer eigenen Sperrliste: Floskeln, Dreiergruppen, die Figur Es ist nicht X, es ist Y, überstrapazierte Gedankenstriche. Wenn zwei Produktionsläufe ohne Kontakt zueinander dieselben Muster zutage fördern, halte ich das für mehr als eine Geschmacksfrage.

Wir begrenzen diese Muster an drei Punkten im Produktionsprozess:

  1. Vor dem Schreiben. Die Sperrliste steht als Dokument fest, bevor der erste Satz entsteht.
  2. Zur redaktionellen Prüfung nach dem Entwurf. Ein Prüfskript liest den fertigen Entwurf eines Content-Assets und meldet, was mechanisch messbar ist.
  3. Vor der Veröffentlichung. Ein Mensch entscheidet über den geprüften Entwurf. Er gibt den Text zurück, wenn die Qualität nicht den hohen, unverhandelbaren journalistischen Anforderungen entspricht.

Für Sie ist das ein Prüfraster mit doppeltem Nutzen: Sie prüfen damit die eigene Textproduktion, oder Sie kontrollieren, wie konsequent ein Dienstleister die Qualität seiner Inhalte absichert.

Produktionsweg mit drei Kontrollpunkten gegen KI-Einheitstext: Sperrliste vor dem Schreiben, Prüfskript nach dem Entwurf, redaktionelle Entscheidung vor der Veröffentlichung.
Drei Kontrollpunkte im Produktionsprozess: Die Sperrliste steht vor dem Schreiben fest, das Prüfskript liest den Entwurf, die Redaktion entscheidet vor der Veröffentlichung.

Warum die Prüfung hinterher zu spät kommt

Der naheliegende Reflex ist die Nachkontrolle. Text fertig, Detektor drüber, Score ablesen. Das ist der Rauchmelder, den man nach dem Brand an die Decke schraubt und der dann brav piept. Wer nach Hilfe sucht, landet außerdem schnell bei Werkzeugen, die KI-Texte menschlicher machen sollen. Die schreiben zwar den Text um, ändern aber nicht die Substanz. Das bedeutet: Die Qualität bleibt exakt dieselbe, nur die Worthülsen ändern sich.

Warum wir uns auf einen Detektor-Score nicht verlassen, zeigen drei Befunde. Die Abteilung für Lehrtechnologie der MIT Sloan School rät Lehrenden offen von KI-Detektoren ab. In einer Studie um Weixin Liang hielten die getesteten Detektoren 2023 über die Hälfte der TOEFL-Aufsätze nicht-muttersprachlicher Autoren fälschlich für maschinell erzeugt, während sie Aufsätze von US-Achtklässlern nahezu perfekt einordneten. OpenAI stellte den eigenen Klassifikator im Juli 2023 nach knapp sechs Monaten ein, er erkannte 26 Prozent der KI-Texte korrekt und markierte 9 Prozent menschlicher Texte falsch. Eine Küchenwaage, die mal zwanzig Gramm zu viel und mal zwanzig zu wenig anzeigt, verdient die Bezeichnung Waage nicht mehr. Ein Detektor-Score mit derselben Streuung wandert in die Kundenpräsentation. Was macht man mit einem Wert, der in beide Richtungen irrt? Man nimmt ihn als Anlass, genauer hinzusehen.

Eine Untersuchung des Forschungsinstituts Epoch AI aus dem Juli 2026 zeigt, dass gängige Detektoren generische KI-Texte fast fehlerfrei erkennen und erst dann versagen, wenn ein Modell angewiesen wird, einen menschlichen Autorenstil zu imitieren. Im Schnitt blieben 13 Prozent solcher Passagen unentdeckt, bei wissenschaftlichen Texten bis zu 48 Prozent. Genau das stützt unseren Punkt: Stil ist steuerbar, also gehört die Kontrolle in die Produktion. Wie wenig ein Detektor als Beweismittel taugt, haben wir in unserem Beitrag zur Unzuverlässigkeit von KI-Detektoren im Detail belegt.

KI-Einheitstext vermeiden? Der Start dafür erfolgt vor dem ersten Satz

Der erste Kontrollpunkt ist ein gepflegtes Dokument, unsere Sperrliste. Dass wir hier unsere eigene Arbeitsweise beschreiben, hat einen Grund: Sie ist in der Praxis erprobt und taugt als Vorlage für Ihre eigene Produktion. Die Sperrliste führt siebenundzwanzig sprachliche Muster, elf davon grundsätzlich gesperrt, sechzehn nur begrenzt einsetzbar. Antithese, Anapher und rhetorische Frage sind altes Handwerk, verräterisch wird ihre Wiederholung. Jeder Eintrag trägt seine Herkunft, von internen Vorgaben über deutsche Debatten-Kataloge bis zu Fällen, die uns selbst auf die Füße gefallen sind.

Eine Zahl macht deutlich, warum dieser Punkt mechanisch laufen muss. Als wir die Regel für korrekt geschlossene deutsche Anführungszeichen eingeführt haben, haben wir den eigenen Bestand durchgezählt: 1.262 öffnende Zeichen, davon 1.155 falsch geschlossen, also 91,5 Prozent, korrigiert am selben Tag. So etwas findet beim Gegenlesen kein Mensch. Ein einzelnes übersehenes Muster setzt sich still durch den ganzen Bestand fort, solange niemand gezielt danach sucht.

Wie das Prüfskript den fertigen Entwurf kontrolliert

Der zweite Kontrollpunkt sitzt am Ende der Textproduktion. Ein Skript läuft über den Entwurf, bevor er freigegeben wird. Es misst, was sich zählen lässt: gesperrte Formulierungen, wiederkehrende Satzmuster wie gleiche Satzanfänge in Serie, falsch gesetzte Anführungszeichen und auffällig gehäufte rhetorische Figuren, etwa Dreierketten, rhetorische Fragen oder Gedankenstriche. Anschließend liefert es einen kurzen Prüfbericht mit drei Antworten: ob gesperrte Muster gefunden wurden, welche Formulierungen auffällig häufig vorkommen und welche Stellen ein menschliches Urteil brauchen. Findet es eines der elf grundsätzlich gesperrten Muster, stoppt die Lieferung. Bei den sechzehn begrenzt einsetzbaren entscheidet die Häufigkeit.

Interessanter als der Umfang ist die Aufteilung. Von diesen siebenundzwanzig Mustern prüft das Skript neunzehn mechanisch. Über die übrigen acht urteilt die PR-DESK-Redaktion, bei zweien davon markiert das Skript immerhin Kandidaten, das Urteil fällt trotzdem der verantwortliche Redakteur. Bei ihm bleibt die Frage, ob eine Metapher Erkenntnis trägt, ob ein Satz die vorherige Aussage nur noch einmal sagt und ob am einzelnen Satz erkennbar ist, ob er einen Beleg wiedergibt, ihn deutet oder eine Handlung empfiehlt. Layout und Fakten stehen in der dokumentierten Abdeckung des Skripts nicht als Prüffunktionen, die Faktenprüfung läuft bei uns getrennt. In unserem eigenen Regelwerk steht dazu ein Satz, der die Grenze markiert: „Das Skript ersetzt kein Gegenlesen.“

Diese Grenze ist der Grund, warum ich dem Werkzeug traue. Ein Prüfskript, das alles zu können behauptet, wäre selbst das erste Warnsignal.

Wie sich das Ergebnis über einen ganzen Bestand messen lässt, zeigt unser Beitrag zur Lesbarkeitsmessung.

Wer am Ende entscheidet

Der dritte Kontrollpunkt ist der teuerste, gemessen in Zeit und gebundener redaktioneller Kompetenz. Und er ist der einzige, der ein Urteil fällt. Vier Merkmale trennen eine echte redaktionelle Entscheidung von ihrer Dekoration:

Wie das aussieht, wenn es greift, zeigt ein Fall aus dem eigenen Haus: Vor der Veröffentlichung unseres Beitrags über KI-Detektoren ging der fertige Entwurf in eine unabhängige Prüfung mit frischem Kontext. Aus ihren Funden haben wir sechzehn eingearbeitet und zwei begründet abgelehnt. Zwei Korrekturen sind wörtlich dokumentiert: Titel und Kennung einer zitierten Studie gehörten zu einer anderen Untersuchung, und eine Zuspitzung zu einem Medienfall war schärfer, als die Quelle hergab. Beides stand im Entwurf. Im veröffentlichten Text steht es nicht.

Wie weit diese drei Kontrollpunkte reichen, formuliere ich bewusst eng:

„KI-Einheitstext lässt sich nicht mit einer Sperrliste verhindern. Wir können wiederkehrende Muster zwar früh begrenzen, Entwürfe maschinell prüfen und vor der Veröffentlichung redaktionell entscheiden. Ob ein Text wirklich verständlich, eigenständig und nützlich ist, bleibt aber eine menschliche Aufgabe.“

Der Test am eigenen Text

Wie das gemeint ist, zeigt sich am schnellsten dort, wo es unangenehm wird: am eigenen Text. Ein Prüfraster, das wir nur auf Kundencontent anwenden, hätten Sie zu Recht nicht ernst genommen. Also haben wir die eigene Website geprüft. Zwei externe Stimmen hatten uns kurz zuvor einen KI-Look attestiert. Das bezog sich auf das Design. In den Texten war auf zwei von acht geprüften Seiten je eine gesperrte Regel verletzt. Der Rest war sauber oder nur in der Dosis auffällig.

Auf unserer Seite über Content Pipelines standen beispielsweise mehrere Negationsformeln, eine davon so:

So entsteht ein Rhythmus, der Themen nicht nur veröffentlicht, sondern nutzbar macht.

Nach der Korrektur:

So entsteht ein Rhythmus, der Themen veröffentlicht und nutzbar macht.

Die Aussage bleibt vollständig, die Inszenierung fällt weg. Der unangenehmste Fund war ein anderer. Unsere eigene Sperrliste verstieß im August gegen eine ihrer eigenen Regeln, ausgerechnet im Zielsatz des Dokuments, das genau diese Figur verbietet. Aufgefallen ist das dem eigenen Skript.

Das hat mich geärgert. Aber es hat mich gleichzeitig auch überzeugt. Denn: Ein Regelwerk, das man nur behauptet, ertappt sich nicht selbst.

Fazit: der Prüfmaßstab für Ihre eigene Produktion

Zurück zur Liste vom Anfang. Zwölf Formulierungen zu streichen ist ein guter Vorsatz, aber noch kein Verfahren. Wer KI-Einheitstext vermeiden will, sollte drei Dinge implementieren:

  1. Eine Sperrliste, die feststeht, bevor jemand schreibt, und die jeder kennt, der schreibt.
  2. Eine maschinelle Prüfung, die über jeden fertigen Entwurf läuft, bevor er freigegeben wird.
  3. Einen Menschen mit verbindlicher Verantwortung für die Content-Qualität, der vor der Veröffentlichung entscheidet und den Text zurückgeben darf. Ohne diese Rückgabemöglichkeit ist die Entscheidung ein Ritual.

Dieselben drei Punkte können Sie einem Dienstleister vorlegen. Wer auf alle drei eine konkrete Antwort hat, arbeitet an der richtigen Stelle im Prozess. Wer stattdessen auf einen Detektor-Score zeigt, hat die Arbeit noch vor sich. Die Liste vom Anfang ist dabei völlig in Ordnung. Sie gehört aber in den Prozess, nicht neben die Tastatur.

Quellen

Aus Ihrem Fachwissen wird ein Content-System. Lassen Sie uns klären, welches Thema Ihre erste Content Pipeline trägt. Erstgespräch vereinbaren →