Studie: KI-Texte sind so gut wie ihre Prompt-Leitplanken

Auf dem Bildschirm liegen zwei Texte nebeneinander, die beide aus demselben Auftrag stammen und von derselben KI im Abstand weniger Minuten erzeugt wurden. Der Text auf der linken Seite liest sich wie ein Amtsbescheid: Substantivketten, Passivsätze, kein Mensch weit und breit. Der rechte klingt wie ein Kinderbuch: acht Wörter je Satz, jede Fachlichkeit weichgespült. Zwischen beiden liegt genau eine Variable – die Anweisung, die den Auftrag begleitet hat.

So zugespitzt diese Szene auch ist, genau dieses Muster hat eine deutsche Korpusanalyse jetzt an 2.112 KI-Texten vermessen. Ergebnis: Wer KI-Texte verbessern will, findet demnach den wirksamsten Hebel in den Leitplanken, die der Prompt dem Modell setzt. Und in der anschließenden „menschlichen“ Redaktion. Was die Zahlen aussagen, wo ihre Grenzen liegen und was das für Ihre Content-Produktion bedeutet, lesen Sie im Folgenden.

Deutsche Studie von WORTLIGA und SISTRIX

Der Münchner Textanalyse-Anbieter WORTLIGA hat gemeinsam mit dem SEO-Toolhersteller SISTRIX zwischen dem 11. Mai und dem 11. Juni 2026 nach eigener Angabe 2.112 B2B-Texte mit drei großen Sprachmodellen erzeugen lassen (claude-opus-4-7, gemini-3.1-pro-preview, gpt-5.5), verteilt auf elf Textgattungen von der LinkedIn-Anzeige bis zum Fachartikel, acht Branchen und acht bewusst unterschiedliche Prompt-Stile.

Gemessen wurde mit dem hauseigenen WORTLIGA-Score von 0 bis 100, der neben der Lesbarkeit auch Passivkonstruktionen, Nominalstil, Füllwörter und Floskeln einbezieht. Zwei Dinge gehören zu diesem Maß offen auf den Tisch. Erstens misst der Score Lesbarkeit und Verständlichkeit. Über Wirksamkeit, Conversion oder Leads sagt er nichts aus, und über fachliche Korrektheit ebenso wenig. Der Studientitel „Wie wirksam kommuniziert KI in Marketing und Vertrieb?“ verspricht an dieser Stelle somit ein wenig mehr, als die Methode misst.

Als Zielbereich nennen die Autoren 60 bis 70 Punkte von 100, abhängig von Publikum und Thema. Werte über 80 werten sie selbst als Zeichen der Übervereinfachung. Zur Einordnung der Skala: Die drei Modellmittel liegen laut Studie zwischen 37,7 und 47,7 Punkten, im Schnitt bei 44,1. Kein KI-Modell erreicht im Durchschnitt den Zielbereich.

Ein bürokratischer Prompt liefert Amtsdeutsch, die Forderung nach mehr Verständlichkeit Texte für Kinderbücher

Der Kernbefund passt in zwei Zahlenpaare. Wechselt der Prompt-Stil, wandern die Kategoriemittel über alle Modelle von 4,4 bis 79,4 Punkten — also einmal quer über beinahe die ganze Skala. Wechselt das Modell, bewegen sich die Mittelwerte von 37,7 bis 47,7. Zehn Punkte. Die Anweisung verschiebt das Ergebnis also über ein Spielfeld, auf dem die Modellwahl kaum den Anstoßkreis verlässt. Ein ehrlicher Zusatz gehört dazu: Welche Einflussgröße wie viel der Streuung erklärt, zeigt die Studie nicht. Deutlich ist der Augenschein trotzdem, und die Autoren haben ihm einen Namen gegeben: den Chamäleon-Effekt. Die Modelle spiegeln den Stil der Anweisung, die man ihnen gibt.

Wie das aussieht? Ein bewusst bürokratischer Prompt drückte das Kategoriemittel aller drei Modelle auf 4,4 Punkte. Behördendeutsch auf Bestellung. Die Anweisung, extrem verständlich zu schreiben, katapultierte den Mittelwert auf 79,4. Klingt nach Sieg, liest sich laut Studie aber wie ein Kinderbuch: Stakkato-Sätze, Sprachniveau A2, für Fachleser unbrauchbar. Liegt die schwankende Verständlichkeit also am Modell? Die Daten geben der Anweisung die deutlich größere Rolle.

Problem: 52 Prozent der Marketingabteilungen – so Bitkom – fehlt die Kompetenz zur Steuerung der KI-Modelle

Dass die Anweisung über die Verständlichkeit von KI-Texten entscheidet, wäre eine Randnotiz, wenn Unternehmen diese Steuerung sicher beherrschten. Ein Lagebild des Digitalverbands Bitkom zeichnet ein anderes Bild: 51 Prozent der befragten Unternehmen stimmen der Aussage zu, generative KI übernehme bereits große Teile der kreativen Arbeit im Marketing. 52 Prozent stimmen zugleich der Aussage zu, Marketingabteilungen fehle häufig die Kompetenz, KI-Anwendungen sinnvoll einzusetzen.

Daraus folgt: Zwischen diesen beiden Einschätzungen liegt genau die Lücke, von der dieser Beitrag handelt — die Werkzeuge sind im Einsatz, aber die professionelle Steuerung hinkt hinterher. Zur Einordnung: Befragt wurden 180 Unternehmen aus dem Bitkom-Umfeld der Digitalbranche (Kalenderwochen 44 bis 50/2025), die Ergebnisse sind nach eigener Auskunft nicht repräsentativ. Ein Stimmungsbild, keine Marktmessung. Als solches deckt es sich mit dem, was viele Content-Verantwortliche täglich erleben.

Wer KI-Texte verbessern will, braucht mehr als den besten Prompt

Die Studie testet auch die Gegenprobe: Was leistet ein sauber gebauter Prompt? Der Best-Practice-Stil des Tests, mit benannter Zielgruppe, dem Nutzen im ersten Satz und striktem Verbot von Passiv und Floskeln, lieferte mit 49,3 Punkten das beste Kategorienmittel. Bei zwei der drei Modelle sanken die Passiv-Fehler damit auf exakt null. Leitplanken im Prompt wirken, messbar und sofort.

Und doch bleibt auch dieser Wert unter der 60er-Schwelle der Studie. Die dokumentierten Spitzenwerte des Tests stammen aus der Extrem-verständlich-Kategorie, um den beschriebenen Preis der Kindersprache. Einen Prompt, der beides über die Schwelle hebt — und Verständlichkeit mit Fachlichkeit verbindet —, weist die Studie nicht aus. Redaktionell überarbeitete Texte hat sie gar nicht getestet. Die Konsequenz, die wir daraus ziehen, deckt sich mit der Hauptempfehlung der Autoren, einer „systematischen Qualitätssicherung“: Nach dem besten Prompt beginnt Redaktionsarbeit. Prüfen, kürzen, schärfen, die Fachlichkeit halten, wo der Score zur Vereinfachung verführt. Das ist unsere Schlussfolgerung aus den Daten.

Der Selbstversuch: unsere Beiträge im eigenen Messlauf

Wer solche Zahlen zitiert, sollte die Probe am eigenen Material nicht scheuen. Ich habe deshalb unsere bereits veröffentlichten Wissen-Beiträge durch einen eigenen Messlauf geschickt (Stand der Messung: 14. Juli 2026). Gemessen habe ich mit der deutschen Flesch-Variante nach Amstad, die aus mittlerer Satzlänge und Silbenzahl je Wort einen Verständlichkeitswert von 0 bis 100 errechnet. Warum nicht gleich mit dem WORTLIGA-Score? Aus einem guten Grund: Die Flesch-Formel liegt offen, jeder kann sie mit drei Zeilen Code oder notfalls mit Stift und Papier nachrechnen.

Das Ergebnis: Unsere Beiträge liegen zwischen 46,4 und 55,8 Punkten, im Mittel bei 50,1, bei einer mittleren Satzlänge von 13,4 Wörtern. Die enge Spanne ist für mich die eigentliche Aussage: ein konsistentes Sprachniveau über alle Beiträge hinweg. Welchen Anteil daran die Leitplanken im Prompt haben und welchen die redaktionelle Prüfung, trennt diese simple Messung nicht — sie zeigt das Ergebnis des Gesamtprozesses, mehr nicht. Wie geprüfter, konsistenter Content nebenbei auch das Risiko senkt, dass eine KI Ihr Angebot falsch erklärt, haben wir an anderer Stelle beschrieben.

Meine Empfehlung:

Schreiben Sie Ihre Leitplanken einmal sauber auf: Aktiv-Pflicht, Floskelverbot, ein Satzlängen-Korridor, der Nutzen für die Zielgruppe im ersten Satz. Und behandeln Sie jedes Ergebnis trotzdem als Rohstoff. Der Prompt hebt Ihre KI-Texte auf ein verlässliches Niveau. Ob ein Text Ihr Angebot trägt, entscheidet die Prüfung durch Menschen, die Thema und Zielgruppe kennen.

Zwei Texte, eine Variable

Zurück zu den beiden Texten vom Anfang. Amtsbescheid und Kinderbuch stammen aus derselben Maschine, aus demselben Auftrag, aus demselben Modell. Welcher von beiden wahrscheinlicher wird, entscheiden Sie. In der Anweisung, bevor das Modell das erste Wort schreibt. Ob daraus ein Text wird, der Ihr Angebot trägt, entscheidet sich danach: am Schreibtisch der Redaktion. KI-Texte sind so gut wie ihre Leitplanken. Und Leitplanken sind Redaktionshandwerk, im Prompt genauso wie in der Prüfung, die auf ihn folgt.