Ist das KI? Warum Sie es nicht mehr sehen — und was stattdessen hilft.

Die Zahl, die alles entscheidet: 62 Prozent

Microsoft Research hat aus einem öffentlichen Online-Spiel — „Real or Not" — die Urteile ausgewertet: rund 287 000 Bewertungen von mehr als 12 500 Teilnehmenden weltweit. Jede Aufnahme war entweder eine echte Fotografie oder maschinell erzeugt, und die Aufgabe war die einfachste denkbare: sagen, welche von beidem.

Der letzte Balken ist der wichtigste. Bei bestimmten Deepfake-Verfahren lagen die Teilnehmenden unter der Ratequote — sie wurden nicht bloß nicht erkannt, sie wurden aktiv in die falsche Richtung geführt. Das ist der Punkt, an dem „ich sehe sowas sofort" aufhört, eine Fähigkeit zu sein, und anfängt, eine Selbsttäuschung zu werden.

Und die Zahl ist eine Momentaufnahme mit Verfallsdatum. Sie beschreibt Modelle eines bestimmten Zeitpunkts; die nächste Generation wird nicht schlechter. Jede Anleitung, die Ihnen visuelle Merkmale beibringt, altert also innerhalb von Monaten — was der Grund ist, warum Abschnitt 03 in diesem Text kurz ist und Abschnitt 04 lang.

Die Detektoren — und warum sie gefährlich sind

Die naheliegende Antwort auf „ich erkenne es nicht" lautet: ein Werkzeug soll es erkennen. Genau hier sucht der deutschsprachige Markt am lautesten — die Suchanfragen nach KI-Text erkennen kostenlos und Varianten davon summieren sich auf mehrere Tausend im Monat. Also der Reihe nach, was diese Werkzeuge leisten.

Eine Untersuchung an der Stanford University prüfte sieben verbreitete Detektoren mit Aufsätzen, die nachweislich von Menschen geschrieben waren. Bei Nicht-Muttersprachlern stuften die Werkzeuge die Texte in 61 Prozent der Fälle fälschlich als maschinell ein; bei rund einem Fünftel der Arbeiten waren sich alle Detektoren in diesem Fehlurteil sogar einig. Bei Muttersprachlern passierte das fast nie.

Der Mechanismus dahinter ist kein Programmierfehler, sondern das Verfahren selbst. Diese Werkzeuge messen, wie vorhersehbar ein Text ist — wie wahrscheinlich das nächste Wort auf das vorherige folgt. Sprachmodelle schreiben vorhersehbar. Aber Menschen, die eine Sprache noch lernen, schreiben ebenfalls vorhersehbar: einfachere Wörter, kürzere Sätze, weniger Wagnis. Das Werkzeug kann beides nicht unterscheiden, weil es dieselbe Eigenschaft misst.

An der Johns-Hopkins-Universität markierte ein verbreitetes Prüfsystem über 90 Prozent der Arbeit eines Studenten als maschinell erzeugt; der Lehrende bemerkte über das Semester ein Muster — betroffen waren überproportional internationale Studierende. Für den deutschen Kontext ist das die praktisch wichtigste Erkenntnis dieses ganzen Textes: Ein Detektorergebnis ist kein Beweis. Es ist eine Wahrscheinlichkeitsaussage eines Werkzeugs, das bei bestimmten Personengruppen zuverlässig danebenliegt.

Wenn Sie in einer Schule, Hochschule oder Personalabteilung arbeiten und über solche Ergebnisse entscheiden: Behandeln Sie sie als Anlass für ein Gespräch, niemals als Feststellung. Der Weg, der trägt, ist der alte — nachfragen, wie etwas entstanden ist, um Zwischenstände bitten, das Thema im Gespräch vertiefen. Wer es kann, kann es erklären.

Was 2026 noch verrät — ehrlich sortiert

Es gibt weiterhin Anhaltspunkte. Sie sind nur nicht das, was in den meisten Anleitungen steht, und keiner davon ist ein Beweis — sie erhöhen den Verdacht, mehr nicht.

Bei Bildern sind es fast nie mehr die Hände. Was bleibt, ist die Physik im Hintergrund: Schatten, die aus zwei verschiedenen Richtungen fallen; Spiegelungen in Fenstern und Augen, die nicht zur Umgebung passen; Schrift auf Schildern, die im Randbereich zerfällt; wiederkehrende Muster in Menschenmengen; eine Schärfe, die überall gleich ist, obwohl die Tiefe wechselt. Und ein Gesamteindruck, den man schwer beschreiben kann: zu aufgeräumt, zu gut ausgeleuchtet, kein Staub, kein Zufall.

Bei Texten ist das verlässlichste Merkmal nicht sprachlich, sondern inhaltlich: Es fehlt das Konkrete. Keine Namen, keine Zahlen mit Quelle, keine Beispiele, die nur eine bestimmte Person kennen kann, keine Meinung, die jemandem wehtun könnte. Dazu Aufzählungen in Dreierschritten, ein durchgehend gleichmäßiger Rhythmus und Übergänge, die glatt sind, ohne etwas zu verbinden. Ein Mensch mit Sachkenntnis schreibt kantiger, weil er etwas will.

Bei Video und Ton sind es die Übergänge: Ein Gesicht, das beim Kopfdrehen kurz die Form ändert; Zähne und Zunge, die im Sprechen nicht ganz konsistent bleiben; Blinzeln in zu regelmäßigen Abständen; eine Stimme ohne Atemgeräusche, ohne Raum, mit gleichbleibender Lautstärke über zwei Minuten hinweg.

Was technisch tatsächlich hilft: die Herkunft

Weil das Erkennen am Material gescheitert ist, hat die Industrie das Problem umgedreht: Statt Fälschungen zu entlarven, wird Echtes und Erzeugtes von Anfang an mit einem Nachweis versehen. Zwei Verfahren teilen sich das Feld, und sie funktionieren grundverschieden.

Praktisch heißt das für Sie: Ein vorhandener Nachweis ist eine starke Auskunft — er sagt Ihnen, womit etwas erzeugt wurde. Ein fehlender Nachweis sagt fast nichts. Diese Asymmetrie ist der wichtigste Satz dieses Abschnitts, weil die entgegengesetzte Annahme gerade dabei ist, sich einzubürgern: Wer aus fehlenden Metadaten auf Fälschung schließt, wird echte Fotos für erzeugt halten — dieselbe Fehlerklasse wie bei den Text-Detektoren, nur andersherum.

Was seit dem 2. August gilt

Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 der KI-Verordnung (EU) 2024/1689. Für die Frage dieses Textes sind zwei Teile daraus wichtig.

Anbieter generativer Systeme müssen ihre Ergebnisse maschinenlesbar als künstlich erzeugt markieren — das ist genau die technische Ebene aus Abschnitt 04, jetzt als Pflicht formuliert. Wer veröffentlicht, muss Deepfakes offenlegen: Bild, Ton oder Video, das existierende Personen, Orte oder Ereignisse täuschend echt nachbildet. Für erzeugte Texte zu Angelegenheiten von öffentlichem Interesse gilt es ebenfalls, sofern niemand die redaktionelle Verantwortung übernimmt. Übliche Bearbeitungen — Farbkorrektur, Beschnitt — lösen nach den Leitlinien der Kommission keine Pflicht aus.

Was diese Regel nicht tut: Sie schützt Sie nicht vor dem, wovor Sie sich sorgen. Wer täuschen will, hält sich nicht an Kennzeichnungspflichten — deshalb bleibt die Zahl aus Abschnitt 01 auch nach dem Gesetz die entscheidende. Was die Regel bewirkt, ist etwas anderes und langfristig Wertvolleres: Sie macht Herkunftsnachweise zur Normalität, und je normaler sie sind, desto auffälliger wird ihr Fehlen dort, wo man sie erwarten würde.

Dieser Abschnitt gibt den Wortlaut der Verordnung und der veröffentlichten Leitlinien wieder und ist keine Rechtsberatung. Ob und wie Sie im Einzelfall kennzeichnen müssen, beantwortet eine spezialisierte Kanzlei.

Für Unternehmen ist die Frage falsch herum gestellt

Bis hierhin ging es darum, wie Sie fremdes Material einordnen. Wenn Sie ein Unternehmen führen, ist die umgekehrte Frage die teurere: Was passiert, wenn Leute Ihr Material für maschinell halten?

Und da liegt der Hebel nicht dort, wo alle suchen. Niemand prüft Ihre Website mit einem Detektor. Was tatsächlich passiert, ist ein Sekundenurteil: Das Titelbild wirkt wie ein Musterfoto, der Text sagt „professionelle Lösungen für Ihren Erfolg", die Gesichter auf der Team-Seite sind zu makellos — und der Besucher denkt nicht „das ist KI", sondern etwas Schlimmeres: „die haben sich keine Mühe gegeben." Der Vorwurf gilt dem Aufwand, nicht der Technik.

Das ist eine gute Nachricht, denn die Gegenmaßnahme ist billig und liegt vollständig in Ihrer Hand: Dinge, die nur Sie haben. Echte Fotos Ihrer Werkstatt mit Unordnung darin. Namen von Menschen, die tatsächlich bei Ihnen arbeiten. Zahlen, die stimmen und die man nachrechnen kann. Ein Satz, der einen Teil Ihrer Kunden abschreckt. Nichts davon kann ein Modell erfinden, weil es Ihre Wirklichkeit nicht kennt — und genau deshalb ist es der einzige Unterschied, der 2026 noch trägt.

Ich sage das als jemand, der maschinell erzeugtes Material herstellt: Auch das Titelbild dieses Artikels ist erzeugt, und es steht darunter. Meine Erfahrung aus der Produktion ist, dass die Frage „merkt man es?" fast nie das Problem war. Das Problem war immer „sieht es aus, als wäre es irgendwem wichtig gewesen?" — und das ist eine Frage der Steuerung, nicht der Herkunft.

Wenn Sie ein konkretes Bild prüfen wollen: die Reihenfolge

Erstens: die Quelle. Wer hat es veröffentlicht, seit wann gibt es dieses Konto, was hat es sonst geteilt? Die überwiegende Mehrheit der Fälschungen, die etwas anrichten, scheitert hier — nicht am Bild, sondern an einem Absender, der drei Wochen alt ist.

Zweitens: die Rückwärtssuche. Bild in eine Bilder-Rückwärtssuche geben. Taucht dasselbe Motiv älter, größer und in anderem Zusammenhang auf, ist die Frage meist schon beantwortet — sehr häufig ist das Material nämlich echt und nur der behauptete Zusammenhang erfunden. Das ist der häufigste Fall überhaupt und hat mit KI nichts zu tun.

Drittens: die Herkunftsdaten. Prüfen, ob Content Credentials vorhanden sind. Vorhanden heißt: starke Auskunft. Nicht vorhanden heißt: keine Auskunft — siehe Abschnitt 04.

Viertens: der Abgleich mit der Wirklichkeit. Wenn ein Ereignis gezeigt wird: Berichtet sonst jemand darüber? Passt das Wetter, die Jahreszeit, die Bauphase des Gebäudes im Hintergrund? Fälschungen scheitern an Nebensachen, nicht an der Hauptsache.

Fünftens, und erst jetzt: das Bild selbst — mit den Merkmalen aus Abschnitt 03, im Bewusstsein, dass Sie hier bei 62 Prozent liegen. Wenn die ersten vier Schritte nichts ergeben haben, ist die ehrlichste Antwort oft: Ich weiß es nicht. Das ist ein zulässiges Ergebnis und deutlich besser als eine falsche Gewissheit in eine der beiden Richtungen.

Der Check: wie belastbar ist Ihr Urteil?

Neun Prüfschritte, gewichtet nach dem, was sie tatsächlich hergeben. Sie werden bemerken, dass „ich habe es mir genau angesehen" ganz unten mit drei Punkten steht — das ist kein Versehen, sondern der Inhalt von Abschnitt 01. Denken Sie an ein konkretes Bild, Video oder Schreiben, bei dem Sie sich diese Frage zuletzt gestellt haben, und klicken Sie an, was davon Sie wirklich getan haben.