Erkennst du KI-Texte?

Es gibt unzählige Listen an “Erkennungsmerkmalen” und jeder, der bestimmte Wörter nutzt gerät unter Generalverdacht. Und dann gibt es noch Software, die erkennen soll, ob ein Text mit KI erstellt wurde.

Wie gut sind KI-Detektoren?

Jede fünfte Entscheidung ist falsch

KI-Detektionstools funktionieren nicht zuverlässig genug, um als Urteilsgrundlage zu dienen! Das ist kein Meinungsurteil, sondern ein belegter Befund. Trotzdem entsteht damit gerade ein florierendes Geschäftsmodell.

Kein getestetes Tool kam in unabhängigen Studien über 80 % Genauigkeit. Das klingt vertretbar, bis man bedenkt, was das im Umkehrschluss bedeutet: Jede fünfte Entscheidung ist falsch! Bei Systemen, die eingesetzt werden, um Texte – und damit die Leistung eines Menschen – zu bewerten, ist das keine tolerierbare Fehlerquote! Das Prinzip der Unschuldsvermutung ist hier klar außer Kraft gesetzt, denn 80% ist kein Beweis.

So funktionieren KI Detektoren

Das Messprinzip dahinter: Die Tools messen, wie vorhersehbar Wortfolgen sind. Wer fachlich präzise schreibt, wer bestimmten Textkonventionen folgt, produziert statistisch “verdächtige” Texte. Und das nicht weil er KI nutzt, sondern weil sein Schreibstil bestimmten Mustern entspricht, die der Algorithmus mit Maschinenoutput assoziiert. Das Tool kann Kompetenz nicht sicher von Automatisierung unterscheiden.

Warum wird das trotzdem eingesetzt?

Was mich an dieser Debatte beschäftigt, ist weniger die technische Schwäche der Tools, denn die ist schließlich bekannt. Es ist die (fehlende) Logik, mit der sie trotzdem eingesetzt werden.

🤔Und die fehlende Erkenntnis, dass das Nutzen von KI Tools nicht zwingend eine schlechte (inhaltliche) Qualität der Texte bedeutet.

Ich sehe nach wie vor eine große Bereitschaft, dem algorithmischen Ergebnis mehr zu vertrauen als dem eigenen Urteil. KI-Detektionstools bedienen genau diesen Reflex. Sie verwandeln Misstrauen in eine Prozentzahl und nennen das Analyse.

Die Lösung? Gibt es natürlich auch als Tool

Gleichzeitig wächst die Gegenbewegung: Tools, die Texte gezielt so umformulieren, dass sie “menschlicher” wirken. Die Detektionsindustrie erzeugt damit genau das Verhalten, gegen das sie angeblich vorgeht. Ein klassischer Rüstungswettlauf – nur dass hier nicht nur Technologie gegen Technologie antritt, sondern Menschen zwischen den Fronten stehen.

Ein Wahrscheinlichkeitswert ist keine Entscheidung und wer ihn als eine behandelt, delegiert Urteilsvermögen an ein System, das nicht beurteilen kann, was es vorgibt zu messen.

Hier geht es zum Beitrag auf LinkedIn: KI Schreibstil erkennen

KI halluziniert. Auch die fortschrittlichsten Sprachmodelle wie Claude oder ChatGPT.

Aber es gibt wirksame Strategien, Halluzinationen zu reduzieren.

Anthropic hat 7 konkrete Strategien veröffentlicht, mit denen sich Halluzinationen nachweislich reduzieren lassen. Es sind praxistaugliche Prompting-Techniken vom Profi, die du sofort anwenden kannst.

💡Ich habe die Empfehlungen für dich so aufbereitet, dass sie ganz einfach anzuwenden sind, jede mit einem konkreten Prompt zum direkten Umsetzen.

Die Kurzversion:

→ Gib der KI die Erlaubnis, „Ich weiß es nicht” zu sagen

→ Lass konkrete Zitate extrahieren, bevor du Fragen beantworten lässt

→ Nutze Chain-of-Thought, um fehlerhafte Logik sichtbar zu machen

→ Vergleiche mehrere Outputs auf Konsistenz

→ Verfeinere iterativ und lass das LLM sich selbst korrigieren

→ Schränke den Zugriff auf externes Wissen ein

→ Fordere Quellenangaben für jede Behauptung ein

Diese Techniken können Halluzinationen nicht vollständig verhindern. Aber sie machen den Umgang damit systematisch und überprüfbar. Das ist ein wichtiger Schritt zu kontrollierter Nutzung generativer KI.

👇 Swipe durch das Carousel und lerne alle 7 Strategien im Detail. Ich habe für jede der Strategien konkrete Prompts zum direkten Verwenden für dich erstellt.

Hier geht es zum Beitrag auf LinkedIn: KI – Halluzinationen reduzieren

Du brauchst keinen Agenten mehr um zu automatisieren!

Viele KI-Agenten werden gerade durch die Einführung von Skills überflüssig: Skills sind für einige Einsatzzwecke nicht nur flexibler, sondern um ein Vielfaches einfacher einzurichten.

Was ist ein Skill?

Ein Skill ist eine persönliche Arbeitsanweisung für dein LLM. Es enthält alle Instruktionen, die die KI braucht, um eine Aufgabe exakt so auszuführen, wie du es festlegst: Dokumentenformat, Arbeitsschritte, Kontext, Schreibstil, Qualitätsrichtlinien, u.v.m.

Kein zusätzliches Tool, keine Programmierkenntnisse, keine Einrichtungshürde: Den Skill kannst du direkt im Chat erstellen.

Dein persönlicher prall gefüllter Werkzeugkoffer

Stell dir ein Netzwerk spezialisierter KI-Assistenten vor: Jeder Skill übernimmt einen klar definierten Aufgabenbereich und das LLM greift selbstständig auf das richtige Werkzeug zu, sobald es es braucht. Kein ausführliches Briefing im Prompt. Nie wieder Verlust des eigenen Stils an “typisch KI”.

Was Skills konkret leisten:

→ Wiederkehrende Anforderungen als jederzeit abrufbare, flexible Werkzeuge

→ Präzise Arbeitsanweisungen inkl. Ausgabeformat und Qualitätsrichtlinien

→ Zeitersparnis und Professionalisierung der Ergebnisse

→ Einfache Weitergabe: die Skill-Datei lässt sich teilen und in mehreren LLMs nutzen.

Im Unternehmen haben Skills ihren größten Hebel

Alle Mitarbeitenden nutzen dieselben Skills, passen sie optional an den eigenen Arbeitsbereich an und sorgen so für konsistente Prozesse und Ergebnisse. Ein konkretes Beispiel zeige ich euch im Carousel unten: PDFs, die immer genau im festgelegten Layout und Formatierungslogik generiert werden.

👇 Was das Carousel zeigt

Schritt für Schritt: von der Einrichtung eines Skills über Anpassungen bis zur Aktivierung im Chat. Das Prinzip lässt sich auf viele Aufgaben übertragen: von Schreibstilen bis zu komplexen Dokumentenlogiken.

Die Kompetenz verschiebt sich – mal wieder

Generative KI wird genau in dem Maß produktiver, in dem sie sich an die eigene Arbeitsweise anpasst. Skills sind dafür ein großer Hebel.

Die technische Einrichtung eines Agenten ist nicht mehr die Hürde. Die Hürde ist die saubere Beschreibung der eigenen Prozesse. So präzise, dass die KI sie optimal ausführen kann. Das ist eine wichtige Kompetenz im Umgang mit LLMs.

Die Fähigkeit, einen Skill per Chat erstellen zu lassen, ist übrigens selbst ein vorinstallierter Skill in Claude.

Anmerkung für alle, die mit ChatGPT arbeiten: Skills sind für ChatGPT bereits angekündigt, stehen aber aktuell – zumindest im Plus-Abo – noch nicht zur Verfügung. Meine Erfahrungen hier beziehen sich daher auf Claude Skills, wo die Funktion bereits vollständig nutzbar ist.

🔔 Ich biete in Kürze einen kompakten Workshop zur Erstellung von Skills an. Gib mir gerne in den Kommentaren Bescheid, dann melde ich mich, sobald der Termin steht.

Hier geht es zum Beitrag auf LinkedIn: Automatisierung mit KI – Skills

Macht mehr Kontext KI-Outputs schlechter?

Und wie kommt relevanter Kontext in die KI?

Manche formalisieren Context Engineering inzwischen als eigenständige Disziplin, die weit über Prompt-Formulierungen hinausgeht. Nicht weil Prompts unwichtig werden, sondern weil Kontext das ist, was Prompts erst wirksam macht.. Gartner hat das sogar so formuliert: “Context engineering is in, and prompt engineering is out”.

Was ist der Unterschied in der Praxis?

Prompt Engineering fragt: Wie formuliere ich die Anfrage optimal?

Context Engineering fragt: Was weiß das Modell über mich und meine Anforderungen, wenn es antwortet?

Der Prompt ist der Auslöser. Der Kontext ist das Fundament. Und das Fundament kommt aus drei Quellen:

– was du direkt mitgibst,

– was das System im Hintergrund liefert (Systemprompts, Gesprächshistorie, Nutzerdaten), und

– was das Modell sich aktiv holt (RAG, Websuche, verbundene Tools wie Notion oder CRM-Systeme).

Context Engineering bedeutet, alle Quellen für Kontext bewusst zu gestalten.

Jetzt kommt der Teil, der es etwas schwierig macht: Mehr Kontext ist nicht besser. Eine Untersuchung hat gezeigt, dass die Leistung mit wachsendem Kontextfenster zunehmend unzuverlässig wird. Ein Phänomen, das Forschende inzwischen “Context Rot” nennen. Das Modell verliert den Fokus auf das Wesentliche, wenn es mit zu vielen Tokens überladen wird.

Das Kontextfenster funktioniert wie das menschliche Arbeitsgedächtnis: Es ist endlich, und Überladen ist keine Strategie.

Relevanter, strukturierter Kontext schlägt umfangreichen, ungeordneten Kontext.

Context Engineering ist deshalb keine Technik, die man einmal lernt.

Context Engineering ist eine Denkweise, die man auf jeden Prompt anwenden kann:

❓Welche Informationen braucht das Modell, um gute Arbeit zu leisten?

❓Was genau soll ich als Kontext liefern?

❓Wie strukturiere ich die Information so, dass sie maximalen Nutzen für die KI Outputs haben?

Welchen Kontext schuldest du der KI bei deinem nächsten Prompt, damit sie nicht raten muss?

Prompt Engineering ist Taktik. Context Engineering ist Strategie.

Hier geht es zum Beitrag auf LinkedIn: Anleitung Context Engineering