Warum ist KI-geschriebener Text so schlecht? Die wahren Gründe für flache und generische Texte

Warum ist KI-geschriebener Text so vorhersehbar?

Große Sprachmodelle werden trainiert, um das wahrscheinlichste nächste Wort vorherzusagen, gegeben alles, was davor kam. Diese einzige Zielsetzung erklärt den Großteil dessen, was sich in KI-Prosa falsch anfühlt. An jedem Punkt eines Satzes greift das Modell zu dem Wort oder der Phrase, die eine riesige Stichprobe vorheriger Texte nahelegt — nicht zu dem Wort, das eine spezifische, idiosynkratische Idee am besten erfasst. Das Ergebnis ist ein Text, der dich fast nie überrascht, weil er nicht darauf ausgelegt ist. Ein menschlicher Schriftsteller wählt manchmal ein unerwartetes Wort, weil es präziser, lebendiger oder einfach so ist, wie er denkt — auch wenn ein sichereres Synonym direkt daneben saß. Ein Modell, das darauf trainiert ist, Vorhersagefehler zu minimieren, hat keinen Grund, diese Wahl zu treffen; das sicherere Synonym ist per Definition das statistisch bevorzugte. Wenn man genug KI-Output liest, beginnt man, denselben Rhythmus immer wieder zu bemerken: ein Themensatz, ein unterstützender Nebensatz, ein sanfter Qualifikator, ein ordentlicher Abschluss. Nichts davon ist falsch. Alles ist erwartet, und Erwartet ist genau das, was anfängt, schlecht zu wirken.

KI-geschriebener Text ist nicht schlecht, weil er die Regeln bricht. Er ist schlecht, weil er jedes Mal die wahrscheinlichste Regel befolgt, und Prosa ohne unwahrscheinliche Entscheidungen hat keinen Ort, wo die Aufmerksamkeit des Lesers landen kann.

Warum klingt KI-geschriebener Text so generisch?

Ein Modell hat nicht eine einzelne Quelle, aus der es zieht — es wurde auf einem enormen Durchschnitt trainiert, wie Millionen von Dokumenten ein Thema diskutieren. Wenn du es bittest, ein Konzept zu erklären, ein Produkt zu beschreiben oder ein Argument zu machen, ruft es nicht einen einzigen scharfsichtigen Standpunkt ab; es mischt die statistisch häufige Formulierung über eine große Anzahl ähnlicher Texte in eine einzige glatte Version. Diese Mittelwertbildung ist der Grund, warum KI-Text generisch klingt, auch wenn jeder Satz einzeln korrekt ist. Eine spezifische Meinung, eine unvergessliche Analogie oder eine leicht unkonventionelle Rahmung würde die Ausgabe vom Durchschnitt wegziehen, und das Training des Modells zieht sie zurück zur Mitte. Die Mitte ist sicher, breit anwendbar und fast nie falsch — und auch fast nie charakteristisch. Dies ist der gleiche Grund, warum KI-geschriebene Produktbeschreibungen, Anschreiben und Essays über völlig verschiedene Themen am Ende ähnlich klingen können: Sie werden alle zur gleichen statistischen Mitte gezogen.

1. Vage Intensifizierer statt Spezifika: 'bedeutende Auswirkung' statt einer Zahl, 'viele Experten stimmen zu' statt einen zu nennen
2. Austauschbare Beispiele: Illustrationen so generisch, dass sie in einen Essay über ein anderes Thema eingebaut werden könnten, ohne Änderungen
3. Allzu ausgewogene Rahmung: jeder Anspruch sofort mit 'jedoch' oder 'andererseits' eingeschränkt, auch wenn der Schriftsteller eindeutig eine stärkere Sicht hat
4. Lehrbuchdefinitionen, die Absätze öffnen, die ein Leser mit jedem Vertrautsein mit dem Thema nicht erneut erklärt bekommen muss

Warum fühlen sich KI-Übergänge so fad an?

Menschliche Schriftsteller bewegen sich zwischen Ideen, wie sie denken: manchmal abrupt, manchmal mit einem Satz, der unauffällig umgestaltet, was davor kam, manchmal nur durch einen neuen Absatz, weil der Punkt offensichtlich verbunden ist, ohne dass ein Übergangswort nötig ist. KI-generierter Text neigt dazu, sich auf einen kleinen Satz von Verbindungsphrasen zu stützen — überdies, zusätzlich, ferner, darüber hinaus — am Anfang von fast jedem Absatz, unabhängig davon, ob die logische Beziehung tatsächlich eine rechtfertigt. Diese Gewohnheit entsteht aus dem gleichen Vorhersehbarkeitsproblem: 'darüber hinaus' ist eine sehr sichere, sehr häufige Art, zwei zusammenhängende Punkte zu verbinden, daher wird es ständig ausgewählt. Wenn es genug übernutzt wird, hören diese Übergänge auf, ihre Aufgabe zu erfüllen. Ein Leser beginnt, sie zu überspringen, weil er gelernt hat, dass das Wort keine echte Information trägt — es ist Füller, der signalisiert, 'hier kommt ein weiterer Punkt', nicht 'hier ist, wie dieser Punkt mit dem letzten zusammenhängt'. Der Effekt verstärkt sich über einen ganzen Artikel: Absatz für Absatz öffnet sich mit denselben wenigen Stock-Konnektoren, und das Schreiben beginnt mechanisch zu wirken, auch wenn kein einziger Satz fehlerhaft ist.

Ein Übergangswort soll dem Leser etwas über die Beziehung zwischen zwei Ideen sagen. Wenn jeder Absatz mit derselben beginnt, bedeutet es nichts mehr.

Warum ist KI-geschriebener Text so schlecht darin, Unsicherheit zuzugeben?

KI-Modelle generieren Text Token für Token, ohne einen separaten Prozess, der überprüft, ob ein Anspruch tatsächlich wahr ist, bevor er aufgeschrieben wird. Die Flüssigkeit der Ausgabe und die Genauigkeit der Ausgabe kommen aus völlig unterschiedlichen Mechanismen, und Flüssigkeit ist derjenige, für den das Modell optimiert ist. Deshalb kann KI-generierter Text eine falsche Statistik angeben, ein Zitat falsch zuordnen oder eine plausibel klingende Studie mit dem genau gleichen selbstsicheren, gut strukturierten Ton erfinden, den es für einen Anspruch verwendet, der völlig genau ist. Es gibt keine Abschwächung in der Prosa selbst, die Unsicherheit signalisiert, weil das Modell seine eigene Unsicherheit nicht so verfolgt wie ein sorgfältiger menschlicher Schriftsteller die seine. Eine Person, die über etwas schreibt, das sie nicht vollständig sicher ist, wird oft — bewusst oder nicht — die Behauptung abschwächen, einen Qualifizierer hinzufügen oder es als etwas kennzeichnen, das überprüft werden muss. Ein Modell hat kein gleichwertiges internes Signal, auf das es sich stützen kann, daher kommt alles gleich sicher heraus. Leser, die mit dem Thema nicht bereits vertraut sind, haben keine Möglichkeit, den Unterschied zwischen einem gut gestützten Anspruch und einem erfundenen aus der Schreibweise allein zu erkennen, was genau das macht, was diese Ausfallart so leicht zu übersehen ist beim ersten Lesen.

Fließend und korrekt sind nicht dieselbe Eigenschaft, und KI-Modelle werden nur direkt für die erste optimiert.

Warum ist KI-geschriebener Text so schlecht in gelebten Details?

Ein Modell hat nie tatsächlich etwas getan. Es hat Text verarbeitet, der beschreibt, was andere Menschen getan, gefühlt oder beobachtet haben, aber es hat keine Erinnerung an einen bestimmten Dienstag, keine sensorische Aufzeichnung eines bestimmten Ortes und keinen persönlichen Einsatz in dem Ausgang eines Arguments. Diese Abwesenheit zeigt sich als anhaltender Mangel an Spezifität. Bitte ein Modell, ein schwieriges Gespräch, ein gescheitertes Projekt oder einen kleinen technischen Fehler zu beschreiben, und es wird etwas strukturell Korrektes und emotional Angemessenes hervorbringen — aber es wird die generische Version dieser Erfahrung ergreifen, anstatt eine echte besondere, weil es keine besondere zum Zeichnen hat. Menschliches Schreiben, selbst wenn es von etwas Gewöhnlichem ist, trägt dazu bei, kleine unerklärliche Details zu tragen: eine bestimmte Zahl, ein seltsamer Seitenkommentar, eine Beobachtung, die dem Argument nicht dient, aber trotzdem wahr ist. KI-Entwürfe neigen dazu, diese zu weglassen, weil es keinen Mechanismus gibt, der irrelevante, aber echte Details generiert — alles, was das Modell produziert, ist in gewisser Weise im Dienste der unmittelbaren Vorhersageaufgabe, und verirrte, zwecklose Spezifika werden selten als die wahrscheinlichsten nächsten Worte ausgewählt.

1. Fehlende sensorische oder situative Spezifika: kein bestimmter Geruch, Laut, Tageszeit oder physisches Detail, das eine Szene verankert
2. Keine unerklärten Tangenten: Jeder Satz dient offensichtlich dem Argument, ohne die kleinen irrelevanten Abschweifungen, die echte Schriftsteller einschließen
3. Runde, generische Zahlen anstelle von seltsam spezifischen: 'ein bedeutender Teil' statt '37 von 52 Antworten'
4. Emotionen benannt statt gezeigt: 'das war frustrierend' anstelle eines konkreten Moments, der Frustration ohne Aussage evident macht

Wie überprüfst du, ob ein Entwurf diese Probleme hat?

Die meisten Behebungen für flache KI-Text beginnen mit einem genauen Lesen der oben beschriebenen Muster, da keine davon einen Umschreiben von Grund auf erfordert — sie erfordern das Finden und Ersetzen der generischen Version mit einer spezifischen. Gehe Abschnitt für Abschnitt vor und frage, was verloren gehen würde, wenn du einen bestimmten Satz löschst; wenn die Antwort nichts ist, ist dieser Satz wahrscheinlich Füller. Suche dann nach dem einzigen am wenigsten eingeschränkten Anspruch des Schreibens und überprüfe, ob das Stück sich tatsächlich dafür einsetzt oder es in Qualifizierer vergräbt. Ein kurzer Überarbeitungsdurchgang, der auf diese Checks konzentriert ist, tut mehr, um einen KI-flavored Entwurf zu beheben, als ein vollständiger Umschreiben, da die zugrunde liegenden Ideen normalerweise in Ordnung sind — die Oberflächentextur ist das, was Arbeit braucht.

1. Suche den Entwurf nach 'überdies', 'zusätzlich', 'ferner' und 'zum Abschluss' — schneid mindestens die Hälfte ab und lass Absätze ohne Übergangswort verbinden
2. Kreis jeden vagen Intensifizierer (bedeutsam, verschiedene, zahlreich, viele) und ersetze ihn mit einer tatsächlichen Zahl, einem Namen oder spezifischen Beispiel
3. Lese jeden faktischen Anspruch und kennzeichne, ob du auf seine Quelle verweisen könntest — wenn nicht, überprüfe ihn oder entferne ihn vor der Veröffentlichung
4. Füge pro Abschnitt ein konkretes, spezifisches Detail hinzu, das aus echter Erfahrung oder Recherche stammt, nicht aus dem, was 'typischerweise' passiert
5. Lies das Stück laut vor — Sätze, die alle mit demselben Rhythmus und Gewicht landen, sind ein Zeichen niedriger Variation, das es wert ist, aufgebrochen zu werden
6. Führe den Entwurf durch NotGPTs KI-Detektor, um zu sehen, welche spezifischen Sätze am vorhersehbarsten gelesen werden, und überarbeite diese zuerst