Typische KI-Formulierungen: Floskeln, Muster und was sie über einen Text aussagen

Eine Liste typischer Formulierungen ist eine Lesehilfe, kein Test. Sie lenkt den Blick auf Stellen, die Bedeutung behaupten statt zeigen oder nur wiederholen, was gerade dastand. Ob ein Mensch oder ein Sprachmodell den Satz geschrieben hat, beantwortet sie nicht.

Eine ausführliche deutschsprachige Sammlung ist die Seite „Anzeichen für KI-generierte Inhalte“ der Wikipedia-Community. Sie ist eine Arbeitshilfe, keine Studie, und sie ist für Wikipedia-Artikel geschrieben. Was dort auffällt, kann in einem Aufsatz normal sein. Reste aus dem Chat wie „Ich hoffe, das hilft“ und falsche Belege führt sie als eindeutige Anzeichen. Stilfloskeln stehen im Abschnitt „Weichere, uneindeutige Anzeichen“. Die Seite hält ausdrücklich fest, dass nicht jeder Text mit diesen Merkmalen KI-generiert ist.

Gemessene Wortlisten gibt es vor allem für Englisch. Bekannte Beispiele wie „delves“ oder „underscores“ stammen aus Auswertungen englischsprachiger PubMed-Kurzfassungen, etwa einer Studie in Science Advances. Wie man solche Zählungen liest, erklärt der Ratgeber Woran erkennt man KI-Texte. Eine vergleichbare Häufigkeitsliste für Deutsch haben wir nicht gefunden. Jedes Beispiel unten stammt deshalb aus einer genannten Quelle oder ist als Veranschaulichung gekennzeichnet.

Die folgenden Wendungen stehen in der Wikipedia-Sammlung. Die dritte Spalte ist die Gegenprobe.

Ähnlich ist es mit Konnektoren. Die Wikipedia-Seite nennt unter anderem „darüber hinaus“, „zusätzlich“, „außerdem“ und „ferner“. Sie hält fest, dass solche Wörter in akademischen Texten üblich sind. Auffällig ist laut der Seite erst der übermäßige, mechanische Gebrauch.

Ein Team der Universität Zürich um Anastassia Shaitarova (2024) ließ ChatGPT (gpt-3.5-turbo-16K) journalistische, wissenschaftliche und klinische Texte fortsetzen, erklären und im selben Stil neu verfassen. Für 96 deutsche biomedizinische Artikel aus PubMed verglich das Team die Satzanfänge der Originale mit denen der KI-Texte. ChatGPT begann Sätze häufiger mit „darüber hinaus“, „des Weiteren“, „allerdings“ und „zusätzlich“. Die menschlichen Autorinnen und Autoren begannen sie häufiger mit „so“, „seit“ und „aufgrund“. Die Forschenden nennen ihre Datenmenge selbst eher klein, vor allem im wissenschaftlichen Bereich.

Ein einzelnes „darüber hinaus“ sagt also wenig. Alternativen nach logischer Funktion sammelt der Ratgeber Wissenschaftliche Synonyme.

Manche Wörter blähen eine Aussage auf, ohne Information hinzuzufügen. Die Wikipedia-Seite nennt etwa „unterstreicht seine Bedeutung“, „Wendepunkt“, „Schlüsselmoment“ und „tief verwurzelt“. Als Werbesprache führt sie „atemberaubend“ und „im Herzen von“ auf. Wörter wie „vielschichtig“ oder „ganzheitlich“ wirken ähnlich. Sie stehen in keiner der zitierten Quellen und dienen hier nur zur Veranschaulichung.

Für deutsche argumentative Aufsätze gibt es eine Stilmessung. Sun und Li (2025) verglichen Aufsätze von ChatGPT und DeepSeek mit Aufsätzen von Menschen mit Deutsch als Erstsprache und von Deutschlernenden. Die KI-Aufsätze waren tendenziell formeller als die menschlichen, mit häufigen Nominalisierungen und mehr Konjunktionen. Einzelne Verstärkerwörter nennt die Kurzfassung der Studie nicht.

Die Gegenprobe ist die Fachsprache. Nominalstil prägt Verwaltungs- und Wissenschaftsdeutsch. Manche der genannten Wörter haben dort eine feste Bedeutung: Ein „Wendepunkt“ ist in der Mathematik ein definierter Begriff. Eine brauchbare Leseprobe lautet: Was genau ist wichtig, und warum? Steht die Antwort im nächsten Satz, trägt das Wort.

Auf Satz- und Absatzebene beschreibt die Wikipedia-Seite diese Muster:

• Trikolon: drei Adjektive oder kurze Phrasen in Folge.
• Negative Parallelismen: „nicht nur …, sondern auch“.
• Vage Autoritäten: „Einige Kritiker argumentieren …“, ohne zu sagen, wer.
• Zusammenfassende Absatzenden: Der letzte Satz wiederholt die Kernidee.

Die Seite zitiert auch Formatierungsrichtlinien, die Microsoft Copilot Mitte 2025 als eigene Systemanweisung ausgab. Danach soll ein Absatz drei bis fünf Sätze und höchstens 150 Wörter haben. Wer sich daran hält, schreibt kurze Absätze von ähnlicher Länge.

Zwei weitere Muster nennen wir ohne Quelle, nur zur Veranschaulichung: eine rhetorische Frage, die der Text sofort selbst beantwortet, und ein ausgewogenes Pro und Contra ohne eigene Position.

Die Gegenprobe ist die Schule. Das Trikolon ist eine klassische rhetorische Figur. Die dialektische Erörterung übt das Abwägen von Pro und Contra, endet aber mit einer begründeten Stellungnahme. Wer so schreiben gelernt hat, schreibt auch ohne KI so.

Die Wikipedia-Seite nennt übermäßigen Fettdruck, viele Aufzählungen, Trennlinien und zweiteilige Zwischenüberschriften, dazu Emojis vor Überschriften. Gedankenstriche sind laut der Seite nur zusammen mit weiteren Hinweisen wirklich aussagekräftig. Markdown allein, etwa Sternchen für Fettdruck, ist dort kein starker Hinweis. Laut der Seite nutzen Softwareentwickler, Forschende, technische Redakteure und erfahrene Internetnutzer Markdown häufig selbst.

Formatmuster ändern sich mit den Modellen. Laut der deutschen Seite enthalten einige neuere Modelle oder Apps Anweisungen gegen übermäßigen Fettdruck. Die englischsprachige Fassung führt übermäßige Gedankenstriche, Abschnittszusammenfassungen und Hinweise wie „it’s important to note“ inzwischen als historische Anzeichen. Bei neueren Modellen seien sie deutlich seltener.

Die Gegenprobe sind Webtexte, Folien und Merkblätter. Dort sind Fettdruck, Listen und kurze Absätze Absicht, weil Menschen solche Texte überfliegen.

Ein einzelnes Signal sagt wenig. Mehrere unabhängige Signale in derselben Passage sagen mehr. Dazu kommt der Kontext. Ein Beispiel, das wir zur Veranschaulichung formuliert haben:

Auch das eigene Urteil hat Grenzen. Die englischsprachige Wikipedia-Seite warnt, Menschen seien bekanntermaßen schlecht darin, menschlichen und KI-Text zu unterscheiden. Für deutsche Texte gibt es dazu eine Studie. In einem Umfrageexperiment von Fiedler und Döpke (2025) bewerteten 63 Lehrende einer deutschen Hochschule für angewandte Wissenschaften kurze Auszüge von je 200 bis 300 Wörtern. Ein Teil stammte von Menschen, ein Teil von einer KI. Die Lehrenden erkannten 57 % der KI-Texte und 64 % der menschlichen Texte richtig. Bei den KI-Texten ist das laut den Autoren nur wenig besser als Zufall.

Die Universität Graz nennt Lehrenden Indikatoren wie Stilbrüche, ungewöhnliche Wortwahl und nicht reale Quellenangaben. Daraus lasse sich ein Verdacht ableiten, aber kein automatischer Schluss. Bei einem Verdacht ist dort ein persönliches Gespräch Pflicht.

Wenn du als Lehrkraft oder in einer Redaktion einen Text beurteilst, hilft diese Reihenfolge:

1. Prüfe die Belege. Gibt es die Quelle, und steht die Aussage darin? Die Wikipedia-Seite nennt das die wichtigste Prüfung.
2. Vergleiche mit bekannten Texten derselben Person.
3. Frag nach Entwürfen, Notizen oder der Versionsgeschichte.
4. Sprich über den Inhalt und lass dir Formulierungen und Quellen erklären.
5. Halte fest, worauf dein Eindruck beruht.

Eine KI-Analyse misst etwas anderes als dein Leseeindruck. Die Certentis KI-Analyse gibt an, mit welcher Wahrscheinlichkeit ein Text zu den Dokumentklassen Menschlich, Gemischt oder KI gehört. Dazu kommen Satzsignale. Sie zeigen, welcher Klasse ein einzelner Satz am ehesten entspricht. Sehr lange Texte prüft sie in Abschnitten. Dann zeigt sie statt eines Gesamtwerts, wie die Abschnitte eingestuft wurden.

Ein Wert von 80 % für die Klasse KI heißt nicht, dass 80 % des Textes von einer KI stammen. Er ist eine Einschätzung des ganzen Textes und kein Beweis. Auch ein markierter Satz zeigt nicht, wer ihn geschrieben hat. Für den KI-Detektor veröffentlicht Certentis noch keine Genauigkeitsquote, weil kein passender gelabelter Referenzkorpus existiert. Mehr dazu steht unter Methodik.

Die Universität Graz hält fest, dass Software KI-Texte derzeit nicht ausreichend treffsicher erkennt. Ein Analyseergebnis begründet deshalb allein keinen Vorwurf. Wer Texte anderer Personen hochlädt, muss laut Graz außerdem Datenschutz und Urheberrecht beachten. Die Analyse findest du im KI-Detektor.