Was der akademische Humanizer entfernt — und warum Nature gespalten ist
Das Tool stammt von Jie Ding, einem Machine-Learning-Forscher an der University of Minnesota. Es ist ein Satz von Anweisungen für ein Sprachmodell, auf GitHub veröffentlicht. Die Hauptregel steht direkt in der Datei: „strip the AI tells without casualizing“. Das Tool entfernt Wörter wie „delve“ und „tapestry“. Es entfernt das Muster „not just X, but Y“. Sogar Gedankenstriche werden gelöscht. Für Förderanträge gibt es einen eigenen Modus — NSF und NIH eingeschlossen.
Einiges davon ist normales Lektorat, das gute. Eine Behauptung ohne Substanz — keine Zahl, kein Zitat — wird an den Autor zurückgegeben, und die Arbeit wird besser.
Über den Rest sind sich Wissenschaftler uneinig. Francisco Calisto von der Universität Lissabon nutzt das Tool oft und nennt es das beste, das er ausprobiert hat. Miguel Angel Blazquez Rodriguez von der Polytechnic University of Valencia sagte knapp: „It's deceiving.“ Cassidy Sugimoto von Carnegie Mellon sagte: „I fear that the use case is harmful for science.“ Ding antwortet, das Tool sei nicht das Problem. Seiner Ansicht nach liegt der Verstoß darin, KI-Hilfe zu verschleiern, wenn die Regeln Offenlegung verlangen. Nach Fragen von Nature änderte sich die Beschreibung auf GitHub: „Removes the usual AI tells“ wurde zu „sharpens clarity and voice“. Ein Ethik-Hinweis erschien. Das Tool selbst funktioniert wie zuvor.
Ein Manuskript in Ihrer Review-Warteschlange könnte bereits durch dieses Tool gelaufen sein. Der Autor wird es Ihnen nicht sagen.
Wie viel KI-generierter Text bereits in Forschungsarbeiten steckt
Etwa ein Drittel neuer arXiv-Preprints liest sich maschinell geschrieben. Das ergibt eine unabhängige Studie aus dem Juli. Das Team bewertete den Volltext von Preprints von 2021 bis 2026 mit einem kalibrierten KI-Detektor. Die Methode ist sorgfältig. Das Team setzte den Erkennungsschwellenwert so, dass Pre-ChatGPT-Arbeiten — per Definition menschlich — nur in 0,4 % der Fälle markiert werden. Die Lücke zwischen Fachgebieten ist groß: fast zwei Drittel in textlastigen Disziplinen, nahe null in der Mathematik. Die Autoren sagen außerdem, ihre Zahlen seien eine Untergrenze, weil mancher Maschinentext den Detektor unbemerkt passierte.
Anteil neuer arXiv-Arbeiten, die als KI-geschrieben markiert wurden, nach Fachgebiet
Für alle, die Einreichungen lesen, bleibt eine praktikable Frage pro Arbeit: Wie viel Maschinentext steckt darin — und hat der Autor es offengelegt?
KI-geschriebene Manuskripte im Peer Review: Zahlen einer Zeitschrift
Bei Organization Science wurde das Raten müde — und einfach gezählt. Die AI Task Force der Zeitschrift durchkämmte fünf Jahre an Manuskripten und Reviews. Seit ChatGPT sind die Einreichungen um fast die Hälfte gestiegen, und als das Team die Quelle dieser Zunahme verfolgte, stellte sich heraus: Fast alles davon waren Arbeiten mit viel KI-Schreiben. COVID wirkte auf dieselbe Kurve im Vergleich kaum.
Editoren lehnten KI-lastige Arbeiten ab — ohne es zu wissen
Niemand zeigte den Editoren KI-Scores. Sie arbeiteten wie immer: eine Arbeit lesen und entscheiden, ob sie Reviewer-Zeit verdient — und die maschinenlastigen Arbeiten verloren trotzdem. Desk Rejections in dieser Gruppe stiegen. Sehr wenige kamen in die Revise-and-Resubmit-Phase, während überwiegend menschliche Arbeiten etwa dreimal so oft dorthin gelangten.
Was Organization Science in fünf Jahren eigener Einreichungen fand
Ein weiterer Befund widerlegt eine verbreitete These: dass KI-Schreiben Nicht-Muttersprachlern eine fairere Chance gibt. In diesem Datensatz passierte das Gegenteil — die intensivsten Nutzer kamen aus dem Review schlechter weg. Der Bericht schließt mit einem passend müden Satz: „the humans are getting tired.“
Ein Humanizer ändert nichts davon. Die Arbeit liest sich weiterhin schwach — und alles, was der Autor gewinnt, ist, dass niemand das Wort „delve“ entdeckt.
arXiv und die neuen Barrieren gegen KI-generierte Arbeiten
arXiv vertraute früher einer institutionellen E-Mail-Adresse. Nicht mehr: Erstanmelder brauchen jetzt auch eine veröffentlichte Co-Autorenschaft im Fachgebiet oder eine persönliche Empfehlung eines etablierten Autors. Die Plattform erklärte sich ohne viel Diplomatie: Es gab schlicht zu viele nicht-wissenschaftliche Einreichungen, um sie zu bewältigen. Die Mathematik hatte Monate zuvor auf die strengere Regel umgestellt, und die Ablehnungsquoten auf der Plattform haben sich seit der Flut mehr als verdoppelt.
Warum die Flut trotzdem weiterkommt
Weil sich die Anreize nicht verschoben haben. Steven Zhou von Claremont McKenna baute eine Simulation von Wissenschaftlern auf dem Weg zur Tenure — und sie bestätigt, was die meisten in der Wissenschaft leise wissen: Wenn eine Karriere von der Publikationszahl abhängt, ist KI-unterstütztes Schreiben die kluge Wette. Wenn Einreichungen auf Ihrem Schreibtisch landen, ist darauf zu warten, dass Autoren sich selbst kontrollieren, kein Plan. Schreiben Sie die Prozedur auf.
Besteht humanisierter KI-Text die Erkennung? Was Bearbeitung nicht verbergen kann
Betrachten Sie, was ein KI-Humanizer wirklich ist: ein Sprachmodell, das die Ausgabe eines anderen Sprachmodells bearbeitet — mit der Anweisung, weniger nach einem Sprachmodell zu klingen. Alles, was er erreichen kann, sitzt an der Textoberfläche.
Was ein KI-Humanizer ändert und was im Text bleibt
In den frühen Tests, die Nature beschreibt, wurde der Großteil des bereinigten Textes weiterhin markiert. Ein schmaler Teil kam durch.
Niemand hat den echten Test durchgeführt
Jetzt die Grenzen. Kein unabhängiges Team hat Humanizer bisher ordentlich gegen KI-Detektoren getestet — jede Zahl in diesem Streit stammt von einem Anbieter, auch von uns. Misstrauen Sie uns allen gleichermaßen; das ist der gesunde Default. Bei It's AI halten wir unsere Genauigkeitszahlen auf einer Seite für den KI-Detektor für Manuskripte und bauen das Testset um den härtesten Fall, den wir kennen: maschinelle Entwürfe, von einer Person bearbeitet — genau das liefert ein Humanizer. Ein KI-Detektor war übrigens nie eine Betrugsfalle. Er legt eine Zahl auf den Tisch — den Anteil maschinellen Schreibens — und der Editor vergleicht sie mit der Offenlegung des Autors.
Was das für Editoren bedeutet — und für Autoren
Wenn Sie eine Zeitschrift leiten: schreiben Sie die KI-Regeln fest — wer was nutzen darf und wie es deklariert wird — und geben Sie der Annahme eine Textprüfung, wie sie längst eine Plagiatsprüfung bekam. Reviewer filtern das heute mit dem Auge. Es funktioniert — und verbrennt sie langsam.
Autoren haben es leichter. Deklarieren Sie, was Sie genutzt haben, und lassen Sie Ihren Text vor der Einreichung durch einen KI-Detektor laufen — die Zeitschrift führt ohnehin ihre eigene Prüfung durch. KI-Erkennung für Lehrkräfte zeigt, wie Bildungseinrichtungen denselben Workflow etablieren.
Humanizer werden besser — Detektoren auch. Ein Text, den Sie mit Ihrem Namen versehen würden, hat vor beiden nichts zu befürchten.
FAQ
Was bedeutet es, KI-Text zu humanisieren?
KI-Text zu humanisieren heißt, maschinell erzeugte Ausgabe so umzuschreiben, dass sie wirkt, als hätte ein Mensch sie geschrieben: variierter Satzrhythmus, weniger Standardphrasen, keine überstrapazierten Konnektoren. Akademische Humanizer gehen weiter und entfernen konkrete Verräter — von markiertem Vokabular bis zu Gedankenstrichen — und behalten dabei das formale Register, das eine Forschungsarbeit verlangt. Die Bearbeitung ändert nur den Oberflächenstil. Der statistische Fingerabdruck des Sprachmodells — vorhersehbare Wortwahl, gleichmäßiges Tempo — bleibt im Text. Deshalb sollte humanisierte Ausgabe als Hybrid aus Maschinen- und Menschenschreiben behandelt werden, nicht als menschliche Prosa.
Wie erkennt man KI-Schreiben in einer Forschungsarbeit?
KI-Schreiben in einer Forschungsarbeit wird durch eine Mischung aus statistischer Bewertung und redaktionellem Urteil erkannt: Ein KI-Detektor liest die Wahrscheinlichkeitsmuster des Textes, während Editoren das Argument selbst abwägen. Volltext-Scans funktionieren besser als allein ein Abstract — eine Arbeit kann im Abstract niedrig und im Haupttext hoch scoren. Zuverlässige Prüfungen geben auch eine Falsch-Positiv-Rate an, gemessen an Pre-ChatGPT-Schreiben, weil formale akademische Prosa von Nicht-Muttersprachlern der klassische Fehlalarm-Fall ist. Ein einzelner Score sollte ein Gespräch über Offenlegung eröffnen, nicht als Urteil allein dienen.
Können KI-Detektoren humanisierten Text erkennen?
Oft ja — wenn auch mit geringerer Sicherheit. In den ersten Tests, die Nature im Juli 2026 berichtete, erkannte ein Detektor den Großteil des Textes, der durch einen akademischen KI-Humanizer lief — aber nicht alles. Humanizer schreiben die Wortebene um, während Detektoren auch tiefere Signale lesen: wie vorhersehbar das nächste Wort ist, wie gleichmäßig die Sätze laufen. Es gibt noch keinen unabhängigen Benchmark von Humanizern gegen KI-Detektoren — behandeln Sie „unentdeckbarer Text“-Versprechen und „erkennt alles“-Behauptungen mit gleicher Vorsicht. Tests an hybridem, menschlich bearbeitetem KI-Text sind der nächste verfügbare Proxy.
Gibt es den besten KI-Humanizer für akademisches Schreiben?
Rankings von KI-Humanizern beantworten die falsche Frage für akademische Arbeit. Entscheidend ist, ob die Zielstelle unoffengelegtes KI-Schreiben erlaubt — und die meisten Zeitschriften und Fördergeber verlangen Offenlegung, unabhängig davon, wie poliert die Ausgabe wirkt. Ein Humanizer kann den Stil eines KI-Entwurfs bereinigen — offen genutzt ist er ein Lektoratshilfsmittel. Wird er genutzt, um KI-Schreiben zu verbergen, das laut Richtlinie deklariert werden muss, wird aus Stilbearbeitung ein Fehlverhalten. Die Offenlegungsregeln der Zielstelle — nicht ein Tool-Ranking — entscheiden, was sicher ist.
Gilt die Nutzung eines KI-Humanizers als Umgehung der KI-Erkennung?
Es hängt von der Offenlegung ab, nicht vom Tool. Einen KI-Entwurf für Klarheit zu bearbeiten und die KI-Unterstützung zu deklarieren, ist normale Überarbeitung — selbst der Entwickler des in Nature behandelten akademischen Humanizers sagt, der Verstoß liege im Verbergen von KI-Hilfe, wo Regeln Meldung verlangen. Ein Manuskript durch einen Humanizer zu schicken, damit KI-Detektor und Editor „menschlich geschriebenen Text“ sehen, ist Umgehung der Erkennung im Sinne der Zeitschriftenrichtlinien. Die Unterscheidung der Editoren ist einfach: Stimmt der deklarierte KI-Anteil mit dem überein, was tatsächlich im Text steckt?
