Was ist AI Slop: ein Glossar, die Merkmale von ChatGPT, Claude und Gemini und wie Sie ihn vermeiden

In diesem Artikel: Begriffslandkarte · Glossar · Herkunft des Wortes · Zahlen · Folgen · Merkmale im Text · GPT, Claude, Gemini · Sprachen · Bilder, Musik, Code · Detektoren · AI Slop vermeiden · FAQ · Quellen

Begriffslandkarte

Wörterbücher und Medien verwenden die Begriffe rund um AI Slop locker und werfen sie oft durcheinander. Es hilft, sie danach zu ordnen, wo das Problem entsteht.

Glossar

Jeder Eintrag enthält eine Definition, die Herkunft und den Bezug zu AI Slop. Die Einträge reichen vom allgemeinsten bis zum speziellsten Begriff.

AI Slop

AI Slop ist minderwertiger digitaler Content, den künstliche Intelligenz in großen Mengen und mit wenig menschlichem Aufwand erzeugt, oft ohne dass jemand danach gefragt hätte.

Herkunft: Der Begriff verbreitete sich ab Mai 2024. Der Nutzer @deepfates verglich ihn am 6. Mai mit Spam, und zwei Tage später schrieb Simon Willison, Slop sei für unerwünschte KI-Inhalte das, was Spam für unerwünschte E-Mails ist. Willison betont, dass er das Wort nicht erfunden hat.

Beispiel: Eine Studie von Stanford und Georgetown aus dem Jahr 2024 untersuchte 120 Facebook-Seiten, die mindestens 50 KI-Bilder gepostet hatten und Hunderte Millionen Interaktionen erzielten. Ein Beitrag kam auf über 40 Millionen Aufrufe.

Abgrenzung: Nicht alles, was mit Hilfe von KI entsteht, ist AI Slop. Willison schreibt, nicht alle KI-generierten Inhalte seien Slop, so wie nicht jede Werbemail Spam ist. Entscheidend sind die Sorgfalt beim Schreiben und das, was man selbst beisteuert.

Workslop

Workslop ist KI-generiertes Arbeitsergebnis, das wie gute Arbeit aussieht, dem aber die Substanz fehlt, um eine Aufgabe voranzubringen, sodass die Empfängerseite es fertigstellen muss.

Herkunft: Der Begriff wurde am 22. September 2025 in einem Artikel in der Harvard Business Review von einem Team von BetterUp Labs und dem Stanford Social Media Lab eingeführt.

Zahlen: In einer Umfrage unter 1.150 Beschäftigten in den USA gaben rund 40 % an, im vergangenen Monat Workslop erhalten zu haben. Der Umgang mit einem Fall kostete sie im Schnitt 1 Stunde und 56 Minuten. Die Autoren schätzten den Verlust auf 186 US-Dollar pro beschäftigter Person und Monat. Die Zahlen beruhen auf eigenen Schätzungen der Befragten, und BetterUp verkauft Coaching-Leistungen, deshalb sind die Zahlen nur als Orientierung zu verstehen.

Bezug zu AI Slop: Workslop ist AI Slop am Arbeitsplatz. Er spart der Absenderseite Zeit und verlagert die Arbeit auf die Empfängerseite.

Botshit

Botshit sind unwahre oder erfundene Chatbot-Inhalte, die eine Person in Kommunikation oder Entscheidungen verwendet, ohne sie zu prüfen.

Herkunft: Tim Hannigan, Ian McCarthy und Andre Spicer haben den Begriff in dem Artikel „Beware of botshit“ in Business Horizons (2024) eingeführt. Das Wort knüpft an den Begriff Bullshit des Philosophen Harry Frankfurt an, also an Inhalte, die ohne Rücksicht auf Wahrheit entstehen. Der Schaden entsteht erst, wenn der Inhalt verwendet wird. Die Autoren unterteilen die Arbeit mit Chatbots deshalb in vier Modi, je nachdem, wie wichtig die Genauigkeit einer Antwort ist und wie leicht sie sich prüfen lässt.

Beispiel: Ein Chatbot von Air Canada teilte einem Kunden fälschlich mit, er könne einen Trauerfall-Rabatt rückwirkend beantragen. Im Februar 2024 verpflichtete ein Tribunal in British Columbia die Fluggesellschaft, ihm die Differenz zu zahlen.

Bezug zu AI Slop: AI Slop ist ein Produkt, Botshit ein Prozessfehler. Botshit entsteht in dem Moment, in dem jemand den erfundenen Text verwendet.

Halluzination

Halluzination ist eine flüssige und selbstsichere, aber falsche oder nicht belegte Ausgabe eines Sprachmodells, etwa ein erfundenes Zitat, eine erfundene Studie oder ein erfundener Link.

Streit um den Namen: Manche Fachleute bevorzugen das Wort Konfabulation, das zum Beispiel eine Nature-Studie vom Juni 2024 zur Erkennung von Halluzinationen verwendet. Hicks, Humphries und Slater argumentieren in „ChatGPT is bullshit“ (2024), dass Modelle sich schlicht nicht für Wahrheit interessieren.

Beispiel: 2023 reichten Rechtsanwälte in den USA von ChatGPT erfundene Gerichtsurteile ein, und der Richter verhängte gegen sie eine Geldstrafe von 5.000 US-Dollar (Mata v. Avianca).

Bezug zu AI Slop: Halluzination ist der Teil von AI Slop, den Lesende am schlechtesten erkennen, weil der Text sich seiner Sache sicher anhört. Am 1. Oktober 2026 aktualisierte Google seine Hinweise zu KI-Inhalten und bezeichnete die manuelle Faktenprüfung vor der Veröffentlichung als entscheidend.

Sycophancy

Sycophancy (Anbiederung) ist die Neigung eines Assistenten, den Nutzenden zu sagen, was sie hören wollen: zu loben, zuzustimmen und die eigene Antwort an ihre Meinung anzupassen, selbst wenn diese sachlich falsch ist.

Beispiel: Am 25. April 2025 spielte OpenAI ein Update für GPT-4o aus, das nach eigener Beschreibung übermäßig unterstützend, aber unaufrichtig war, und nahm es innerhalb weniger Tage zurück.

Bezug zu AI Slop: Ein anbiederndes Modell lobt ein mittelmäßiges Konzept und leistet keinen Widerstand, sodass AI Slop ohne Korrektur durchgeht. Anbieter unterdrücken solche Eigenheiten deshalb. Laut einer Analyse von Simon Willison hat Anthropic in den System-Prompt von Claude 4 (Mai 2025) eine Regel aufgenommen, dass eine Antwort nicht mit einem Lob der Frage beginnen soll.

Model Collapse

Model Collapse ist die schrittweise Verschlechterung generativer Modelle, die wiederholt aus den Ausgaben früherer Modelle lernen: Seltenes verschwindet, und die Ausgaben werden flacher und wiederholen sich.

Herkunft: Ilia Shumailov und Koautoren beschrieben den Effekt am 24. Juli 2024 in Nature (die Studie „AI models collapse when trained on recursively generated data“). Verwandte Bezeichnungen sind Model Autophagy Disorder (Rice University, 2023) und Habsburg AI, eine Metapher von Jathan Sadowski vom Februar 2023 für ein Modell, das aus den Ausgaben anderer Modelle lernt und dadurch gewissermaßen verinzüchtet.

Streit um die Gefahr: Der Kollaps tritt ein, wenn Modelle ausschließlich mit synthetischen Daten trainiert werden. Laut Gerstgrasser et al. (2024) wird er verhindert, wenn synthetische Daten zu den echten Originaldaten hinzukommen. Belastbare Belege für einen Kollaps bei im Einsatz befindlichen Spitzenmodellen haben wir nicht gefunden, die Behauptung, AI Slop werde die nächsten Modelle ruinieren, ist daher umstritten.

Dead-Internet-Theorie

Die Dead-Internet-Theorie (Dead Internet Theory) besagt, dass der Großteil der Online-Inhalte und -Aktivitäten statt von Menschen von Bots und automatisch erzeugten Inhalten stammt.

Herkunft: Sie tauchte um 2021 im Forum Agora Road's Macintosh Cafe auf und gelangte durch den Essay von Kaitlyn Tiffany in The Atlantic vom 31. August 2021 in den Mainstream, dessen Untertitel sagt, die Theorie sei falsch, fühle sich aber wahr an. Die starke Version (das Netz ist komplett gefälscht und wird von einer verborgenen Instanz gesteuert) ist eine Verschwörungstheorie. Die milde Version (Bots und KI-Inhalte sind im Netz sehr weit verbreitet) wird durch Daten zum Bot-Verkehr gestützt.

Zahlen: Laut dem Report von Imperva (Thales) machte automatisierter Verkehr 2024 rund 51 % des gesamten Web-Traffics aus, erstmals seit etwa zehn Jahren mehr als menschlicher Verkehr. Gezählt werden Anfragen im Netz eines einzelnen Anbieters, auch nützliche Bots sind enthalten, die Zahl sagt also nicht, wie viel Content KI geschrieben hat.

Altman: Im September 2025 schrieb Sam Altman, er habe die Theorie nie besonders ernst genommen, es scheine aber inzwischen viele Konten auf X zu geben, die von Sprachmodellen betrieben werden.

Enshittification

Enshittification ist Cory Doctorows Bezeichnung für den schleichenden Verfall einer Online-Plattform: Zuerst dient sie den Nutzenden, dann opfert sie diese ihren Geschäftskunden, und schließlich presst sie auch diese aus, um den Wert für sich zu behalten.

Herkunft: Doctorow prägte den Begriff 2022. Die American Dialect Society wählte ihn zum Wort des Jahres 2023, das Macquarie Dictionary für 2024, und im Oktober 2025 erschien ein gleichnamiges Buch.

Bezug zu AI Slop: Das ist die Deutung von Kommentatoren, wonach Plattformen in späten Phasen ein Motiv haben, Feeds mit billigem Content zu füllen. Doctorows eigene Verbindung zu AI Slop haben wir nicht überprüft.

Brain Rot

Brain Rot bezeichnet die angebliche Verschlechterung des geistigen Zustands eines Menschen nach übermäßigem Konsum trivialer Online-Inhalte oder auch diese Inhalte selbst.

Herkunft: Die früheste belegte Verwendung stammt von Thoreau in Walden aus dem Jahr 1854. Oxford University Press kürte den Begriff am 2. Dezember 2024 zum Wort des Jahres 2024, und Slop gehörte zu den Finalisten. Laut OUP stieg die Häufigkeit des Begriffs zwischen 2023 und 2024 um 230 %.

Doppelte Bedeutung: Im Oktober 2025 erschien ein Preprint mit dem Titel „LLMs Can Get ‚Brain Rot‘“ (Texas A&M, UT Austin und Purdue). Modelle, die weiter mit minderwertigen Tweets trainiert wurden, schnitten beim Schlussfolgern und im Umgang mit langem Kontext schlechter ab. Es ist eine Pilotstudie auf Basis von Daten von X.

Scaled Content Abuse

Scaled Content Abuse ist laut Google die massenhafte Produktion von Seiten, deren Hauptzweck darin besteht, Suchrankings zu manipulieren, statt den Nutzenden zu helfen.

Herkunft: Google führte den Begriff am 5. März 2024 zusammen mit dem März-Core-Update ein und ersetzte damit seine frühere Regel zu automatisch generierten Inhalten. Die Richtlinie gilt unabhängig davon, ob die Seiten durch Automatisierung, von Menschen oder von beiden erstellt werden.

Was Google zu KI sagt: Seit Februar 2023 lautet die Position, dass der Einsatz von KI für sich genommen nicht gegen die Regeln verstößt. Der Verstoß liegt darin, Inhalte hauptsächlich zur Manipulation von Rankings zu erzeugen. Seit dem 15. Mai 2026 erfassen die Spam-Richtlinien ausdrücklich auch die Manipulation generativer KI-Antworten in der Suche.

Zahlen: Bei der Ankündigung der Änderung im März 2024 sagte Google, man werde minderwertige, unoriginelle Inhalte in den Ergebnissen um 40 % reduzieren, und nach dem Rollout meldete es 45 %. Das ist eine eigene Angabe ohne veröffentlichte Methodik, und sie bezieht sich nicht allein auf KI.

Slopsquatting

Slopsquatting ist ein Angriff, bei dem jemand den Namen eines Softwarepakets registriert, das ein Coding-Modell erfunden hat, und das dann installiert wird, weil man der Antwort des Modells vertraut.

Herkunft: Der Name (Slop plus Typosquatting) wird von mehreren Quellen Seth Larson von der Python Software Foundation zugeschrieben und verbreitete sich im April 2025.

Zahlen: Laut Zusammenfassungen der Studie von Spracklen et al. (USENIX Security 2025), die 16 Modelle in Python und JavaScript testete, existierten etwa 19,7 % der empfohlenen Pakete nicht, und 43 % der erfundenen Namen kamen bei jeder von zehn Wiederholungen desselben Prompts wieder. Die Wiederholung macht erfundene Namen zu berechenbarer Beute.

Vibe Coding

Vibe Coding ist eine Art des Programmierens, bei der eine Person einer KI Aufgaben in einfacher Sprache gibt und den generierten Code nicht gründlich prüft.

Herkunft: Andrej Karpathy verwendete den Begriff am 2. Februar 2025 in einem Post auf X. Das Collins Dictionary kürte ihn zum Wort des Jahres 2025 (bekannt gegeben am 6. November 2025) und definierte ihn weiter gefasst als das Erzeugen von Code aus natürlicher Sprache mithilfe von KI.

Bezug zu AI Slop: Ungelesener Code und ungelesene Fehlerberichte sind AI Slop in der Softwareentwicklung. Das Projekt curl beendete sein Bug-Bounty-Programm am 31. Januar 2026, weil es laut Daniel Stenberg mit wertlosen KI-Berichten über Sicherheitslücken überflutet worden war.

Content-Farm und Pink Slime

Eine Content-Farm ist eine Website, die in großen Mengen billigen, auf Suchanfragen zugeschnittenen Content für Traffic und Werbeeinnahmen produziert.

Bezug zu AI Slop: Content-Farmen sind der Vorläufer von AI Slop mit demselben wirtschaftlichen Motiv, generative KI hat die Produktion nur billiger gemacht. Zum 23. Juni 2026 erfasste NewsGuard 3.749 Websites, die es als KI-Content-Farmen einstuft, in 16 Sprachen. Definition und Methode änderten sich 2026, die Zeitreihen sind daher nicht vollständig vergleichbar.

Pink-Slime-Websites geben sich als lokale Nachrichtenseiten aus, veröffentlichen aber automatisierte oder parteiische Texte. Das ist eine andere Kategorie als KI-Content-Farmen.

Deepfake

Ein Deepfake ist ein synthetisches Video, Audio oder Bild, das mit Deep Learning erzeugt wird und eine reale Person überzeugend imitiert.

Unterschied zu AI Slop: Ein Deepfake ist gezielte Täuschung, AI Slop dagegen minderwertiger Content im Allgemeinen. Dictionary.com zieht innerhalb von Slop eine ähnliche Linie: absichtlich täuschender Slop (Bilder, die echt wirken sollen) und schlampiger Slop (KI-Beiträge und -Bücher ohne menschliche Redaktion).

Woher das Wort Slop kommt und wie Wörterbücher es definieren

Das Wort selbst ist alt. Bei der Bekanntgabe seines Wortes des Jahres sagte Merriam-Webster, Slop habe früher weichen Schlamm und Speiseabfälle bedeutet, später etwas Wertloses und erst in jüngster Zeit Inhalte künstlicher Intelligenz.

Für KI-Inhalte verbreitete es sich im Mai 2024. Am 6. Mai schrieb @deepfates, Slop sei ähnlich wie Spam auf dem Weg ins Wörterbuch, und am 8. Mai beschrieb Simon Willison Slop als unerwünschte KI-Inhalte. The Guardian veröffentlichte am 19. Mai und die New York Times am 11. Juni je einen Beitrag, beide aufbauend auf der Analogie zu Spam. Willison präzisierte Slop später zu Inhalten, die zugleich unbestellt und ungeprüft sind. Merriam-Webster (15. Dezember 2025) und die American Dialect Society wählten Slop zum Wort des Jahres 2025, und das Macquarie Dictionary wählte den Begriff AI Slop (25. November 2025).

Im Tschechischen wird der entlehnte Begriff AI Slop verwendet, frei übersetzt als břečka (Matsch). Im Deutschen sind „KI-Slop“ und „AI Slop“ sowie Übersetzungen wie „KI-Müll“ oder „digitaler Abfall“ gebräuchlich, im Französischen „AI slop“ sowie Übersetzungen wie „bouillie“ oder „déchet“ (laut tschechischen, deutschen und französischen Ratgebern und Blogs, zum Beispiel t3n, IONOS und Blog du Modérateur).

Die Definitionen unterscheiden sich vor allem darin, ob sie erwähnen, dass niemand den Inhalt wollte. Macquarie und Willison nennen es, Merriam-Webster und die American Dialect Society nicht. In ihrem Paper „Why Slop Matters“ schreiben Kommers et al., Slop habe sich bisher einer formalen Definition entzogen, und beschreiben stattdessen drei prototypische Eigenschaften.

Slop wird in zwei Bedeutungen verwendet. Die erste ist massenhaft produzierter minderwertiger Content im Web. Die zweite, engere Bedeutung verwenden Menschen im Umfeld von Sprachmodellen für wiederholte Formulierungen und Muster der Modelle. EQ-Bench berechnet daraus einen Slop Score: 60 % des Gewichts entfallen auf überstrapazierte Wörter, 25 % auf das Kontrastmuster „not just X, but Y“ und 15 % auf überstrapazierte Dreiwortphrasen. Die Antislop-Studie (Paech et al., 2025) berichtet, dass manche Muster in Texten von Sprachmodellen mehr als tausendmal häufiger vorkommen als in menschlichen Texten.

Wie viel AI Slop es im Web gibt und was jede Zahl misst

Zahlen zum Anteil von KI-Inhalten werden oft und ohne Kontext zitiert. Jede misst etwas anderes.

Zwei davon wirken, als würden sie sich widersprechen, und doch können beide stimmen. Graphite sagt, dass 86 % der bei Google hoch platzierten Artikel von Menschen geschrieben wurden, und Ahrefs sagt, dass 74 % der neuen Seiten zumindest etwas KI-Inhalt enthalten. Sie verwenden eine andere Grundgesamtheit, eine andere Definition und einen anderen Detektor. Graphite nennt für seinen Detektor außerdem eine Falsch-Positiv-Rate von 4,2 %, also etwa einen von 24 menschlichen Artikeln, der als KI eingestuft wird.

Die oft zitierte Schätzung, bis 2026 seien 90 % der Online-Inhalte synthetisch, hat keine empirische Grundlage. Sie tauchte in einem Europol-Dokument auf, das sich auf das Buch von Nina Schick über Deepfakes aus dem Jahr 2020 berief, in dem es um Video ging und das keine klare Bezugsgröße nannte (Analyse des Magazins Reason, 2023).

Was AI Slop mit Marken und Teams macht

Eine vom Werbenetzwerk Raptive beauftragte Studie (3.000 Erwachsene in den USA, Juli 2025) ergab, dass das Vertrauen der Lesenden um fast 50 % sinkt, wenn sie vermuten, dass ein Inhalt von KI stammt, selbst wenn ein Mensch ihn geschrieben hat. Bei Produkten, für die neben solchen Inhalten geworben wurde, sank die Bereitschaft, einen Kauf in Betracht zu ziehen, um 14 %. Raptive verkauft Werbung auf Websites mit von Menschen erstellten Inhalten und hat deshalb ein Interesse an dem Ergebnis.

In einer Studie vom Dezember 2024 (mehr als 2.000 Teilnehmende, eine Umfrage, EEG und Eye-Tracking) stellte NielsenIQ fest, dass das Publikum KI-Werbung als weniger fesselnd und als nervender, langweiliger und verwirrender bewertet als herkömmliche Werbung, und maß dafür eine schwächere Aktivierung des Gedächtnisses.

Innerhalb von Unternehmen beschädigt AI Slop Beziehungen. Laut Mediendarstellungen der Workslop-Studie bewerteten 42 % der Empfangenden die absendende Person als weniger vertrauenswürdig und 37 % als weniger intelligent. Im B2B-Marketing und Vertrieb ist Workslop, der sich an Kunden richtet, ein Angebot, eine E-Mail oder ein Report, den niemand auf der Absenderseite gelesen hat. Wie Outreach aussieht, das auf Signalen statt auf massenhafter KI-Korrespondenz beruht, beschreibt der Artikel Go-to-market engineering.

Wie Sie AI Slop in Texten erkennen

Die Merkmale von KI-Texten lassen sich nach der Stärke der Belege ordnen. Am besten belegt sind der Wortschatz und der Stil einzelner Modelle, weil Studien sie gemessen haben. Die meisten anderen Merkmale stammen aus dem, was Wikipedia-Redaktionen und Verfasser von Ratgebern bemerkt haben. Kein einzelnes Merkmal genügt. Der Wikipedia-Leitfaden sagt ausdrücklich, dass nicht jeder Text mit diesen Indikatoren von KI stammt, weil Modelle aus menschlichem Schreiben gelernt haben.

Was Studien gemessen haben

• Wortschatz. Kobak et al. (Science Advances, Juli 2025) verglichen 15,1 Millionen PubMed-Abstracts von 2010 bis 2024 und fanden 379 Wörter, deren Häufigkeit 2024 sprunghaft anstieg, am stärksten bei Wörtern wie „delves“, „underscores“ und „showcasing“. Sie schätzten, dass mindestens 13,5 % der Abstracts von 2024 von einem Sprachmodell bearbeitet worden waren. Juzek und Ward (COLING 2025) identifizierten 21 Wörter, die ChatGPT übermäßig verwendet, und nannten das Training mit menschlichem Feedback als wahrscheinliche Ursache.
• Modellstil. Sun et al. (ICML 2025) trainierten einen Klassifikator, der anhand des Textes mit einer Genauigkeit von 97,1 % erkennen konnte, welches von fünf Modellen (ChatGPT, Claude, Grok, Gemini, DeepSeek) ihn geschrieben hat. Das Signal steckt vor allem in der Wortwahl: Selbst nachdem die Wörter in einem Text durcheinandergewürfelt worden waren, sank die Genauigkeit nur auf 88,9 %.
• Merkmale ändern sich. Ein Preprint zu Wortschatztrends (arXiv, Februar 2025) hielt fest, dass die Häufigkeit des Wortes „delve“ in Abstracts nach einem Höhepunkt von Januar bis März 2024 stark sank. Die Autoren vermuten, dass Menschen weiter Modelle nutzen, aber Wörter meiden, die zu einem Erkennungszeichen geworden sind.

Was Redaktionen und Verfasser von Ratgebern bemerkt haben

Der Leitfaden „Signs of AI writing“ ging aus dem WikiProject AI Cleanup hervor, das seit 2023 KI-gestützte Beiträge prüft. Er ist eine Orientierungshilfe ohne den Status einer Wikipedia-Richtlinie. Er führt diese Gruppen von Merkmalen auf:

• Übertriebene Betonung. Der Text erklärt allgemein, warum das Thema wichtig ist, zum Beispiel „a pivotal moment“ oder „a broader movement“.
• Werbliche Formulierungen. Zum Beispiel „stands as a testament“, „plays a vital role“ oder „rich cultural heritage“.
• Kontrastkonstruktionen. Der Leitfaden führt das Muster „it is not just about X, it is Y“ als negativen Parallelismus auf.
• Dreierregel. Aufzählungen aus drei Elementen, zum Beispiel drei Adjektive hintereinander.
• Vage Quellenangaben. „Experts agree“ ohne Namen oder Quelle.
• Formatierung. Überschriften, in denen jedes Wort großgeschrieben ist, zu viel Fettdruck, unerwartete Emojis, Aufzählungspunkte, wo ein Satz genügt.
• Gesprächsreste und Artefakte. Hinweise auf das Wissensdatum des Modells und technische Zeichenfolgen in Links wie contentReference[oaicite:1], turn0search0 oder citeturn0news0. Artefakte sind das einzige Merkmal, das eindeutig ist.

Der Gedankenstrich ist das bekannteste und am wenigsten verlässliche Merkmal. Der Leitfaden führt ihn nur in Kombination mit anderen als nützlich auf und sagt, dass neuere Chatbots ihn seltener verwenden. Am 14. November 2025 schrieb Sam Altman, ChatGPT halte sich nun endlich an ein Verbot von Gedankenstrichen in den Custom Instructions, auch wenn OpenAI klarstellte, dass sich das Standardverhalten möglicherweise nicht vollständig ändere. Tschechische Seiten wie Zive.cz und 365tipu nennen ihn die sichtbarste Spur von KI. Der tschechische Schriftsatz verwendet einen Halbgeviertstrich mit Leerzeichen, und in gewöhnlichen Texten kommt der Geviertstrich nicht vor, eine Studie zum Anteil von Gedankenstrichen in tschechischen KI-Texten haben wir jedoch nicht gefunden.

Rhythmus, Leere und erfundene Quellen

• Rhythmus. Graphite verglich 10.000 menschliche Artikel mit 90.000 KI-Artikeln von neun Modellen und stellte fest, dass Modelle einen größeren Wortschatz, längere Wörter und weniger Variation in der Satzlänge verwenden. Graphite ist eine Marketingfirma, und die KI-Texte entstanden, indem Zusammenfassungen mit GPT-4.1 erweitert wurden, was das Ergebnis verzerren kann.
• Leere. Tschechische Ratgeber (sBranding, Jecas.cz) sind sich einig: eine lange Einleitung ohne Pointe, ein Schluss, der die Überschrift wiederholt, kein konkretes Beispiel, keine Zahl, kein Name. Manche dieser Seiten verkaufen Schulungen oder Tools.
• Halluzination. Erfundene Quellen, Zitate und Links sind das zuverlässigste Signal, verschwinden aber, sobald die Ausgabe geprüft wird.

So sehen die Merkmale zusammen aus. Links steht eine erfundene Einleitung eines Blogbeitrags, rechts ihre Fassung nach der Überarbeitung:

GPT, Claude, Gemini und andere: Wie sich ihre Texte unterscheiden

Modelle lassen sich an ihren Texten unterscheiden, aber konkrete Merkmale ändern sich schneller, als die Forschung mithalten kann. Die Studie von Sun et al. (ICML 2025) unterschied fünf Chat-Modelle mit einer Genauigkeit von 97,1 %. Sie suchte mithilfe von TF-IDF nach charakteristischen Wörtern. Laut einer Zusammenfassung der Studie gehören zu den typischen Wörtern von ChatGPT „certainly“, „overall“ und „typically“ und bei Claude „according to“, „based on“ und „appears to“. Die vollständigen Listen für alle fünf Modelle haben wir nicht erhalten. Laut der Studie verwendete Claude weniger fett gesetzte Abschnitte und Überschriften als andere Chat-APIs.

Erfundene Namen. Das Preprint „Ghost Couple“ (Juni 2026, am 30. September 2026 auch von Nature aufgegriffen) stellte fest, dass Modelle wiederkehrende Namenspaare erzeugen. Bei Claude (neun getestete Versionen) sind das Elena Vasquez und Marcus Chen, bei GPT Elara Voss. Laut Nature tauchen diese Namen in Hunderten gefälschter Manuskripte auf Zenodo und ResearchGate auf. Die Autoren räumen selbst ein, dass einige der Namen echten Forschenden gehören können.

Tics wandern. Laut Graphite sank die Zahl der wiederkehrenden Tics bei Claude Opus 5.5 im Vergleich zu Opus 5 nur um 4 %, obwohl Gedankenstriche um mehr als 90 % zurückgingen. Das Verschwinden eines Signals bedeutet also nicht, dass es insgesamt weniger Tics gibt.

Oberfläche. Anthropic veröffentlicht die System-Prompts von Claude für die Web- und Mobile-Apps, für die API gelten sie nicht. Erkenntnisse aus einer Oberfläche lassen sich nicht ohne Prüfung auf die andere übertragen. Die meisten Studien sind außerdem auf Englisch. Einen Vergleich nach Modell für Tschechisch, Deutsch oder Französisch haben wir nicht gefunden.

Daraus folgt eine praktische Regel. Behandeln Sie ein Merkmal, das älter als ein halbes Jahr ist, als verdächtig, und ein Merkmal, das bei einer Modellversion gefunden wurde, als nicht übertragbar.

Was wir über die Merkmale in Tschechisch und anderen Sprachen wissen

Tschechische Ratgeber nennen übereinstimmend den langen Gedankenstrich, Klischees wie „In today's digital age“, gleich lange Sätze und ein Fazit, das die Überschrift wiederholt. Keiner von ihnen hat die Merkmale an einem Korpus gemessen. Die Quellen sind Nachrichtenartikel und Agentur-Blogs, von denen einige Schulungen oder Tools verkaufen. Deutsche Ratgeber (zum Beispiel t3n) nennen Einstiege wie „In der heutigen … Welt“, das Muster „Nicht nur X, sondern auch Y“ und „Zusammenfassend lässt sich sagen“. Französische Blogs nennen „dans un monde“, „à l’ère de“, „au cœur de“, „il est important de“ sowie formelle Konnektoren wie „en outre“ und „par conséquent“. Das sind praktische Ratgeber ohne Messung. Eine Studie, die die Häufigkeit dieser Wendungen in deutschen und französischen Texten mit menschlichen Texten vergleicht, haben wir nicht gefunden.

Am besten belegt ist die Forschung zu Detektoren. MULTITuDE (Macko et al., EMNLP 2023) enthält 74.081 Texte in 11 Sprachen, darunter Tschechisch, und zeigte, dass die meisten Detektoren in einem mehrsprachigen Umfeld versagen, während auf einzelne Sprachen feinabgestimmte Detektoren besser abschneiden. CEAID (2025) deckt sieben mitteleuropäische Sprachen ab, darunter Tschechisch und Deutsch (188.098 Texte). Feinabgestimmte Detektoren schnitten darin am besten ab und waren auch am widerstandsfähigsten gegen Umformulierungen.

Menschen schaffen das ohne Training nicht. Milička et al. (PLOS ONE, Oktober 2025) stellten bei Tschechisch Sprechenden fest, dass die Teilnehmenden mit falschen Vorstellungen über KI-Texte begannen und sich nur dank sofortigem Feedback verbesserten.

Slop jenseits von Text: Bilder, Video, Musik und Code

Bilder. Menschen erkennen KI-Gesichter schlecht. Nightingale und Farid (PNAS 2022) maßen bei 315 Teilnehmenden eine Trefferquote von 48,2 %, was Zufallsniveau entspricht, und die Teilnehmenden hielten synthetische Gesichter für vertrauenswürdiger. Miller et al. (Psychological Science 2023) stellten fest, dass Menschen KI-Gesichter häufiger als menschlich einstuften als echte und dass diejenigen mit der größten Sicherheit die meisten Fehler machten. Ein Microsoft-Preprint vom Juli 2025 (ein Quiz mit mehr als 12.500 Teilnehmenden und rund 287.000 Bewertungen) maß eine Gesamttrefferquote von 62 %, und seine Autoren schreiben, das Ergebnis überschätze wahrscheinlich die heutige Fähigkeit der Menschen.

Typische Fehler wie Hände, Schrift, Schatten oder zu glatte Haut beschreiben vor allem kommerzielle Ratgeber, und sie verblassen bei neueren Modellen. Eine unabhängige Studie zu ihrer Entwicklung haben wir nicht gefunden. Eine Spur beschreiben Community-Quellen und TechRadar: Bilder aus ChatGPT hatten im Frühjahr 2025 einen gelben bis sepiafarbenen Stich, den OpenAI nicht erklärt hat.

Herkunft. Google kennzeichnet Bilder aus Gemini mit einem unsichtbaren SynthID-Wasserzeichen, und in der Gemini-App können Sie ein Bild hochladen und prüfen, ob Google AI es erstellt hat. Neuere Bilder tragen außerdem C2PA-Metadaten. Die Prüfung erkennt allerdings nur Inhalte, die gekennzeichnet sind.

Musik und Video. Im September 2025 gab Spotify an, in den vorangegangenen 12 Monaten mehr als 75 Millionen Spam-Tracks entfernt zu haben. Im Oktober 2026 habe es Berichten zufolge mehr als 50 Millionen Tracks mit „Slop und Spam“ aus den Empfehlungen herausgehalten, was eine andere Kennzahl ist, addieren Sie die Zahlen also nicht. Der Fall Velvet Sundown vom Sommer 2025: Eine „Band“ gewann binnen Wochen Hunderttausende monatliche Hörer und räumte dann ein, ein KI-Projekt zu sein. In die andere Richtung ging Meta, das am 25. September 2025 Vibes startete, einen Feed mit KI-Videos (TechCrunch nannte ihn in der Überschrift einen Feed voller AI Slop), und OpenAI startete fünf Tage später die Sora-App.

Code. Neben dem curl-Fall (siehe Vibe Coding) haben andere Open-Source-Projekte KI-Beiträge eingeschränkt, zum Beispiel Gentoo (2024), NetBSD, Ghostty und tldraw (Januar 2026).

Warum KI-Textdetektoren nicht ausreichen

Ein Detektor ist ein Signal für weitere Prüfung und kann kein Beweis sein. Die Gründe:

• Fehlerquoten. Graphite gibt für seinen Detektor eine Falsch-positiv-Rate von 4,2 % an, gemessen an einer Stichprobe menschlicher Artikel aus der Zeit vor ChatGPT. Weber-Wulff et al. (International Journal for Educational Integrity, 2023) testeten Erkennungstools und kamen zu dem Schluss, dass sie für wichtige Entscheidungen nicht genau und zuverlässig genug sind. Eine Umformulierung des Textes verschlechtert die Ergebnisse weiter.
• Sprachen. Außerhalb des Englischen versagen Detektoren laut MULTITuDE meist, und auf eine bestimmte Sprache feinabgestimmte schneiden am besten ab.
• Bias. Liang et al. (Patterns, 2023) stellten fest, dass sieben Detektoren im Schnitt 61,3 % der Aufsätze von Personen mit nicht-englischer Muttersprache als KI einstuften. Eine Studie von 2026 zum Tschechischen (Al Ali, Helcl und Libovický, EACL 2026) fand keine systematische Verzerrung gegenüber Personen mit nicht-tschechischer Muttersprache, der Befund lässt sich also nicht auf alle Detektoren und Sprachen übertragen.
• Vorgehen der Redaktionen. Wikipedia-Editoren warnen vor Detektoren und nennen die Prüfung, ob die Quellen den Text stützen, als verlässlichste Methode.

Prüfen Sie statt mit einem Detektor lieber Quellen und Fakten, fragen Sie nach, wie der Text entstanden ist, und beurteilen Sie, was er der Leserschaft bringt.

Wie Sie AI Slop vermeiden

Slop entsteht an drei Stellen: beim Briefing (das Modell bekommt zu wenig), bei der Ausgabe (niemand ergänzt etwas) und bei der Kontrolle (niemand prüft nach). Das folgende Vorgehen deckt alle drei ab.

1. Beginnen Sie mit eigenem Material. Ein Modell formuliert aus dem, was es bekommt. Ohne Daten aus Ihrem CRM, Gesprächsnotizen, Kundenzitate und Kampagnenergebnisse formuliert es Durchschnitt. Packen Sie mindestens eine Sache ins Briefing, die sonst niemand hat.
2. Legen Sie den Mehrwert vorab fest. Was bekommt die Leserschaft aus dem Text, das sie in den ersten zehn Suchergebnissen nicht findet? Die Quality Rater Guidelines von Google vom Januar 2025 vergeben die niedrigste Bewertung an Inhalte, die weitgehend kopiert, umformuliert oder mit minimalem Aufwand, minimaler Originalität und minimalem Mehrwert per KI erstellt wurden.
3. Schreiben Sie die Gliederung selbst. Ein Modell schreibt mit Gliederung besser als ohne. Das ist eine praktische Erfahrung, eine Studie dazu kennen wir nicht.
4. Prüfen Sie jede Zahl, jeden Namen, jedes Zitat und jeden Link. Seit dem 1. Oktober 2026 bezeichnet Googles Leitfaden zu KI-Inhalten manuelle Faktenprüfung und Kontrolle vor der Veröffentlichung als entscheidend. Nach Medienberichten erstreckt sich die Prüfung auch auf Titel, Meta-Beschreibungen und Alt-Texte.
5. Ein Phrasenverbot reicht nicht. Eine Liste verbotener Wörter hilft an der Oberfläche. Leerer Text bleibt leer, und nach den Messungen von Graphite wandern die Tics woandershin.
6. Lesen Sie den Text laut vor und lassen Sie ihn von jemandem lesen, der das Thema kennt. Fragen Sie, wo diese Person sagen würde: „Das habe ich schon mal gelesen.“
7. Zeichnen Sie mit Ihrem Namen. Der Autorenname, das Datum und die Verantwortung für den Inhalt gehören zu dem, was Google zur Beurteilung der Vertrauenswürdigkeit (E-E-A-T) heranzieht.
8. Versprechen Sie keine KI-Antworten, die Sie nicht haben. Seit dem 15. Mai 2026 erfassen die Spam-Richtlinien von Google ausdrücklich die Manipulation generativer KI-Antworten, und die Strafe ist dieselbe wie bei Ranking-Spam. Googles Leitfaden vom Mai 2026 sagt außerdem, dass die Optimierung für KI-Suchfunktionen weiterhin SEO ist. Ausführlicher schreiben wir darüber im Artikel How to get into ChatGPT's answers.

Der Slop-Test: zehn Fragen vor der Veröffentlichung

1. Enthält der Text mindestens eine Tatsache, ein Beispiel oder eine Erkenntnis, die nicht im Briefing stand?
2. Können Sie für jede Zahl, jeden Namen und jedes Zitat eine Quelle nachweisen?
3. Lässt sich der erste Absatz streichen, ohne dass Information verloren geht?
4. Könnte derselbe Text auf der Website eines Wettbewerbers stehen, wenn man nur den Firmennamen austauscht?
5. Würde die Person, die den Text geschrieben hat, das so laut vor einem Kunden sagen?
6. Ist klar, für wen der Text gedacht ist und was die Leserschaft danach tun soll?
7. Kennt die Person, die den Text geschrieben hat, das Thema aus der Praxis und könnte sie im Gespräch Fragen dazu beantworten?
8. Variiert die Länge von Sätzen und Absätzen, oder sind alle ähnlich?
9. Wiederholt das Fazit die Einleitung oder die Überschrift?
10. Würde die Person, die den Text geschrieben hat, jeden Satz vor einem Kunden unterschreiben?

KI-Inhalte in der EU kennzeichnen. Die Verordnung über künstliche Intelligenz (AI Act) legt in Artikel 50 eine Transparenzpflicht für Deepfakes und für KI-Texte fest, die veröffentlicht werden, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren, es sei denn, ein Mensch hat den Inhalt geprüft und trägt die redaktionelle Verantwortung für die Veröffentlichung. Nach dem ursprünglichen Zeitplan sollten die Pflichten ab dem 2. August 2026 gelten, und über Verschiebungen einzelner Pflichten wurde diskutiert. Lassen Sie den aktuellen Stand daher rechtlich prüfen, bevor Sie loslegen.

Quellen

Definitionen und Begriffe: Merriam-Webster, Word of the Year 2025: slop · ABC News, AI slop is Macquarie Dictionary’s Word of the Year 2025 · American Dialect Society, 2025 Word of the Year is slop · Simon Willison, Slop is the new name for unwanted AI-generated content · Kommers et al., Why Slop Matters, ACM AI Letters (2026) · Oxford University Press, Brain rot (2024) · American Dialect Society, Enshittification (2023) · Shumailov et al., AI models collapse when trained on recursively generated data, Nature (2024) · Gerstgrasser et al., Is Model Collapse Inevitable? (2024) · Hannigan, McCarthy und Spicer, Beware of botshit, Business Horizons (2024) · Harvard Business Review, AI-Generated “Workslop” Is Destroying Productivity (2025) · LLMs Can Get “Brain Rot”, arXiv (2025) · Spracklen et al., We Have a Package for You!, USENIX Security (2025)

Zahlen und Auswirkungen: Graphite, More Articles Are Now Created by AI Than Humans (2025) · Ahrefs, What percentage of new content is AI-generated? (2025) · Imperva, 2025 Bad Bot Report · NewsGuard, AI Tracking Center · The Decoder zur Kapwing-Studie (2025) · Reason, That time we tried to make sense of a statistic (2023) · Raptive, The “AI stink” is real (2025) · NIQ, Will AI-generated advertising disrupt the creative industry? (2024) · Stanford Internet Observatory und CSET, How Spammers, Scammers and Creators Leverage AI-Generated Images on Facebook (2024)

Merkmale von Texten und Modellen: Wikipedia, Signs of AI writing · Kobak et al., Delving into LLM-assisted writing in biomedical publications through excess vocabulary, Science Advances (2025) · Juzek und Ward, Why does ChatGPT “delve” so much?, COLING (2025) · Sun et al., Idiosyncrasies in Large Language Models, ICML (2025) · EQ-Bench, Slop Score · Paech et al., Antislop (2025) · Graphite, AI Tells (2026 update) · Sam Altman zu Gedankenstrichen in ChatGPT (14. Nov. 2025) · OpenAI, Sycophancy in GPT-4o (2025) · GitHub, Claude says “You’re absolutely right!” about everything (Issue #3382) · Brzozowski und Chung, Ghost Couple (2026)

Bilder, Musik, Code und Herkunft: Nightingale und Farid, AI-synthesized faces are indistinguishable from real faces, PNAS (2022) · Miller et al., AI hyperrealism, Psychological Science (2023) · Microsoft, How good are humans at detecting AI-generated images? (2025) · Google, Verifying images in the Gemini app (SynthID) · Music Business Worldwide, Spotify has deleted 75M spammy tracks (2025) · Daniel Stenberg, The end of the curl bug bounty (2026)

Google, Detektoren und Sprachen: Google Search Central, Google Search’s guidance about AI-generated content (2023) · Google Search Central, March 2024 core update and new spam policies · Google Search Central, Using generative AI content on your website · Liang et al., GPT detectors are biased against non-native English writers, Patterns (2023) · Weber-Wulff et al., Testing of detection tools for AI-generated text (2023) · Macko et al., MULTITuDE, EMNLP (2023) · Macko und Kopál, CEAID (2025) · Al Ali, Helcl und Libovický, Different Time, Different Language, EACL (2026) · Milička et al., Humans can learn to detect AI-generated texts, PLOS ONE (2025) · sBranding, Co je AI slop a jak ho poznat · t3n, Floskeln, Buzzwords, Gedankenstriche: So erkennst du KI-Texte · IONOS, AI Slop: Definition, Risiken und Strategien · Blog du Modérateur, AI slop : comment l’IA générative transforme le web en décharge numérique · Loumina, Reconnaître un texte d’IA : les tics de ChatGPT · Jecas.cz, Je možné poznat AI obsah?

Verwandte Leistungen: Content und SEO und KI & Automatisierung. Der Artikel baut auf How to get into ChatGPT's answers, AI agents in marketing und What honestly annoys me about marketing auf.