Kennst du das Gefühl, wenn du einen Artikel im Internet liest und dich fragst, ob die Worte wirklich von einem Menschen stammen? Vielleicht ist die Formulierung etwas zu glatt, die Argumentation zu perfekt, oder es fehlt einfach die persönliche Note, die einen echten Autor auszeichnet. Diese Unsicherheit ist längst kein Randphänomen mehr. Seit dem Hype um ChatGPT haben sich die Kanäle mit KI-generierten Inhalten gefüllt – sogenannter AI-Slop, der von SEO-optimierten Blogbeiträgen bis zu gefälschten Social-Media-Profilen reicht. Dagegen will ein junges Startup antreten: Pangram aus New York hat gerade neun Millionen US-Dollar eingesammelt, um seine KI-Erkennungstechnologie weiterzuentwickeln und einer breiten Öffentlichkeit zugänglich zu machen.
Die Finanzierungsrunde wird von Menlo Ventures angeführt, mit Beteiligung von Haystack, ScOp, Script Capital und Cadenza. Zeitgleich launcht Pangram sein nächstes Textdetektionsmodell namens Pangram 4 sowie einen Bilddetektor namens Pangram Image. Das neue Textmodell erkennt KI-gestütztes Schreiben und gemischte Inhalte mit einer Genauigkeit von über 99 Prozent. Das gilt auch für Texte, die durch sogenannte Humanizer-Programme gegangen sind, die KI-Text menschlicher wirken lassen sollen. Der Bilddetektor ist vorerst nur als Research Preview verfügbar, soll aber in den kommenden Wochen veröffentlicht werden. Die Gründer Max Spero und Bradley Emi, beide Absolventen des Stanford AI and Machine Learning Program, gründeten Pangram vor etwa zwei Jahren, kurz nachdem ChatGPT die Schleusen für eine Flut von Bot-Content, SEO-Spam und Desinformationskampagnen öffnete.
Die Technologie hinter Pangram ist kein Hexenwerk, aber durchaus raffiniert. Das System ist im Kern ein großes maschinelles Lernmodell, trainiert auf zig Millionen bekannter menschlicher Dokumente. Zu jedem dieser Dokumente erzeugt Pangram einen synthetischen Spiegel – einen Text, der das gleiche Thema, die gleiche Länge und den gleichen Tonfall hat, aber von einem leistungsstarken LLM verfasst wurde. Der Detektor lernt dann die stilistischen Unterschiede und die typischen Entscheidungen, die KIs immer wieder treffen. So kann er mit hoher Sicherheit erkennen, was maschinengeschrieben ist. Wichtig: Das System verlässt sich nicht auf Metadaten oder versteckte Wasserzeichen, sondern rein auf die Textcharakteristik. Der Ansatz erinnert an einen erfahrenen Lektor, der nach Jahren der Arbeit sofort erkennt, ob ein Manuskript aus einer Feder oder aus einer Algorithmus-Pipeline stammt.
Bei der Erkennung geht es nicht nur um die Frage „KI oder nicht KI“. Pangram unterscheidet auch verschiedene Stufen der KI-Unterstützung. Wenn jemand einen Text selbst schreibt, aber dann eine KI zur Korrektur oder Verbesserung nutzt, soll das ebenfalls sichtbar werden. Spero betont, dass KI-Assistenz in vielen Fällen völlig in Ordnung sei – solange der Autor sie transparent macht. Diese Differenzierung ist wichtig, denn in der Praxis verschwimmen die Grenzen. Viele Menschen nutzen KI als Recherchewerkzeug oder als Stilhilfe, ohne den Kerninhalt zu delegieren. Andere wiederum lassen komplette Artikel generieren und geben sie als eigene Arbeit aus. Pangram will hier eine verlässliche Unterscheidung bieten, die nicht in eine Hexenjagd ausartet, sondern mehr Klarheit schafft.
Der Zeitpunkt für ein solches Tool ist günstig. KI-generierte Texte dringen in immer mehr Lebensbereiche ein. Mal sorgt ein kanadischer Politiker für Lacher, weil er eine KI-Aufforderung wörtlich vorliest. Mal werden Anwälte mit Geldstrafen belegt, weil sie von ChatGPT erfundene Gerichtsurteile zitieren. Auch die Wissenschaft reagiert: Das Open-Access-Archiv arXiv hat eine neue Richtlinie eingeführt, die Autoren mit einemjährigen Publikationsverbot belegt, wenn sie offensichtlich nicht geprüfte LLM-Outputs einreichen – etwa halluzinierte Referenzen oder Meta-Kommentare wie „Möchtest du, dass ich etwas ändere?“. Solche Regeln zeigen den wachsenden Druck, die Authentizität von Inhalten sicherzustellen.
Pangram ist mit diesem Vorhaben nicht allein. Wettbewerber wie Winston AI, Originality.ai, Copyleaks und GPTZero arbeiten an ähnlichen Detektoren. Das Feld wird enger, und jedes Produkt muss sich durch Genauigkeit und Benutzerfreundlichkeit beweisen. Pangram setzt dabei auf ein Abo-Modell für 20 Dollar pro Monat, auf eine Chrome-Erweiterung, die Posts auf X, LinkedIn, Substack, Reddit und Medium in Echtzeit markiert, sowie auf eine API für Unternehmen. Substack hat Pangrams Technologie direkt in seine Plattform integriert – Leser können nun sehen, ob ihr Lieblingsautor KI für den Newsletter nutzt. Weitere API-Kunden sind Quora, Bildungseinrichtungen, Verlage und Personalvermittler. Die Palette der Anwendungen reicht von der redaktionellen Qualitätssicherung über die Plagiatsprüfung bis zur Bewertung von Bewerbungsunterlagen.
Wie gut funktioniert die Erkennung in der Praxis? Ein Test des TechCrunch-Berichts, der Pangram unter realistischen Bedingungen prüfte, zeigt ein differenziertes Bild. Der Detektor markierte vollständig von ChatGPT und Claude verfasste Nachrichtenartikel zuverlässig. Auch Versuche, die KI-Texte durch manuelle Bearbeitung menschlicher wirken zu lassen, scheiterten meist – Pangram ließ sich nicht täuschen. Allerdings gab es auch Fehler: Sätze, die der menschliche Tester komplett neu geschrieben hatte, wurden teilweise als KI-generiert eingestuft. Das Modell erkannte subtile Wortwahländerungen in manchen Fällen, ignorierte sie in anderen. Als der Tester einen Artikel, den er vollständig selbst verfasst hatte, durch die KI polieren ließ, gab Pangram eine „KI-Unterstützung“ von 13 Prozent an – wahrscheinlich realistisch, aber das System markierte auch einige Sätze als KI-assistiert, die tatsächlich menschlich waren. Derselbe Artikel erhielt im Original eine 100-prozentige menschliche Bewertung. Das deutet darauf hin, dass die Trennlinie zwischen echter menschlicher Prosa und KI-Kopie nicht immer ganz scharf zu ziehen ist – besonders bei sachlich-nüchternen Texten wie Nachrichten, die ohnehin formelhaft wirken können.
Der Tester wiederholte das Experiment mit seinem persönlichen, stimmungsvollen Substack-Newsletter. Er fügte die erste Hälfte seines Textes in Pangram ein und ließ ChatGPT und Claude den Rest im gleichen Stil schreiben. Hier klappte die Unterscheidung deutlich besser: Der Detektor trennte menschliche und KI-Abschnitte mit hoher Treffsicherheit. Auch der Bilddetektor beeindruckte in ersten Tests. Pangrams Bilderkennung arbeitet nicht wie die wasserzeichenbasierten Verfahren von OpenAI oder Google DeepMind, die meist nur die eigenen Modelle erkennen, sondern analysiert Pixelverteilungen auf subtile statistische Unterschiede zwischen echten Fotos und KI-generierten Bildern. Der Detektor erkannte sowohl fotorealistische als auch cartoonartige KI-Bilder zuverlässig. Er kann ein KI-Bild erkennen, das in ein echtes Foto eingefügt wurde – die Heatmap leuchtet genau an der manipulierten Stelle auf. Allerdings gab es auch einen Fehlalarm, bei dem ein Foto eines KI-Bildes fälschlicherweise als menschlicher Inhalt klassifiziert wurde.
Die Fehlerquote des Textdetektors gibt Spero mit etwa 1 zu 10.000 an – das heißt, eines von zehntausend menschlichen Dokumenten wird fälschlich als KI markiert. Das ist ein beachtlicher Wert, aber nicht perfekt. In der Praxis bedeutet das, dass Pangram ein nützliches Werkzeug ist, aber kein unfehlbares Orakel. Besonders in sensiblen Bereichen wie akademischen Arbeiten oder juristischen Dokumenten sollte das Ergebnis immer kritisch hinterfragt und nicht blind als Wahrheit akzeptiert werden. Spero selbst warnt davor, die Technologie für eine Hexenjagd zu nutzen. Sein Ziel ist es, einen Mechanismus zu schaffen, der der zunehmenden Überflutung mit KI-Inhalten entgegenwirkt, ohne verantwortungsvolle KI-Nutzung zu bestrafen. Er formuliert es so: „Die Zukunft, die ich sehe, ist eine, in der KI-Inhalte weiter zunehmen. Wir bekommen schneller neue GPUs als neue Menschen geboren werden. Wenn wir nicht aktiv Inhalte von Menschen bevorzugen, werden wir nur noch mehr KI sehen, die jedes menschliche Signal übertönt.“
Was bedeutet das für dich und mich? Wir werden uns immer häufiger fragen müssen, ob das, was wir lesen, sehen oder hören, echt ist. Pangram und seine Konkurrenten bieten eine erste Orientierung, aber sie sind keine Allheilmittel. Die Technologie wird mit der Zeit besser werden, aber auch die KI-Erzeuger werden sich weiterentwickeln. Es entsteht ein Wettrüsten der Detektion und der Umgehung. Als Leser bleibt uns nur, wachsam zu bleiben, mehrere Quellen zu prüfen und bei Unsicherheit skeptisch nachzufragen – genau wie bei einem schlecht übersetzten Produkttext oder einer zu perfekten Erfolgsstory. Tools wie Pangram können helfen, die Spreu vom Weizen zu trennen, aber sie ersetzen nicht unser eigenes Urteilsvermögen. Letztlich geht es um eine grundlegende Frage in der digitalen Welt: Wem vertrauen wir? Und wie viel Vertrauen schenken wir einer Maschine, die uns sagt, ob ein anderer Mensch oder eine andere Maschine geschrieben hat? Die Antwort darauf wird sich erst in den kommenden Jahren herauskristallisieren.
Quelle: techcrunch.com
