Die großen KI-Labore haben begonnen, die Texte ihrer Modelle unsichtbar zu kennzeichnen. Darauf weist Matt Henderson in seinem Newsletter auf Substack hin, und er zieht daraus Schlüsse für das Marketing. Henderson schreibt dabei aus der Sicht von Sentry, dessen Anmeldebefragung er später als Beleg anführt. Seine These: Das Wasserzeichen ist nicht nur eine regulatorische Pflichtübung, sondern könnte mitentscheiden, ob künftige Modelle überhaupt noch mit einem Text trainiert werden. Für Teams, die viel Content mit KI erzeugen, hätte das Folgen dafür, wie sie in KI-Antworten vorkommen.
Wer in Gemini oder Claude einen Absatz erzeugen lässt, bekommt laut Henderson seit diesem Sommer nicht nur Worte zurück, sondern eine Signatur, die im Hintergrund mitläuft. Für dich beim Lesen ist sie unsichtbar. Für die Systeme, die den Text später verarbeiten, ist sie das nicht. Damit verschiebt sich eine ganze Kette von Annahmen, auf denen Online-Marketing seit Jahren aufbaut.
Was ein unsichtbares Wasserzeichen in KI-Texten ist
Ein Wasserzeichen ist kein Stempel am Rand und keine Fußzeile, die man löschen könnte. Man kann es sich wie einen gewebten Stoff vorstellen, in den an einigen hundert Stellen ein Faden in minimal anderer Farbnuance eingezogen wurde. Aus der Entfernung wirkt das Tuch einfarbig. Wer die Webart kennt, erkennt das Muster sofort.
Um zu verstehen, wie dieser Faden eingezogen wird, hilft ein kurzer Blick darauf, was ein Sprachmodell eigentlich tut. Es ist im Kern eine Rechenvorschrift, die Satz für Satz das jeweils nächste Wort auswählt. Auf die Formulierung „die Berge sehen sehr ___ aus“ hat es eine ganze Rangliste plausibler Fortsetzungen: prächtig, schneebedeckt, schön. Normalerweise greift es zum wahrscheinlichsten Kandidaten und wiederholt diesen Vorgang tausendfach in Sekundenbruchteilen.
Beim Watermarking weicht das Modell gelegentlich von dieser Rangliste ab. Statt des wahrscheinlichsten Wortes nimmt es einen etwas weniger naheliegenden Kandidaten und setzt damit ein Signal. Ein einzelner solcher Austausch bleibt für Menschen unauffällig. Über einen langen Text hinweg entsteht daraus ein statistisches Muster, das sich zuverlässig auslesen lässt. Je länger der erzeugte Text, desto deutlicher die Signatur.
Das gilt nicht nur für Wörter. Bild-, Audio- und Videomodelle arbeiten nach demselben Prinzip. Die Hinweise „mit KI erstellt“ auf Plattformen wie Meta, X oder TikTok sind nur die sichtbare Oberfläche eines Verfahrens, das im Hintergrund schon länger läuft.
Warum die EU-Pflicht nur ein Teil der Begründung ist
Die naheliegende Begründung für diese Kennzeichnung ist regulatorisch. Seit dem 2. August verlangt das EU-Recht von Anbietern generativer KI wie OpenAI, Meta, Google und Anthropic, die Ausgaben ihrer Werkzeuge so zu markieren, dass sie als maschinell erzeugt erkennbar sind. Die Sorge dahinter ist nachvollziehbar: Deepfakes, Identitätsbetrug, manipulierte Wahlkampagnen und Desinformation lassen sich mit solchen Werkzeugen deutlich billiger produzieren als ohne.
Henderson hält diese Erklärung für unvollständig. Für interessanter hält er eine zweite Vermutung, die er selbst als Theorie kennzeichnet: Die Labore müssen menschliche von maschinell erzeugten Texten trennen können, um ihre Modelle überhaupt noch sinnvoll trainieren zu können.
Das ist kein Nebenaspekt, sondern berührt die Frage, womit die nächste Modellgeneration gefüttert wird. Wer selbst Modelle baut, hat ein großes Interesse an sauberen Trainingsdaten. Wasserzeichen sind das Werkzeug, mit dem sich die eigene Ausgabe später wieder ausfiltern lässt.
Von Model Collapse bis Gedächtnis: Wo KI-Trainingsdaten über Sichtbarkeit entscheiden
Der zentrale Begriff hier ist Model Collapse. Eine Forschungsarbeit, die Henderson zur Lektüre empfiehlt, zeigt, dass Modelle, die über mehrere Generationen hinweg mit selbst erzeugten Daten trainiert werden, qualitativ irreversibel verfallen. Kleine Fehler summieren sich von Generation zu Generation, bis das Modell nur noch seine eigenen Verzerrungen wiedergibt.
Deshalb ist die Menge synthetischer Texte im Netz ein Problem. Untersuchungen des Anbieters Graphite deuten darauf hin, dass KI-generierter Content menschlichen Content im Jahr 2024 volumenmäßig überholt hat, mit schwankender Tendenz seither. Diese Zahlen sind mit Vorsicht zu lesen, denn sie stammen aus Detektoren, die statistische Fingerabdrücke auswerten, also Satzgleichmaß und Vorhersagbarkeit der Wortwahl. Laut derselben Untersuchung ordneten diese Werkzeuge etwa vier Prozent menschlicher Texte fälschlich als KI-Ausgabe ein.
Für Marketingteams ist ein anderer Punkt wichtiger, und er wird oft übersehen. Was ein Wasserzeichen filtert, ist nicht der abgerufene, sondern der eintrainierte Wissensstand. Abruf passiert live: Das Modell sucht, liest und antwortet mit aktuellen Informationen. Eintrainiertes Wissen dagegen ist bei Modellstart festgeschrieben und ändert sich danach nicht mehr.
Bei kaufnahen Fragen stammt laut Henderson etwa jede siebte ChatGPT-Antwort, rund 13,5 Prozent, direkt aus dem Gedächtnis des Modells, ganz ohne Suchvorgang. In diesem Anteil existieren Inhalte, die aus dem Training herausgefiltert wurden, für das Modell schlicht nicht. Das klingt nach wenig, ist für Henderson aber der wertvollste Teil: die Antworten, in denen ein Modell einen Anbieter von sich aus ins Spiel bringt, obwohl niemand nach ihm gefragt hat. Der Anteil könnte zudem deutlich wachsen, wenn ein neues Modell stärker auf Erinnerung setzt, um Suchkosten zu sparen. Wie viel davon abhängt, unterstreicht Henderson mit einer weiteren Zahl: 69 Prozent der Käufer haben sich schon einmal wegen einer KI-Auskunft für einen anderen Anbieter entschieden.
SEO, bezahlte Werbung, KI-Antworten: Wo Henderson Folgen erwartet
Für klassisches SEO erwartet Henderson kaum Veränderungen an der heutigen Performance. Google hat stets erklärt, Qualität zu bevorzugen, gleich in welcher Form sie entsteht. Regeln gegen massenhaft produzierte, rein auf Rankings ausgerichtete Seiten gibt es seit Jahren, unabhängig davon, wie diese Seiten entstanden sind. Neu ist lediglich, dass Verstöße mit Wasserzeichen technisch leichter nachweisbar werden.
Auch bezahlte Werbung dürfte nach seiner Einschätzung kaum betroffen sein. Die Plattformen selbst setzen generative KI ein, um Anzeigenmaterial zu produzieren, und haben wenig Interesse daran, das eigene Angebot zu entwerten. Wer Kampagnen ausrollt, muss hier vorerst wenig befürchten.
Die eigentliche Verschiebung sieht Henderson bei AEO, der Answer Engine Optimization, also der Optimierung für Antworten von KI-Assistenten. Hierauf konzentriert er nach eigenen Worten seine Zeit und Energie. Sentry fragt neue Nutzer bei der Anmeldung, wie sie auf das Produkt aufmerksam geworden sind. Im dritten Quartal des Vorjahres nannten 22 Prozent ein KI-Werkzeug, im aktuellen Quartal sind es 64 Prozent, fast das Dreifache in einem Jahr. Henderson hält es für vermutlich keine Übertreibung, darin den größten Wachstumskanal zu sehen, den es heute gibt.
Sein Gedankenspiel: Ein Unternehmen bringt ein neues Produkt heraus und veröffentlicht dazu hundert Seiten, alle mit KI geschrieben. Stützt sich das nächste Claude- oder GPT-Modell weniger auf die Websuche, weil jede Suche pro Antwort Geld kostet, während eintrainiertes Wissen nur einmal bezahlt wurde, wäre das Produkt bei allen aus dem Gedächtnis beantworteten Anfragen praktisch unsichtbar. Henderson beschreibt die Gefahr so: Man wird weiterhin zitiert, wenn jemand nach der eigenen Marke fragt, und taucht nicht mehr auf, wenn niemand nach ihr fragt.
Umgehen lässt es sich kaum, erkennen immer öfter
Einen Ausweg sieht Henderson nicht. Wasserzeichen sind darauf ausgelegt, Kopieren, Einfügen und leichte Korrekturen zu überstehen. Wer jeden Absatz so stark umschreibt, dass keine Signatur übrig bleibt, muss sich fragen lassen, warum er nicht gleich mit einem leeren Dokument oder einer KI-Gliederung begonnen hat.
Stattdessen bewegt sich der Markt in Richtung Erkennung. Google betreibt den SynthID Detector, mit dem sich prüfen lässt, ob Inhalte mit eigenen Werkzeugen erzeugt wurden. Anthropic kündigte eine Erkennungs-API für Claude-Text an, zunächst in geschlossener Vorschau. Kaliforniens neuer AI Transparency Act verpflichtet große Anbieter, ein kostenloses Erkennungswerkzeug bereitzustellen.
Daneben gibt es Detektoren, die ohne Wasserzeichen auskommen. Henderson nennt Pangram, das in einer Stanford-Studie zum Einsatz kam. Sein Team prüft solche Werkzeuge für einen automatisierten Prüfschritt in der CI/CD-Pipeline, was möglich ist, weil Sentry die eigene Website aus einem CMS herausgelöst hat.
Was Henderson konkret empfiehlt
Henderson nennt drei Maßnahmen, die sein Team umsetzt oder plant. Erstens: ein festes Set gebrandeter Prompts in einem Sichtbarkeitswerkzeug beobachten, bei ihm ist das Profound, alternativ Scrunch, Gauge oder Ahrefs. Prompts mit Markennamen testen das Abrufwissen, Prompts ohne Markennamen testen das eintrainierte Wissen. Bricht Letzteres nach einem Modellstart ein, kennt man den Grund.
Zweitens: eine ehrliche Inventur, wie viel Content vollständig maschinell entsteht. Dabei geht es nicht um ein Verbot, sondern um eine Abwägung zwischen kurzfristigem Output und dem Risiko, in künftigen Modellen schlicht nicht mehr vorzukommen. Drittens: beobachten, wann die Labore Erkennungs-APIs öffnen. Sobald das geschieht, können Werkzeuge, die heute nur behaupten, AI-generierte Inhalte erkennen zu können, ihre Aussagen tatsächlich belegen.
Sein Fazit fällt nüchtern aus. Wer Inhalte mit KI erzeugt und unverändert veröffentlicht, trägt das Risiko. KI-gestützte Arbeit, die ein Mensch inhaltlich wirklich umschreibt, trägt laut Henderson deutlich seltener ein erkennbares Wasserzeichen und hat vermutlich ohnehin besser funktioniert. Nicht das Werkzeug ist also das Problem, sondern die ungeprüfte Veröffentlichung. Statt nach Umgehungen zu suchen, rät Henderson zu einer Wachstumsstrategie, die nicht davon abhängt.
Unsere Einordnung: Vieles an Hendersons Argument ist eine plausible Vermutung, kein belegter Mechanismus. Ob die Labore gekennzeichnete Texte tatsächlich aus dem Training filtern, sagen sie nicht. Trifft die These zu, ziehen Wasserzeichen eine stille Grenze zwischen zwei Töpfen: dem, was ein Modell einmal gelernt hat, und dem, was es jederzeit nachschlagen kann. Der erste Topf würde für rein maschinell erzeugten Content schrumpfen, der zweite bliebe offen. Wie solche Kennzeichnungen technisch funktionieren und wo ihre Grenzen liegen, beschreibt unser Beitrag zu Wasserzeichen in KI-Texten. Für die eigene Messung heißt das, beides im Blick zu behalten: ob man gefunden wird, wenn jemand nach einem sucht, und ob man auftaucht, wenn niemand nach einem fragt.
Quelle: hendersonmatthew.substack.com
