Unsichtbar markiert: So sollen KI-Texte künftig erkannt werden

Mi., 19.08.2026 - 13:37

Künftig könnten KI-Texte eine unsichtbare Signatur tragen, die ihre Herkunft maschinenlesbar macht. Doch wie funktionieren solche KI-Wasserzeichen, wie zuverlässig sind sie und was beweisen sie tatsächlich? Die Technik verspricht zwar mehr Transparenz, wirft aber zugleich auch neue Fragen auf.

Inhaltsverzeichnis

Warum KI-Texte plötzlich unsichtbar markiert werden sollen
Was hinter der aktuellen Entwicklung steckt, warum Herkunftsnachweise wichtiger werden und welche Rolle neue regulatorische Anforderungen spielen.
Was ist ein unsichtbares KI-Wasserzeichen?
Der Unterschied zwischen sichtbarer Kennzeichnung, Metadaten, versteckten Zeichen und statistischen Wasserzeichen im eigentlichen Text.
Wie ein Sprachmodell ein KI-Wasserzeichen in einen Text einbauen kann
Verständliche Einführung in Tokens, Wahrscheinlichkeitsverteilungen und die Idee, bestimmte Wort- oder Tokenentscheidungen systematisch leicht zu bevorzugen.
Ein vereinfachtes Beispiel: Wie aus normalen Wörtern ein statistisches Signal entsteht
Schritt für Schritt erklärt, wie ein Text für Menschen völlig normal aussehen und dennoch für einen speziellen Detektor auffällig sein kann.
Warum das Wasserzeichen beim Kopieren erhalten bleiben kann
Weshalb Copy-and-paste, andere Schriftarten oder der Wechsel von Word zu E-Mail ein statistisches Wasserzeichen nicht automatisch entfernen.
Wie robust sind solche KI-Wasserzeichen wirklich?
Was bei kleinen Korrekturen, größeren Umschreibungen, Paraphrasen, Übersetzungen und der erneuten Bearbeitung durch andere KI-Modelle passiert.
Was ein Detektor feststellen kann – und was nicht
Warum „Wasserzeichen gefunden“ etwas anderes bedeutet als „dieser Text wurde von einer KI geschrieben“ und weshalb das Fehlen eines Wasserzeichens ebenfalls kein Gegenbeweis ist.
Der entscheidende Unterschied: Herkunft ist nicht Autorschaft
Ein Mensch schreibt den Text, eine KI korrigiert ihn – wem ist das Ergebnis dann zuzurechnen? Warum Provenienzsysteme keine verlässliche Aussage über geistige Urheberschaft liefern.
Claude und die neuen Text-Wasserzeichen
Was Anthropic über die Kennzeichnung seiner Texte bekanntgegeben hat, was bislang offenbleibt und welche technischen Verfahren dafür infrage kommen.
Was macht ChatGPT beziehungsweise OpenAI?
Welche Herkunftssignale OpenAI bereits bei Bildern und Audio einsetzt, wie C2PA und SynthID funktionieren und wie der Stand bei normalem KI-generiertem Text aussieht.
C2PA, SynthID und Text-Wasserzeichen: Drei verschiedene Ansätze
Ein kompakter Vergleich von Metadaten, eingebetteten Wasserzeichen und statistischen Signalen – einschließlich ihrer jeweiligen Stärken und Schwächen.
Warum die EU KI-Inhalte maschinenlesbar machen will
Die Transparenzpflichten des EU AI Act, ihre Ziele und die Frage, was „maschinenlesbare Kennzeichnung“ in der Praxis bedeuten kann.
Was bedeutet das für Schule, Universität und Arbeitswelt?
Chancen und Risiken bei Prüfungen, Hausarbeiten, Bewerbungen, journalistischen Texten und professioneller Textbearbeitung.
Das Problem der Fehlinterpretation
Warum ein technisches Herkunftssignal schnell zum vermeintlichen „Beweis für KI-Betrug“ werden könnte – und weshalb institutionelle Regeln differenzierter sein müssen.
Ein möglicher Blick in die Zukunft: Texte mit digitaler Herkunftsgeschichte
Von einfachen KI-Detektoren hin zu Provenienzketten, die nachvollziehbar machen könnten, welche menschlichen und maschinellen Bearbeitungsschritte ein Dokument durchlaufen hat.
Fazit: Unsichtbare Wasserzeichen können Herkunft zeigen – aber keine Wahrheit garantieren
Was die Technik leisten kann, wo ihre Grenzen liegen und weshalb sie die Frage „Mensch oder KI?“ nicht endgültig beantwortet.

Warum KI-Texte plötzlich unsichtbar markiert werden sollen

Generative KI wird immer häufiger zum Schreiben, Überarbeiten, Übersetzen und Zusammenfassen von Texten eingesetzt. Damit wächst zugleich das Interesse an der technischen Frage, ob sich erkennen lässt, ob ein Text von einem KI-System erzeugt oder bearbeitet wurde.

Bisherige KI-Detektoren versuchen häufig, typische sprachliche oder statistische Merkmale maschinell erzeugter Texte zu identifizieren. Sie analysieren beispielsweise die Wortwahl, die Satzstruktur oder die Vorhersagbarkeit bestimmter Formulierungen. Solche Systeme liefern jedoch keinen verlässlichen Herkunftsnachweis. So können menschliche Texte fälschlich als KI-generiert eingestuft werden, während überarbeitete KI-Texte unerkannt bleiben.

Ein anderer Ansatz setzt deshalb bereits bei der Textgenerierung an. Das KI-System kann seine Ausgabe mit einem maschinenlesbaren KI-Wasserzeichen versehen. Dieses Signal bleibt für Menschen unsichtbar, soll aber später von einem geeigneten Detektor erkannt werden können.

Die Grundidee ist aus anderen digitalen Medien bekannt. So lassen sich Bilder, Audiodateien und Videos mit Herkunftsinformationen oder eingebetteten Signalen versehen. Bei Text ist das schwieriger, da sich Sprache nicht beliebig verändern lässt, ohne die Bedeutung, den Stil oder die Lesbarkeit zu beeinflussen.

Zusätzlichen Schub erhält die Entwicklung durch regulatorische Anforderungen. Mit der wachsenden Verbreitung generativer KI steigt insbesondere in Europa der Druck, künstlich erzeugte Inhalte technisch besser nachvollziehbar zu machen. Dadurch rücken KI-Wasserzeichen und andere Provenienzverfahren von einem Forschungsproblem zunehmend in den praktischen Einsatz.

Die zentrale Frage lautet deshalb nicht mehr nur, ob KI-Texte erkennbar gemacht werden können. Vielmehr ist entscheidend, wie solche KI-Wasserzeichen funktionieren, wie belastbar sie sind und was ihr Nachweis tatsächlich aussagt.

Was ist ein unsichtbares KI-Wasserzeichen?

Der Begriff „KI-Wasserzeichen” bezeichnet keinen einheitlichen technischen Mechanismus. Verschiedene Verfahren speichern die Herkunftsinformationen an unterschiedlichen Stellen und mit unterschiedlichem Grad an Robustheit.

Die einfachste Möglichkeit sind Metadaten. Dabei erhält eine Datei zusätzliche Informationen über ihre Herkunft, die verwendete Software oder bestimmte Bearbeitungsschritte. Solche Angaben können kryptografisch abgesichert werden und sind vor allem bei Bildern sowie Audio- und Videodateien relevant.

Für reinen Text haben Metadaten allerdings einen offensichtlichen Nachteil: Wenn ein Absatz aus einem Dokument kopiert und in eine andere Anwendung eingefügt wird, können diese Zusatzinformationen verloren gehen. Der Text bleibt erhalten, seine Dateihistorie jedoch möglicherweise nicht.

Eine weitere Möglichkeit ist das Einbauen von unsichtbaren Unicode-Zeichen oder speziellen Leerzeichen in einen Text. Solche Signale lassen sich maschinell lesen, können aber relativ leicht entfernt werden. Sie können durch Textbereinigung, bestimmte Editoren oder gezielte Analyse zerstört werden.

Technisch interessanter sind deshalb statistische KI-Wasserzeichen. Hier wird kein sichtbarer Zusatz eingefügt. Stattdessen beeinflusst das Sprachmodell während der Generierung geringfügig die Auswahl der Wörter oder Wortbestandteile.
Für den Leser bleibt das Ergebnis ein gewöhnlicher Text. Im Hintergrund entsteht jedoch eine statistische Struktur, die ein spezialisierter Detektor überprüfen kann.

Damit unterscheidet sich ein solches Verfahren grundlegend von einem klassischen Dateistempel, denn das KI-Wasserzeichen liegt nicht neben dem Text, sondern in seiner konkreten sprachlichen Ausformung.

Im Folgenden ist mit KI-Wasserzeichen vor allem diese statistische Variante gemeint.

Wie ein Sprachmodell ein KI-Wasserzeichen in einen Text einbauen kann

Sprachmodelle erzeugen Text schrittweise. Dabei berechnet das Modell für jede neue Position die Wahrscheinlichkeit für mögliche nächste Tokens. Ein Token kann ein vollständiges Wort, ein Wortbestandteil, ein Satzzeichen oder eine andere Zeichenfolge sein.

Betrachten wir den Satzanfang:

„Die neue Regelung soll die Herkunft digitaler Inhalte …“

Mögliche Fortsetzungen könnten „nachvollziehbar“, „überprüfbar“ oder „erkennbar“ sein. Das Modell bewertet diese Varianten unterschiedlich und wählt anschließend eine davon aus.

Ein statistisches KI-Wasserzeichen greift genau in diesen Auswahlprozess ein. Bestimmte Tokens erhalten einen kleinen zusätzlichen Wahrscheinlichkeitsvorteil. Welche Tokens bevorzugt werden, kann sich von Schritt zu Schritt ändern und etwa von den zuvor erzeugten Tokens sowie von einem geheimen Schlüssel abhängen.

Wichtig ist, dass diese Beeinflussung gering bleibt. Würde das System bestimmte Wörter zu stark erzwingen, könnte die Qualität der Sprache sichtbar leiden. Ein brauchbares KI-Wasserzeichen muss daher zwei gegensätzliche Anforderungen erfüllen: Es soll statistisch messbar, sprachlich aber unauffällig sein.

Ein anschaulicher Vergleich ist eine leicht verzerrte Münze. Bei wenigen Würfen lässt sich kaum erkennen, ob sie fair ist. Nach sehr vielen Würfen kann eine kleine systematische Abweichung jedoch statistisch sichtbar werden.

Ähnlich funktioniert das KI-Wasserzeichen. Ein einzelnes Wort trägt kaum aussagekräftige Informationen. Erst viele Tokenentscheidungen zusammen ergeben ein Muster, das sich von einer zufälligen Verteilung unterscheiden kann.

Das Verfahren basiert deshalb nicht auf einer festen Liste auffälliger Wörter. Die Tatsache, dass ein Text häufig Begriffe wie „jedoch“, „zudem“ oder „daher“ enthält, wäre kein KI-Wasserzeichen. Entscheidend ist vielmehr, ob die gewählten Token in ihren jeweiligen Kontexten auffällig oft den vom Verfahren bevorzugten Optionen entsprechen.

Ein vereinfachtes Beispiel: Wie aus normalen Wörtern ein statistisches Signal entsteht

Angenommen, ein Sprachmodell soll den folgenden Satz fortsetzen:

„Die Forschenden veröffentlichten ihre Ergebnisse …“

Vereinfacht könnte es die folgenden Möglichkeiten bewerten:

„heute“: 30 Prozent,
„online“: 25 Prozent,
„anschließend“: 20 Prozent,
„gemeinsam“: 15 Prozent,
„erstmals“: 10 Prozent.

Nun legt das KI-Wasserzeichen für diesen Generierungsschritt fest, dass beispielsweise „online“, „anschließend“ und „erstmals“ bevorzugt werden. Die Wahrscheinlichkeiten werden leicht verschoben:

„heute“: 27 Prozent,
„online“: 28 Prozent,
„anschließend“: 22 Prozent,
„gemeinsam“: 13 Prozent,
„erstmals“: 10 Prozent.

Keine dieser Fortsetzungen wirkt unnatürlich. Für die Lesenden gibt es daher keinen sichtbaren Hinweis darauf, dass die Auswahl beeinflusst wurde.

Wiederholt sich dieser Mechanismus jedoch über einen längeren Text, entsteht eine messbare Tendenz.

Ein stark vereinfachtes Gedankenexperiment: Wenn bei jedem Schritt die Hälfte aller möglichen Tokens zur bevorzugten Gruppe gehört, wären in einem nicht markierten Text mit 1.000 untersuchten Tokens ungefähr 500 Treffer zu erwarten. Werte leicht darüber oder darunter wären normal. Liegt die Zahl dagegen deutlich höher, kann diese Abweichung statistisch auffällig werden.
Der Detektor sucht somit nicht nach einem bestimmten Wort oder Zeichen. Er untersucht die Häufigkeit vieler einzelner Entscheidungen.

Daraus folgt zugleich eine praktische Grenze: Sehr kurze Texte enthalten nur wenige Datenpunkte. Bei längeren Texten kann ein schwaches KI-Wasserzeichen wesentlich zuverlässiger nachgewiesen werden.

Warum ein KI-Wasserzeichen beim Kopieren erhalten bleibt

Ein statistisches KI-Wasserzeichen ist eng mit der konkreten Wort- und Tokenfolge verbunden. Deshalb kann es das gewöhnliche Kopieren und Einfügen überstehen.

Wenn ein markierter Text aus einem Chatfenster in eine E-Mail, ein Textverarbeitungsprogramm oder auf eine Website kopiert wird, bleiben seine Formulierungen in der Regel unverändert. Damit bleibt auch das statistische Muster erhalten.

Formatierungsänderungen sind dabei weitgehend unerheblich. Schriftart, Textgröße, Zeilenabstand, Fett- oder Kursivschrift verändern die sprachliche Struktur nicht.

Genau hier zeigt sich der Unterschied zu Metadaten.

Metadaten hängen am digitalen Objekt. Ein statistisches KI-Wasserzeichen hängt dagegen an der Formulierung.

Eine Datei kann ihre Metadaten beim Export oder Kopieren verlieren. Ein unverändert übernommener Absatz behält dagegen dieselbe Tokenfolge bei.

Das bloße Kopieren und Einfügen ist deshalb kein wirksames Mittel, um ein statistisches KI-Wasserzeichen zu entfernen. Die Robustheit wird erst dann relevant, wenn der Text selbst verändert wird.

Wie robust sind KI-Wasserzeichen wirklich?

Die entscheidende Belastungsprobe für ein KI-Wasserzeichen sind sprachliche Bearbeitungen.

Kleine Korrekturen zerstören ein verteiltes Signal nicht sofort. Werden nur Tippfehler korrigiert oder einzelne Wörter ersetzt, bleibt bei einem längeren Text ein großer Teil der ursprünglichen Struktur erhalten.

Anders ist es bei Paraphrasen. Ein Satz kann dieselbe Aussage mit völlig anderer Wortwahl und Syntax wiedergeben. Dadurch verschwinden viele jener Tokenentscheidungen, aus denen das ursprüngliche KI-Wasserzeichen entstanden ist.

Eine noch stärkere Veränderung kann eine Übersetzung bewirken. Beim Wechsel in eine andere Sprache entsteht nahezu vollständig neues Tokenmaterial. Selbst eine spätere Rückübersetzung stellt die ursprüngliche Wortfolge nicht zuverlässig wieder her.

Besonders herausfordernd ist die erneute Verarbeitung durch ein anderes Sprachmodell. Wird ein markierter Text vollständig neu formuliert, erzeugt das zweite Modell seine eigene sprachliche Struktur. Dadurch kann das ursprüngliche KI-Wasserzeichen stark abgeschwächt oder unkenntlich werden.

Aus diesem Grund erforscht man Verfahren, die nicht nur an einzelnen Tokens ansetzen, sondern stärker an semantischen oder strukturellen Eigenschaften eines Textes. Solche Ansätze könnten bestimmte Umformulierungen besser überstehen. Sie sind jedoch schwieriger zu konstruieren, da die natürliche Sprache sehr viele gleichwertige Ausdrucksmöglichkeiten bietet.

Vollständig manipulationssicher ist ein KI-Wasserzeichen daher kaum. Die praktisch relevante Frage lautet daher: Wie stark muss ein Text verändert werden, bevor das Signal nicht mehr zuverlässig nachweisbar ist?

Ein gutes Verfahren müsste einfache Bearbeitungen verkraften, ohne die Textqualität zu beeinträchtigen, und sollte bei menschlichen Texten keine Fehlalarme auslösen.

Was ein KI-Wasserzeichen-Detektor feststellen kann – und was nicht

Ein Detektor für statistische KI-Wasserzeichen trifft keine Aussage zum Schreibstil. Stattdessen prüft er, ob die beobachtete Tokenverteilung zu dem Muster passt, das ein bestimmtes Wasserzeichenverfahren erzeugen würde.

Dabei arbeitet er probabilistisch. Je stärker die Abweichung vom statistischen Erwartungswert ausfällt, desto höher ist die Evidenz für das Vorhandensein des betreffenden KI-Wasserzeichens.

Das bedeutet jedoch nicht, dass jedes Ergebnis eindeutig ist.

Ein "False Positive" liegt vor, wenn ein unmarkierter Text zufällig stark genug zum erwarteten Muster passt und fälschlich als markiert gilt.

Ein "False Negative" entsteht, wenn ein tatsächlich markierter Text nicht erkannt wird, beispielsweise weil er zu kurz ist oder zu stark verändert wurde.

Wie häufig solche Fehler auftreten, hängt unter anderem vom Wasserzeichenverfahren, von der Textlänge und vom gewählten Entscheidungsschwellenwert ab.

Dies unterscheidet sich von der populären Vorstellung eines „KI-Detektors“, der schlicht zwischen Mensch und Maschine unterscheidet. Ein Wasserzeichen-Detektor beantwortet eine viel engere technische Frage:

Passt dieser Text statistisch zu einem bestimmten bekannten KI-Wasserzeichen?

Ein positives Ergebnis kann daher relevante Evidenz liefern. Ein negatives Ergebnis ist dagegen wesentlich schwieriger zu interpretieren. So könnte der Text von einem nicht markierenden Modell stammen, nachträglich verändert worden sein oder ein anderes Wasserzeichensystem verwenden.

Für sensible Anwendungen ist es deshalb entscheidend, Detektorergebnisse nicht als unumstößliche binäre Urteile zu behandeln. Sie sind technische Evidenz mit einer messbaren Fehlerrate.

Der entscheidende Unterschied: Herkunft ist nicht gleich Autorschaft

Gerade bei KI-Wasserzeichen muss zwischen technischer Herkunft und Autorschaft unterschieden werden.

Ein Wasserzeichen kann anzeigen, dass ein bestimmtes KI-System an einer Textfassung beteiligt war. Daraus folgt jedoch nicht automatisch, dass die wesentlichen Gedanken, Argumente oder Formulierungen von der KI stammen.

Ein einfaches Beispiel: Eine Autorin schreibt einen Artikel selbst und lässt anschließend Grammatik und Stil von einem Sprachmodell überarbeiten. Das ausgegebene Dokument kann ein KI-Wasserzeichen tragen, obwohl Recherche, Argumentation und Ausgangstext menschlichen Ursprungs sind.

Umgekehrt kann eine KI zunächst einen vollständigen Entwurf erzeugen, den ein Mensch im Anschluss umfassend überarbeitet. Wird dabei das ursprüngliche KI-Wasserzeichen zerstört, kann der fertige Text technisch unauffällig erscheinen, obwohl die Maschine am Anfang des Prozesses eine wichtige Rolle gespielt hat.

Damit wird deutlich, dass moderne Textproduktion oft kein binäres Schema mehr kennt. Zwischen „vollständig menschlich” und „vollständig KI-generiert” liegen zahlreiche Zwischenformen:

menschlicher Text mit KI-Korrektur,
menschliche Ideen mit maschineller Formulierung oder
KI-Entwurf mit menschlicher Redaktion.
Übersetzung durch KI,
gemeinsame iterative Bearbeitung.

Für die Bewertung solcher Texte ist der Begriff „Provenienz” deshalb hilfreicher als die simple Zuschreibung „Mensch oder KI”. Provenienz beschreibt den technischen Entstehungs- und Bearbeitungsweg eines Inhalts.

Ein KI-Wasserzeichen kann einen Ausschnitt dieser Geschichte sichtbar machen. Es kann jedoch nicht allein bestimmen, wer geistig verantwortlich ist, wie groß der menschliche Beitrag war oder ob der KI-Einsatz zulässig war.

Diese Unterscheidung wird besonders wichtig, wenn KI-Wasserzeichen in Zukunft in Hochschulen, Unternehmen, Redaktionen oder anderen Institutionen eingesetzt werden. Ein technisches Signal sollte nicht automatisch mit Täuschung, einem Regelverstoß oder fehlender Eigenleistung gleichgesetzt werden.

Der eigentliche Nutzen von KI-Wasserzeichen liegt daher weniger in der endgültigen Klärung der Autorschaft. Sie können vielmehr dazu beitragen, bestimmte technische Verarbeitungsschritte nachvollziehbarer zu machen.

Claude und die neuen KI-Wasserzeichen

Im August 2026 kündigte Anthropic an, Ausgaben seiner Claude-Modelle mit maschinenlesbaren Herkunftssignalen zu versehen. Modelle, die ab dem 2. August 2026 veröffentlicht werden, unterstützen diese Kennzeichnung bereits, ältere Modelle sollen nachgerüstet werden. Die Einführung gilt weltweit und steht im Zusammenhang mit neuen Transparenzanforderungen für generative KI.

Laut Anthropic wird für Texte ein für Menschen nicht wahrnehmbares Muster direkt in die Ausgabe eingebettet. Dieses Signal soll auch dann erhalten bleiben, wenn ein Text kopiert und in eine andere Anwendung eingefügt wird. Welche konkrete mathematische Methode Claude dafür verwendet, hat das Unternehmen jedoch bislang nicht im Detail veröffentlicht.

Damit ist eine wichtige Grenze gesetzt. Aus den öffentlichen Angaben lässt sich nicht sicher ableiten, welcher Watermarking-Algorithmus intern zum Einsatz kommt. Denkbar sind statistische Verfahren, wie sie in der Forschung seit mehreren Jahren untersucht werden. Eine Gleichsetzung solcher Forschungsansätze mit der tatsächlichen Claude-Implementierung wäre jedoch spekulativ.

Bei unterstützten Dateien wie Bildern setzt Anthropic zusätzlich auf signierte Herkunftsmetadaten. Für Text ist dagegen die direkte Einbettung in die Ausgabe entscheidend, da klassische Dateimetadaten beim Kopieren leicht verloren gehen können.

Besonders relevant ist Anthropics Hinweis, dass eine Kennzeichnung nicht zwangsläufig bedeutet, dass Claude den Inhalt vollständig verfasst hat. Auch ein Text, den Claude lediglich überarbeitet oder korrekturgelesen hat, kann anschließend markiert sein.

Damit bleiben vor allem praktische Fragen offen: Wie zuverlässig ist der Detektor bei kurzen Texten? Wie stark darf ein Text verändert werden, bevor das Signal verloren geht? Und wie hoch sind die Fehlalarm- und Nichterkennungsraten?

Gerade diese bislang nicht vollständig veröffentlichten Leistungsdaten werden darüber entscheiden, wie aussagekräftig Claude-KI-Wasserzeichen in der Praxis tatsächlich sind.

Was macht ChatGPT bzw. OpenAI?

OpenAI verfolgt bei der Kennzeichnung KI-generierter Inhalte derzeit einen mehrschichtigen Ansatz. Besonders weit entwickelt ist dieser Ansatz bei Bildern. Bilder, die mit ChatGPT, Codex oder der OpenAI-API erzeugt werden, können sowohl C2PA-Metadaten als auch ein unsichtbares SynthID-Wasserzeichen enthalten.

Beide Verfahren erfüllen unterschiedliche Funktionen. C2PA kann relativ detaillierte Informationen zur Herkunft eines digitalen Inhalts transportieren, ist dabei jedoch auf Metadaten angewiesen. Diese können bei bestimmten Bearbeitungsschritten verloren gehen. SynthID bettet dagegen ein zusätzliches Signal direkt in den Bildinhalt ein und soll deshalb auch bestimmte Transformationen, wie etwa Screenshots, besser überstehen. OpenAI beschreibt die Kombination der beiden Verfahren ausdrücklich als komplementär: Metadaten liefern mehr Kontext, Wasserzeichen erhöhen die Robustheit.

Seit 2026 stellt OpenAI zudem ein öffentliches Prüfwerkzeug bereit, mit dem sich Bilder auf die unterstützten C2PA- und SynthID-Signale untersuchen lassen. Ein positiver Befund weist darauf hin, dass das Bild wahrscheinlich mit OpenAI-Werkzeugen erzeugt wurde. Das Werkzeug beurteilt jedoch nicht, ob ein Bild inhaltlich korrekt oder irreführend verwendet wird.

Und wie sieht es bei normalen ChatGPT-Texten aus?

Für Text ist die Situation weniger eindeutig. Nach dem derzeit öffentlich dokumentierten Stand verwendet OpenAI bei normalen ChatGPT-Textausgaben kein allgemein dokumentiertes KI-Wasserzeichen, das mit dem von Anthropic angekündigten Claude-Verfahren gleichgesetzt werden könnte.

Das ist eine wichtige Abgrenzung. Die Tatsache, dass OpenAI bei Bildern SynthID und C2PA einsetzt, bedeutet jedoch nicht automatisch, dass jede von ChatGPT erzeugte Textantwort ebenfalls unsichtbar markiert wird. In den aktuellen offiziellen Beschreibungen der Provenienzsysteme stehen vor allem Bilder im Mittelpunkt.

Damit unterscheiden sich Anthropic und OpenAI derzeit vor allem im öffentlich sichtbaren Entwicklungsstand: Anthropic hat eine konkrete Kennzeichnung von Claude-Texten angekündigt, während OpenAI seine öffentlich dokumentierten Provenienzverfahren bislang vor allem bei anderen Medientypen einsetzt.

Das kann sich allerdings ändern. Technische Standards und regulatorische Anforderungen entwickeln sich derzeit schnell weiter. Für die Bewertung von ChatGPT-Texten ist es deshalb entscheidend, bereits eingesetzte Verfahren von lediglich denkbaren oder angekündigten Technologien zu unterscheiden.

C2PA, SynthID und KI-Wasserzeichen: Drei verschiedene Ansätze

Nicht jede Kennzeichnung KI-generierter Inhalte funktioniert nach demselben Prinzip. Besonders häufig genannt werden derzeit C2PA, SynthID und statistische KI-Wasserzeichen für Textinhalte. Sie verfolgen ein ähnliches Ziel – die Herkunft nachvollziehbarer zu machen –, setzen technisch aber an unterschiedlichen Stellen an.

C2PA ist kein Wasserzeichen im engeren Sinne, sondern ein Standard für digitale Herkunftsnachweise. Dabei werden Informationen über die Entstehung und Bearbeitung eines digitalen Inhalts in sogenannten Content Credentials gespeichert und kryptografisch mit dem jeweiligen Inhalt verknüpft. Dadurch lässt sich prüfen, ob die Provenienzinformationen authentisch sind und ob sie verändert wurden. C2PA eignet sich vor allem für Bilder, Videos, Audiodateien und andere dateibasierte Medien.

Ein Nachteil ist die Bindung an Metadaten. Diese können beispielsweise beim Hochladen, bei Dateikonvertierungen, beim Erstellen von Screenshots oder bei bestimmten Bearbeitungsschritten verloren gehen. OpenAI weist deshalb ausdrücklich darauf hin, dass C2PA allein nicht ausreicht, um Herkunftssignale dauerhaft zu erhalten.

SynthID verfolgt einen anderen Ansatz. Die von Google DeepMind entwickelte Technologie bettet ein nicht wahrnehmbares Signal direkt in KI-generierte Inhalte ein. SynthID ist für verschiedene Medientypen verfügbar, darunter Bilder, Audio, Video und Text. Das Signal soll auch nach bestimmten Veränderungen noch erkennbar bleiben.

Bei Text arbeitet SynthID nach einem ähnlichen Grundprinzip wie die zuvor beschriebenen statistischen KI-Wasserzeichen. Der Generierungsprozess wird so beeinflusst, dass in der Tokenfolge ein später messbares Muster entsteht.

Damit lassen sich die drei Ansätze grob unterscheiden: C2PA dokumentiert die Herkunft, SynthID bettet ein robustes Erkennungssignal ein und statistische Text-Wasserzeichen markieren die sprachliche Generierung selbst.

Diese Verfahren konkurrieren nicht zwingend miteinander. Im Gegenteil: OpenAI kombiniert bei unterstützten Bildern inzwischen C2PA-Metadaten mit SynthID und spricht ausdrücklich von einem mehrschichtigen Provenienzansatz.

Genau darin dürfte auch die langfristige Richtung liegen. Kein einzelnes Verfahren kann alle Bearbeitungen überstehen oder eine vollständige Entstehungsgeschichte abbilden. Robuster sind Systeme, die kryptografisch abgesicherte Herkunftsinformationen mit eingebetteten Signalen und öffentlichen Verifikationswerkzeugen kombinieren.

Warum die EU KI-Inhalte maschinenlesbar machen will

Die zunehmende Verbreitung generativer KI stellt Politik und Regulierung vor ein praktisches Problem, da sich künstlich erzeugte Inhalte häufig nicht zuverlässig von menschlich erstellten unterscheiden lassen. Genau hier setzt Artikel 50 des EU AI Act an. Die entsprechenden Transparenzpflichten gelten seit dem 2. August 2026.

Anbieter generativer KI-Systeme müssen demnach technische Maßnahmen vorsehen, mit denen künstlich erzeugte oder manipulierte Inhalte maschinenlesbar gekennzeichnet und als solche erkennbar gemacht werden können. Der Gesetzgeber schreibt dabei kein einzelnes Verfahren wie C2PA, SynthID oder ein bestimmtes KI-Wasserzeichen vor. Entscheidend ist vielmehr das Ergebnis: Die Kennzeichnung soll technisch auffindbar sein und eine automatisierte Erkennung ermöglichen.

Der regulatorische Ansatz verfolgt vor allem das Ziel, Täuschung und Manipulation zu erschweren und die Integrität des digitalen Informationsraums zu stärken. Die Europäische Kommission nennt dabei ausdrücklich die Kennzeichnung und Erkennung KI-generierter Inhalte sowie besondere Transparenzpflichten für Deepfakes und bestimmte Veröffentlichungen von öffentlichem Interesse.

Wichtig ist die Unterscheidung zwischen maschinenlesbarer Kennzeichnung und sichtbarer Offenlegung. Artikel 50 richtet sich in unterschiedlichen Teilen sowohl an Anbieter als auch an professionelle Nutzer generativer KI. Anbieter müssen technische Kennzeichnungen ermöglichen. Für bestimmte Einsatzformen, etwa Deepfakes oder KI-generierte Texte zu Angelegenheiten von öffentlichem Interesse, können zusätzlich Offenlegungspflichten gegenüber Menschen gelten.

Der AI Act verlangt somit nicht, dass jeder KI-Text sichtbar mit einem Hinweis wie „von KI erstellt“ überschrieben wird. Vielmehr soll im Hintergrund eine technische Infrastruktur entstehen, die eine automatisierte Herkunftsprüfung ermöglicht.

Wie Anbieter diese Anforderungen praktisch erfüllen, bleibt teilweise technologieoffen. Ergänzend hat die EU deshalb einen „Code of Practice” für die Transparenz KI-generierter Inhalte entwickelt. Dieser ist freiwillig und soll Unternehmen einen anerkannten Weg bieten, um die gesetzlichen Anforderungen umzusetzen und ihre Maßnahmen gegenüber Aufsichtsbehörden nachvollziehbar zu dokumentieren.

KI-Wasserzeichen sind somit nicht nur eine technische Innovation. Sie werden zunehmend Teil einer regulatorischen Infrastruktur, die die Herkunft synthetischer Inhalte besser überprüfbar machen soll.

Welche Auswirkungen hat das auf Schule, Universität und Arbeitswelt?

Die Einführung von KI-Wasserzeichen wird vor allem dort Folgen haben, wo eigenständige Textproduktion bewertet oder dokumentiert wird. Dazu gehören Schulen, Hochschulen, Unternehmen, Behörden und Redaktionen.

Im Bildungsbereich könnten KI-Wasserzeichen eine zusätzliche Informationsquelle bei der Bewertung schriftlicher Arbeiten sein. Ihr Nutzen hängt jedoch stark von den jeweiligen Regeln ab. Wenn der Einsatz von KI grundsätzlich verboten ist, kann ein technischer Herkunftshinweis relevant sein. Ist KI dagegen für Korrektur, Übersetzung oder sprachliche Unterstützung erlaubt, reicht ein Wasserzeichen allein nicht aus, um einen Regelverstoß festzustellen.

Für Schulen und Hochschulen ergibt sich somit die Aufgabe, ihre Vorgaben präziser zu formulieren. Die entscheidende Frage lautet nicht nur, ob KI eingesetzt wurde, sondern auch, wofür und in welchem Umfang. Ein pauschales Verbot oder eine pauschale Gleichsetzung von KI-Nutzung und Täuschung wird der tatsächlichen Arbeitsweise mit modernen Schreibwerkzeugen zunehmend weniger gerecht.

In Unternehmen gilt Ähnliches. Beschäftigte nutzen Sprachmodelle bereits für Entwürfe, Zusammenfassungen, Übersetzungen oder die stilistische Überarbeitung von Texten. KI-Wasserzeichen könnten dabei helfen, bestimmte Bearbeitungsschritte nachvollziehbarer zu machen. Gleichzeitig stellen sich Fragen nach Vertraulichkeit, internen Richtlinien und Dokumentationspflichten.

Die Technik könnte besonders interessant werden, wo Texte nach außen veröffentlicht werden. Unternehmen könnten beispielsweise festlegen, ob KI-generierte Passagen gekennzeichnet, geprüft oder von einem Menschen freigegeben werden müssen. Ein Herkunftssignal könnte solche Prozesse unterstützen, ersetzt aber keine redaktionelle Kontrolle.

Auch für Personalabteilungen entstehen neue Grenzfälle. So können Bewerbungsschreiben, Motivationsschreiben oder Arbeitsproben heute mit KI erstellt, überarbeitet oder korrigiert werden. Ein KI-Wasserzeichen sagt jedoch wenig darüber aus, welche Fähigkeiten eine Bewerberin oder ein Bewerber tatsächlich besitzt. Organisationen müssen daher entscheiden, welche Formen der KI-Unterstützung sie akzeptieren und welche Kompetenzen sie prüfen möchten.

Langfristig könnten KI-Wasserzeichen deshalb weniger als Instrument zur Sanktionierung dienen und vielmehr Bestandteil transparenter Arbeitsprozesse werden. Denkbar wären Regeln, die vorschreiben, dass nicht jede KI-Nutzung offengelegt werden muss, wohl aber bestimmte Formen der automatischen Inhaltserzeugung.

Für Institutionen bedeutet dies einen grundlegenden Perspektivwechsel: Nicht die bloße Anwesenheit von KI ist entscheidend, sondern die Funktion, die sie im jeweiligen Arbeits- oder Lernprozess übernimmt.

Das Problem der Fehlinterpretation

Je weiter sich KI-Wasserzeichen verbreiten, desto größer wird das Risiko einer Überschätzung ihrer Aussagekraft. Technische Signale wirken objektiv, da sie sich messen und automatisiert auswerten lassen. Gerade deshalb besteht die Gefahr, dass aus einem probabilistischen Befund vorschnell ein eindeutiges Urteil wird.

Besonders problematisch ist die Verkürzung:

„KI-Wasserzeichen gefunden = Text von KI geschrieben.“

Diese Schlussfolgerung ist technisch nicht zulässig. Wie bereits gezeigt, kann markierter Text auch auf einer menschlichen Vorlage beruhen, die lediglich durch ein KI-System überarbeitet wurde. Umgekehrt kann ein stark veränderter KI-Text sein ursprüngliches Signal verlieren.

Fehlinterpretationen entstehen häufig dann, wenn technische Erkennung und institutionelle Bewertung vermischt werden. Ein Detektor kann ein Signal feststellen. Ob daraus ein Regelverstoß, ein Täuschungsversuch oder ein Qualitätsproblem folgt, hängt jedoch von zusätzlichen Kriterien ab.

Dies ist vor allem in Bereichen mit hohen Konsequenzen relevant. Wird ein KI-Wasserzeichen beispielsweise bei einer Prüfungsleistung, einer Bewerbung oder einem journalistischen Beitrag entdeckt, darf der technische Befund nicht isoliert bewertet werden. Relevanter sind Fragen wie:

Welche Nutzung von KI war erlaubt?
Welche Teile des Textes wurden tatsächlich maschinell erzeugt?
Wurde der Inhalt anschließend überprüft oder überarbeitet?
Gibt es weitere Belege zum Entstehungsprozess?

Entscheidend ist auch die Kommunikation solcher Systeme. Ein Detektor, der lediglich die Kategorien „KI erkannt“ oder „nicht erkannt“ ausgibt, suggeriert eine Sicherheit, die statistische Verfahren nicht bieten. Sinnvoller wären Angaben zur Stärke des Signals, zur bekannten Fehlerrate und zu den Grenzen der Erkennung.

Hinzu kommt ein sozialer Effekt: Sobald technische Kennzeichnungen als Autoritätsbeweis gelten, können sie Entscheidungen stärker beeinflussen, als es ihre tatsächliche Aussagekraft rechtfertigt. Dies ist aus anderen automatisierten Klassifikationssystemen bekannt. Präzise wirkende Kennzahlen können Vertrauen erzeugen, obwohl die zugrunde liegenden Modelle mit Unsicherheiten arbeiten.

Für einen verantwortungsvollen Einsatz von KI-Wasserzeichen sind deshalb klare Interpretationsregeln notwendig. Technische Provenienz sollte als ein Indiz unter mehreren behandelt werden und nicht als automatischer Beweis.

Je stärker KI-Wasserzeichen in Bildung, Verwaltung, Medien und Unternehmen eingesetzt werden, desto wichtiger wird nicht nur die Qualität der Detektoren selbst. Ebenso entscheidend ist, wie Menschen ihre Ergebnisse verstehen und welche Entscheidungen sie daraus ableiten.

Ein möglicher Blick in die Zukunft: Texte mit digitaler Herkunftsgeschichte

KI-Wasserzeichen sind wahrscheinlich nur ein Baustein einer umfassenderen Provenienz-Infrastruktur. Langfristig wird es weniger darum gehen, einen Text nachträglich als „KI-generiert“ zu klassifizieren, sondern vielmehr darum, seine Entstehungsgeschichte nachvollziehbar zu dokumentieren.

Ein solches System könnte Bearbeitungsschritte protokollieren und kryptografisch miteinander verknüpfen. Aus einem einzelnen Herkunftssignal würde somit eine Kette entstehen: Zunächst wird ein menschlicher Entwurf erstellt, anschließend von einem Sprachmodell übersetzt, später redaktionell überarbeitet und schließlich veröffentlicht. Entscheidend wäre dabei nicht nur die letzte Fassung, sondern auch die beteiligten Werkzeuge in den einzelnen Schritten.

Technisch ließe sich ein solcher Ansatz mit bestehenden Provenienzstandards verbinden. C2PA verfolgt bereits die Idee, Herkunfts- und Bearbeitungsinformationen signiert an digitale Inhalte zu binden. Für Textinhalte wären jedoch zusätzliche Mechanismen nötig, da sich Text besonders leicht kopieren, fragmentieren und neu zusammensetzen lässt.

Eine vollständige Provenienzkette hätte gegenüber klassischen KI-Detektoren den entscheidenden Vorteil, dass sie nicht aus sprachlichen Merkmalen erraten müsste, wie ein Dokument entstanden ist. Stattdessen würde sie die dokumentierten Verarbeitungsschritte auswerten.

Das eröffnet neue Möglichkeiten, wirft aber auch neue Fragen auf. Wie detailliert sollte eine solche Historie sein? Muss jede stilistische Korrektur dokumentiert werden? Welche Informationen dürfen aus Datenschutzgründen gespeichert werden? Und wer kontrolliert die Infrastruktur, mit der Herkunftsnachweise geprüft werden?

Hinzu kommt ein praktisches Problem: Provenienz funktioniert nur dann zuverlässig, wenn möglichst viele beteiligte Systeme kompatible Standards unterstützen. Sobald ein Text durch ein Werkzeug läuft, das keine Herkunftsdaten weitergibt, kann die Kette unterbrochen werden.

Denkbar wäre deshalb ein mehrschichtiges Modell: signierte Provenienzdaten für nachvollziehbare Bearbeitungsschritte, eingebettete KI-Wasserzeichen als robustes Zusatzsignal und menschliche Offenlegung dort, wo gesellschaftlich relevante Transparenz erforderlich ist.

Damit würde sich auch die zentrale Fragestellung verändern. Statt ausschließlich zu fragen, ob ein Text von einer KI stammt, könnte künftig die Frage wichtiger werden: Wie ist dieser Text entstanden und welche menschlichen und maschinellen Beiträge haben zu seiner endgültigen Form geführt?

Fazit: KI-Wasserzeichen schaffen zwar Transparenz, aber keine Gewissheit

Sie markieren einen wichtigen Wandel im Umgang mit generativen Systemen. Anstatt ausschließlich zu versuchen, KI-Texte nachträglich anhand ihres Stils zu erkennen, verlagert sich der Schwerpunkt zunehmend auf technische Herkunftssignale, die bereits bei der Erzeugung entstehen.

Das ist grundsätzlich ein Fortschritt. Ein bewusst eingebautes Signal kann verlässlicher sein als die bloße Vermutung, ob ein Text „nach KI klingt“. Gleichzeitig bleiben die Verfahren begrenzt. Sie müssen unauffällig sein, die Textqualität darf nicht beeinträchtigt werden und die Wasserzeichen sollen möglichst viele Bearbeitungen überstehen. Diese Anforderungen lassen sich jedoch nicht beliebig miteinander vereinbaren.

Hinzu kommt, dass verschiedene Technologien unterschiedliche Aufgaben erfüllen. So können statistische KI-Wasserzeichen direkt in Texten wirken, C2PA dokumentiert die Herkunft über signierte Metadaten und Systeme wie SynthID betten Erkennungssignale in verschiedene Medientypen ein. Es ist daher wahrscheinlich, dass sich kein einzelnes Verfahren durchsetzen wird, sondern eine Kombination mehrerer Provenienzmechanismen.

Entscheidend wird jedoch nicht nur die technische Qualität sein. Ebenso wichtig ist, wie diese Signale interpretiert werden. Ein KI-Wasserzeichen kann zwar Hinweise auf einen Entstehungs- oder Bearbeitungsprozess liefern, beantwortet aber nicht automatisch Fragen nach geistiger Eigenleistung, Verantwortung, Qualität oder zulässiger Nutzung. Es beantwortet jedoch nicht automatisch Fragen nach geistiger Eigenleistung, Verantwortung, Qualität oder zulässiger Nutzung.

Gerade deshalb sollten KI-Wasserzeichen nicht als universelle Wahrheitsmaschine verstanden werden. Am sinnvollsten werden sie eingesetzt, um Unsicherheit über die digitale Herkunft zu reduzieren, nicht um sie vollständig zu beseitigen.

Mit der Einführung entsprechender Systeme bei großen KI-Anbietern und den neuen europäischen Transparenzanforderungen beginnt nun die praktische Bewährungsphase. Erst sie wird zeigen, wie robust die Verfahren außerhalb kontrollierter Tests sind, wie gut sich unterschiedliche Standards miteinander verbinden lassen und ob Nutzer, Institutionen und Plattformen die Ergebnisse angemessen einordnen können.

Langfristig könnte daraus eine neue Normalität entstehen. Digitale Inhalte würden dann nicht nur einen sichtbaren Inhalt tragen, sondern auch technische Hinweise auf ihre Entstehungsgeschichte. KI-Wasserzeichen wären dann weniger ein Detektor für „Mensch oder Maschine“, sondern vielmehr ein Element einer umfassenderen Infrastruktur für digitale Provenienz und nachvollziehbare KI-Nutzung.