Ein Drittel der nach dem ChatGPT-Start veröffentlichten Webseiten zeigt deutliche Anzeichen von KI-Autorschaft, so Pew
Wichtige Erkenntnisse
- •Pew analysierte rund 490.000 Seiten aus Common Crawl aus dem Zeitraum von Januar 2021 bis Juli 2026 mit dem KI-Detektor Open Pangram.
- •Rund 10 % einer Momentaufnahme von Juli 2026 zeigten deutliche Anzeichen einer KI-Autorschaft, während der Anteil bei Seiten, die seit dem Start von ChatGPT veröffentlicht wurden, auf 35 % stieg.
- •Seiten auf .com-Domains wiesen KI-Autorschaftssignale etwa zehnmal so häufig auf wie .edu- und .gov-Seiten und rund doppelt so häufig wie .org-Seiten.
- •Pew erklärte, dass der Detektor einzelne Seiten falsch einordnen kann und dass das markierte Material möglicherweise KI-gestützt statt vollständig maschinell generiert war.
- •Die Studie stellte fest, dass Suchmaschinen und KI-Unternehmen mit der zunehmenden Verbreitung KI-geschriebener Texte verstärkt auf Herkunftsnachweise für Inhalte und Antispam-Maßnahmen setzen.
Eine von zehn englischsprachigen Webseiten weist heute deutliche Anzeichen dafür auf, von einer KI geschrieben worden zu sein, wie aus einer am Donnerstag veröffentlichten Studie des Pew Research Center hervorgeht. Beschränkt man die Stichprobe auf Seiten, die erst seit ChatGPT – das von OpenAI im November 2022 gestartet wurde – veröffentlicht wurden, schnellt der Anteil auf 35 % hoch.
Die Ergebnisse beruhen darauf, dass Forschende rund 490.000 Seiten aus dem Webarchiv Common Crawl heranzogen – mit einer Zeitspanne von Januar 2021 bis Juli 2026 – und die Texte durch Open Pangram, ein KI-Erkennungsmodell, laufen ließen. Zehn Prozent einer Momentaufnahme des Korpus von Juli 2026 zeigen deutliche Anzeichen einer KI-Autorschaft. Die Wahl des Korpus wiegt dabei besonders schwer: Common Crawl dient seit langem als Quelle für Trainingsdaten großer Sprachmodelle – das Archiv, mit dem die Ausbreitung der KI im Web gemessen wird, ist also zugleich Rohstoff für die Modelle, die dieses Web beschreiben.
Ein ungleich verteiltes Muster
Der KI-Fingerabdruck verteilt sich nicht gleichmäßig über das Web. Seiten auf .com-Domains zeigen etwa zehnmal so häufig Anzeichen einer KI-Autorschaft wie .edu- oder .gov-Domains, die jeweils bei knapp 1 % liegen, und rund doppelt so häufig wie die 4,6 % auf .org-Seiten. Im Jahr 2021, bevor generative KI-Tools den Mainstream erreichten, sahen alle vier Domaintypen noch nahezu identisch aus.
Wie Pew die Maschinen aufspürte
Der Detektor markiert nicht einzelne Wörter oder Formulierungen, sondern bewertet statistische Muster über große Textmengen hinweg. Dennoch sind einige einzelne Erkennungsmerkmale seit 2023 deutlich häufiger aufgetreten: Lange Gedankenstriche erscheinen nun rund doppelt so oft, das Oxford-Komma ist um 63 % gestiegen, und von KI bevorzugte Wörter wie „delve“, „interplay“ und „testament“ haben sich in ihrer Häufigkeit mehr als verdoppelt.
Die „negative Parallelität“ – Konstruktionen wie „it's not just X, it's Y“ – hat sich seit 2023 fast verdreifacht, wobei Pew anmerkt, dass sie insgesamt selten bleibt. Decrypt hat ebendiese Merkmale bereits früher nachverfolgt, und Merriam-Webster machte es im Dezember offiziell und kürzte „slop“ zum Wort des Jahres.
Die Grenzen der Erkennung
Pew weist ausdrücklich auf die Grenzen der Studie hin: Erkennungsmodelle können einzelne Seiten in beide Richtungen falsch einordnen, und „deutliche Anzeichen einer KI-Autorschaft“ bedeuten nicht, dass eine Seite vollständig von einer Maschine geschrieben wurde – ein Großteil des markierten Textes war wahrscheinlich KI-gestützt und nicht vollständig KI-generiert.
Open Pangram stammt von Pangram Labs; dessen Detektor tauchte auch in einer separaten Studie auf, die in diesem Jahr in rund 9 % der Zeitungsartikel in den USA KI-generierten Text fand, darunter auf Meinungsseiten von Medien wie The New York Times.
Die KI-Erkennung könnte mit der Zeit allerdings einfacher werden – nicht wegen sprachlicher Muster, sondern wegen der zugrunde liegenden Technologie. Große KI-Unternehmen wie Anthropic arbeiten bereits an modellweiten Text-Fingerabdrücken, die KI-Texte einfach identifizierbar machen und zugleich Fehler minimieren würden. Das deutet auf Herkunftsnachweise – also den Beleg, woher Inhalte stammen – statt auf nachträgliche Vermutungen hin, demselben Prinzip, das auch hinter dem C2PA-Standard steht, den Medien- und Technologieunternehmen zum Anhängen von Nachweisen an Inhalte übernommen haben.
Eine steile Trendlinie
Die Domain-Lücke spiegelt wider, wer veröffentlicht und warum. Akademische und staatliche Seiten durchlaufen redaktionelle Prüfungen, institutionelle Freigaben und langsamere Veröffentlichungszyklen; .com-Domains umfassen alles von Nachrichtenredaktionen bis zu Content-Farmen für Affiliate-Marketing, die Seiten in einem Tempo produzieren, das kein menschlicher Redakteur durchhalten könnte. Suchmaschinen reagieren bereits auf diese Flut: Google begann 2024 mit der Durchsetzung einer Richtlinie gegen „scaled content abuse“ (skalierenden Inhaltsmissbrauch), die massenhaft produzierte Seiten abstraft – unabhängig davon, ob sie von Menschen oder Maschinen geschrieben wurden.
In der Gesamtschau ist die Trendlinie ohnehin steil: Die KI-Autorschaftsrate auf .com-Domains stieg von rund 1 % im Januar 2021 auf 9,35 % fünf Jahre später – allein im Januar 2026.
