White Paper Juli 2026
Heads We Win, Tails You Lose: Warum KI-Erkennung keine Antwort auf Fragen der akademischen Integrität ist
Warum der Wert eines KI-Detektors nicht den Beweisstandard erfüllt, den ein Verfahren wegen Fehlverhaltens verlangt.
Das ist für Sie relevant, weil:
- Sie setzen ein Erkennungstool ein oder sollen eines anschaffen und möchten seine Genauigkeitsversprechen überprüfen.
- Sie verantworten Verfahren wegen Fehlverhaltens, die einem echten Beweisstandard genügen müssen, und möchten wissen, was dafür ausreicht.
- Ihnen ist bewusst, dass ein Detektorbefund internationale Studierende und Studierende, die in einer Zweitsprache schreiben, am härtesten trifft – unabhängig davon, ob ein Fehlverhalten vorliegt.
- Sie sind für die Einhaltung der DSGVO und der KI-Verordnung der EU verantwortlich und vermuten, dass Mitarbeitende bereits kostenlose Erkennungsseiten nutzen.
Zusammenfassung
KI-Detektoren geben an, mit welcher Wahrscheinlichkeit ein Text maschinell erzeugtem Schreiben ähnelt. Die Urheberschaft belegen sie nicht, und dieses Whitepaper argumentiert, dass diese Lücke struktureller Natur ist. Gestützt auf begutachtete Analysen und unabhängige Tests der führenden kommerziellen Tools benennt es drei Schwachstellen: Es gibt keine gesicherte Referenz, an der sich ein Befund überprüfen ließe. Der Basisratenfehler führt dazu, dass derselbe Detektor in einer Studierendengruppe zuverlässig und in einer anderen schlechter als der Zufall arbeitet. Und die Rate falsch-positiver Ergebnisse steigt bei Schreibenden in einer Zweitsprache deutlich an.
Anschließend beschreibt das Whitepaper die Folgen für die Einrichtungen, darunter eine Umkehr der Beweislast und Erklärbarkeitspflichten nach der KI-Verordnung der EU, und legt dar, warum UNIwise WISEflow Originality auf überprüfbare Ähnlichkeitserkennung statt auf probabilistische Schlussfolgerungen stützt.
Das PDF ist auf Englisch verfügbar.