Industrialisierung der Humanisierung

Die Stellenanzeigen und Dienstleistungsangebote bei lockeren Arbeitsplattformen wie Upwork und Fiverr enthalten heutzutage häufig das Wort ‘humanisieren’, mit einer Reihe von Jobs und Anbietern, die verschiedene Grade der Verschleierung darüber vorschlagen, dass ein Artikel von KI geschrieben, teilweise geschrieben oder gemeinsam geschrieben wurde.

Der ‘Humanize’-Trend in echten Beiträgen bei Upwork.

Die Nachfrage nach menschlichen und automatisierten Diensten, die KI‑’verschmutzte’ Ausgaben umschreiben können, sodass es scheint, als hätte ein Mensch ein paar Stunden daran gesessen und geschwitzt, legt nahe, dass ein universeller Konsens erreicht wurde, dass die ‘menschliche Note’ für Verbindung und Reichweite nötig ist – und dass das schiere Volumen an Inhalten im KI‑Zeitalter wird diese Verbindung wieder unverzichtbar machen.

Ich würde persönlich gerne so denken, aber es ist nicht unbedingt so – nicht zuletzt, weil die eigenen Richtlinien von Google zu diesem Thema Behandlung der Qualität des Textes vorsehen, statt der Mittel, mit denen er erstellt wurde.

Die Wahrheit ist, wir wissen derzeit nicht genau wie viel oder welche Art von KI zu tolerieren wir bereit sind, oder in welchem Ausmaß wir die Vorteile, die Milliarden von uns täglich von KI erhalten, gegen ein Gefühl der ‘Komplizenschaft’ und moralischen Verführung im Hinblick auf die weiterreichenden Implikationen der Technologie abwägen können.

Die oben genannten Stellenanzeigen spiegeln dies ebenfalls wider; dort begehren Ersteller und Unternehmen nach Automatisierung, vermutlich weil sie in großem Maßstab veröffentlichen wollen, was genau die Praxis ist, die Google in seinem Ranking‑Algorithmus ausdrücklich zu bestrafen verspricht. Gleichzeitig suchen sie sowohl automatisierte als auch menschliche Methoden, um die Humanisierung zu ‘industrialisieren’.

Es erinnert mich ein wenig an einer der besten Witze in Steven Wrights neurodivergenten Comedy‑Routinen der 1980er‑Jahre:

‘In meinem Haus habe ich einen Mikrowellen‑Kamin. Ich kann mich abends in nur 8 Minuten vor dem Feuer hinlegen.’

Die Gestalt des kommenden Schlamms

Wie üblich werden diese Gedanken von meinem täglichen Durchforsten von Arxiv inspiriert, wobei ich heute besonders auf ein Papier von Jochen Madler bei der Marketing‑Automatisierungsfirma Sitefire gestoßen bin, mit dem Titel SlopShape: Identifying AI-Generated Commercial Web Content.

Normalerweise diskontiere ich Paper mit Einzelautoren nach dem ‘Victor‑Frankenstein’-Prinzip, aber die Prämisse dieses Papers ist spartanisch, und die Testmethodik robust.

Die Studie besagt im Wesentlichen, dass ein KI‑generierter Beitrag, selbst wenn er vollständig umgeschrieben wird – auch von Menschen – eine deutliche architektonische Signatur beibehält, die auf einer Ebene liegt, die weit über der Wortebene liegt und eine charakteristische ‘Form’ umfasst, die durch keinerlei Umformulierungen oder oberflächliche Änderungen des Textes ausgelöscht werden kann:

Vergleich von Strukturmustern in von Menschen und KI verfassten Beiträgen. Menschliches Schreiben neigt dazu, seltenere Kombinationen von Strukturen zu verwenden, während alle fünf KI‑Modelle konventionellere Kombinationen bevorzugen. Quelle

Offensichtlich kann man dieses Problem (wenn man es überhaupt als Problem ansieht) umgehen, indem man den Schreibprozess selbst plant und entweder überhaupt keine KI einsetzt oder sie nur für die separaten Komponenten verwendet, die man selbst geplant hat.

Wie jedoch die aggressiven Anzeigen bei Upwork belegen, ist das nicht das Gewünschte; man kann aus dem Ton solcher Beiträge schließen, dass Inhalte nicht nur von KI strukturiert, sondern konzipiert werden sollen – das heißt, ein LLM sollte passende Themen vorschlagen, die mit den übergeordneten Zielen eines Unternehmens oder einer Einheit übereinstimmen.

Danach ist es völlig zu erwarten, dass die KI verschiedene fortschreitende Entwürfe des Inhalts erzeugt, wobei die lästige Fleisch‑Komponente erst für einen abschließenden und lockeren menschlichen Schliff zum Einsatz kommt (idealerweise würde dieser Prozess schließlich zu einem Python‑Workflow ausreifen).

Auffällige Merkmale

Der Autor des neuen Papers gewann diese Erkenntnisse, indem er einige tausend Unternehmens‑Blogbeiträge sammelte, die unmittelbar vor der Veröffentlichung und Verbreitung von ChatGPT (2020‑2022) entstanden, und daraus Prompt‑Vorlagen ableitete.

Das heißt, er nutzte Gemini 3 Flash, um die echten, von Menschen geschriebenen Papers zu lesen und einen Prompt zu reverse‑engineeren, der darauf ausgelegt ist, ein ähnliches Werk über einige der führenden LLMs zu erzeugen, nämlich GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6 und Gemini 3.

Diese Prompts wurden dann verwendet, um fünf KI‑Versionen jedes der echten menschlichen Beiträge zu erstellen, aus denen Merkmale extrahiert wurden, die schließlich die LLM‑spezifische ‘Form’ des Inhalts über die fünf Modelle beschreiben würden; und Madler stellt fest, dass ‘KI‑Beiträge eine ordentliche, selbstankündigende Form teilen’.

Die gesamte Studie ist eine Wiederholung des StoryScope project von COLM 2026 im August, eine Zusammenarbeit zwischen der University of Maryland und Google DeepMind, die im Wesentlichen dieselbe Methodik auf Belletristik anwandte und feststellte, dass KI‑generierte Geschichten in einem engeren und vorhersehbareren Spektrum narrativer Strukturen konvergieren als menschliche Texte:

Aus der StoryScope‑Studie, ein Streudiagramm‑Vergleich narrativer Muster in menschlicher und KI‑generierter Belletristik. Von Menschen geschriebene Geschichten besetzen einen eigenen Bereich, während Geschichten aus fünf führenden KI‑Modellen enger beieinander clustern, was auf größere Ähnlichkeit ihrer zugrunde liegenden narrativen Entscheidungen hinweist. Quelle

Madler entschied sich, StoryScope auf Unternehmensblogs erneut durchzuführen, weil der finanzielle Anreiz zur Automatisierung dort im Vergleich zum eher exzentrischen Feld des Belletristikschreibens deutlich größer ist und weil sie bereits stark automatisiert sind (50 % Automatisierung von Online‑Inhalten bis Mai 2026, laut a Graphite study, die in Madlers Arbeit zitiert wird).

Vielleicht die interessanteste Analyse ist das Auseinandernehmen der aus dem KI‑produzierten Material extrahierten Merkmale, basierend auf den vor 2022 von Menschen geschriebenen Beiträgen:

„Die am häufigsten von KI‑Modellen erzeugten Werte fügen sich zu dem, was wir den ordentlichen, selbstankündigenden Blogbeitrag nennen: Er verspricht den Nutzen bereits im Titel, stellt seine These dar und kündigt seine Struktur vor dem ersten Abschnitt an, spricht in einer redaktionell‑erklärenden Stimme und schließt mit einem Abschnitt, der die These zusammenfasst oder wiederholt.“

„In einem typischen KI‑Beitrag wird der Nutzen im Titel versprochen: ‚Wie man die Einarbeitungszeit halbiert.‘ Die These wird genannt und der Ablauf vor dem ersten Abschnitt angekündigt: ‚In diesem Beitrag behandeln wir, warum die Einarbeitung stockt, drei funktionierende Lösungen und wie man den Unterschied misst.‘“

„Und der Abschluss wiederholt die These: ‚Kurz gesagt, strukturierte Einarbeitung spart Zeit.‘ Die menschlich‑orientierten Werte beschreiben Beiträge ohne diese Wegweiser: kein angekündigter Abschnittsablauf, keine Steigerung der Stakes und kein abschließender Abschnitt, der die These wiederholt.“

Eine fehlerhafte Prämisse

Übrigens wurden die meisten der in der beschriebenen Vorlage vorkommenden Tropen und Klischees aus SEO‑obsessed strictures der Vor‑LLM‑Marketing‑Szene abgeleitet. Woher hat die KI diese Gewohnheiten gelernt?

Vorlagen‑Marketingtexte wurden immer gehasst, lange bevor KI existierte, und stets in großem Umfang produziert, lange bevor Maschinen es gut tun konnten; und aufgrund der Notwendigkeit, SEO‑Richtlinien zu entsprechen, wurden einige schreckliche Konventionen etabliert, wie Schlüsselwortplatzierung und aufwändige Gestaltung von Links.

Im letzteren Fall könnte die KI also die falsche Lehre gezogen haben, da die rein textbasierten Korpora, auf denen sie trainiert wurde, so viele der ursprünglich im Quellmaterial enthaltenen SEO‑bezogenen Taktiken herausfilterten, wie strategische Diagramme, visuelle Erklärungen; und vor allem Hyperlinks.

Ganze Abschnitte eines Artikels könnten dazu gedient haben, einen Hyperlink oder ein YouTube‑Embed zu rahmen, das ein Kunde pushen wollte; doch bis die Daten in ein LLM eingearbeitet wurden, war das Embed bzw. der Link entfernt, und der Text, der ihn hervorheben sollte, war seiner ursprünglichen Kontextualisierung beraubt.

Daher war, argumentativ, der große Fehler bei der Gestaltung von Trainingsmethoden für solches Material, Web‑Inhalte so zu behandeln, als wären sie Literatur aus dem 19. Jahrhundert (vollständig eigenständig), anstatt Multimedia (stark beeinflusst von Nicht‑Text‑Faktoren wie Video, Hyperlinks und Illustrationen).

Der andere große Fehler war das Training auf Material das die Leute bereits hassten, das durch Regeln, die wahrscheinlich nicht mehr gültig sind, in seine unpopuläre Form gezwungen wurde.

Aufmerksamkeit, Menschen

Dennoch, wenn man den Upwork‑Trends Glauben schenken darf, gibt es eine erhebliche Nachfrage nach mehr von dem Gleichen, das in großem Umfang von LLMs produziert und durch den am wenigsten idiosynkratischen verfügbaren Prozess ‘humanisiert’ wird, mit höchster Geschwindigkeit und zu den niedrigsten verfügbaren Kosten.

All das, um den Effekt von Aufmerksamkeit zu erzeugen: die Vorstellung, dass jemand wie Sie (d.h. zumindest im Besitz eines Hormonsystems) sich ein paar Stunden Zeit genommen hat, um darüber nachzudenken, was er Ihnen sagen möchte.

Die Wahrnehmung, menschliche Aufmerksamkeit zu erhalten, ist für uns bedeutsam selbst wenn sie nicht hilfreich ist; daher ist es sicherlich wert, sie zu industrialisieren.

Ich kann nicht umhin zu fühlen, dass Madlers Papier in gewisser Weise die Situation verschlimmern könnte, da es charakteristische höherdimensionale Merkmale identifiziert, die nun vermutlich mit mehr KI adressiert werden können, sodass die Standard‑Signaturen mit fortschreitender Modellentwicklung eine menschlichere Form annehmen.

Erstveröffentlichung Donnerstag, 17. September 2026