Im November erhalten weitere Sprachmodelle ein KI-Wasserzeichen. Am 2. Dezember endet die EU-Übergangsfrist für bereits eingeführte Systeme. Für Fachtexte bleibt das Verfahren wenig aussagekräftig. In einem Experiment folgten Fachleute zudem der zufällig festgelegten Meinung ihres KI-Agenten, erwähnten ihn als Quelle jedoch kaum.
KI-Wasserzeichen kommen auch für ältere Modelle
Ab dem 3. November versieht Anthropic vier ältere Claude-Modelle mit seinem unsichtbaren Wasserzeichen, darunter Opus 4.6 und Sonnet 4.6. Das berichtet The Decoder (31. Oktober) unter Berufung auf eine E-Mail an Kunden. Bei diesem Verfahren beeinflusst ein Schlüssel, welches Wort das Modell als Nächstes wählt. Versteckte Zeichen werden nicht eingefügt (Anthropic, auf Englisch). Hintergrund ist Artikel 50 Absatz 2 der KI-Verordnung: Anbieter müssen KI-Text maschinenlesbar markieren, für Systeme, die schon vor dem 2. August 2026 am Markt waren, gilt das ab dem 2. Dezember (EU-Kommission, auf Englisch). OpenAI hat sein Verfahren textGrain im Oktober für ChatGPT und Codex nur in der EU angekündigt, über die Programmierschnittstelle bleibt es weltweit Wahlsache (heise).
Den von heise wiedergegebenen Zahlen von OpenAI zufolge erkennt das Prüfverfahren bei 1 % Fehlalarmen in Texten mit 400 Token 94,3 % der Psychologietexte und 60,8 % der Mathematiktexte. Token sind die Einheiten, nach denen Anbieter abrechnen. Bei Mathematik bleibt weniger Spielraum für unterschiedliche Wortwahl. Bei 200 Token sind es 78,5 und 36,5 %. Wird jedes zehnte Wort durch ein Synonym ersetzt, sinkt die Trefferquote von 92 auf 66 %, bei jedem vierten auf 17 %.
Meine Einschätzung: Als Nachweis für Anleitungen halte ich das Wasserzeichen für nahezu wertlos. Anthropic schreibt selbst, dass es in Sachtext dünner ausfällt, weil dort weniger Wortwahl offen ist, und Technische Dokumentation legt mit Terminologie, Satzmustern und kurzen Bausteinen gerade diese Wahl fest. Dazu kommt die Überarbeitung: Eine Redaktion, die nach Hausregeln korrigiert, dürfte schnell in die Nähe jedes vierten Wortes kommen. Die Prüfwerkzeuge beider Anbieter stehen ohnehin nur ausgewählten Stellen offen. Wer wissen muss, welcher Baustein mit KI entstand, trägt das als Metadatum im Redaktionssystem ein.
Fachleute übernehmen die Meinung ihres Agenten
Anthropic ließ 50 Fachleute für Kausalanalyse – sie leiten aus Daten Ursache und Wirkung ab – gemeinsam mit dem Agenten Claude Code eine fiktive Genossenschaft beraten (Anthropic, 27. Oktober, auf Englisch). Per Münzwurf legten die Forscher heimlich fest, welche von zwei vertretbaren Optionen der Agent bevorzugte. Bei vier analytischen Entscheidungen folgten die Fachleute der Vorliebe des Agenten in 86 % der Fälle. Zufällig wäre eine Übereinstimmung in 50 % der Fälle zu erwarten. In der Nachbefragung, die 48 von ihnen abschlossen, wiederholten 77 % Argumente des Agenten, teils fast wörtlich, nur 15 % erwähnten ihn in ihren Begründungen, und 52 % hielten die Schlussempfehlung für eher ihre eigene (Studie, auf Englisch).
Mit Agent verliefen die Analysen schneller: Sie dauerten im Median 65 statt 90 Minuten. Schwere Fehler fanden sich in 3 von 50 Analysen. In der Gruppe ohne Agent waren es 6 von 11, sie war allerdings nicht zufällig zusammengesetzt, und ihre Mitglieder stuften sich seltener als erfahren ein. Die Autoren nennen auch die Grenzen: Die Neigung des Agenten wurde für den Versuch verstärkt, geprüft wurden eine Aufgabe, ein Fachgebiet und ein Modell.
Meine Einschätzung: „Ein Mensch prüft am Ende“ ist als Regel schwächer, als sie klingt. Eine Prüfung setzt ein eigenes Urteil voraus, und hier hatten die Fachleute nach der Arbeit mit dem Agenten oft keines mehr, das sie von seinem unterscheiden konnten. Für Texte, die Schaden anrichten können, würde ich deshalb die Reihenfolge umdrehen: Der Fachprüfer notiert zuerst, was drinstehen muss, etwa Warnhinweise, Grenzwerte und die Abfolge der Schritte, und liest erst dann den KI-Entwurf. Das kostet Zeit und lohnt sich nicht für jede Seite, für eine Sicherheitsanweisung aber schon.
Studie sucht den Grund für zähe KI-Texte
Ein Team der New York University und der University of Texas at Austin hat gezählt, wie oft Sprachmodelle Satzbauten verwenden, die Menschen laut psycholinguistischer Forschung schwerer verarbeiten (Studie auf arXiv, 21. Oktober, auf Englisch). Alle neun untersuchten Spitzenmodelle verwenden häufiger seltene Wortfolgen als die menschlichen Vergleichstexte. Auch verbinden sie öfter unbelebte Subjekte mit Verben, die sonst Lebewesen vorbehalten sind – etwa wenn eine Funktion etwas „verschluckt“. Die meisten lassen in Gesprächen auch längere Abstände zwischen zusammengehörigen Wörtern und stapeln mehr Substantive. Als Ursache schlagen die Autoren vor, dass Modelle zunehmend auf Mathematik, Code und logisches Schließen hin trainiert werden, wo Informationsdichte mehr zählt als gelungene Verständigung. Ein Versuch stützt diese Vermutung: Ein kleines Modell, das für lange Antworten bestraft wurde, entfernte sich sprachlich von menschlichen Texten. Untersucht wurde nur Englisch, und Menschen haben die Texte nicht gelesen, Verständlichkeit misst die Studie also nur mittelbar.
Meine Einschätzung: Für die Prüfung von KI-Entwürfen ist das eine brauchbare Liste, weil sich lange Abstände im Satz und vermenschlichte Technik automatisch finden lassen. Beim Übertragen aufs Deutsche wäre ich vorsichtig. Gestapelte Substantive sind im Deutschen Alltag, und die Satzklammer reißt zusammengehörige Wörter ohnehin auseinander, also bräuchte ein deutscher Vergleich eigene Maßstäbe. Ob neuere Modelle wirklich schwerer zu lesen sind, beantwortet die Studie nicht, dafür hätte sie Menschen lesen lassen müssen.
Oracle verlegt Agentenregeln in die Datenbank
Regeln, die nur in einer Anwendung hinterlegt sind, greifen auch nur bei Zugriffen über diese Anwendung. Ein Agent, der über eine Schnittstelle oder selbst erzeugte Abfragen direkt auf die Datenbank geht, umgeht sie (heise, 30. Oktober). Oracle hat dazu auf der Oracle AI World in Las Vegas die Deep Trust AI Architecture vorgestellt, die Sicherheits- und Geschäftsregeln in der Datenbank durchsetzen soll, gleich welche Anwendung oder welcher Agent anfragt. Ein Ausgabenlimit je Mitarbeiter gilt dann auch für den Agenten. heise ordnet das als Leitbild ein: Oracle nennt weder einen gemeinsamen Starttermin noch einen Gesamtpreis, und der Grundsatz selbst ist in Datenbanken etabliert. Unabhängige Tests nennt der Bericht nicht.
Meine Einschätzung: Das Produkt interessiert mich weniger als die Diagnose, denn sie gilt für jede Wissensablage. Wer ein Wiki oder eine Dokumentenablage für Agenten öffnet, sollte vorher wissen, ob Leserechte, Gültigkeit und Freigabestatus an den Daten hängen oder nur in der Oberfläche leben. Im zweiten Fall liest der Agent mit, was kein Mitarbeiter je angezeigt bekäme, und zitiert es in bester Absicht. Recht hat heise auch mit der Einschränkung: Zugriffskontrolle allein sorgt nicht für richtige Antworten.
Quanos will Plattform für Agenten öffnen
Quanos, der Hersteller des Redaktionssystems SCHEMA ST4, entwickelt InfoTwin weiter und bringt die Plattform ab Dezember als IQ Platform heraus (Quanos). Sie soll Dokumentation, Ersatzteile und Serviceabläufe auf einer Datenbasis zusammenführen. Für das erste Quartal 2027 kündigt der Anbieter eine Schnittstelle nach MCP an, einem Standard, über den KI-Anwendungen auf Daten zugreifen. Aus einem Partnertreffen berichtet der Dienstleister doctima, dass der bisherige AI Hub zur AI Content Factory ausgebaut wird und ST4-Daten für Agenten zugänglich werden sollen (doctima, 29. Oktober). Dasselbe Thema steht im Programm der tekom: Der kostenlose Technology Day am 2. November fragt unter anderem, ob Dokumentation für Agenten im Service bereit ist (tekom). Die Jahrestagung folgt vom 10. bis 12. November in Stuttgart.
Meine Einschätzung: Damit rückt die Frage aus dem vorigen Punkt in die Redaktion. Bisher entscheidet das Redaktionssystem, welcher Inhalt freigegeben ist und für welche Variante er gilt. Quanos verspricht auf der Produktseite ein gemeinsames Berechtigungsmodell und Inhalte passend zur Maschine, zur MCP-Schnittstelle selbst nennt die Seite noch keine Einzelheiten. Ich würde jedes Redaktionssystem künftig daran messen, ob ein Agent über die Schnittstelle nur freigegebene Inhalte der richtigen Variante bekommt und ob sich hinterher zeigen lässt, welche Fassung er benutzt hat.
Stand: 1. November 2026. Die Angaben zum 3. November, zu OpenAI und zu Oracle stammen aus der Fachpresse, alle anderen aus den verlinkten Originalquellen.
