Wie genau ist GPTZero? GPTZero vs. Turnitin vs. ZeroGPT im Vergleich

Wie genau ist GPTZero? Unabhängige Tests sagen: weniger, als die eigenen Zahlen nahelegen, und dasselbe gilt für ZeroGPT und Turnitin. Ein größerer Grund, warum die drei einem Absatz unterschiedliche Urteile geben, ist, dass sie nicht dasselbe messen. Turnitin gibt einen Anteil Ihres Fließtexts an, GPTZero eine Wahrscheinlichkeit für das ganze Dokument, Originality.ai lässt die Nutzer entscheiden, wie viel KI toleriert wird, und jedes Tool zieht seine Linie an einer anderen Stelle, mit einer anderen Mindestlänge, mit einem Modell, das auf anderen Daten trainiert und nach eigenem Zeitplan aktualisiert wird.

Das beweist nicht, dass irgendein Tool kaputt ist. Es passiert, wenn mehrere probabilistische Klassifikatoren unabhängig voneinander über Text urteilen, der tatsächlich mehrdeutig ist, und formelle wissenschaftliche Prosa ist das oft.

Sie geben nicht dieselbe Zahl aus

Am schnellsten sehen Sie, warum die Werte abweichen, wenn Sie lesen, was jeder Anbieter über die Bedeutung seiner Hauptzahl sagt. Die Tabelle stützt sich nur auf die öffentlichen Seiten der Anbieter, und die Fehlerangaben sind deren Behauptungen, nicht unsere.

Stellen Sie zwei davon nebeneinander. GPTZero erklärt, dass „4 % AI“ nicht heißt, dass 4 % Ihres Dokuments KI enthalten; es ist die Wahrscheinlichkeit des Modells, dass das Dokument vollständig KI-geschrieben ist. Turnitins 40 % sind eine Aussage darüber, wie viel Ihres Fließtexts KI-generiert aussieht. Beides sind Prozentwerte, und sie beantworten unterschiedliche Fragen. Sapling warnt bei seinen eigenen Hervorhebungen genauso: Sie können vom Gesamtwert abweichen.

Schwellenwerte sind Grundsatzentscheidungen

Jeder Detektor macht aus einem kontinuierlichen Wert ein Label, und wo dieser Schnitt liegt, ist eine Designentscheidung. Menschliche und KI-Texte erzeugen überlappende Verteilungen von Werten. Verschiebt man den Schwellenwert nach rechts, markiert man weniger Menschen, übersieht aber mehr KI; verschiebt man ihn nach links, passiert das Gegenteil.

• Von Menschen geschriebener Text
• KI-generierter Text

Zur Veranschaulichung, keine Daten eines bestimmten Detektors

Die Anbieter sagen offen, in welche Richtung sie neigen. Turnitin blendet Werte zwischen 1 % und 19 % aus und akzeptiert, dass ein mit 50 % bewertetes Dokument mehr KI enthalten könnte. GPTZero beschreibt eine Ausgabezuordnung, die den Detektor eher zu Falsch-negativen als zu Falsch-positiven neigen lässt, und sagt, dass es im Zweifel meist zu „menschlich“ tendiert. Originality.ai überlässt einen Teil der Entscheidung inzwischen den Nutzern über die Einstellung AI Allowance, und Copyleaks bietet eine einstellbare Empfindlichkeit. Zwei Tools können beim zugrunde liegenden Signal übereinstimmen und beim Label trotzdem auseinanderliegen.

Länge und Segmentierung ändern das Urteil

Detektoren brauchen genug Text zum Messen. Turnitin bewertet keinen Fließtext unter 300 Wörtern und sagt, kurze Dokumente würden fast als ein einziger Block bewertet. Sapling sagt, sein Detektor werde ab etwa 50 Wörtern deutlich genauer. GPTZero merkt an, dass seine Vorhersage von Mustern im Großteil des Texts abhängen kann, sodass die Bearbeitung einiger hervorgehobener Sätze den Wert weniger bewegt als erwartet.

Das ist das Problem von Satz- gegenüber Dokumentebene, das wir in KI-Erkennung auf Satzebene behandeln. Ein Tool, das überlappende Fenster bewertet, eines, das das ganze Dokument bewertet, und eines, das Satz für Satz bewertet, können denselben Absatz unterschiedlich lesen.

We recruited 214 first-year nursing students across two campuses in spring 2024. The findings highlight the importance of resilience in shaping academic outcomes. Resilience scores rose most among students who had previously failed a clinical placement. These results contribute to a growing body of literature on student wellbeing.

Beispiel zur Veranschaulichung. Generische Rahmensätze werden eher als KI bewertet, konkrete Sätze mit Daten eher als menschlich. Ein Tool auf Dokumentebene mittelt sie womöglich zu einem einzigen Urteil.

Andere Trainingsdaten, andere blinde Flecken

Jeder Klassifikator lernt aus seiner eigenen Mischung aus menschlichem und maschinellem Text und aus einer bestimmten Auswahl von Generatoren. Turnitin veröffentlicht die Liste der Modelle, die sein englischer Detektor erkennen soll. Saplings Changelog zeigt dasselbe Muster, mit der Zeit neue Modellfamilien hinzuzufügen. Ein Absatz, der von einem Modell erzeugt oder geglättet wurde, auf das ein Anbieter trainiert hat und ein anderer nicht, wird nicht gleich bewertet. Diese Abdeckung betrachten wir in Erkennt Turnitin ChatGPT, Claude und Gemini?

Unabhängige Benchmarks zeigen, wie viel das ausmacht. RAID, ein gemeinsamer Benchmark von Dugan et al., vorgestellt auf der ACL 2024, testete 12 Detektoren an mehr als 6 Millionen Generierungen aus 11 Modellen in 8 Domänen, mit 11 adversarialen Angriffen und 4 Decoding-Strategien. Die Autoren fanden, dass sich Detektoren leicht täuschen ließen: durch Angriffe, geänderte Sampling-Strategien, Wiederholungsstrafen und unbekannte generative Modelle.

Eine frühere Studie im International Journal for Educational Integrity, Weber-Wulff et al. (2023), testete 14 Tools und fand, dass keines in ihrer Bewertung 80 % Genauigkeit erreichte, mit einer Neigung, Text als menschlich einzustufen. Solche Ergebnisse stehen neben Anbieterangaben von 98 % oder 99 %, weil sie andere Testsätze, andere Textarten und andere Definitionen von Genauigkeit verwenden.

Updates verschieben die Maßstäbe

Detektoren ändern sich oft. Turnitin veröffentlichte Modellupdates im Oktober 2025 und Februar 2026 und vereinheitlichte seine Architektur im Juli 2026; alte Berichte werden nicht neu berechnet, erneut eingereichte Dateien aber schon. Saplings Changelog verzeichnet ein Update im September 2026. Originality.ai stellte im selben Monat seine klassischen Modelle ein. Ein Wert, den Sie im Frühjahr gesehen haben, stammt von einem anderen Instrument als dem, das Ihr Herausgeber im Herbst nutzt.

Wie genau ist GPTZero? Und wie genau ist ZeroGPT?

Beide Anbieter veröffentlichen starke Zahlen: GPTZero sagt, es halte seine Falsch-positiv-Rate bei höchstens 1 %, und ZeroGPT nennt eine Erkennungsgenauigkeit von 98,4 %. Unabhängige Tests fanden niedrigere und ungleichmäßigere Ergebnisse, wobei beide Tests unten älter sind als die aktuellen Versionen dieser Tools.

• In der Studie von Weber-Wulff und Kollegen aus dem Jahr 2023 ordnete GPTZero bei der strengsten Bewertung 54 % der 54 Testdokumente richtig ein, gegenüber 59 % bei ZeroGPT und 76 % bei Turnitin. GPTZero fiel auch bei falschen Anschuldigungen aus dem Rahmen: Bei der Hälfte der 18 von Menschen geschriebenen Dokumente hätte seine Ausgabe plausibel zu einer geführt. ZeroGPT erzeugte keine.
• Im RAID-Benchmark (2024) erreichte GPTZero bei 5 % Falsch-positiv-Rate eine Genauigkeit von 66,5 % und bewegte sich bei einem Homoglyphen-Angriff, der den meisten anderen Detektoren schadete, kaum. Die Falsch-positiv-Rate von ZeroGPT ließ sich in den Schwellenwerttests von RAID nicht unter 16,9 % drücken.

Ist GPTZero also so genau wie Turnitin? Die einzige Studie hier, die beide getestet hat, sah Turnitin Anfang 2023 vorn, und beide Tools wurden seitdem aktualisiert. Behandeln Sie einen Wert von beiden als eine einzelne Messung, nicht als Urteil.

Welcher KI-Detektor ist also der genaueste?

Es gibt keine einzelne Antwort, die über Textarten, Längen, Sprachen und Generatoren hinweg gilt, und wer Ihnen eine gibt, zitiert einen Testsatz. Genauigkeitsangaben der Anbieter stammen aus deren eigenen Auswertungen. Unabhängige Benchmarks berichten niedrigere und stärker schwankende Zahlen. Nützlicher ist die Frage, welchen Detektor die Personen, die Ihre Arbeit bewerten, tatsächlich verwenden und wie sich Ihr Text über mehrere Tools hinweg verhält.

Das spricht dafür, mit mehr als einem Detektor zu prüfen:

• Übereinstimmung ist aufschlussreich. Wenn fünf Tools einen Satz als menschlich lesen und eines ihn markiert, ist die Markierung wahrscheinlich Rauschen. Wenn alle sechs denselben generischen Übergang markieren, lohnt es sich, ihn in eigenen Worten neu zu schreiben.
• Uneinigkeit zeigt auf Grenzfälle. Sätze, die zwischen Tools hin- und herspringen, sind meist formelhaft: Standardeinstiege, Zusammenfassungssätze, wertende Klischees. Siehe warum formelle Prosa nach KI aussehen kann.
• Kein Tool ist der letzte Richter. Turnitin, GPTZero und Sapling sagen alle, dass ihre Ausgabe nicht die alleinige Grundlage für eine Entscheidung über eine Person sein sollte.

Mehrere Detektoren mit Academic Humanizer prüfen

Academic Humanizer wird gegen die sechs oben genannten Detektoren validiert: Turnitin, GPTZero, ZeroGPT, Copyleaks, Sapling und Originality.ai. Humanizer durchsucht Ihren Entwurf nach Sätzen, die Detektoren markieren, schreibt nur diese um und lässt Sätze, die bereits menschlich wirken, genau so, wie Sie sie geschrieben haben, und der integrierte KI-Erkennungsbericht vergleicht den Anteil der als menschlich gelesenen Sätze vorher und nachher. Er kann nicht garantieren, wie ein einzelner Detektor eine künftige Fassung Ihres Texts bewertet, und genau deshalb zeigt der Bericht seine Arbeit Satz für Satz und überlässt die abschließende Lektüre Ihnen.