Wer der KI nichts zu lesen gibt, bestellt den Durchschnitt

„Bitte schreib mir einen Teaser für einen Bericht über unser Webinar.“ Diesen Auftrag habe ich Claude in unserem Webinar zu KI im Marketing dreimal gegeben und zwischen den Runden nur das Material dazu verändert.

Die Demo galt einem Einwand, der in Gesprächen über das Schreiben mit KI ganz oft fällt: „Ja, aber ChatGPT schreibt ja nur generische Texte.“ In der ersten Runde bekam Claude nichts weiter als unseren Ankündigungstext, und der Einwand behielt recht. Zurück kam ein Text, der ganz okay klang. Während Unternehmen „täglich KI-generierten Content in Massen produzieren“, stünden viele vor der Wahl: „mithalten oder untergehen“. So ein Satz passt über jedes KI-Webinar, und genau deshalb bleibt er nirgends hängen.

Dann habe ich vier kurze Teaser aus der Gratiszeitung „Heute“ dazu­gelegt, sonst nichts. Derselbe Auftrag lieferte jetzt „Schockbeichte einer Marketing-Expertin: Die meisten ahnen nicht, wie weit ihre Konkurrenz schon ist“ und „KI-Expertin enthüllt: So verlieren deutsche Firmen den Anschluss“. In der dritten Runde ersetzte ich die Teaser durch vier Beispiele der Satirezeitung Tagespresse, und der Ton kippte noch einmal. Jetzt flehte in einer von Claudes Schlagzeilen die „letzte PR-Agentur ohne KI: Bitte nicht entlassen.“ Weiter hieß es, während die Konkurrenz „von KI-Algorithmen ersetzt wurde“, klammere sich die letzte österreichische PR-Agentur „verzweifelt an veraltete Praktiken wie selber schreiben und nachdenken“.

Im Webinar habe ich an dieser Stelle gefragt: „Was ist da eigentlich passiert?“ Das Modell blieb dasselbe, der Auftrag blieb derselbe, und der Text sprang trotzdem von der Ankündigungsprosa zum Boulevard und zur Satire. Bewegt hatte sich zwischen den Runden nur das Material.

Bevor ich Claude den austauschbaren ersten Teaser vorwerfe, sehe ich mir besser den Auftrag an, mit dem ich ihn bestellt habe.

Der Durchschnitt ist kein Unfall

Vier Beispielabsätze haben entschieden, wie der Text über unser Webinar klingt. Das ist die ganze Mechanik. Sprachmodelle erkennen Muster und setzen sie fort. Bekommen sie deine Muster, setzen sie deine fort. Bekommen sie keine, greifen sie auf die Muster zurück, die sie am häufigsten gesehen haben, und zwar den Durchschnitt aller Marketingtexte, mit denen sie trainiert wurden.

„Mach das professioneller“ ist deshalb ein Durchschnittsauftrag. Er sagt dem Modell: Nimm meinen Text und schieb ihn dorthin, wo die meisten Texte stehen. Das Modell versagt an dieser Aufgabe nicht. Es erfüllt sie. Es liefert die kurzen Sätze, den freundlichen Ton und die Übergänge, die im Mittel aller Firmenkommunikation als professionell gelten. Unser erster Bericht war genau das: Der Ankündigungstext hatte Claude das Thema geliefert, aber kein Tonvorbild, also kam der Durchschnitt aller Texte über KI-Webinare zurück. Der Text wird beim Durchschnittsauftrag wirklich besser lesbar. Er verliert nur das Einzige, was ihn von den Texten der Mitbewerber unterscheidet. Die Details, die es nur in deiner Arbeit gibt.

Dass beides zusammen auftritt, ist gemessen. In einem Experiment (öffnet in neuem Fenster), in dem 293 Menschen Kurzgeschichten mit oder ohne KI-Ideen schrieben, wurden die mit KI-Ideen entstandenen Geschichten im Schnitt als besser geschrieben und unterhaltsamer bewertet, am deutlichsten bei den weniger kreativen Schreiber:innen. Zugleich glichen sich die Geschichten einander an. Dieselbe Angleichung findet sich in einer anderen Arbeit (öffnet in neuem Fenster) schon beim reinen Umformulieren: Ließen die Forschenden Modelle je tausend Texte aus zwei Textsammlungen nur überarbeiten, blieb der Kerninhalt erhalten, aber der Unterschied zwischen den Texten schrumpfte. Die Streuung in Wortschatz und Satzbau ging um 21 bis 50 Prozent zurück. Die Texte werden besser. Und sie werden es auf dieselbe Weise.

Übernommen wie geliefert

Texte sind mein Beruf. Seit zehn Jahren schreibe ich im Gesundheits- und Tech-Bereich alles, was anfällt, von Pressemitteilungen über Fachartikel und Newsletter bis zu Website Copy und Social Posts. Manches davon durfte Standard sein, manches nicht. Und die Studie (öffnet in neuem Fenster), die mir die Ausrede genommen hat, ist diese: 38 Schreibende verfassten 300 Essays, ein Drittel davon allein, den Rest mit einem Modell an der Seite. Dabei protokollierte die Software jeden Tastenanschlag mit also welches Zeichen vom Menschen kam und welches vom Modell. So ließ sich am Ende herausschneiden, was die Menschen selbst getippt hatten. Die Vermutung lag nahe, dass auch diese eigenen Sätze glatter ausfallen würden, wenn man beim Schreiben Modellvorschläge liest. Sie taten es nicht. Was die Menschen selbst schrieben, zeigte ähnliche sprachliche Muster wie die ohne Modellunterstützung geschriebenen Texte. Die Angleichung steckte überwiegend in den Passagen, die vom Modell stammten. Für mich heißt das zweierlei. Meine Sprache bleibt meine, solange ich selbst schreibe. Das Modell färbt nicht ab, es besetzt nur den Platz, den ich ihm überlasse. Und wenn mein Text trotzdem nach allen anderen klingt, war nicht die Maschine schuld. Ich habe ihre Sätze stehen lassen.

Das gilt für dich genauso. Das Modell verändert nicht heimlich deine Sprache. Es macht Vorschläge aus der Mitte, und austauschbar wird dein Text in dem Moment, in dem du sie unverändert stehen lässt.

Ein Wechsel des Modells löst das übrigens nicht. In derselben Arbeit blieb die Angleichung über verschiedene Modelle, Prompts und Textsorten hinweg stabil. Und das Gegenstück zum Durchschnitt kenne ich aus meinen eigenen Entwürfen: Gebe ich Claude nur ein einzelnes Beispiel mit, übernimmt es manchmal die ganze Headline und tauscht nur ein paar Wörter aus. Ein einzelnes Beispiel ergibt eben kein Muster, sondern eine Vorlage. Statt des Durchschnitts aller Texte steht dann die Kopie eines einzigen in meinem Entwurf. Ob ich gar kein Beispiel mitgebe oder nur eines, der Fehler ist derselbe. Ich habe die Maschine entscheiden lassen, wie der Text klingt. Seitdem gebe ich mehrere Beispiele mit, und zwar bewusst unterschiedliche.

Manche Texte dürfen Standard sein

Zur Ehrlichkeit gehört die andere Hälfte der Befunde. In einem Experiment (öffnet in neuem Fenster) erledigten Berufstätige typische Schreibaufgaben mit ChatGPT deutlich schneller, und ihre Texte wurden im Schnitt besser bewertet. Im Kundensupport zeigt sich dasselbe Bild (öffnet in neuem Fenster).

Dort ist der Durchschnitt kein Risiko, sondern der Auftrag. Eine Versandbestätigung soll niemanden überraschen. Wenn dein Ziel Tempo, Verständlichkeit oder Konsistenz ist, dann ist der Durchschnittsauftrag genau der richtige Auftrag, und du darfst ihn ohne schlechtes Gewissen geben.

Genauso ehrlich muss die Grenze unserer These sein. Belegt ist, dass KI-überarbeitete Texte einzeln besser und untereinander ähnlicher werden und dass die Angleichung vor allem vom unveränderten Übernehmen kommt. Nicht belegt ist, dass dieser Gleichklang einer Marke messbar schadet. Die Angleichung selbst ist vor allem an Kurzgeschichten und Essays gemessen, nicht an Marketingtexten, und keine der Studien misst, ob eine B2B-Marke nach einem Jahr geglätteter Posts weniger wiedererkannt wird oder weniger Anfragen bekommt. Ich halte diesen Schaden für plausibel. Unser Redaktionsprozess mit seinen menschlichen Freigaben ist auf genau diese Annahme gebaut. Gemessen haben wir ihn nicht.

Was nur du liefern kannst

„Mensch oder KI“ ist darum die falsche Frage. Die Trennlinie, auf die es ankommt, verläuft mitten durch den einzelnen Text. Sie trennt die Teile, die Standard sein dürfen, von denen, die aus eigener Beobachtung stammen müssen.

Wohin es führt, wenn alle nur den Standardteil skalieren, sehen wir in unserem eigenen Posteingang. Ende Juli haben wir im Weekly darüber gescherzt, dass die Kalt-Akquise-Mails bei uns alle dieselbe Struktur haben und dass fast jede die „91,3 %“ von unserer Code Q Homepage aufgreift, als wäre das der persönliche Einstieg.

Das ist eine Beobachtung, keine Messung. Aber sie passt zu dem Bild eines Kanals, in dem alle denselben Durchschnittsauftrag skalieren.

Die Übergabe an Claude sieht bei mir so aus: Bevor es einen Satz für mich formuliert, bekommt es eine präzise Rolle, die Zielgruppe, den Zweck des Textes und mehrere eigene Beispiele, die bewusst nicht gleich klingen. Danach beginnt der Teil, der sich nicht abgeben lässt. Lesen, vergleichen, verwerfen, nachschärfen und am Ende entscheiden, welcher Vorschlag es wird oder ob keiner es wird.

Diese Redaktionsarbeit kostet genau die Seniorzeit, die KI einsparen soll. Im Kundensupport half der Assistent den weniger Erfahrenen am meisten. Beim Redigieren dreht sich das um. Beispiele sammeln, die eigene Stilvorlage erarbeiten und jeden Vorschlag wirklich lesen kann nur, wer den Unterschied hört. Bei den Texten, an denen man uns erkennen soll, wie Positionierung, persönliche Beiträge und dieser Blog, ist die Redaktionsarbeit kein Overhead. Sie ist die Arbeit.

Die letzte Auswahl bleibt bei dir

Für eine Terminabsage, einen Statusbericht und die Zusammenfassung eines Meetings gilt das alles nicht. Dort bringt dich das Modell schneller zu einem klaren Text, als du allein gebraucht hättest, und niemand vermisst dabei etwas. Auch unser erster Webinar-Teaser war kein schlechter Text. Als Ankündigung im Newsletter hätte er seinen Zweck erfüllt, und wahrscheinlich hätte ihn niemand beanstandet. Nur hätte ihn jede andere Agentur genauso verschicken können.

Wenn du das nächste Mal „mach das professioneller“ tippst, entscheide vorher, was die Maschine bekommt. Beispiele, Rolle, Zweck. Und was sie nicht bekommt: die letzte Auswahl.