Business-Case-Study als KI markiert? SWOT, Five Forces und zwei Arten von Gleichförmigkeit

Wenn ein ganzer Jahrgang Dokumente abgibt, die sich gleichen, ist der erste Verdacht meist Plagiat. Dieser Reflex zeigt auf den falschen Bericht. Sie halten wahrscheinlich zwei Zahlen in der Hand, und die messen nicht dasselbe.

Ein Framework macht zweierlei mit Ihrem Text. Es gibt Ihnen ein festes Vokabular in einer festen Reihenfolge – deshalb sehen Ihre Absätze aus wie die Ihrer Kommilitoninnen und Kommilitonen. Und es macht aus Ihrem Bericht eine Reihe paralleler Fächer – deshalb sehen Ihre eigenen fünf Absätze einer aus wie der andere.

Nur auf das Zweite ist ein KI-Schreibanteil überhaupt ausgelegt. Die veröffentlichte Beschreibung des KI-Scorings von Turnitin ist ein Vorgang pro Einreichung: Die Datei wird in überlappende Segmente zerlegt, jedes Segment erhält eine Wahrscheinlichkeit, die Satzwerte werden zusammengeführt und aggregiert. Nichts darin vergleicht Ihr Dokument mit dem einer anderen Person. Der Abgleich mit fremder Arbeit ist die andere Zahl, der Similarity-Wert, und der ist gegen „Turnitin's comprehensive collection of content" (die umfassende Inhaltssammlung von Turnitin) definiert; der Anbieter stellt fest, die beiden seien „completely independent and do not influence each other" (vollständig unabhängig, ohne einander zu beeinflussen).

Es gibt noch eine dritte Sache, die Sie wissen sollten, bevor Sie irgendetwas anfassen – und es ist die, die Menschen überrascht: In einer framework-lastigen Case Study wird das meiste, was Sie geschrieben haben, gar nicht bewertet. Der Prozentwert wird über Prosa-Sätze berechnet. Nach dieser Definition sind eine SWOT-Matrix, ein PESTEL in Aufzählungszeichen und eine Liste von Five-Forces-Überschriften keine Prosa-Sätze.

Es lohnt sich, diese beiden zu trennen, bevor Sie etwas entscheiden, denn Studierende tragen die erste Sorge routinemäßig an den zweiten Bericht heran.

Zwei Details auf der Similarity-Seite, die spezifisch für die Sprache von Frameworks sind. Erstens: Framework-Bezeichnungen sind kurz. Der Leitfaden von Turnitin zu Ausschlussfiltern dokumentiert eine Einstellung für kleine Übereinstimmungen: „By default, the threshold is 8 words, meaning that only matches 8 words or longer appear in the Similarity Report. You can increase this number, but 8 words is the minimum allowed value." (Standardmäßig liegt der Schwellenwert bei 8 Wörtern; das heißt, nur Übereinstimmungen von 8 Wörtern oder mehr erscheinen im Similarity Report. Sie können diesen Wert erhöhen, aber 8 Wörter ist der Mindestwert.) Zählen Sie Ihre eigenen Framework-Zeichenketten dagegen. „Threat of new entrants" sind vier Wörter. „Bargaining power of buyers" sind vier. „Stärken, Schwächen, Chancen und Risiken" sind fünf. Die Einstellung ist in der klassischen Version des Berichts nicht verfügbar, und Sie können sie auch in keine der beiden Richtungen umschalten. Acht Wörter sind der Standardwert, sobald jemand den Filter einschaltet – keine Untergrenze, die unabhängig davon gilt, ob es jemand getan hat. Aber sie sagt Ihnen trotzdem, ab welcher Länge einer Übereinstimmung der Anbieter etwas als Rauschen behandelt.

Zweitens: Auf der KI-Seite sucht das Modell überhaupt nicht nach gemeinsamen Formulierungen. Im FAQ heißt es, die Klassifikatoren „are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers" (sie sind darauf trainiert, diese Unterschiede in der Wortwahrscheinlichkeit zu erkennen, und beherrschen die besonderen Wortwahrscheinlichkeits-Folgen menschlicher Schreibender); und an anderer Stelle, das Modell „is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions" (es ist nicht ausdrücklich darauf programmiert, bestimmte Signale wie ‚burstiness,' oder ‚perplexity,' oder andere einzelne Kennzahlen zu bewerten, die in öffentlichen Diskussionen manchmal genannt werden). KI-Schreibbericht und Similarity Report bei Turnitin im Vergleich zeigt die vollständige Trennung, falls Sie beide Zahlen vor sich liegen haben.

Was analysiert wird, sagt das FAQ ausdrücklich:

„This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures." (Dieser qualifizierende Text umfasst nur Prosa-Sätze; das heißt, wir analysieren ausschließlich Textblöcke, die in standardsprachlichen grammatikalischen Sätzen geschrieben sind, und schließen andere Textarten aus wie Listen, Aufzählungspunkte (kurze Strukturen, die keine Sätze sind) oder andere Strukturen, die keine Sätze sind.)

Und worauf sich der Prozentwert bezieht:

„As noted previously, this percentage is not necessarily the percentage of the entire submission. If text within the submission is not considered long-form prose text, it will not be included." (Wie bereits erwähnt, ist dieser Prozentwert nicht notwendigerweise der Prozentwert der gesamten Einreichung. Wenn Text innerhalb der Einreichung nicht als langformatiger Prosa-Text gilt, wird er nicht einbezogen.)

Gehen wir nun einen ganz normalen MBA-Case-Report durch und markieren, was diese Definition überlebt.

Diese Tabelle hat zwei Folgen, und die Zahl auf Ihrem Bildschirm zeigt Ihnen keine von beiden.

Ihr Prozentwert und der Ihrer Kommilitonin sind nicht vergleichbar, wenn Sie dieselbe Analyse unterschiedlich aufgebaut haben. Gleicher PESTEL-Inhalt, bei der einen in Aufzählungspunkten, beim anderen in ganzen Sätzen in einer Tabelle – und Sie werden über unterschiedlich viel Text bewertet.

Und der Rest an qualifizierender Prosa kann in einem rasterlastigen Bericht klein sein. Das ist wichtig, weil das FAQ über kleine Textmengen Folgendes sagt: „In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap." (Bei kürzeren Dokumenten mit nur wenigen hundert Wörtern ist die Vorhersage meist ‚all or nothing', weil wir für ein einzelnes Segment vorhersagen, ohne die Möglichkeit zur Überlappung.) Unter 300 Wörtern Prosa-Text wird gar kein KI-Schreibbericht erzeugt. Wenn Ihre Case Study mit 3.000 Wörtern zum größten Teil aus Exhibits und Aufzählungen besteht, wurde der Prozentwert, den Sie sehen, womöglich über die verbindenden Kommentare berechnet und über kaum etwas sonst. Welche Inhalte die KI-Prüfung von Turnitin überspringt behandelt die Ausschlüsse allgemein; der Punkt hier ist, dass Framework-Layouts den Nenner stärker verändern als fast jedes andere Aufgabenformat.

Turnitin veröffentlicht eine Beschreibung der Texte, auf die seine Fehlalarme fallen:

„Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas." (Manchmal können Fehlalarme, also das fälschliche Markieren von menschlich geschriebenem Text als KI-generiert, Inhalte ohne große strukturelle Abwechslung betreffen, Text, der sich wörtlich wiederholt, oder Text, der umformuliert wurde, ohne neue Ideen zu entwickeln.)

Framework-Prosa erfüllt diese Beschreibung auf ehrliche Weise – und aus Gründen, die nichts mit der schreibenden Person zu tun haben.

Das Vokabular ist durch die Quelle festgelegt. Das Institute for Strategy and Competitiveness der Harvard Business School veröffentlicht die fünf Kräfte unter genau diesen Namen: Threat of New Entrants, Bargaining Power of Suppliers, Bargaining Power of Buyers, Threat of Substitute Products or Services, Rivalry Among Existing Competitors. Michael Porter hat sie erstmals 1979 in einem Artikel im Harvard Business Review dargelegt. Diese Zeichenketten dürfen Sie nicht abwandeln – und keine Prüfperson will das.

Die Reihenfolge ist Konvention, keine Doktrin. Die ISC-Seite selbst listet die Substitute zuerst und die neuen Anbieter an vierter Stelle, was nicht der Reihenfolge im Absatz oben entspricht. Festgelegt ist der Satz, mit dem jeder Block endet. Der charakteristische Zug ist ein Urteil in einem festen Rahmen: Kraft, Bewertung, ein Begründungssatz. Machen Sie das fünfmal, und Sie haben fünf Sätze mit identischer Struktur und ausgetauschten Substantiven geschrieben – eine zutreffende Beschreibung von „content without a lot of structural variation" (Inhalt ohne große strukturelle Abwechslung).

Ich habe außerdem geprüft, ob irgendetwas davon als Sonderfall dokumentiert ist.

Was ich gezählt habe. Am 27. August 2026 habe ich den gerenderten Artikeltext der drei Turnitin-Seiten gelesen, die den AI Writing Report definieren: Using the AI Writing Report (6.492 Zeichen), das FAQ zu den Fähigkeiten der KI-Schreiberkennung (30.987) und die Release Notes zum AI writing detection model (9.233). In allen dreien gesucht: `SWOT` 0 · `PESTEL` 0 · `PESTLE` 0 · `Porter` 0 · `case study` 0 · `business` 0 · `marketing` 0 · `discipline` 0 · `genre` 0. Der einzige Treffer für `framework` ist der Anbieter, der das eigene Test-Framework beschreibt. Gegenprobe im selben Text: `prose` 13 · `qualifying` 15 · `bibliograph` 4. `subject area` kommt dreimal zurück, alle auf der FAQ-Seite und alle als Beschreibung der Trainingsstichprobe: einmal als „academic writing across geographies and subject areas" (akademisches Schreiben über Ländergrenzen und Fachgebiete hinweg), dann zweimal in einer wiederholten Liste von „less common subject areas such as anthropology, geology, sociology, and others" (weniger verbreitete Fachgebiete wie Anthropologie, Geologie, Soziologie und andere).

Es gibt also keine Ausnahme für Business Schools – in keine der beiden Richtungen. Das Modell kann eine Case Study nicht von einem Laborbericht unterscheiden, und die Dokumentation behauptet das auch nicht.

Der Framework-Teil einer Case Study soll austauschbar sein. Das ist der ganze Sinn eines Frameworks. Die Analyse soll der Teil sein, den nur Sie hätten schreiben können – und in den meisten Berichten sitzen beide im selben Absatz, im selben Register. Genau das macht das Dokument gleichförmig.

Konkrete Züge, die beide trennen:

1. Geben Sie Urteil und Begründung unterschiedliche Satzformen. Wenn der Bewertungssatz ein fester Rahmen ist, dann lassen Sie ihn das sein – schreiben Sie aber nicht auch den nächsten Satz in einem festen Rahmen. Eine kurze, flache Bewertungszeile, gefolgt von einem längeren argumentierenden Absatz, liest sich anders als fünf identische Mischformen.
2. Nennen Sie Zahl, Datum und Quelle. Ein Satz, der die Macht der Lieferanten an die beiden namentlich genannten Auftragsfertiger in Ihrem eigenen Exhibit 4 bindet und an das Jahr, in dem der zweite übernommen wurde, trägt Information, die „die Macht der Lieferanten ist wegen der Konzentration der Branche hoch" nicht trägt. Den zweiten Satz kann über jede beliebige Branche schreiben, wer nichts gelesen hat.
3. Sagen Sie, wo das Framework bei diesem Unternehmen versagt. Ein Absatz, der erklärt, dass die Kraft der Substitute in einem regulierten Markt mit gesetzlichem Monopol nahezu bedeutungslos ist, ist Analyse. Sie mit „niedrig" zu bewerten und weiterzugehen, ist das Ausfüllen eines Formulars.
4. Lassen Sie eine Box weg und begründen Sie die Auslassung in einem Satz. Kräfte von ungleicher Wichtigkeit mit gleicher Länge zu behandeln, ist genau die flache Struktur, die der Anbieter beschreibt – und sie gibt dieselbe Wortzahl für eine Kraft aus, die einen Satz wert ist, wie für eine, die eine Seite wert ist.
5. Schreiben Sie die Empfehlung vor den Frameworks und prüfen Sie dann, ob sie diese stützen. Berichte, die framework-zuerst entstehen, enden oft mit einem Fazit, das die Boxen nur noch einmal wiederholt. Eine Release Note von Turnitin aus dem Jahr 2023 stellte fest, dass sich Fehlalarme auf den ersten und den letzten Satz von Dokumenten konzentrierten, „written in a generic way" (auf eine generische Weise geschrieben); die Erkennungslogik wurde geändert, um das zu verringern – die Schreibgewohnheit dahinter ist geblieben. Warum Einleitungen und Schlussabsätze als KI markiert werden enthält die Release Note vollständig.

Ich sage Ihnen nicht, was ein Prozentwert danach tut – und niemand, der ehrlich ist, wird das tun. Was die Liste oben beschreibt, ist, welche Absätze einer Case Study Ihre sind und welche dem Framework gehören; und diese Grenze zu ziehen lohnt sich, ob nun ein Detektor beteiligt ist oder nicht.

Nehmen Sie an, der Bericht ist zurück und etwas muss sich ändern. Die Reihenfolge ist entscheidend, denn eine Case Study gehört zu den Dokumenten, die sich beim Umschreiben am leichtesten beschädigen lassen.

1. Lesen Sie die Markierungen, nicht den Prozentwert. Wo die Markierungen liegen, sagt Ihnen, ob das Modell auf Ihre verbindenden Kommentare reagiert hat oder auf Ihre Empfehlung. Die Zahl sagt das nicht.
2. Lassen Sie die Framework-Bezeichnungen in Ruhe. Sie sind Fachbegriffe. Wer prüft, ob Sie Porter richtig angewandt haben, will die fünf Namen sehen.
3. Lassen Sie die Exhibits, Kennzahlen und Abbildungen in Ruhe. Sie sind keine qualifizierende Prosa, und sie sind der Teil des Dokuments, an dem ein Fehler fatal ist.
4. Fangen Sie mit den Analyse-Absätzen an. Sie sind der Teil, den ein Umschreiben legitimerweise anfassen darf, und wenn der Bericht gleichförmig ausgefallen ist, sind sie auch der Teil, der von Anfang an dünn war.
5. Lesen Sie alles noch einmal Korrektur, was Sie angefasst haben. Jeder Absatz, der sich ändert, ist ein Absatz, den Sie nun gegen Ihre eigenen Zahlen in den Exhibits prüfen müssen. Dieser Aufwand macht einen Durchlauf über das ganze Dokument teuer – nicht das Umschreiben.

Punkt fünf ist der Grund, warum der Umfang bei einem Werkzeug wichtiger ist als alles andere. Das Tool HumanPen arbeitet an der Datei und nicht an einem hineinkopierten Auszug: Ein DOCX geht hoch, ein bearbeitbares DOCX kommt zurück, und Struktur, Terminologie, Zitate, Layout und Formatvorlagen bleiben, wie sie waren. Bei einem Bericht voller Tabellen und Exhibits ist das der Unterschied zwischen einem Auftrag und einem Nachmittag voller Neuformatierung. Sie können die Passagen selbst markieren, oder Sie richten das Werkzeug auf den KI-Bericht, den Sie von Turnitin oder iThenticate schon haben, und lassen es die markierten Stellen heraussuchen; so oder so schreibt es genau diese um und lässt alles andere unangetastet. Ein Absatz ist das Kleinste, was es anfasst, und die erweiterte Auswahl wird Ihnen vorher zur Freigabe vorgelegt, damit Sie genau wissen, wie viele Absätze Sie sich zum Gegenlesen eingehandelt haben. Passagen, die die Voraussetzungen erfüllen, können kostenlos erneut durchlaufen werden.

Dreißig von uns haben dieselbe SWOT geschrieben. Wird das als KI auffallen? Über diesen Mechanismus nicht. Der KI-Schreibanteil wird als Klassifikation des eigenen Textes in überlappende Segmente pro Einreichung beschrieben, nicht als Vergleich mit anderen Einreichungen; und das FAQ stellt fest, es gebe „no separate repository for AI writing detection" (kein eigenes Repository für die Erkennung von KI-Text). Text, den Sie mit fremder Arbeit teilen, ist die Similarity-Seite – eine andere Zahl mit eigenen Filtern.

Wird die SWOT-Matrix selbst bewertet? Aufzählungspunkte und andere Strukturen, die keine Sätze sind, sind dokumentiert als außerhalb der Analyse. Ganze Prosa-Sätze in einer Tabelle sind ein anderer Fall: Eine Release Note vom August 2023 sagt, langformatige Prosa in Tabellen werde nun verarbeitet, wobei bereits eingereichte Arbeiten neu eingereicht werden müssen, um neu verarbeitet zu werden. Dasselbe PESTEL kann also je nach Aufbau im Nenner stecken oder nicht.

Meine Case Study kam mit 100 % zurück. Es sind aber nur 900 Wörter richtige Prosa. Diese Kombination lohnt es, gegen den eigenen Vorbehalt des FAQ zu kurzen Texten zu lesen: „In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap." (Bei kürzeren Dokumenten mit nur wenigen hundert Wörtern ist die Vorhersage meist ‚all or nothing', weil wir für ein einzelnes Segment vorhersagen, ohne die Möglichkeit zur Überlappung.) Ein rasterlastiger Bericht kann weit weniger qualifizierende Prosa enthalten, als seine Gesamtwortzahl vermuten lässt. Kurze Dokumente und das Alles-oder-Nichts-Problem bei Turnitin erklärt die Mechanik der Segmente.

Soll ich aufhören, Frameworks zu verwenden? Nein, und Ihre Bewertungskriterien verlangen sie wahrscheinlich. Was Sie ändern können, ist das Verhältnis: weniger Platz für das Beschriften der Kästen, mehr für das Urteil, das die Kästen stützen sollten. Das ist ein besserer Bericht und zugleich ein weniger gleichförmiger.

Kann ich den Prozentwert einfach zu meiner Betreuerin mitnehmen und argumentieren, das sei ein Fehlalarm? Ansprechen können Sie ihn, und die eigene Formulierung des Anbieters hilft Ihnen dabei. Sein Leitfaden zum KI-Schreibbericht sagt über den Indikator, er „may not always be accurate" (trifft womöglich nicht immer zu) und „should not be used as the sole basis for adverse actions against a student" (sollte nicht als alleinige Grundlage für nachteilige Maßnahmen gegen eine Studentin oder einen Studenten dienen). Das Erkennungs-FAQ rät in der Passage über Fehlalarme, strukturell gleichförmigen Text „into consideration when looking at the percentage indicated" (bei der Betrachtung des angegebenen Prozentwerts in Betracht zu ziehen). Nichts davon ist ein Beweis dafür, wer das Dokument geschrieben hat. Was eine Fehlalarmquote von 1 % bedeutet, wenn eine Universität 75.000 Arbeiten einreicht ist die ehrliche Version der Rechnung.