Erkennt Turnitin Grok? Was in der Modellliste steht

Ja. Grok wird in der Modellliste, die Turnitin veröffentlicht, ausdrücklich genannt. Darin heißt es, dass das KI-Schreiberkennungsmodell von Turnitin für englischsprachige Einreichungen Inhalte einer ganzen Reihe von Modellen erkennen kann, zu der neben Grok auch GPT, Gemini, Claude, LLaMA, Mistral, DeepSeek, Nova und o1-mini gehören. Die Liste umfasst außerdem "tools based on these LLMs as well," („ebenso Werkzeuge, die auf diesen LLMs basieren") — das heißt, Anwendungen und Dienste, die auf Groks Sprachmodelle aufsetzen, fallen mit in den angegebenen Erkennungsbereich.

Grok hat mehrere Versionen durchlaufen, jede mit eigenen Fähigkeiten und einem eigenen Veröffentlichungskontext. Die Klausel "tools based on these LLMs" („Werkzeuge, die auf diesen LLMs basieren") bedeutet, dass nachgelagerte Anwendungen, die Grok als zugrundeliegendes Modell nutzen, ebenfalls in den angegebenen Bereich fallen. Ob jede Version von Grok mit derselben Treffsicherheit erkannt wird, ist eine andere Frage — und eine, die die Liste selbst nicht beantwortet.

Turnitin veröffentlicht keine Tabelle mit Modellen und Ergebnissen nach dem Muster erkannt/nicht erkannt. Stattdessen findet sich in der Dokumentation eine fortlaufende, durch Kommas getrennte Liste. Der einleitende Satz lautet: "Currently, Turnitin's AI writing detection model for English submissions can detect content from" („Das KI-Schreiberkennungsmodell von Turnitin für englischsprachige Einreichungen kann Inhalte erkennen, die von folgenden Modellen stammen") — und dann folgt eine Liste, in der Grok neben anderen großen Sprachmodellen steht. Claude und Gemini stehen in derselben Zeile, und erkennt Turnitin Claude, Copilot oder Gemini geht auf genau diesen Teil näher ein. Am Ende der Liste heißt es, die Abdeckung erstrecke sich auch auf "tools based on these LLMs as well." („ebenso auf Werkzeuge, die auf diesen LLMs basieren").

Der entscheidende Ausdruck lautet "can detect content from." („Inhalte erkennen kann, die von … stammen"). Diese Formulierung sagt uns, dass der Detektor darauf trainiert ist, Text aus diesen Modellen wiederzuerkennen. Eine lückenlose Erkennung verspricht sie nicht. Ebenso wichtig ist der Satz, der unmittelbar auf die Liste folgt: "We will continue to expand our detection capabilities to other models in the future." („Wir werden unsere Erkennungsfähigkeiten in Zukunft auf weitere Modelle ausweiten.")

Für Grok heißt das konkret: Jedes Werkzeug und jeder Dienst, der Groks Sprachmodelle einsetzt, um Text zu erzeugen, liegt im angegebenen Bereich. Wie empfindlich diese Abdeckung ist, kann schwanken — darauf gehen wir weiter unten ein.

Warum die Erkennung kein einfaches Ja oder Nein ist, versteht man am besten, wenn man sich den Mechanismus ansieht, den Turnitin beschreibt. Wird eine Arbeit eingereicht, werden die Sätze herausgelöst und für die Analyse in überlappende Abschnitte zerlegt. Jedem Abschnitt weist das KI-Erkennungsmodell einen Wert zwischen 0 und 1 zu, der angibt, wie wahrscheinlich der Text von einem Menschen oder von einer KI stammt. Jeder geeignete Satz innerhalb dieser Abschnitte übernimmt den Wert seines Abschnitts. Weil die Abschnitte sich überlappen, kann ein Satz mehrere Werte erhalten; diese werden dann zu einem einzigen Wert zusammengefasst. Aus den Werten der Sätze wiederum wird der KI-Schreibwert des gesamten Dokuments berechnet.

Der Prozentwert, der am Ende in Ihrem Bericht steht, ist also die Zusammenfassung vieler kleiner Vorhersagen auf Satzebene. Es gibt keinen einzelnen Durchlauf, der das ganze Dokument pauschal als KI oder als menschlich abstempelt. Jeder Satz zählt in die Summe ein, und die Überlappungen sorgen dafür, dass Grenzfälle geglättet werden.

Das Modell von Turnitin steht nicht still. In der Dokumentation heißt es: "As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage.. However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed." („Wenn wir unser Modell weiterentwickeln und ausbauen, um neuere LLMs besser zu erkennen, werden sich mit hoher Wahrscheinlichkeit auch unsere Erkennungsfähigkeiten verändern, was sich auf den KI-Anteil auswirkt.. Bei einem bereits eingereichten Dokument ändert sich der KI-Anteil jedoch nur dann, wenn es erneut eingereicht und verarbeitet wird.")

Das hat eine ganz praktische Folge. Reichen Sie ein Dokument heute ein und erhalten einen bestimmten KI-Anteil, dann könnte dieselbe Datei bei einer erneuten Einreichung Wochen oder Monate später einen anderen Wert bekommen. Das Modell wird weiterentwickelt, und solche Updates können die Werte in beide Richtungen verschieben. Eine Passage, die heute als menschlich gilt, kann nach einem Update als KI-generiert gelesen werden — oder umgekehrt.

Für Grok-Texte heißt das: Die Erkennungsquote, die Sie heute erleben, muss nicht der entsprechen, die Sie später erleben. Grok selbst hat mehrere Iterationen hinter sich, und das Modell von Turnitin entwickelt sich weiter. Wenn Sie zwei Berichte zu derselben Datei vorliegen haben, ist der Vergleich zweier Berichte statt zweier Werte der einzige Weg, um zu sehen, welcher von beiden sich bewegt hat. Die Modellliste bestätigt, dass Grok im Erfassungsbereich liegt; wie empfindlich die Erkennung ist, kann sich mit jeder Verfeinerung des Modells ändern.

Turnitin räumt offen ein, dass der Detektor nicht alles findet. In der Dokumentation heißt es: "In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing." („Um diese niedrige Falsch-Positiv-Rate von 1 % zu halten, besteht die Möglichkeit, dass wir in einem Dokument etwas KI-geschriebenen Text übersehen. Damit können wir gut leben, denn wir möchten von Menschen geschriebenen Text nicht fälschlich als KI-geschrieben markieren. Wenn wir beispielsweise feststellen, dass 50 % eines Dokuments wahrscheinlich von einem KI-Werkzeug geschrieben wurden, könnte es bis zu 65 % KI-Text enthalten.")

Das ist eine bewusste Abwägung. Turnitin setzt auf eine niedrige Falsch-Positiv-Rate und nimmt dafür in Kauf, dass mancher KI-Text durchgeht. Ein Dokument, das 50 % KI anzeigt, kann tatsächlich bis zu 65 % KI-Text enthalten. Der Detektor geht auf Nummer sicher: Lieber übersieht er KI-Text, als dass er menschlichen Text fälschlich markiert.

Warum der Detektor so arbeitet, versteht man erst, wenn man weiß, was er eigentlich misst. Das Modell von Turnitin stützt sich nicht auf die Kennzahlen, die in öffentlichen Diskussionen über KI-Erkennung oft genannt werden — eine Behauptung, die man gegen verwendet Turnitin Perplexity und Burstiness zur KI-Erkennung lesen sollte. In der Dokumentation heißt es: "Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions. Instead, it learns statistical patterns from our training data." („Unser Modell ist nicht ausdrücklich darauf programmiert, bestimmte Signale wie ‚burstiness', ‚perplexity' oder andere einzelne Messwerte zu bewerten, die in öffentlichen Diskussionen mitunter genannt werden. Stattdessen lernt es statistische Muster aus unseren Trainingsdaten.") Anschließend wendet das Modell das Gelernte an, um Text einzuordnen. Wie Turnitin es formuliert: "Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." („Unsere Klassifikatoren sind darauf trainiert, diese Unterschiede in der Wortwahrscheinlichkeit zu erkennen, und kennen die spezifischen Folgen von Wortwahrscheinlichkeiten, die für menschliche Schreibende typisch sind.")

Anders gesagt: Der Detektor betrachtet Muster der Wortwahrscheinlichkeit, nicht oberflächliche Signale wie schwankende Satzlängen oder seltene Vokabeln. Deshalb kann stark bearbeiteter oder umgeschriebener KI-Text der Erkennung mitunter entgehen — und deshalb lässt sich erkennt Turnitin KI-Humanizer nicht mit einem schlichten Ja beantworten. Verschieben sich die Folgen der Wortwahrscheinlichkeiten bei der Bearbeitung stark genug, erkennt der Klassifikator den Text womöglich nicht mehr als KI-generiert. Für Grok-Texte heißt das: Der Detektor achtet auf die statistischen Muster im Text selbst, nicht darauf, Grok als konkrete Quelle zu identifizieren.

Wenn Ihr Turnitin-Bericht Passagen als KI-generiert markiert, ist es am praktischsten, nur die markierten Abschnitte zu bearbeiten, statt das ganze Dokument neu zu schreiben — genau darum geht es in nur die Absätze umschreiben, die ein Turnitin-Bericht markiert hat. Da Turnitin auf Satzebene bewertet, können Sie die Abschnitte ausfindig machen, die die Erkennung ausgelöst haben, und Ihre Überarbeitung dort ansetzen.

Zitate, Tabellen und Formatierung lassen Sie unangetastet. Nur die als KI markierten Passagen brauchen Aufmerksamkeit. Wenn Sie überarbeiten und erneut einreichen, denken Sie daran, dass der KI-Anteil sich auch wegen Modell-Updates verschieben kann, nicht allein wegen Ihrer Änderungen.

Für Passagen, die die Voraussetzungen erfüllen, ist ein erneuter Durchlauf kostenlos.