Mixed und AI-Polished bei GPTZero: Was die beiden Labels bedeuten

GPTZero gibt drei Prozentwerte aus, überschrieben mit „Chance this entire text is..." (Die Wahrscheinlichkeit, dass dieser gesamte Text … ist): AI, Mixed und Human. Diese Zahl ist die Sicherheit des Modells, dass die Klasse die richtige ist – nicht der Anteil Ihres Essays, der in sie fällt. GPTZero sagt das auf der Ergebnisseite selbst, in einer Zeile unter den Chips. Klicken Sie auf einen beliebigen Chip, klappt er auf zu benannten Unter-Readings, über die drei verteilt insgesamt fünf, und „AI polished" ist eines der beiden unter Mixed. GPTZero definiert es als „Human-written text that was refined or edited by an AI tool" (von einem Menschen geschriebener Text, der von einem KI-Werkzeug überarbeitet oder editiert wurde) und ergänzt, bei diesem Label seien „the core ideas and structure are the student's own work, but AI was used as an editing assistant" (die Kernideen und die Struktur sind die eigene Arbeit des Studierenden, die KI wurde aber als Editing-Assistent genutzt). „100 % mixed" heißt also: Das Modell ist sehr sicher, dass das Dokument in die Klasse mixed gehört. Auf welche der beiden Readings unter Mixed es sich dabei vor allem gestützt hat, ist eine eigene Zahl – einen Klick weiter.

Fangen Sie bei dem Bildschirm an, den Sie vor sich haben – GPTZero beantwortet die Frage dort nämlich selbst. Klappen Sie den Mixed-Chip auf, und direkt unter den Readings erscheint diese Zeile:

This result isn't the percentage of mixed text, it's the model's confidence in the classification of the entire text as mixed. (Dieses Ergebnis ist nicht der Prozentanteil gemischten Textes, sondern die Sicherheit des Modells, dass der gesamte Text als mixed einzustufen ist.)

Unter den beiden anderen Chips wartet derselbe Satz, nur mit vertauschtem Klassennamen: „isn't the percentage of AI text" (ist nicht der Prozentanteil von KI-Text) unter AI, „isn't the percentage of human text" (ist nicht der Prozentanteil von menschlich geschriebenem Text) unter Human.

Warum die Unterscheidung zählt, führt Alex Adam aus, der das Machine-Learning-Team von GPTZero leitet, in einem Beitrag vom 12. Januar 2024:

categorizing predictions this way enables the confidence of the detector to be disentangled from the percentage of sentences that are AI-generated. Without this distinction, an AI probability of 50% could mean that the detector is 50% confident in its prediction (essentially a coin flip), or that 50% of the text is AI-generated. (Werden Vorhersagen auf diese Weise einsortiert, lässt sich die Sicherheit des Detektors vom Prozentanteil der KI-generierten Sätze trennen. Ohne diese Unterscheidung könnte eine KI-Wahrscheinlichkeit von 50 % bedeuten, dass der Detektor seine Vorhersage zu 50 % für richtig hält – im Grunde ein Münzwurf –, oder dass 50 % des Textes KI-generiert sind.)

Zwei Lesarten derselben „50 %" – und für Sie bedeuten sie Gegensätzliches. Die dreiklassige Ausgabe existiert, um sie auseinanderzuhalten.

Die Dokumentation bestätigt das aus drei weiteren Richtungen. Ein Eintrag vom 9. Januar 2024 in den Release Notes von GPTZero sagt, die Vorhersagen seien „tuned to better represent the probability that the model is correct" (so eingestellt, dass sie besser abbilden, wie wahrscheinlich es ist, dass das Modell richtig liegt), und gibt als durchgerechnetes Beispiel, dass ein AI-Wert von 90 % bedeute: „there is a 90% chance that the text is entirely written by an AI" (es besteht eine 90-prozentige Chance, dass der Text vollständig von einer KI geschrieben wurde). Die API-Hilfeseite beschreibt eine Klassenwahrscheinlichkeit als „the chance that the detector is correct in its classification" (die Chance, dass der Detektor mit seiner Einstufung richtig liegt) und ergänzt, 90 % heiße richtig „90% of the time on similar documents" (in 90 % der Fälle bei ähnlichen Dokumenten). Beachten Sie ähnliche Dokumente, Plural – nicht Ihre. Und die Technik-Seite führt das unter GPTZeros Forschungsbeiträgen in der trockensten verfügbaren Formulierung auf: Der Detektor wird gefasst als „a trinary classification problem, separating prediction confidence from the proportion of LLM text." (ein dreiklassiges Klassifikationsproblem, das die Sicherheit der Vorhersage vom Anteil des LLM-Textes trennt.)

Eine GPTZero-Seite formuliert es genau andersherum. Der FAQ-Block auf der Startseite sagt, GPTZero „will suggest what percentage of your text is likely to be AI-generated" (schlägt vor, welchen Prozentanteil Ihres Textes wahrscheinlich KI-generiert ist). Das steht innerhalb einer dreiteiligen How-to-Antwort und beschreibt kein benanntes Ergebnisfeld – es dürfte also eher lockere Marketingformulierung sein als ein Widerspruch. So oder so bleibt die Arbeitsregel dieselbe: „GPTZero hat 30 % gesagt" lässt offen, welche Größe überhaupt gemeint ist; nennen Sie also, von welcher Oberfläche und aus welchem Feld der Wert stammt. Warum derselbe Text bei jedem Detektor anders abschneidet stellt das neben die Einheiten von Turnitin, Originality.ai und Winston AI – dort liegt die herstellerübergreifende Version dieses Problems.

Genau hier stolpern die Leute, und das ist der Grund, warum eine Formulierung wie „written by a human and polished with AI" (von einem Menschen geschrieben und mit KI poliert) scheinbar aus dem Nichts auftaucht. Die obere Reihe besteht aus drei Chips. Jeder lässt sich öffnen.

Insgesamt fünf benannte Readings. „AI polished" ist keine vierte Kategorie neben Mixed. Es ist eine der zwei Bedeutungen, die Mixed haben kann. Diese eine Tatsache beantwortet den Großteil der Verwirrung: Ein mixed-Ergebnis liest sich ganz anders, sobald Sie wissen, dass das andere Reading darunter AI-Human Mix heißt.

Klicken Sie auf das kleine Informationssymbol neben einem dieser Readings, öffnet sich ein Panel mit der Überschrift „Understanding AI Classifications" (KI-Klassifizierungen verstehen) und einem Tab für jede der fünf Klassen. Die Definitionen von GPTZero im Wortlaut:

AI Generated — Text written directly by an AI language model with no meaningful human editing. AI Paraphrased — AI-generated text that was rewritten — either by a tool or by hand — to disguise its origin. AI-Human Mix — Human-written text combined with AI-generated text in the same document. AI Polished — Human-written text that was refined or edited by an AI tool. Human — Text written entirely by a human with no AI involvement. (AI Generated – Text, der direkt von einem KI-Sprachmodell geschrieben wurde, ohne nennenswerte menschliche Bearbeitung. AI Paraphrased – KI-generierter Text, der umgeschrieben wurde – mit einem Werkzeug oder von Hand –, um seine Herkunft zu verschleiern. AI-Human Mix – menschlich geschriebener Text, kombiniert mit KI-generiertem Text im selben Dokument. AI Polished – menschlich geschriebener Text, der von einem KI-Werkzeug überarbeitet oder editiert wurde. Human – Text, der vollständig von einem Menschen geschrieben wurde, ohne KI-Beteiligung.)

Der Tab AI Polished trägt einen zweiten Absatz – und genau den sollten Sie vor sich haben:

The text was originally written by a human, then run through an AI tool to improve grammar, rephrase sentences, or enhance clarity. The core ideas and structure are the student's own work, but AI was used as an editing assistant. (Der Text wurde ursprünglich von einem Menschen geschrieben und dann durch ein KI-Werkzeug geschickt, um die Grammatik zu verbessern, Sätze anders zu formulieren oder die Verständlichkeit zu erhöhen. Die Kernideen und die Struktur sind die eigene Arbeit des Studierenden, die KI wurde aber als Editing-Assistent genutzt.)

Achten Sie darauf, wo jede Definition ansetzt. Polished beginnt bei menschlichem Schreiben. Paraphrased beginnt bei KI-Ausgabe. Das sind keine zwei Abstufungen derselben Sache, sondern zwei gegensätzliche Entstehungsgeschichten – und sie hängen an verschiedenen Chips.

Zwei Kleinigkeiten. Erstens schreibt GPTZero dieses Label an drei Stellen auf drei Arten: „AI polished" auf dem Chip, „AI Polished" im Panel und „Polished by AI" auf den Beispiel-Buttons der Startseite. Zweitens hat der kostenlose Scan eine Untergrenze: Bei 0 Zeichen steht im Feld „Enter at least 250 characters to scan" (Geben Sie mindestens 250 Zeichen ein, um zu scannen), und sobald Sie darüber liegen, wechselt es zu „Great! You've entered enough text to scan" (Super! Sie haben genug Text für einen Scan eingegeben).

Diese Klasse ist jünger als die anderen vier. Sie taucht in einer Release Note vom 3. Juni 2025 auf, einsortiert unter „Added" (Hinzugefügt), als einzelne Zeile:

Ability to detect "polished" texts that are lightly edited by AI (Fähigkeit, „polished"-Texte zu erkennen, die von KI leicht bearbeitet wurden)

Neun Monate später eine weitere Zeile, 11. März 2026: „Improved performance on the AI polished class." (Verbesserte Leistung bei der Klasse AI polished.) Das ist alles, was in den Release Notes zu ihr steht.

Die ausführlichere Erklärung kam zwei Tage nach jenem ersten Eintrag, in GPTZeros Beitrag zur Einführung der Klasse AI Polished, von Emily Napier, datiert auf den 5. Juni 2025. Dort steht mit dürren Worten, wo das Label hängt:

To improve transparency, we've decided to distinguish between documents that combine "chunks" of AI and human text and documents rewritten or polished by AI. We now identify these documents under the "Mixed" class with an accompanying tag of "AI Polished". (Um die Transparenz zu verbessern, haben wir uns entschieden, zwischen Dokumenten zu unterscheiden, die „chunks" aus KI- und Menschtext kombinieren, und Dokumenten, die von KI umgeschrieben oder poliert wurden. Wir weisen diese Dokumente nun der Klasse „Mixed" zu, zusammen mit dem begleitenden Tag „AI Polished".)

Das ist die Tabelle von oben, in GPTZeros eigenen Worten und mit einem Datum versehen: zwei Arten von mixed-Dokumenten, und eine davon bekommt das Tag AI Polished.

Wenn Sie den Beitrag suchen gehen: Suchen Sie nach zwei Schreibweisen. Überschrift und Fließtext verwenden „AI Polished", die Schreibweise des Panels. Zwei der Bildunterschriften verwenden stattdessen „Lightly edited by AI" – das ist keine der drei oben genannten Schreibweisen, sondern die Formulierung der Release Note, und die Seitenadresse ist daraus gebaut.

Der Beitrag gehört nicht zum Hilfe-Center von GPTZero, und keine der Hilfe-Artikel erwähnt das Label. Wir haben das Support-Center am 15. September 2026 lückenlos durchgesehen. Seine Startseite listet fünf Sammlungen der obersten Ebene, jede mit eigener Artikelzahl: General 36, API 17, Origin Extension 8, Account Management 11, Microsoft Word Add-In 5. Zusammen 77. Geht man in jede hinein, ergeben sich acht Untersammlungen plus drei Artikel, die direkt an einer Sammlungsseite hängen; zählt man die durch, kommt man auf genau 77 verschiedene Artikel. Wir haben alle 77 abgerufen und im `innerText` jeder Seite gesucht – also dem Text, den der Browser rendert (geschützte Leerzeichen in normale Leerzeichen umgewandelt, Navigation und Seitenleiste der Website eingeschlossen) –, an jenem Tag insgesamt 88.894 Zeichen. Die Seitenleiste ändert sich zwischen Seitenaufrufen, ein erneuter Durchlauf wird also nicht exakt auf diese Zahl kommen:

• `polish`, `polished`, `AI polished`, `AI-polished`, `AI Polished`, `Polished` – jeweils 0
• `Polish` – 1, und zwar die Sprache, in der Liste der unterstützten Sprachen
• `confidence in the classification`, die Formulierung, die der Ergebnisbildschirm verwendet – 0

Der Zähler funktionierte: Über denselben Korpus lieferte `burstiness` an jenem Tag 28 Treffer, `paraphras` 18, `sentence` 19, `mixed` 11. Auch das Blättern durch den Hauptindex der News bringt Sie nicht dorthin. Am 15. September 2026 war dieser Index 30 Seiten tief und endete bei 147 verschiedenen Beitragsadressen; der Beitrag vom Juni 2025 war nicht darunter. Er stand in der Sitemap der News, die zu diesem Zeitpunkt 320 Beiträge enthielt. GPTZero veröffentlicht oft – beide Summen werden sich also verschoben haben, wenn Sie nachsehen.

Nichts davon macht das Label unzuverlässig, und die Zählung ist kein Argument dafür, dass es das wäre. Sie erklärt nur, warum Sie nach der Lektüre aller Hilfe-Artikel von GPTZero immer noch nichts über AI Polished wissen. Wenn jemand fragt, was Ihr Label bedeutet, schicken Sie ihm diesen Beitrag. Machen Sie aber zusätzlich zum Score einen Screenshot vom Definitionspanel. Es ist eine kurze Definition, einen Klick von dem Reading entfernt, das Ihr Dokument bekommen hat – und sie macht den Unterschied zwischen jemandem, der „polished" für eine Beschönigung hält, und jemandem, der gelesen hat, wie GPTZero die Kernideen dem Verfasser zuschreibt.

Die Chips beschreiben das Dokument. Die Überschrift darüber lautet wörtlich „Chance this entire text is..." (Die Wahrscheinlichkeit, dass dieser gesamte Text … ist). Die Satz-Highlights sind eine zweite Ausgabe mit einer anderen Aufgabe, und die FAQ sagen ausdrücklich, in welche Richtung die Begründung läuft:

The sentence-level classification should not be solely used to indicate that an essay contains AI (such as ChatGPT plagiarism). Rather, when a document gets a MIXED or AI_ONLY classification, the highlighted sentence will indicate where in the document we believe this occurred. (Die Einstufung auf Satzebene sollte nicht allein dafür verwendet werden, anzuzeigen, dass ein Essay KI enthält (etwa ChatGPT-Plagiat). Vielmehr zeigt der hervorgehobene Satz, wenn ein Dokument als MIXED oder AI_ONLY eingestuft wird, an, wo im Dokument dies unserer Ansicht nach auftritt.)

Erst das Dokument, dann die Highlights. Sie erklären das Urteil, statt sich zu ihm aufzusummieren. Auf dem Bildschirm erscheint das als Liste mit der Überschrift „Your most AI sentences" (Ihre am stärksten nach KI aussehenden Sätze), bei der jeder Eintrag mit seiner Wirkung markiert ist und nicht mit einem eigenen Prozentwert.

GPTZero veröffentlicht außerdem eine Reihenfolge, wie weit man jeder Ebene trauen kann – und die läuft dem entgegen, wie die meisten Leute einen Bericht lesen:

The accuracy of our model increases as more text is submitted to the model. As such, the accuracy of the model on the document-level classification will be greater than the accuracy on the paragraph-level, which is greater than the accuracy on the sentence level. (Die Genauigkeit unseres Modells steigt, je mehr Text dem Modell übergeben wird. Daher ist die Genauigkeit des Modells bei der Einstufung auf Dokumentebene größer als auf Absatzebene, und diese wiederum größer als auf Satzebene.)

Ausgerechnet der einzelne hervorgehobene Satz ist das, worauf Ihr Blick am Ende starrt. Und er ist die Ebene, die GPTZero selbst als am wenigsten genau einstuft.

Zwei weitere Verhaltensweisen bringen Leute aus dem Konzept. Die hervorgehobenen Sätze sind laut dem Hilfe-Artikel zum Advanced Scan diejenigen, die „disproportionately affecting your overall AI or human score" (Ihren gesamten AI- oder Human-Score überproportional beeinflussen) – das ist Wirkung, nicht Anteil –, und GPTZero ergänzt, nicht hervorgehobene Sätze „may still have an effect on your score, but they aren't more likely than other parts of your document" (können Ihren Score weiterhin beeinflussen, sind aber nicht wahrscheinlicher als andere Teile Ihres Dokuments). Daneben hat ein Mittelergebnis ganz ohne Highlights einen eigenen Hilfe-Artikel: „there isn't one specific section of the document that is especially likely to have AI content. Rather, the entire document has signs of being AI generated, but with lower certainty." (Es gibt keinen bestimmten Abschnitt des Dokuments, der besonders wahrscheinlich KI-Inhalt enthält. Vielmehr weist das gesamte Dokument Anzeichen von KI-Generierung auf, allerdings mit geringerer Sicherheit.)

Zwei Release Notes sprechen das an, und beide sind enger gefasst, als die Leute annehmen.

6. Februar 2024:

Processing of long documents has been made more consistent. There should be less variation in predictions when cutting out a few sentences from long AI-generated documents (Die Verarbeitung langer Dokumente ist konsistenter geworden. Beim Herausschneiden einiger Sätze aus langen KI-generierten Dokumenten sollte es weniger Schwankungen in den Vorhersagen geben.)

2. Mai 2025:

Increased output stability when rescanning multiple times (Höhere Stabilität der Ausgabe beim mehrfachen erneuten Scannen)

Sehen Sie sich den Geltungsbereich der beiden an. Die erste betrifft das Herausschneiden von Sätzen aus langen KI-generierten Dokumenten. Die zweite betrifft den zweimaligen Durchlauf desselben Textes. Keine von beiden sagt etwas darüber, was passiert, wenn Sie einen Satz Ihres eigenen Entwurfs ändern und erneut scannen – und wir haben dazu auch nichts gefunden: In den 77 Support-Artikeln oben liefern `stabilit`, `rescan` und `re-scan` jeweils 0. Das ist die Lücke in diesem Artikel, und sie hat eine praktische Folge: Ein GPTZero-Wert sagt neben einem anderen GPTZero-Wert nur dann etwas, wenn Sie wissen, wann jeder von beiden erhoben wurde – halten Sie also das Datum zusammen mit dem Score fest.

Warum Daten wichtig sind, steht auf der Seite mit den Release Notes. Zählt man die Eintragsdaten am Zeilenanfang im `innerText` der Seite, kommt man auf 55 datierte Einträge seit Mai 2023, davon 10 aus dem Jahr 2026 bis zum 15. September; der neueste stammt vom 12. August 2026 (Model 4.9b). Zwei aus diesem Jahr: „More granular mixed text predictions and identification of interleaving mixed texts" (Feinere Vorhersagen für gemischten Text und Erkennung verschachtelter Mischtexte) im Mai und „Robustness to headers; headers are now excluded from our model's input" (Robustheit gegenüber Überschriften; Überschriften werden jetzt nicht mehr in die Modelleingabe einbezogen) im August. Der Ergebnisbildschirm druckt die Modellversion neben das Urteil – das ist das am leichtesten zu notierende Detail darauf. Ein Scan vom Juli und ein Scan von letzter Woche liefen nicht mit demselben Modell.

Das Confidence-Band ist die andere Hälfte des Readings – und genau der Teil, der wegfällt, wenn jemandem ein Score entgegengehalten wird. Der Hilfe-Artikel zum Advanced Scan bildet die Bänder auf Fehlerraten ab: „Highly confident: our error rate is less than 2%" (Hohe Sicherheit: unsere Fehlerrate liegt unter 2 %), „Moderately confident: our error rate would be around 10%" (Mittlere Sicherheit: unsere Fehlerrate läge bei etwa 10 %), „Low confidence: our error rate would be 14% or higher" (Geringe Sicherheit: unsere Fehlerrate läge bei 14 % oder höher). Die Technik-Seite setzt die oberste Stufe stattdessen auf „less than 1%" (unter 1 %) durchschnittliche Fehlerrate, bezogen auf einen internen Evaluationsdatensatz. Beide Zahlen stammen von GPTZero und beruhen auf GPTZeros eigenen Daten, sie passen nicht zueinander, und der Hilfe-Artikel, der die 2 % trägt, ist als zuletzt vor einem Jahr aktualisiert gekennzeichnet. Auch der ML-Leiter von GPTZero ist offen, was die Grenze der zugrundeliegenden Zahl angeht: Der Kalibrierungsschritt bewirke, dass der Detektor „not overconfident in its predictions" (bei seinen Vorhersagen nicht übermäßig selbstsicher) sei, zumeist jedenfalls, aber „achieving perfect calibration is nearly impossible" (eine perfekte Kalibrierung zu erreichen, ist nahezu unmöglich). Eine Klasse ohne ihr Confidence-Band ist ein halbes Ergebnis.

Ob das, was Sie getan haben, erlaubt war, ist eine Frage an Ihre Institution, nicht an einen Klassifikator – und GPTZero sagt das deutlicher als viele, die es zitieren: „these results should not be used to punish students" (diese Ergebnisse sollten nicht dazu verwendet werden, Studierende zu bestrafen) und „we don't recommend using an AI detection result as the only proof for academic punishment or discipline" (wir empfehlen nicht, ein KI-Detektionsergebnis als einzigen Beweis für eine akademische Bestrafung oder Disziplinarmaßnahme zu verwenden). Der ML-Leiter geht noch weiter, und diese Aussage sollten Sie kennen, wenn man Ihnen mit einem einzigen Scan kommt:

we do not encourage punitive actions based solely on the results of a single scan. Instead, a history of scan results should ideally be established, serving as stronger evidence of AI usage. (Wir befürworten keine strafenden Maßnahmen, die sich allein auf die Ergebnisse eines einzelnen Scans stützen. Stattdessen sollte idealerweise eine Historie von Scan-Ergebnissen aufgebaut werden, die als stärkerer Beleg für die Nutzung von KI dient.)

Fünf Dinge, die in Ihrer Hand liegen:

1. Klappen Sie den Chip auf, bevor Sie in Panik geraten. Ein nacktes „Mixed" ist das informationsärmste Ding auf dem Bildschirm. Die beiden Readings darunter sind AI-Human Mix und AI polished, und sie beschreiben unterschiedliche Situationen.
2. Halten Sie Klasse, Sub-Reading, Confidence-Band, Modellversion und Datum in einem einzigen Screenshot fest. Alle fünf stehen auf demselben Panel. Wer nur die Zahl abtippt, wirft alles weg, was sie lesbar macht.
3. Machen Sie auch einen Screenshot vom Definitionspanel, und bewahren Sie den Link zu GPTZeros Beitrag vom Juni 2025 auf. Das Panel liegt hinter dem Informationssymbol, und ein Screenshot hält die Definition so fest, wie Ihr Bildschirm sie gezeigt hat. In dem Beitrag erklärt GPTZero schriftlich, dass AI Polished ein Tag unter Mixed ist.
4. Finden Sie heraus, was Ihre Institution tatsächlich einsetzt, bevor Sie mit einer Zahl von anderswo streiten. Ein Selbstcheck mit einem kostenlosen Tool ist nicht der Bericht, den Ihre Fakultät ansehen wird, und Klassennamen, Formulierungen und Schwellenwerte sind zwischen den Anbietern nicht einheitlich. Dass zwei Tools bei Ihrer Datei zu unterschiedlichen Ergebnissen kommen, ist der erwartbare Ausgang, keine Fehlfunktion.
5. Behalten Sie Ihre Entwürfe und Ihre Versionsgeschichte. Der Rat, den GPTZero selbst Lehrenden gibt, lautet, nach „drafts, revision histories, or brainstorming notes" (Entwürfen, Versionsgeschichten oder Notizen aus dem Brainstorming) zu fragen, und ausdrücklich hervorgehoben wird die Versionsgeschichte des Editors als das, was die Frage meist klärt. Diese Belege müssen schon existieren, wenn Sie sie brauchen – es ist also eine Aufgabe für heute und nicht für die Zeit nach der E-Mail.

Die Ausgabe ist eine Lesart des Textes, der vor ihr liegt – kein Protokoll darüber, wie dieser Text entstanden ist. Auf welchem Chip Sie auch gelandet sind: Das Argument, das Sie tatsächlich gewinnen können, betrifft Ihren Arbeitsprozess, und die Belege dafür liegen in Ihren Entwürfen.

• GPTZero gegen Turnitin: Warum die Scores nicht übereinstimmen und was jedes Tool tatsächlich misst – für den Fall, dass beide Tools bei derselben Datei zwei verschiedene Werte liefern.
• Turnitin hat die violette „AI-paraphrased"-Markierung entfernt – Turnitins eigener Label-Satz hat sich im August 2026 geändert, und ein alter Screenshot ist nicht auf die Weise veraltet, die die Leute annehmen.
• Warum ein und derselbe Text bei jedem Detektor anders abschneidet
• Was KI-Detektoren jenseits von Perplexity und Burstiness messen – GPTZero sagt, es habe beides im Herbst 2023 nicht mehr verwendet, beim Umstieg auf eine Deep-Learning-Architektur.
• Markiert, aber Sie haben es selbst geschrieben: die Antwort vorbereiten
• Personal Statement als KI markiert: Die Aufgabenstellung hat die Form vorgegeben

Alle Zitate oben stammen von GPTZeros eigenen Seiten und aus einem kostenlosen Scan im abgemeldeten Zustand, durchgeführt am 15. und 17. September 2026; zu jedem Zitat ist angegeben, wo es steht. Wo zwei dieser Seiten für dieselbe Sache unterschiedliche Zahlen nennen, stehen hier beide.