GPTZero vs. ZeroGPT vs. tropa-2: KI-Detektor-Vergleich mit aktuellen LLMs (August 2026)

Die meisten Vergleiche von KI-Detektoren hinken den Modellen, die sie erkennen sollen, um ein Jahr hinterher. Deshalb haben wir einen neuen Datensatz gebaut: 522 englische Texte mit 177.512 Wörtern, davon 251 von Menschen geschrieben und 271 von aktuellen LLMs sowie Modellen der Vorgängergeneration erzeugt. Am 27. August 2026 haben wir alles durch GPTZero, ZeroGPT und unseren eigenen Detektor tropa-2 laufen lassen.

Ein Urteil pro Detektor und Text. Jeder Text und jeder Score ist öffentlich, Sie können also jede Zahl unten selbst nachprüfen.

Die Ergebnisse

Anteil der Texte, die der jeweilige Detektor als KI eingestuft hat. In der Zeile für menschliche Texte ist das die Falsch-Positiv-Rate (niedriger ist besser), in allen anderen die Erkennungsrate (höher ist besser). ZeroGPT lieferte für 3 Texte kein Ergebnis, seine Spalte bezieht sich daher auf 519.

Die beiden unteren Zeilen im Vergleich zu den beiden mittleren erzählen die ganze Geschichte. Eine Modellgeneration weiter, und GPTZero fällt von 100 % auf 41,9 %, ZeroGPT von 90 % auf 11,8 %.

Nach Modell: Wer wird erkannt?

Unbearbeitete, nicht paraphrasierte Ausgabe aktueller Modelle. Das n pro Modell ist klein (1–18 Texte), einzelne Zeilen zeigen also nur eine Tendenz.

(GPT-5.6 Sol Pro und Terra Pro mit n = 2 bzw. 1 sind im Diagramm enthalten, aber für die Tabelle zu klein.)

Auf Prosaqualität getrimmte Modelle sind für jedes Tool am schwierigsten: Claude Fable 5, Grok 4.6 und GLM 5.3 landen durchweg am unteren Ende. Für GPTZero ist GPT-5.6-Text nicht nennenswert schwerer zu erkennen als Gemini-Ausgabe (43–57 % gegenüber 62 %). Claude Opus 5 kam bei 12 Texten auf 50 % bei GPTZero, 0 % bei ZeroGPT und 100 % bei tropa-2.

Fehlalarme: die Zahl, auf die es wirklich ankommt

Ein Detektor, der echte Studierende beschuldigt, ist schlimmer als nutzlos. Dieser Abschnitt zählt deshalb mehr als der vorige.

Die 251 menschlichen Texte decken 12 Bereiche ab: arXiv-Abstracts von vor 2017, CC-News, wikiHow, technische Dokumentation, Enron-E-Mails, Reddit ELI5, Rezepte, Gutenberg-Belletristik, Poetry Foundation, Yelp-Bewertungen, Webseiten und 59 Schüleraufsätze aus PERSUADE 2.0. GPTZero beschuldigte keinen davon. tropa-2 beschuldigte einen: eine kurze Enron-E-Mail. ZeroGPT beschuldigte sieben (3 Rezepte sowie je einen Text aus Lyrik, technischer Dokumentation, wikiHow und Nachrichten).

251 Texte sind eine kleine Stichprobe für eine Rate, die man auf Zehntelprozent genau angeben möchte. Deshalb haben wir tropa-2 zusätzlich auf 3.000 Schüleraufsätze aus PERSUADE 2.0 angewendet (Klassenstufen 6–12, alle von Menschen verfasst, keiner im Training verwendet). Dort stufte es 2,6 % als KI ein; der Median-Aufsatz erzielte 13,7 von 100.

Wir werden das nicht schönreden. Bei den 59 Aufsätzen dieses Vergleichs sahen wir 0 %, doch der Durchlauf mit 3.000 Aufsätzen beziffert den ehrlichen Wert für Schülertexte auf etwa 1 von 40. Fehlalarme von KI-Detektoren bei Schüler- und Studierendenaufsätzen sind bei jedem Tool auf dem Markt ein reales Risiko, unseres eingeschlossen. Das Urteil eines Detektors sollte nie die alleinige Grundlage für einen Täuschungsvorwurf sein.

So sind wir vorgegangen

Dieselben Texte, derselbe Tag, Standardeinstellungen bei jedem Detektor. Es zählt jeweils das eigene Urteil des Tools: GPTZero – sein Label ai (die dritte Klasse, mixed, ist eine legitime Ausgabe für „teilweise KI“; wir werten sie hier als nicht KI und gehen in den FAQ darauf ein). ZeroGPT – „AI/GPT generated“ oder „most of your text is AI/GPT generated“ zählen als KI; alles andere, einschließlich „may include parts generated by AI“, nicht. tropa-2 – das auf der Website angezeigte Label „KI-generiert“, also ein Score von 90 oder mehr auf der Skala von 0 bis 100.

Der Label-Vergleich verdeckt einen Zielkonflikt: Ein Detektor kann sich höhere Erkennung durch mehr Fehlalarme erkaufen. Für die Tools mit kontinuierlichem Score haben wir die Schwelle daher zusätzlich an den 251 menschlichen Texten so festgelegt, dass höchstens einer davon (0,4 %) als KI eingestuft wird, und die Erkennung bei dieser Schwelle erneut gemessen. tropa-2: 96,3 % bei aktuellem unbearbeitetem Text, 74,0 % bei Paraphrasen. Der Prozentwert von ZeroGPT: 5,1 % / 2,1 %. GPTZero liefert keinen Dokument-Score, auf den sich eine Schwelle setzen ließe. An der Rangfolge ändert sich nichts.

Verteilung nach Länge: 379 kurze Texte (< 400 Wörter), 110 mittlere (400–750), 33 lange (750–1.000+). Die menschlichen Texte stammen aus der Zeit vor 2022, soweit die Quelle eine Datierung zulässt, und keiner davon wurde zum Training von tropa-2 verwendet.

Datensatz herunterladen und selbst nachrechnen

Alles liegt im GitHub-Repository (wasitaigenerated/ai-detector-benchmark). KI-Texte und alle Scores stehen unter CC BY 4.0; menschliche Texte behalten die Lizenz ihrer Quelle, und 32 Zeilen, deren Weitergabe nicht erlaubt ist, enthalten text: null sowie einen text_sha256, damit Sie sie trotzdem zuordnen können.

Die Haupttabelle in zehn Zeilen:

import json, urllib.request

URL = "https://raw.githubusercontent.com/wasitaigenerated/ai-detector-benchmark/main/2026-08/benchmark_2026-08.jsonl"
rows = [json.loads(l) for l in urllib.request.urlopen(URL) if l.strip()]

for cat in ["human", "new_raw", "new_para", "old_raw", "old_para"]:
    sub = [r for r in rows if r["category"] == cat]
    zg  = [r for r in sub if r["zerogpt_class"]]
    gz  = sum(r["gptzero_predicted_class"] == "ai" for r in sub) / len(sub)
    z   = sum(r["zerogpt_class"] == "ai" for r in zg) / len(zg)
    t2  = sum(r["tropa2_score"] >= 90 for r in sub) / len(sub)
    print(f"{cat:9} n={len(sub):3}  gptzero={gz:5.1%}  zerogpt={z:5.1%}  tropa-2={t2:5.1%}")

Setzen Sie die Scores Ihres eigenen Detektors ein, und Sie haben einen direkten Vergleich unter gleichen Bedingungen. Schicken Sie uns die Zahlen, und wir verlinken sie hier – auch die, bei denen wir schlecht aussehen.

FAQ