KI-generierte Inhalte in Europa 2026: Verbreitung und Erkennbarkeit

Zentrale Ergebnisse

• 32,7 % der Personen zwischen 16 und 74 Jahren in der EU nutzten in den drei Monaten vor der Erhebung 2025 Werkzeuge der generativen KI, bei den 16- bis 24-Jährigen 63,8 %. Die nationalen Werte reichen von 17,8 % (Rumänien) bis 56,3 % (Norwegen).
• Der Anteil der EU-Unternehmen, die KI zur Erzeugung von Text, Sprache oder Code nutzen, stieg von 1,3 % im Jahr 2021 auf 8,8 % im Jahr 2025. Im Jahr 2025, dem ersten Erhebungsjahr dieses Indikators, nutzten 9,6 % KI zur Erzeugung von Bildern, Videos oder Audio.
• In Frankreich haben 32,8 % der Personen ab 12 Jahren KI zur Erstellung von Bildern, Fotos oder Videos genutzt, und nur 21,4 % der KI-Nutzer prüfen die Ergebnisse stets vor der Verwendung (Baromètre du numérique 2025).
• Die Erkennung von Originaldateien ist zuverlässig: 95,6 % der unveränderten KI-Texte, 99,5 % der KI-Bilder und 95,2 % der KI-Videoclips, jeweils bei niedriger Rate falsch positiver Ergebnisse.
• Mit der Verbreitung lässt die Erkennung nach. Bei Bildern bleibt sie stabil (96,2 % nach WhatsApp- und Instagram-Komprimierung). Bei KI-Videos von Krisenereignissen fällt sie nach einer einzigen Neukodierung von 86,9 % auf 55,9 %.
• Echte Aufnahmen werden selten falsch eingestuft: 1,0 % von 1.319 echten Krisenclips wurden als KI markiert.

1. Einleitung

Die KI-Verordnung der EU (AI Act) verpflichtet die Anbieter generativer Modelle, synthetische Audio-, Bild-, Video- und Textinhalte zu kennzeichnen (Artikel 50 Absatz 2), und diejenigen, die Deepfakes veröffentlichen, diese offenzulegen (Artikel 50 Absatz 4). Beide Pflichten gelten seit dem 2. August 2026. Kennzeichnung wirkt, wenn die gekennzeichnete Datei ihr Publikum unverändert erreicht. In der Praxis werden Inhalte per Screenshot erfasst, neu kodiert, zugeschnitten und erneut gepostet, und maschinenlesbare Kennzeichnungen gehen dabei häufig verloren.

Dieser Bericht stellt für jedes Medium zwei Größen nebeneinander: wie verbreitet die Nutzung generativer KI ist, auf Grundlage amtlicher Statistiken, und wie gut sich ihre Ergebnisse nachträglich erkennen lassen, auf Grundlage von Erkennungs-Benchmarks. Ziel ist es, Politik, Plattformen und Redaktionen ein nüchternes Bild davon zu geben, wo Erkennung belastbar ist und wo nicht.

2. Daten und Methoden

2.1 Nutzung generativer KI

Privatpersonen. Eurostat-Tabelle isoc_ai_iaiu aus der Gemeinschaftserhebung zur IKT-Nutzung in Haushalten und durch Einzelpersonen, 2025. Sie weist den Anteil der Personen zwischen 16 und 74 Jahren aus, die in den vorangegangenen drei Monaten Werkzeuge der generativen KI genutzt haben, nach Zweck und Altersgruppe. 2025 wurden diese Fragen erstmals gestellt; eine frühere Zeitreihe liegt daher nicht vor.

Unternehmen. Eurostat-Tabelle isoc_eb_ai, Unternehmen mit zehn oder mehr Beschäftigten, alle Wirtschaftszweige außer Landwirtschaft, Bergbau und Finanzsektor, 2021 bis 2025. Verwendet werden drei Indikatoren: Nutzung mindestens einer KI-Technologie, Nutzung von KI zur Erzeugung geschriebener oder gesprochener Sprache oder von Code sowie Nutzung von KI zur Erzeugung von Bildern, Videos oder Audio (erstmals 2025 erhoben).

Frankreich. Baromètre du numérique 2025 (Arcep, Arcom, CGE, ANCT), veröffentlicht auf data.gouv.fr: 4.145 Personen ab 12 Jahren, online und telefonisch befragt. Aus den Einzeldatensätzen wurden mithilfe des Erhebungsgewichts gewichtete Anteile für drei Fragen berechnet: wie häufig KI zum Schreiben von Text genutzt wird, wie häufig zur Erstellung von Bildern, Fotos oder Videos und ob KI-Ergebnisse vor der Verwendung geprüft werden.

Luxemburg. STATEC-Tabelle In Unternehmen eingesetzte KI-Technologien, veröffentlicht auf data.public.lu, nach Wirtschaftszweig, 2021 bis 2024.

2.2 Erkennbarkeit

Berichtet werden Ergebnisse aus drei Evaluierungen der WasItAIGenerated-Detektoren, jeweils auf Daten, die nicht zum Training der Modelle verwendet wurden:

• Text (September 2026), Detektor tropa-3: 2.572 Texte, darunter Ausgaben aktueller Sprachmodelle und von sechs Humanizer-Tools, bewertet von fünf Detektoren. Die hier berichteten Ergebnisse beziehen sich auf die 513 Texte, die alle Detektoren bewertet haben.
• Bilder und Video (Oktober 2026): 469 Bilder von 19 aktuellen Bildgeneratoren und 164 Clips von 12 Videomodellen, verglichen mit frei lizenzierten echten Fotos und Clips, jeweils auch als WhatsApp-, Instagram- und weitergeteilte Kopien. Die Ergebnisse stammen aus dem verborgenen Split von 40 %.
• Videos von Krisenereignissen (November 2026): 17.974 Clips aus RA-Bench, einem öffentlichen Benchmark von KI-Videos, die von neun Generatoren aus 1.830 echten Krisenclips erzeugt wurden, einschließlich eines Neukodierungs-Experiments und 633 Fälschungen, die alle fünf menschlichen Prüfer täuschten.

Erkennungsraten bezeichnen den Anteil markierter KI-Dateien bei einer festgelegten Rate falsch positiver Ergebnisse auf echten Dateien oder, wo angegeben, beim Produktiv-Schwellenwert. Die vollständige Methodik jedes Benchmarks ist jeweils mit diesem veröffentlicht.

3. Ergebnisse

3.1 Ein Drittel der Europäer nutzt generative KI

Eurostat isoc_ai_iaiu, 2025, letzte drei Monate. Alle Länder sind in der CSV-Datei enthalten.

3.2 Unternehmen erzeugen inzwischen mehr Medien als Text

Eurostat isoc_eb_ai, Unternehmen mit 10 oder mehr Beschäftigten.

Im Jahr 2025 nutzten etwas mehr EU-Unternehmen KI zur Erzeugung von Bildern, Videos oder Audio (9,6 %) als zur Erzeugung von Text (8,8 %). In Deutschland ist der Unterschied größer: 13,5 % gegenüber 9,0 %. Finnland (21,6 %), Schweden (18,7 %) und Dänemark (17,7 %) liegen bei der Medienerzeugung vorn. Für die Frage der Erkennung bedeutet dies, dass synthetische Medien kein überwiegend privates Phänomen mehr sind: Ein wachsender Anteil entsteht in gewöhnlichen betrieblichen Abläufen wie dem Marketing.

3.3 Frankreich: Ein Drittel erstellt Bilder oder Videos, wenige prüfen die Ergebnisse

Baromètre du numérique 2025, n = 4.145, gewichtet; eigene Berechnung auf Basis der offenen Einzeldaten.

Die französische Erhebung fragte KI-Nutzer zudem, ob sie die Ergebnisse der Werkzeuge vor der Verwendung prüfen. 21,4 % tun dies stets und 43,0 % häufig; 29,1 % prüfen selten und 6,6 % nie. Mehr als ein Drittel der Nutzer gibt KI-Ergebnisse somit weitgehend ungeprüft weiter; an dieser Stelle gelangen synthetische Texte und Bilder in Umlauf, ohne dass sie jemand kritisch betrachtet hat. Der französische Wert für die Nutzung insgesamt (48,3 %) liegt über dem Eurostat-Wert für Frankreich (37,5 %), weil sich die Fragen unterscheiden: Eurostat fragt nach den letzten drei Monaten und erfasst die Altersgruppe 16 bis 74 Jahre.

3.4 Luxemburg: Die KI-Nutzung hängt stark vom Wirtschaftszweig ab

STATEC, Unternehmen mit 10 oder mehr Beschäftigten, nichtfinanzielle gewerbliche Wirtschaft.

Im Bereich Information und Kommunikation nutzte 2024 fast die Hälfte der luxemburgischen Unternehmen KI, und 28,5 % erzeugten damit Text oder Sprache, gegenüber 3,4 % im Gastgewerbe. Synthetische Inhalte stammen daher überproportional aus den Branchen, die die meisten veröffentlichten Inhalte produzieren: Medien, Software, Beratung und Marketingdienstleistungen.

3.5 An der Quelle erkennbar, nach dem Teilen deutlich weniger

Bei Text und Bildern bleibt die Erkennung robust, auch nach der Komprimierung durch Messenger. Von Humanizer-Tools umgeschriebener Text ist die deutliche Schwachstelle (57,7 %). Videos von Krisenereignissen sind der schwierigste Fall: Eine einzige Neukodierung senkt die Erkennungsrate von 86,9 % auf 55,9 %, mit zusätzlicher Herunterskalierung fällt sie auf 26 %. Zum Vergleich: Die sieben im RA-Bench-Paper evaluierten Forschungsdetektoren erreichten auf den Original-Clips je Generator eine durchschnittliche AUC zwischen 43,9 und 57,3, nahe am Zufall; unser Detektor erreicht bei derselben Paarung 92,9 bis 100.

4. Diskussion

Kennzeichnung und Erkennung sind aufeinander angewiesen. Einige Generatoren signieren ihre Ausgaben bereits: Jeder in RA-Bench untersuchte Seedance-2.0-Clip trug ein gültiges C2PA-Manifest, das ihn als KI-generiert auswies. Solche Nachweise belegen die Herkunft, solange die Datei unverändert bleibt. Die meisten Repost-Abläufe entfernen sie, und im selben Schritt erschwert die Neukodierung zusätzlich die pixelbasierte Erkennung. Keiner der beiden Ansätze deckt die weiterverbreitete Kopie allein ab.

Originale sichern. Für Faktenprüfer, Plattformen und Ermittler ist der wirksamste Schritt, die früheste verfügbare Kopie einer Datei zu beschaffen. Die Erkennungsrate auf Original-Clips (86,9 %) liegt weit über jener auf den getesteten transformierten Kopien (26 % bis 68 %), und Herkunftsnachweise bleiben, sofern vorhanden, nur dort erhalten.

Unsicherheit ausweisen statt Ja oder Nein. Werte nahe am Schwellenwert sollten als „Prüfung erforderlich“ dargestellt werden, nicht als von Menschen erstellt. Auf RA-Bench erhöht eine Prüfstufe zwischen den Werten 0,5 und 0,8 den Anteil der KI-Clips, die mindestens eine Warnung erhalten, von 86,9 % auf 94,2 %, während die eindeutigen Fehlalarme bei 1,0 % bleiben.

Unabhängig messen. Die Erkennungsqualität unterscheidet sich stark zwischen Werkzeugen und nimmt ab, sobald neue Generatoren erscheinen. Öffentliche Benchmarks mit veröffentlichten Rohwerten, etwa RA-Bench und die hier verwendeten Datensätze, bilden die Grundlage, um Herstellerangaben zu überprüfen, auch unsere eigenen.

Die hier evaluierten Detektoren sind als kostenloser Deepfake- und KI-Video-Detektor, als KI-Prüfung für Text und Bilder sowie über die Deepfake-Erkennungs-API verfügbar. Umfassendere Zahlen zu synthetischen Medien sind in den Deepfake-Statistiken 2026 zusammengestellt.

5. Einschränkungen und Interessenkonflikt

• Das Unternehmen des Autors entwickelt die hier evaluierten Detektoren. Zwei der drei Benchmarks wurden von WasItAIGenerated erstellt; RA-Bench wurde unabhängig erstellt und nie für das Training verwendet.
• Die Erhebungsdaten beruhen auf Selbstauskünften und erfassen Personen zwischen 16 und 74 Jahren sowie Unternehmen mit zehn oder mehr Beschäftigten außerhalb des Finanzsektors.
• Der Bericht stellt Verbreitung und Erkennbarkeit nebeneinander. Er misst nicht, welcher Anteil der im Umlauf befindlichen Inhalte KI-generiert ist.
• Die RA-Bench-Auswertung umfasst 17.974 der 25.584 öffentlich herunterladbaren Dateien, zufällig ausgewählt und über die Generatoren ausbalanciert. Die Erkennungswerte für Text und Bilder stammen aus kleineren Stichproben; siehe die oben angegebenen Stichprobengrößen.

Verfügbarkeit der Daten

Alle Tabellen dieses Berichts, mit sämtlichen Ländern aus den Eurostat-Tabellen und allen luxemburgischen Wirtschaftszweigen, sind als CSV-Datei unter CC BY 4.0 verfügbar. Eurostat-Daten © Europäische Union, weiterverwendet gemäß der Urheberrechts- und Lizenzpolitik von Eurostat; STATEC-Daten CC0. Die französischen Werte sind aus dem Baromètre du numérique abgeleitet, das unter der Open Database License veröffentlicht ist, und werden daher separat als CSV-Datei unter ODbL 1.0 bereitgestellt. Die Erkennungs-Benchmarks sind auf der Forschungsseite von WasItAIGenerated dokumentiert.

Zitiervorschlag

Gerard, P. (2026). AI-generated content in Europe 2026: adoption and detectability [KI-generierte Inhalte in Europa 2026: Verbreitung und Erkennbarkeit]. WasItAIGenerated-Datenbericht, Version 1.0.https://doi.org/10.5281/zenodo.24145956

Archivierte Kopien: Zenodo · data.gouv.fr · data.public.lu

Quellen

1. Eurostat (2026). Individuals – use of generative AI tools (isoc_ai_iaiu). Aktualisiert am 5. Juni 2026.
2. Eurostat (2026). Artificial intelligence by size class of enterprise (isoc_eb_ai). Aktualisiert am 15. Juni 2026.
3. Arcep, Arcom, CGE, ANCT (2026). Baromètre du numérique, Erhebung 2025 (offene Daten, ODbL). data.gouv.fr, aktualisiert am 9. Februar 2026.
4. STATEC (2025). In Unternehmen eingesetzte KI-Technologien. data.public.lu, CC0.
5. Verordnung (EU) 2024/1689 (KI-Verordnung, AI Act), Artikel 50.
6. Autorinnen und Autoren von RA-Bench (2026). Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination. arXiv:2608.14391.
7. WasItAIGenerated (2026). Pangram vs GPTZero vs ZeroGPT vs tropa-3: AI detector benchmark, September 2026.
8. WasItAIGenerated (2026). AI image & video detector benchmark, Oktober 2026.
9. Coalition for Content Provenance and Authenticity. C2PA technical specification.