Drei Tage nachdem OpenAI GPT-6 Astra veröffentlicht hatte, legte Originality.ai einen Benchmark mit 1.000 Antworten vor, der eine Erkennungsrate von 99,9 % meldete. Wir haben das Design nachgebaut und durch tropa-2 laufen lassen. Die Schlagzeile ist schnell erzählt – und sie ist der uninteressanteste Teil dieser Seite.
Am 5. September, einen Tag nach der Generierung der Stichproben, meldete Originality.ai, sein Detektor habe 999 von 1.000 englischsprachigen Antworten von GPT-6 Astra als wahrscheinlich KI eingestuft – je 200 in fünf Kategorien: Blog, Konversation, Sachtext, Nachrichten und Rezension. Der einzige Fehlgriff war eine Konversationsantwort.
Die Studie nennt ihre Einschränkung selbst, in eigenen Worten: “English, known-AI text only; no human control group or false-positive measurement.” (nur englische Texte bekannter KI-Herkunft; keine menschliche Kontrollgruppe, keine Messung von Falsch-Positiven). Darauf legen wir Wert, denn es wäre einfach und unfair, das als etwas darzustellen, das verschwiegen wurde. Es steht klar im Text. Das ist eine Entscheidung über den Umfang, kein Versäumnis – und wir haben hier dieselbe getroffen.
Statt ein eigenes Design zu erfinden, haben wir das vorhandene gespiegelt, damit sich beide Ergebnisse direkt vergleichen lassen: 200 frische Generierungen von GPT-6 Astra in jeder der fünf gleichen Kategorien, aus einer festen Matrix von 40 Themen gekreuzt mit 5 Blickwinkeln, sodass sich innerhalb einer Kategorie kein Prompt wiederholt. Jede Antwort wurde von tropa-2 genau einmal bewertet.
Originality wertete eine Antwort ab 0,50 auf seiner Skala als erkannt. tropa-2 gibt Werte von 0 bis 100 aus, das Gegenstück ist also 50. Doch 50 ist empfindlicher als das, was wir tatsächlich einsetzen: wasitaigenerated.com zeigt „AI-generated“ ab 90 an.
Beides zu vermischen wäre der einfachste Weg, uns selbst gut aussehen zu lassen – deshalb nennen wir beide Werte. Das Ergebnis war jeweils identisch, und darum steht oben die strengere Schwelle.
Zwei weitere Hinweise, damit die Zahlen richtig eingeordnet werden. Astra stellt den meisten Antworten eine Markdown-Überschrift voran; wir haben sie belassen, weil echter eingefügter Text genau so aussieht, und Originality gibt nicht an, ob sie entfernt wurde – eine plausible Quelle kleiner Abweichungen zwischen den beiden Studien. Außerdem schlugen 4 der geplanten 1.000 Generierungen an der API fehl und wurden ausgeschlossen, statt sie erneut anzustoßen; damit bleibt n = 996.
Noch einer, weil Leserinnen und Leser so etwas nicht selbst entdecken sollten: 7 der Nachrichten-Generierungen sind keine Artikel. Auf die Bitte um eine kurze Meldung zu einer aktuellen Entwicklung antwortete Astra mitunter mit einer Rückfrage – “Which city or region should the article cover? Please share a recent news link” (Welche Stadt oder Region soll der Artikel behandeln? Bitte teilen Sie einen aktuellen Nachrichtenlink) –, statt eine Geschichte zu erfinden, für die es keine Quelle hatte. Wir haben diese Antworten im Datensatz belassen und als generierten Text bewertet, denn genau das sind sie; alle 7 wurden erkannt, die Summen oben gelten also so oder so. Das Verhalten ist für sich genommen bemerkenswert: Das Modell weigert sich, Nachrichten zu erfinden.
| Kategorie | Erkannt (≥ 90) | Anzahl | 95-%-KI |
|---|---|---|---|
| Blog | 100,0 % | 200/200 | 98,1–100,0 % |
| Konversation | 100,0 % | 200/200 | 98,1–100,0 % |
| Sachtext | 100,0 % | 200/200 | 98,1–100,0 % |
| Nachrichten | 100,0 % | 196/196 | 98,1–100,0 % |
| Rezension | 100,0 % | 200/200 | 98,1–100,0 % |
| Alle Kategorien | 100,0 % | 996/996 | 99,6–100,0 % |
Jede Kategorie fiel eindeutig aus, ohne Schwachstelle bei einem der fünf Schreibstile. Wir veröffentlichen Fallzahlen und Intervalle statt einer nackten Prozentzahl, damit sich das Ergebnis überprüfen lässt, statt dass man es glauben muss.
Diese Studie misst genau eine Sache: ob Texte von GPT-6 Astra erkennbar sind. Sie läuft konstruktionsbedingt nur auf Texten, die nachweislich maschinell geschrieben wurden, liefert also eine Erkennungsrate und sonst nichts.
Die ergänzende Frage – wie sich ein Detektor bei Texten echter Menschen verhält – beantworten wir gesondert, weil sie sich nicht mit jedem Modell-Release ändert. In unserem veröffentlichten Detektor-Benchmark stufte tropa-2 1 von 251 menschlichen Texten fälschlich als KI ein, daneben stehen Vergleiche Tool für Tool mit GPTZero und ZeroGPT auf demselben Datensatz.
Diese Zahlen, die Stichprobengrößen und die Methodik finden Sie in unserem Detektor-Benchmark vom August 2026. Aktuelle Falsch-Positiv-Werte für tropa-3 stehen im Benchmark vom September 2026.
Interessant ist nicht, dass wir 100 % erreicht haben. Interessant ist, dass zwei Detektoren konkurrierender Anbieter, mit unterschiedlichen Modellen und unterschiedlichen Trainingsdaten, unabhängig voneinander drei Tage nach dem Release zum selben Schluss über ein Spitzenmodell kamen. Ein neues Modell verschafft kein Zeitfenster der Unerkennbarkeit mehr.
Es sagt auch etwas darüber, wie schnell sich die Erkennung heute anpasst. Früher brachte ein neu erschienenes Modell eine Phase der Unsicherheit mit sich, bis die Detektoren aufgeholt hatten. Nach dieser Datenlage ist diese Lücke auf wenige Tage geschrumpft.
Eines sollten Sie bei jeder Erkennungszahl im Kopf behalten, auch bei unseren: Ein Score ist ein Indiz, kein Beweis. Ein hoher Wert bei einem einzelnen Dokument ist ein Anlass, eine Frage zu stellen – nie ein Urteil über einen Menschen. Wenn Sie eine Entscheidung treffen, die jemanden betrifft, gehört die Zahl ins Gespräch, sie ersetzt es nicht.
Das Setup, das diese Stichproben generiert und bewertet hat, ist ein einzelnes Skript in unserem Repository, die Prompt-Matrix ist darin festgelegt und dokumentiert, und die aggregierten Zählungen hinter jeder Zahl auf dieser Seite sind als JSON veröffentlicht – die Seite liest sie direkt ein, der Text kann also nicht von den Daten abweichen. tropa-2, das Modell hinter diesen Scores, ist gehostet; wer die Zahlen oben exakt reproduzieren will, muss also die API aufrufen. Wenn Sie lieber ohne uns nachvollziehen möchten, wie diese Art von Bewertung funktioniert: Unser kleineres Schwestermodell tropa-mini ist als Open-Weights-Modell unter Apache-2.0 auf Hugging Face veröffentlicht. Es ist ein anderes, kleineres Modell und reproduziert die Zahlen auf dieser Seite nicht.
In diesem Test ja – und zwar durchgängig. tropa-2 stufte 996 von 996 Antworten von GPT-6 Astra bei unserer Live-Schwelle als KI-generiert ein, über fünf Textkategorien hinweg. Originality.ai meldete mit demselben Studiendesign 99,9 %. Wenn zwei unabhängige Detektoren drei Tage nach dem Launch praktisch zum selben Ergebnis kommen, spricht das dafür, dass Astras Texte dieselbe statistische Signatur tragen wie frühere Spitzenmodelle.
Auf unbearbeitete Rohtexte von GPT-6 Astra in fünf Textkategorien, bewertet bei unserer Live-Schwelle. Eine Erkennungsrate wird nur an Texten gemessen, von denen feststeht, dass sie KI-geschrieben sind. Sie beantwortet also, ob dieses Modell erkennbar ist – nicht, wie sich ein Detektor bei menschlichen Texten verhält. Das veröffentlichen wir gesondert in unserem fortlaufenden Detektor-Benchmark.
Weil wir sie gesondert veröffentlichen. Diese Studie ist bewusst eng gefasst: Sie beantwortet, ob ein vor drei Tagen erschienenes Modell erkennbar ist. Das Verhalten bei Falsch-Positiven ändert sich nicht mit jedem neuen Modell, deshalb dokumentieren wir es in unserem fortlaufenden Detektor-Benchmark. Dort stufte tropa-2 1 von 251 menschlichen Texten fälschlich als KI ein, ergänzt um Vergleiche mit GPTZero und ZeroGPT.
Wir haben deren Design bewusst übernommen: 200 Antworten in jeder der fünf gleichen Kategorien, neu generiert und bei der dort angegebenen Schwelle bewertet. Originality.ai kam auf 999 von 1.000. Wir kamen bei derselben Schwelle auf 996 von 996. Das ist eine Replikation, keine Widerlegung: Ihre Studie und unsere stimmen überein.
Beide. Originality.ai wertete eine Antwort ab 0,50 auf seiner Skala als erkannt; tropa-2 gibt Werte von 0 bis 100 aus, das Gegenstück ist also 50. Zusätzlich berichten wir bei 90 – der Schwelle, ab der wasitaigenerated.com tatsächlich „AI-generated“ anzeigt. Das Ergebnis war bei beiden gleich, deshalb stellen wir die strengere in den Vordergrund.
Die Generierungsseite ja: Das Test-Setup ist ein einzelnes Skript, die Prompt-Matrix ist darin festgelegt und dokumentiert, und die aggregierten Zählungen sind als JSON veröffentlicht. Für die Bewertung braucht es tropa-2, ein gehostetes Modell – wer genau diese Zahlen reproduzieren will, muss also die API aufrufen. Als Open-Weights-Modell auf Hugging Face veröffentlichen wir tropa-mini, ein kleineres Modell: hilfreich, um nachzuvollziehen, wie die Bewertung funktioniert, aber es reproduziert die Zahlen auf dieser Seite nicht.
Ergebnisse auf Satzebene in Sekunden, für Text, Bilder, Audio und Video – mit veröffentlichten Fehlerraten statt versteckten.