Ein einzelnes Wort kann verraten, dass hinter einem Text ein Sprachmodell steckt. Erst war es „delve“, jetzt häuft sich „load-bearing“, und dahinter steckt kein Zufall, sondern die Art, wie diese Modelle trainiert werden. Für alle, die KI zum Schreiben einsetzen, ist das ein Qualitäts- und Sichtbarkeitsrisiko.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
KI-Texte verraten sich zuerst über ihren Wortschatz, lange bevor der Inhalt auffällt. Entwickler dokumentieren gerade, dass Anthropics Claude auffällig oft von „load-bearing“ spricht, von „honest takes“ und davon, dass Sie „absolutely right“ liegen[3]. Der Reflex, solche Wörter einfach per Skript wegzufiltern, kuriert allerdings nur das Symptom.
Das Wichtigste in Kürze
- Sprachmodelle übernutzen eine kleine Gruppe von Stilwörtern, weil das Training über menschliches Feedback (RLHF) genau diesen Ton belohnt.
- Eine Studie an 15 Millionen medizinischen Abstracts belegt den Effekt: Wörter wie „delve“ sind nach ChatGPT sprunghaft nach oben geschnellt.
- Die verräterischen Wörter wechseln mit jeder Modellgeneration, das Muster dahinter bleibt gleich.
- Für Content, SEO und GEO zählt weniger ein Filter als eine eigene Verbotswortliste plus menschliches Lektorat.
Warum greifen Sprachmodelle immer zu denselben Wörtern?
Kein Einzelfehler: Die Vorliebe für „load-bearing“ ist kein Bug eines einzelnen Modells, sondern ein Trainingsartefakt. Beim Feinschliff bewerten Menschen die Antworten, und das Modell lernt, den Tonfall zu bevorzugen, der gut abschneidet. Eine Handvoll Wörter wird dabei überbelohnt und breitet sich aus.
Rückkopplung: Eine Untersuchung zu den Quellen dieser Überrepräsentation führt den Effekt auf das Verstärkungslernen aus menschlichem Feedback zurück[2]. Weil neuere Modelle auch mit Text älterer Modelle trainiert werden, schaukelt sich der Tick über die Generationen weiter auf.
Konvergenz: Da alle großen Anbieter auf ähnliche Daten und ähnliche Feedback-Methoden setzen, driften ChatGPT, Claude und Gemini unabhängig voneinander zu denselben Vokabeln. Deshalb liest sich „load-bearing“ als generisches KI-Sprech, nicht als Marotte eines einzelnen Werkzeugs. Wie sich dieser Ton auf die Sichtbarkeit in der KI-gestützten Suche auswirkt, entscheidet zunehmend über Reichweite.
Von „delve“ zu „load-bearing“: ein wiederkehrendes Muster?
Belegtes Muster: Ein Forschungsteam um den Tübinger Datenwissenschaftler Dmitry Kobak hat 15 Millionen medizinische Abstracts der Jahre 2010 bis 2024 ausgewertet[1]. Bei mindestens 13,5 % der 2024er-Abstracts haben die Forschenden Spuren KI-gestützten Schreibens gefunden, in einzelnen Fachbereichen bis zu 40 %. Nach oben geklettert sind dabei nicht die Fachbegriffe, sondern Stilwörter wie „delve“, „showcasing“ und „underscores“.
Nächste Runde: „load-bearing“ ist die 2026er-Fortsetzung derselben Geschichte. Ein neues Modewort löst das alte ab, sobald „delve“ verbraucht ist, begleitet von Dauergästen wie „you’re absolutely right“ und der „honest take“.
Wettrüsten: Genau deshalb sind Wort-Blocklisten und KI-Detektoren ein Rennen, das niemand gewinnt. Beide jagen immer dem letzten verräterischen Wort hinterher, während das Modell längst beim nächsten ist. Ein Blick in die gängigen KI-Textgeneratoren zeigt denselben eingeschliffenen Ton quer durch die Werkzeuge.
Ein Sprachmodell greift zu „load-bearing“ wie ein schlecht eingearbeiteter Praktikant zu Bürofloskeln. Vertrauen entsteht nicht dadurch, dass Sie das Wort ersetzen, sondern dadurch, dass eine eigene Stimme hörbar wird.
— Markus Seyfferth, Chefredakteur Dr. Web
Was bedeutet das für Content-Teams im DACH-Raum?
Doppeltes Risiko: Die verräterischen Wörter sind an zwei Fronten ein Geschäftsrisiko. Leser erkennen den Ton immer öfter, und ein Text voller Tells signalisiert „nicht selbst gedacht“ und untergräbt damit die Erfahrungs- und Vertrauenssignale, auf die Google achtet.
Google-Blick: Die Richtlinie gegen massenhaft produzierten Content (scaled content abuse) trifft generische Texte unabhängig davon, ob Mensch oder Maschine sie verfasst hat. Für die generative Suchmaschinenoptimierung zählt ohnehin die Zitierfähigkeit: KI-Systeme greifen konkrete, unterscheidbare Aussagen heraus, kein Füllwort-Sprech. Wovon diese KI-Sichtbarkeit konkret abhängt, hat sich zuletzt deutlich verschoben.
Vier To-dos: Praktisch heißt das für die Redaktion:
- Eine eigene Verbotswortliste im Styleguide führen und pro Modellgeneration aktualisieren.
- KI-Entwürfe grundsätzlich von einem Menschen redigieren lassen, nicht nur oberflächlich glätten.
- Sich nicht blind auf KI-Detektoren verlassen, denn sie schlagen auch bei sauber geschriebenen menschlichen Texten an.
- Für die KI-Suche auf konkrete, zitierfähige Aussagen setzen statt auf austauschbare Formulierungen.
Handlungsempfehlung: Behandeln Sie KI als Entwurfshelfer, nicht als Endredaktion. Der Wettbewerbsvorteil liegt 2026 nicht darin, schneller generische Texte zu erzeugen, sondern darin, ihnen eine erkennbar eigene Stimme zu geben.
Quellen
[1] Kobak et al., Science Advances: „Delving into LLM-assisted writing in biomedical publications through excess vocabulary“ ↩
[2] arXiv: „Why Does ChatGPT ‚Delve‘ So Much? Exploring the Sources of Lexical Overrepresentation in Large Language Models“ ↩
[3] jola.dev: „How to stop Claude from saying load-bearing“ ↩
