GPT-5.5 vs. Claude 4.6 vs. Gemini 3.1: Welche KI ist 2026 am schwersten zu erkennen?

Im Mai 2026 dominieren drei KI-Modelle das professionelle und akademische Schreiben: OpenAIs GPT-5.5, Anthropics Claude 4.6 und Googles Gemini 3.1. Jedes davon wird mit dem Versprechen beworben, wie menschlich sich die Ergebnisse anfühlen. Jedes wird millionenfach täglich für Texte verwendet, die in Essays, Berichten und Content-Bibliotheken landen. Und jedes hinterlässt einen anderen statistischen Fingerabdruck.

Wir haben 600 frische Proben über diese drei Modelle hinweg erstellt und jede durch denselben Multi-Modell-Ensemble-Detektor laufen lassen. Die Ergebnisse räumen mit einigen Mythen auf, welches Modell am schwersten zu erkennen ist.

Wie wir getestet haben

Wir generierten 200 Ausgaben pro Modell — jeweils 50 in den Bereichen akademische Essays, Marketingtexte, technische Erklärungen und kreative Fiktion. Wir erstellten dann adversariale Varianten: eine humanisierte Version und eine leicht bearbeitete Version (15–20 % der Wörter manuell umgeschrieben). Gesamt: 600 Basisproben, 1.200 adversariale Proben.

Jede Probe wurde vom Agentic Council Ensemble von Plagly.ai bewertet (Perplexity, Burstiness, Stylometrie, Fingerprint, Diskurs) und mit dem neuesten Klassifikator eines großen kommerziellen Einzelmodell-Detektors gegengeprüft.

Hauptergebnisse: Rohe Ausgaben

Bei den Standardausgaben ohne Bearbeitung liegen die drei Modelle überraschend nah beieinander — aber die kleinen Unterschiede sind aufschlussreich.

Erkennungsgenauigkeit bei rohen Ausgaben

GPT-5.5 (roh): 94 % erkannt. Claude 4.6 (roh): 88 % erkannt. Gemini 3.1 (roh): 92 % erkannt. Bei Standardausgaben ohne spezielle Prompts werden alle drei zuverlässig von Ensemble-Tools erkannt — aber die Lücke zwischen Claude 4.6 und den anderen ist real.

Warum Claude 4.6 bei der Tarnung führt

Claude 4.6 wurde mit einem starken Fokus auf Registervariation und menschenähnlichen Prosarhythmus trainiert. Das Modell variiert die Satzstruktur aggressiver als seine Konkurrenten und nutzt weniger formelhafte Übergänge. Das Ergebnis ist ein Text, der auf den Achsen Perplexity und Burstiness näher an menschlicher Prosa liegt.

Warum GPT-5.5 am leichtesten zu entdecken ist

Obwohl GPT-5.5 am stärksten auf Flüssigkeit optimiert wurde, behält es die stärksten strukturellen Muster bei. Das Training betonte Zuverlässigkeit und Ausgewogenheit, was eine erkennbare Argumentationsform erzeugt: Einleitung, Darstellung mehrerer Perspektiven, Abschluss mit einer abgewogenen Synthese. Detektoren, die Diskursstrukturen modellieren, erkennen dies konsistent.

Wo sich die Modelle unterscheiden: Aufschlüsselung nach Merkmalen

Die reinen Genauigkeitszahlen verbergen größere Unterschiede darin, welche Merkmale die Erkennung auslösen.

Diskurs-Signale

GPT-5.5 hat den stärksten Diskurs-Fingerabdruck. Seine Vorliebe für ausgewogene Argumente und der übermäßige Gebrauch bestimmter Übergangsphrasen machen es am einfachsten, es auf Absatzebene zu erkennen.

Stylometrische Signale

Gemini 3.1 führt bei den stylometrischen Merkmalen. Seine Ausgaben zeigen markante Muster in der Adverbfrequenz, Passivkonstruktionen und Rhythmen auf Satzebene. Diese Merkmale sind tief in den Trainingsdaten von Google verankert.

Perplexity-Signale

Claude 4.6 hat das sauberste Perplexity-Profil — seine Ausgaben liegen am nächsten an menschlichen Baselines. Das macht es für Einzelmodell-Detektoren am schwersten zu erfassen.

Adversariale Bedingungen: Wenn es schwieriger wird

Die größere Lücke zeigt sich unter schwierigeren Bedingungen. Nach der Bearbeitung durch einen Humanizer haben wir erneut getestet:

• GPT-5.5 + Humanizer: 72 % erkannt.
• Claude 4.6 + Humanizer: 64 % erkannt.
• Gemini 3.1 + Humanizer: 70 % erkannt.

Der Vorsprung von Claude 4.6 vergrößert sich unter diesen Bedingungen weiter — aber selbst im schwierigsten Szenario wird die Mehrheit der Claude-4.6-Ausgaben immer noch markiert.

Warum dies im Jahr 2026 wichtig ist

Der Wettlauf der Modelle beschleunigte sich bis 2026, wobei OpenAI GPT-5.5 veröffentlichte, um Claudes Tarnungsvorteil einzuholen, Anthropic mit Claude 4.6 reagierte und Google Gemini 3.1 vorantrieb.

Einzelmodell-Detektoren werden zunehmend unzuverlässiger

Bei allen drei Modellen sind Einzel-Klassifikator-Detektoren am anfälligsten. Ein Tool, das nur auf Perplexity basiert und bei GPT-3.5 gut funktionierte, stuft Claude-4.6-Ausgaben nun in 50–60 % der Fälle falsch ein.

Kontinuierliches Retraining ist wichtiger als jeder Algorithmus

Der Agentic Council von Plagly.ai trainiert sein Fingerabdruck-Modul kontinuierlich auf frischen Ausgaben der großen Modelle nach. Die Erkennungsgenauigkeit bei Claude 4.6 ist seit dem Start um etwa sechs Prozentpunkte gestiegen.

Was als Nächstes kommt: Claude 5, GPT-6, Gemini 4

Alle drei Labore haben Veröffentlichungen der nächsten Generation für 2026 und 2027 angekündigt. Basierend auf dem aktuellen Zyklus erwarten wir: einen vorübergehenden Genauigkeitseinbruch bei jedem Release, eine schnellere Erholung für Ensemble-Produkte und eine wachsende Lücke zu veralteten Detektoren.

Das Wettrüsten begünstigt langfristig geringfügig die Erkennung. Jede LLM-Generation reduziert oberflächliche Merkmale, kann aber die tieferen strukturellen Muster nicht eliminieren.

Fazit

Claude 4.6 ist derzeit das am schwersten zu erkennende der drei Modelle — aber nur um wenige Prozentpunkte und nur im Vergleich zu Einzelmodell-Detektoren. Multi-Modell-Ensembles markieren immer noch die Mehrheit der Ausgaben aller drei Modelle. Die richtige Frage für 2026 lautet nicht „Welches Modell kann ich zur Tarnung nutzen?“, sondern „Welchem Detektor kann ich vertrauen?“