Der zweite Entwurf: Warum KI-Texte erst beim Überarbeiten eine Stimme bekommen Der zweite Entwurf: Warum KI-Texte erst beim Überarbeiten eine Stimme bekommen

Der Absatz besteht jeden Oberflächentest

Werkstattbeispiel: Der Cursor steht hinter dem Satz: „Durch den Einsatz von KI können Unternehmen ihre Inhalte effizienter erstellen und ihre Sichtbarkeit nachhaltig verbessern.“ Der Beitrag ist vollständig. Die Einleitung kündigt einen Wandel an, der Mittelteil nennt Vorteile, am Ende folgen Empfehlungen. Grammatisch gibt es wenig zu beanstanden.

Nur die entscheidende Frage bleibt offen: Was hat die Redaktion hier eigentlich beobachtet? Der Satz verbindet ein Mittel mit zwei erwünschten Wirkungen, erklärt aber weder die Bedingung noch den Weg dazwischen. Er klingt nicht falsch. Er klingt, als hätte niemand entscheiden müssen, ob er stimmt.

Das ist kein reines Stilproblem. Es ist ein Entscheidungsproblem. Der Entwurf bevorzugt keine Beobachtung, begrenzt keine Behauptung und lässt keinen Gedanken zugunsten eines stärkeren aus. Er deckt das Thema ab, ohne eine Perspektive darauf zu entwickeln.

Eine redaktionelle Stimme entsteht genau an diesen Schnittstellen. Sie zeigt sich nicht nur in Wortwahl und Satzlänge, sondern darin, was ein Text behauptet, worauf er verzichtet und welche offene Frage er sichtbar lässt.

Plausibilität hat keine redaktionelle Absicht

Vereinfacht gesagt erzeugt ein Sprachmodell Text schrittweise. Aus Trainingsmustern und dem aktuellen Kontext leitet es ab, welche sprachliche Fortsetzung plausibel ist. Arbeitsauftrag, Quellenmaterial, Beispiele und technische Einstellungen verändern das Ergebnis. Sie geben dem System jedoch nicht von selbst eine redaktionelle Absicht, die unabhängig entscheidet, welcher Konflikt einen Beitrag tragen soll.

Allgemeine Aufträge begünstigen deshalb allgemeine Muster. Wer einen professionellen und innovativen Text über KI verlangt, erhält leicht das vertraute Vokabular aus Effizienz, Wandel, Chancen und strategischer Bedeutung. Diese Begriffe sind nicht grundsätzlich falsch. Sie passen nur auf so viele Situationen, dass sie kaum eine konkrete Beobachtung erzwingen.

Ein genauer Arbeitskontext verbessert den ersten Entwurf erheblich. Zielgruppe, Quellenlage, Begriffsgrenzen, unerwünschte Wendungen und vorhandene Textbeispiele helfen dem Modell, näher an die gewünschte Form zu gelangen. Auch ein Schreibstil lässt sich mit KI in seinen sichtbaren Merkmalen annähern.

Doch Stimme ist mehr als Oberfläche. Sie liegt in der Logik der Auswahl: Welcher Widerspruch bleibt stehen? Welche Behauptung wird enger gefasst? Welcher naheliegende Absatz fliegt heraus, weil er nichts trägt? Selbst ein guter Rohentwurf bekommt seine veröffentlichbare Form erst durch solche Entscheidungen.

Zuerst fällt die Behauptung, dann der Satz

Wer einen KI-Text redigieren will, sollte daher nicht mit Synonymen beginnen. Ein austauschbarer Gedanke wird durch ein kräftigeres Verb nicht eigenständiger. Vor dem sprachlichen Schnitt steht die Diagnose: Was behauptet der Absatz? Was davon ist belegt? Was ist Analyse, was lediglich ein Beispiel?

Im Werkstattbeispiel ließe sich der Ausgangssatz so bearbeiten: „Der Entwurf liefert mehrere Einstiege. Ob daraus ein Zeitgewinn entsteht, zeigt sich erst danach: Sind die Behauptungen belegt, und trägt die vorgeschlagene Struktur?“

Auch diese Fassung ist nur eine mögliche Lösung. Sie ist aber redaktionell belastbarer, weil sie das unbelegte Sichtbarkeitsversprechen entfernt und die Effizienzbehauptung an überprüfbare Bedingungen bindet. Der Unterschied liegt nicht im schöneren Klang. Der Satz weiß nun genauer, was er leisten kann.

Eine andere Redaktion könnte ihn ganz streichen und mit einem konkreten Fehler im Rohtext beginnen. Auch das wäre Stimme: nicht die eine perfekte Formulierung, sondern eine wiedererkennbare Art, Relevanz zu bestimmen.

Vier Durchgänge, ein Text

Ein redaktioneller KI-Workflow wird verlässlicher, wenn er Fakten, Komposition und Sprache nicht gleichzeitig reparieren soll. Eine belastbare Reihenfolge trennt vier Durchgänge:

1. Behauptung: Die zentrale Aussage wird in einem klaren Satz festgehalten. Passagen, die sie nur umkreisen oder ein Fachartikel-Muster imitieren, entfallen.
2. Beleg: Überprüfbare Fakten, redaktionelle Einordnung und veranschaulichende Beispiele werden getrennt. Unbelegte Zahlen oder Kausalitäten werden geprüft, eingeschränkt oder gestrichen.
3. Komposition: Die Reihenfolge wird neu gebaut. Nicht die Vollständigkeit des Arbeitsauftrags bestimmt den Einstieg, sondern die Beobachtung, an der das Problem sichtbar wird.
4. Sprachschnitt: Erst jetzt folgen Verben, Rhythmus, Übergänge und Wiederholungen. Manche Sätze werden präziser. Andere werden nicht verbessert, sondern gelöscht.

KI kann in jedem Durchgang helfen, wenn die Aufgabe begrenzt bleibt. Ein Modell kann pauschale Nutzenbehauptungen markieren, Dopplungen finden, Gegenargumente entwerfen oder alternative Einstiege anbieten. Weniger ergiebig ist die globale Aufforderung, den Text „menschlicher“ zu machen. Sie ersetzt ein unklares Qualitätskriterium häufig durch Umgangssprache, dekorative Bilder oder absichtlich eingebaute Brüche.

Auch eine automatische Faktenprüfung hat eine klare Grenze. Ein System kann auf Widersprüche und fehlende Belege hinweisen. Ob eine Quelle die konkrete Aussage tatsächlich trägt, muss jedoch am Original geprüft werden. Quellenzugang allein ist noch keine Quellenkritik.

Eleganz kann eine Lücke verdecken

Der zweite Entwurf ist nicht automatisch der bessere. Mehrfache Überarbeitung kann eine schwache Aussage so geschlossen formulieren, dass ihre offene Grundlage kaum noch auffällt. Aus einer Vermutung wird sprachlich eine Ursache, aus einem Einzelfall ein scheinbar allgemeiner Befund.

Gerade Anweisungen wie „präziser“, „souveräner“ oder „pointierter“ erhöhen dieses Risiko. Das Modell kann die Form schärfen, ohne die Tatsachengrundlage zu erweitern. Eine erfundene Genauigkeit wird durch einen knappen Satz nicht wahrer.

Deshalb sollten Sachprüfung und Stilrevision getrennte Zustände bleiben. Im ersten werden Quellen, Begriffe, Kausalitäten und Grenzen geprüft. Im zweiten wird nur noch mit dem Material gearbeitet, das diese Prüfung überstanden hat. Fehlt ein Beleg, braucht der Absatz keine bessere Überleitung, sondern eine Einschränkung oder eine Streichung.

Für KI-generierte Inhalte im Web gilt dieselbe Nüchternheit. Google bewertet Inhalte nicht allein danach, welches Werkzeug an ihrer Entstehung beteiligt war. Die Hinweise von Google zum Einsatz generativer KI stellen hilfreiche, verlässliche Inhalte in den Vordergrund und verweisen darauf, dass automatisierte Inhalte mit dem primären Zweck der Rankingmanipulation gegen die Spam-Richtlinien verstoßen können.

Eine eigene Stimme ist damit kein ausgewiesener Rankingfaktor. Für die redaktionelle Qualität von KI-Content bleibt sie dennoch ein brauchbares Signal: Jemand hat ausgewählt, geprüft und den Text für eine konkrete Frage gebaut, statt nur wahrscheinliche Formulierungen zu vervielfachen.

Die Auswahl bleibt im Text zurück

Im Werkstattbeispiel ist der zweite Entwurf nicht daran zu erkennen, dass er persönlicher oder exzentrischer klingt. Das Sichtbarkeitsversprechen ist verschwunden. Die Effizienzbehauptung hat Bedingungen bekommen. Der Einstieg zeigt nun ein Problem, statt nur das Thema anzukündigen.

Ein guter Fachtext muss nicht rau wirken, um eine Stimme zu besitzen. Er darf nüchtern sein. Entscheidend ist sein Widerstand gegen das bloß Passende: Er sagt nicht alles, was zum Thema gehören könnte. Er lässt schwache Argumente draußen, kennzeichnet Beispiele und beendet einen Gedanken, bevor daraus eine Beratungsfloskel wird.

Beim nächsten KI-Text lässt sich der zweite Entwurf deshalb an den Spuren der Auswahl erkennen: Eine Behauptung ist enger geworden, ein Absatz fehlt, ein Beispiel trägt ein Etikett, ein Übergang wurde gestrichen. Der Rohtext wollte plausibel weiterreden. Die redigierte Fassung weiß, warum genau dieser Satz hier stehen muss – und warum sie danach aufhört.