Die Ankündigung von Anthropic am 10. August 2026 (Anthropic 2026), KI-generierte Texte mit einem Wasserzeichen maschinenlesbar zu markieren, hat zu einem großen Medienecho geführt. Sie trifft leider im Bildungsbereich an vielen Stellen auf einen vermeintlichen Bedarf: Lehrkräfte möchten wissen, ob eine eingereichte schriftliche Leistung tatsächlich von der Schülerin oder dem Schüler stammt. Eine technische Lösung in Form einer KI-Markierung zu erhalten, erscheint für diese Gruppe von Lehrkräften attraktiv. Doch der Schein trügt. Das KI-Wasserzeichen liefert keinen „wasserfesten“ Beweis und wurde auch nicht mit der Intention geschaffen, Schüler:innen der KI-Täuschung zu überführen.
1. Was ist ein KI-Wasserzeichen bei Texten?
Ein KI-Wasserzeichen ist eine unsichtbare Textmarkierung und kein sichtbarer Stempel und auch keine nachträglich an eine Datei angehängte Information. Bei den aktuell diskutierten Verfahren wird das Muster schon während der Textgenerierung erzeugt und wird in den Text fest integriert, so dass es beim Kopieren erhalten bleibt. Dazu muss man sich den Prozess der Textgenerierung vor Augen führen:
Das Sprachmodell von Anthropic berechnet für jede Wortsilbe („Token“) eine Auswahl von wahrscheinlichen und damit „passenden“ Fortsetzungen. Ein geheimer Schlüssel teilt nun mögliche Token in Gruppen ein, so dass bestimmte Token bei der Auswahl bevorzugt werden. Für Leserinnen und Leser bleibt der Text unauffällig. Ein passender Detektor kann anschließend statistisch prüfen, ob die bevorzugten Token ungewöhnlich häufig auftreten (Kirchenbauer et al. 2023). Anthropic hat übrigens seinen Detektor für das neue Wasserzeichen noch nicht veröffentlicht, so dass derzeit keine externen Prüfungen stattfinden können. Das von Google verwendete Verfahren SynthID ähnelt stark dem Anthropic-Ansatz und wurde bereits 2024 vorgestellt (Dathathri et al. 2024). Es steht als Open-Source-Lösung auf GitHub (https://github.com/google-deepmind/synthid-text) zur Verfügung.
Von den KI-Wasserzeichen für Texte sind allgemeine KI-Detektions-Werkzeuge zu unterscheiden. Diese Werkzeuge kennen keinen eingebaute Textmarkierung, sondern beurteilen anhand sprachlicher Muster, ob ein Text eher menschlich oder maschinell wirkt. Dabei wird unter anderem geprüft, wie vorhersehbar die verwendeten Wörter für ein Sprachmodell sind („Perplexität“) und wie stark sich die Sätze in Aufbau und Länge unterscheiden („Burstiness“). KI-generierte Texte weisen oft eine gleichmäßigere Satzstruktur auf als von Menschen verfasste Texte, siehe hierzu den sehr lesenswerten Beitrag des Gymnasiallehrers Hauke Pölert in seinem Blog „Unterrichten.Digital“ (Pölert 2025). Diese Merkmale können daher Hinweise auf einen möglichen KI-Einsatz geben, sind für sich allein aber kein eindeutiger Nachweis. Im Gegensatz dazu prüft ein Wasserzeichen also ein gezielt in den Text eingebautes Signal, das nach außen hin verborgen bleibt. Die beiden Verfahren sind in Tabelle 1 im Vergleich dargestellt.
Tabelle 1: Vergleich von KI-Wasserzeichen bei Texten zu allgemeinen KI-Detektionswerkzeugen
| Kriterium | KI-Textwasserzeichen | Allgemeine KI-Detektionswerkzeuge |
|---|
| Grundidee | Ein verborgenes, gezielt erzeugtes statistisches Signal wird während der Textgenerierung in den Text integriert. | Ein vorhandener Text wird anhand seiner sprachlichen und statistischen Eigenschaften daraufhin untersucht, ob er eher menschlich oder KI-generiert wirkt. |
| Was wird untersucht? | Ob bestimmte, durch einen geheimen Schlüssel bevorzugte Token ungewöhnlich häufig auftreten. | Typische Merkmale KI-generierter Texte,
z. B. Perplexität, Satzstruktur und „Burstiness“. |
| Geheimer Schlüssel erforderlich? | Ja. Der Schlüssel bestimmt, welche Token bei der Generierung bevorzugt werden und ermöglicht eine gezielte statistische Prüfung. | Nein. Das Werkzeug sucht nach allgemeinen sprachlichen Mustern und kennt kein herstellerspezifisches eingebettetes Signal. |
| Für Menschen sichtbar? | Nein. Es handelt sich nicht um einen sichtbaren Stempel oder eine angehängte Dateiinformation. | Nein. Es wird lediglich der Text analysiert. |
| Bleibt beim Kopieren erhalten? | Grundsätzlich ja, weil das Signal in der Token-/Wortwahl des Textes selbst steckt. Stärkere Überarbeitungen können es jedoch abschwächen oder zerstören. | Nicht relevant: Es gibt kein eingebettetes Signal, das erhalten bleiben müsste. |
| Art des Nachweises | Prüfung auf ein gezielt eingebautes Signal. | Indizienbasierte Klassifikation anhand typischer Textmerkmale. |
| Aussagekraft | Kann bei Kenntnis des Wasserzeichenverfahrens und unter geeigneten Bedingungen einen spezifischeren Hinweis auf die Herkunft des Textes liefern. | Liefert eine Wahrscheinlichkeitsaussage bzw. einen Hinweis, aber für sich allein keinen eindeutigen Nachweis einer KI-Nutzung. |
| Typische Fehlerquelle | Übersetzungen, Paraphrasierung oder andere Veränderungen des Textes können das Wasserzeichen zerstören. | Menschliche Texte können als KI-generiert erscheinen und KI-Texte als menschlich eingestuft werden. Textart und Schreibstil beeinflussen das Ergebnis. |
| Fragestellung | „Ist das gezielt eingebaute Wasserzeichen vorhanden?“ | „Sieht dieser Text statistisch so aus, als könnte ihn eine KI geschrieben haben?“ |
Schlussfolgerung: Beide Verfahren liefern keine Aussage über die Qualität einer Leistung oder über die geistige Urheberschaft.
Es sind zwei Fälle zu unterscheiden:
Ein erkanntes Wasserzeichen bedeutet nur, dass ein KI-System an der Texterstellung in „irgendeiner“ Weise mitgewirkt hat. Das kann im Extremfall bedeuten, dass der Text vollständig von der KI generiert wurde. Die Markierung kann aber auch bei einem Text auftreten, dessen Gedanken und Rohfassung vollständig von einem Menschen stammen, der „nur“ im zweiten Schritt ein KI-System eingesetzt hat, z. B. für eine Textkorrektur oder eine Paraphrasierung. Anthropic weist selbst auf die Limitationen seiner Wasserzeichen-Markierung hin (Anthropic 2026).
Kein Wasserzeichen bedeutet nicht automatisch „menschlich geschrieben“. Ein komplett KI-generierter Text mit zuvor vorhandener Markierung kann nach starker Überarbeitung, Paraphrasierung, Übersetzung oder Vermischung mit anderem Text nicht mehr erkennbar sein. Kurze Passagen bieten zudem häufig zu wenig Material für ein verlässliches statistisches Signal. Ausgaben älterer oder nicht unterstützter Modelle können ebenfalls unmarkiert sein (Anthropic 2026).
Schlussfolgerung: Keines der beiden Ergebnisse beantwortet die Frage nach dem Grad menschlicher Eigenleistung, erlaubter Unterstützung oder Täuschungsabsicht.
Die KI-Kennzeichnung nach dem EU AI Act (Europäische Union 2024) verfolgt vor allem ein Transparenz- und Vertrauensschutzziel: Menschen sollen erkennen können, ob sie mit KI interagieren beziehungsweise ob Inhalte künstlich erzeugt oder manipuliert wurden. Nach Artikel 50 Absatz 2 der europäischen KI-Verordnung sind Anbieter generativer KI-Systeme verpflichtet, synthetische Text-, Bild-, Audio- und Videoausgaben maschinenlesbar zu markieren und als künstlich erzeugt oder verändert erkennbar zu machen. Diese Regelung gilt seit dem 2. August 2026 für alle Anbieter entsprechender Systeme auf dem europäischen Markt. Die technischen Lösungen sollen – soweit technisch machbar – wirksam, interoperabel, robust und zuverlässig sein.
Durch diese EU-Verordnung wird Druck auf KI-Anbieter ausgeübt: Wer gegen diese Kennzeichnungspflicht verstößt, riskiert nach Artikel 99 Absatz 4 Buchstabe g der Verordnung ein Bußgeld von bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes des vorangegangenen Geschäftsjahres, je nachdem, welcher Betrag höher ist.
Das Gesetz schreibt übrigens nicht vor, dass ein für Menschen sichtbarer Hinweis (wie „KI-generiert“) auf dem Text platziert werden muss. Gefordert ist eine maschinenlesbare Markierung, wobei Wasserzeichen im Gesetzestext nur als eine der möglichen Techniken aufgeführt werden.
Zu erwähnen ist in diesem Zusammenhang noch der freiwillige Verhaltenskodex (Code of Practice), den rund 190 Unternehmen (darunter Google, OpenAI und Anthropic, nicht jedoch xAI von Elon Musk) bis Ende Juli unterzeichnet haben, um nachzuweisen, dass sie die gesetzlichen Pflichten erfüllen (Europäische Kommission 2026). Für KI-Systeme, die bereits vorher auf dem Markt waren, sieht die konsolidierte Fassung für die Markierungs- und Erkennungspflicht eine Übergangsfrist bis zum 2. Dezember 2026 vor. Das erklärt, warum die Markierung derzeit nicht bei allen Modellen und Ausgaben einheitlich verfügbar ist.
Besonders aufschlussreich sind auch die Fälle, in denen eine Kennzeichnung der KI-generierten Texte nicht notwendig ist (Europäische Union 2024):
- Die Kennzeichnungspflicht greift ausdrücklich nicht, wenn das KI-System lediglich eine unterstützende Funktion für die Standardbearbeitung ausführt (wie z. B. reine Rechtschreibkorrektur) oder die vom Nutzer eingegebenen Daten und deren Bedeutung nicht wesentlich verändert: „Veröffentlichter Text, der einer menschlichen Überprüfung oder redaktionellen Kontrolle unterzogen wurde, muss nicht gekennzeichnet werden. […] Oberflächliche, ausschließlich formale oder verfahrenstechnische Kontrollen (z. B. Rechtschreibprüfung oder grammatikalische Korrektur) gelten nicht als menschliche Überprüfung oder redaktionelle Kontrolle.“
- Auch Privatpersonen sind von den Pflichten ausgenommen, es sei denn, sie nutzen die KI für berufliche Zwecke.
Wichtig für Lehrkräfte: Wenn KI-generierte Unterrichtsmaterialien von Lehrkräften eigenständig geprüft, ggf. ergänzt und überarbeitet werden und sie die Verantwortung für die Korrektheit übernehmen, schreibt der EU AI Act keine explizite Kennzeichnung vor. Aber als Lehrkraft sollten Sie Kompetenz und Transparenz als Qualitätsmerkmal aktiv vorleben. Hierzu reicht eine einfache Erklärung am Ende des Dokuments, z. B. in dieser Form: „Dieses Unterrichtsmaterial wurde mit Unterstützung des KI-Systems [Tool-Name, ggf. Versionsbezeichnung und Datum] erstellt. Die finale redaktionelle Kontrolle und inhaltliche Verantwortung für dieses Dokument liegen vollständig bei [Ihr Name].
Diskussionswürdig ist für mich die Frage, ob wir nicht Gefahr laufen, an Lernende höhere Transparenzanforderungen bei der Textarbeit zu stellen als an professionelle Redakteure und Journalisten in Medienunternehmen. Sicherlich ist der Bildungsauftrag das große Unterscheidungsmerkmal, aber Schüler:innen werden im Hinblick auf diese Formulierungen der EU-Verordnung bei strengen Auflagen für Kennzeichnung und Dokumentationspflichten des KI-Einsatzes für ihre schulischen Aufgabenstellungen nach meiner Einschätzung ein hohes Maß an Ungerechtigkeit beklagen. In diesem potenziellen Spannungsfeld können die fünf Dimensionen zum Umgang mit KI in der schulischen Bildung von Joscha Falck sehr hilfreich sein, weil sie Transparenz und Klarheit zwischen Lehrkräften und Lernenden schaffen. Die fünf Dimensionen umfassen das Lernen über, mit, durch, trotz und ohne KI: „Im Sinne eines zu entwickelnden Curriculums geht es jenseits von Spielerei und Hype darum, Lerngelegenheiten über, mit und durch KI zu initiieren – um Schüler*innen bestmöglich beim Lernen zu begleiten und sie beim Aufbau von Medienkompetenz in einer KI-geprägten Welt zu unterstützen. Unterricht benötigt aber auch Lerngelegenheiten trotz und ohne KI, mit denen wir die Grenzen der Maschinen markieren und Bildungsprozesse weiterhin aktiv und eigenverantwortlich gestalten“ (Falck 2023).
Die Forschung zeigt, dass statistische Textwasserzeichen sehr leicht ausgehebelt werden können. Cheng und Kolleginnen und Kollegen untersuchten sieben neuere Verfahren und entwickelten mit SIRA einen gezielten Paraphrasierungsangriff. In ihren Tests lag die Erfolgsquote der Umgehung bei nahezu 100 Prozent. Diese Angriffsvariante benötigte weder einen Zugriff auf den Wasserzeichenalgorithmus noch auf das ursprünglich markierende Modell (Cheng et al. 2025).
Sowohl Anthropic als auch Google verweisen explizit auf die Limitationen ihrer Algorithmen. Beide Detektoren ihrer Text-Wasserzeichen sind „robust“ gegenüber dem Kopieren von Texten, der Änderung einiger Wörter oder einer leichten Umformulierung. Aber die Erkennungsrate des Detektors sinkt drastisch, wenn ein KI-generierter Text gründlich umgeschrieben oder in eine andere Sprache übersetzt wird (Anthropic 2026; Google 2025).
Damit stellt sich die Frage, ob die Wasserzeichen-Markierung die Qualitätsanforderungen der EU-Verordnung überhaupt erfüllt, da sie offensichtlich nicht ausreichend robust und zuverlässig ist. Zu dieser Frage werden zukünftig sicherlich noch viele Kontroversen zu beobachten sein.
Bei allgemeinen KI-Detektoren ist die Lage ähnlich eindeutig. Eine umfangreiche Untersuchung von Weber-Wulff et al. zu 14 KI-Detektoren (Weber-Wulff et al. 2023) kam bereits 2023 zu dem Ergebnis, dass die getesteten Systeme weder hinreichend genau noch zuverlässig waren. Paraphrasierung, manuelle Überarbeitung und maschinelle Übersetzung verschlechterten die Erkennung zusätzlich. Eine neuere Studie aus dem Jahr 2026 von van Vlasselaer et al. hat die Genauigkeit der vier weit verbreiteten KI-Detektionslösungen GPTZero, Pangram, Copyleaks und Turnitin untersucht (van Vlasselaer et al. 2026). Auch diese Untersuchung kommt zu dem gleichen Ergebnis, dass diese Werkzeuge nicht als alleinige Grundlage für Entscheidungen mit hohen Risiken herangezogen werden sollten, sondern in eine umfassendere Bewertungsstrategie eingebunden werden müssen.
In meinem Interview für den Wiarda-Blog vom 14.08.2026 (Wiarda 2026) habe ich die Hoffnung auf eine saubere Trennung zwischen „pur Mensch“ und „KI-generiert“ als „alte Welt“ bezeichnet. Gemeint ist damit nicht, dass Regeln oder Eigenleistung unwichtig geworden wären. Gemeint ist, dass heutige Schreibprozesse zunehmend häufiger in der Ko-Aktivität von Mensch und Maschine stattfinden: Rechtschreibprüfung, Übersetzung, Recherche, Textfeedback und generative Systeme greifen ineinander. Wer nur das Endprodukt technisch klassifizieren will, verfehlt diese Realität und fördert eine Kultur des Misstrauens, die gerade im Bildungsbereich seit dem Auftreten von ChatGPT in den letzten Jahren sehr deutlich zu beobachten war und sich noch weiter verschärfen könnte.
- Die zentrale Gerechtigkeitsfrage lautet: Wie kann eine faire Basis für die Bewertung menschlicher Leistung geschaffen werden?
- Die Antwort in Form der Anforderungen lautet aus meiner Sicht: Wir benötigen Transparenz, Offenheit und endlich klare Spielregeln. Schulen sollten bei Aufgabenstellungen ihren Lernenden gegenüber sehr klar formulieren, welche KI-Nutzung erlaubt ist, wie sie dokumentiert werden soll und welche Kompetenzen bewertet werden. Lehrkräfte brauchen zugleich ein technisches Grundverständnis und fortlaufende Qualifizierung, um Chancen, Grenzen und Risiken einordnen zu können (Schönwetter und Weßels 2025).
Ich habe 2023 mein 3P-Modell zur Bewertung von Studienleistungen an Hochschulen vorgestellt. Dieser Ansatz lässt sich analog auf schriftliche Aufgabenstellungen im Schulkontext übertragen. Er ergänzt die Bewertung des fertigen Produkts um den Entstehungsprozess und eine Präsentation beziehungsweise ein mündliches Prüfungsgespräch (Weßels 2025). Die Bildungsministerkonferenz hat bereits 2024 ähnlich argumentiert und gefordert, Prüfungsformate stärker prozessorientiert, mehrdimensional und dialogisch zu gestalten (Kultusministerkonferenz 2024).
Lernende dokumentieren, welche Werkzeuge sie für welchen Zweck genutzt haben, welche Vorschläge sie verworfen oder verändert und wie sie Angaben überprüft haben. Eine vollständige Transparenz in diesem Entwicklungsprozess ist kontraproduktiv. Daher muss mit Augenmaß ein praktikables Verfahren entwickelt und mit den Lernenden abgestimmt werden. Als Bewertungsgrundlage können die Souveränität beim Design des Vorgehensmodells, im Detail aber auch die Quellenauswahl und die Kompetenz beim Einsatz methodischer und technischer Hilfsmittel herangezogen werden.
Das Endprodukt bleibt wichtig. Fachliche Korrektheit, Argumentationskraft, Quellenarbeit, sprachliche Angemessenheit und die Erfüllung der Aufgabenstellung werden weiterhin bewertet. Entscheidend ist, die Kriterien vorab transparent zu machen.
Ein kurzes Gespräch, eine Präsentation oder eine spontane Transferfrage macht Verständnis sichtbar. Lernende erläutern zentrale Entscheidungen, benennen Grenzen und reagieren auf Rückfragen. Das muss nicht zu einer zusätzlichen großen Prüfung werden: Oft reichen wenige gezielte Fragen, besonders wenn Zweifel an der Nachvollziehbarkeit einer Leistung bestehen.
Das 3P-Modell ist kein starres Schema. Die Gewichtung hängt von Fach, Jahrgangsstufe und Lernziel ab. Bei einem ersten Schreibversuch kann der Prozess stärker zählen, bei einer Abschlusspräsentation möglicherweise Produkt und Verteidigung. Wichtig ist die Zielorientierung bei der Ausrichtung auf die angestrebte Kompetenzentwicklung.
- Regeln für die Aufgabenbearbeitung klären: Benennen Sie erlaubte, eingeschränkt erlaubte und unzulässige Nutzungen. Nutzen Sie das Modell der fünf Dimensionen des KI-Einsatzes von Joscha Falck. Legen Sie fest, ob und wie der KI-Einsatz gekennzeichnet werden soll. Wählen Sie im Falle der Kennzeichnung einen praktikablen Weg, der nicht zur Überforderung der Schüler:innen führt.
- Aufgaben vom Lernziel her gestalten: Klären Sie für sich, welche Kompetenz sichtbar werden soll. Ergänzen Sie schriftliche Abgaben durch kurze Rückfragen, Peer-Feedback oder Präsentationen und Prüfungsgepräche. Vermeiden Sie, alle Lernenden unter Generalverdacht zu stellen.
- Vermeiden Sie den Einsatz von KI-Erkennungswerkzeugen: Wenn Sie Verdachtsmomente haben bei einem unerlaubten KI-Einsatz, suchen Sie das Gespräch. Treffen Sie keine Sanktionen aufgrund eines Prozentsatzes als Score der allgemeinen KI-Detektoren oder einer Wasserzeichen-Markierung. Machen Sie sich bewusst, dass diese Tools in der Regel unzuverlässig sind und die Ergebnisse rechtlich nicht belastbar sind, auch wenn die Anbieter der Werkzeuge diese als hoch wirksam anpreisen.
- Gemeinsame Standards entwickeln: Versuchen Sie, an Ihrer Schule oder in Fachgremien „Good Practices“ zu identifizieren, gemeinsam zu nutzen und kontinuierlich zu „Best Practices“ weiterzuentwickeln. Unterschiedliche Vorgaben einzelner Lehrkräfte erzeugen Unsicherheit und erschweren faire Bedingungen.
- Das eigene Lernen: Planen Sie kontinuierliche Fortbildung und fordern Sie diese von Ihrem Arbeitgeber ein. Dazu gehören auch datenschutzkonforme Zugänge zu möglichst aktuellen KI-Tools, wie sie von Ihren Schüler:innen genutzt werden dürften.
AI Leadership bedeutet, KI-Systeme zielorientiert, wertebasiert und reflektiert zu steuern, ohne die menschliche Entscheidungshoheit abzugeben. Für Schule umfasst das technisches Urteilsvermögen, ethisch-rechtliche Sensibilität, klare Rollen und die Fähigkeit, Ergebnisse zu validieren. Lehrkräfte und Lernende bleiben für Auswahl, Prüfung und Verwendung der Ergebnisse verantwortlich (Weßels und Maibaum 2026).
Wasserzeichen können zu mehr Transparenz in bestimmten Kontexten beitragen. In der Schule sollten sie jedoch als das behandelt werden, was sie sind: technische Signale, die gerade im Bildungsbereich mehr Schaden verursachen als Nutzen stiften.
Fazit: Nicht die Frage „Hat KI den Text geschrieben?“ sollte im Fokus stehen. Maßgeblich ist, ob Lernende ihre Fähigkeit zur AI Leadership entwickeln, d. h. ihren Arbeitsprozess in der Ko-Aktivität mit digitalen Werkzeugen inklusive der KI-Tools reflektiert steuern, die fachliche Qualität der Ergebnisse prüfen, Entscheidungen begründen und Verantwortung für das Ergebnis übernehmen können.
Für die redaktionelle Zusammenführung mehrerer Entwurfsfassungen, die sprachliche Überarbeitung und die ergänzende Quellenrecherche wurde generative KI in Form von ChatGPT, Claude und Perplexity eingesetzt. Die fachliche Prüfung und die Verantwortung für die veröffentlichte Fassung liegen bei der Autorin.
Anthropic (Hrsg.). (2026). How Claude marks AI-generated content. https://support.claude.com/en/articles/16266773-how-claude-marks-ai-generated-content. Zugegriffen: 13. August 2026.
Cheng, Y., Guo, H., Li, Y. & Sigal, L. (2025). Revealing Weaknesses in Text Watermarking Through Self-Information Rewrite Attacks. Proceedings of the 42nd International Conference on Machine Learning, PMLR 267:9982-10009, 2025. https://proceedings.mlr.press/v267/cheng25c.html. Zugegriffen: 16. August 2026.
Dathathri, S., See, A., Ghaisas, S., Huang, P.-S., McAdam, R., Welbl, J., Bachani, V., Kaskasoli, A., Stanforth, R., Matejovicova, T., Hayes, J., Vyas, N., Merey, M. A., Brown-Cohen, J., Bunel, R., Balle, B., Cemgil, T., Ahmed, Z., Stacpoole, K., Shumailov, I., Baetu, C., Gowal, S., Hassabis, D. & Kohli, P. (2024). Scalable watermarking for identifying large language model outputs. Nature 634 (8035), 818–823. doi:10.1038/s41586-024-08025-4
Europäische Kommission (Hrsg.). (2026). Verhaltenskodex für die Transparenz von KI-generierten Inhalten. https://digital-strategy.ec.europa.eu/de/faqs/transparency-obligations-under-article-50-ai-act. Zugegriffen: 16. August 2026.
Europäische Union. (2024). VERORDNUNG (EU) 2024/1689 DES EUROPÄISCHEN PARLAMENTS UND DES RATES VERORDNUNG (EU) 2024/1689 DES EUROPÄISCHEN PARLAMENTS UND DES RATES vom 13. Juni 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj/deu?locale=de.
Falck, J. (2023, 08. Juli). Lernen und Künstliche Intelligenz. Fünf Dimensionen für den Unterricht. Blogbeitrag. https://joschafalck.de/lernen-und-ki/. Zugegriffen: 16. August 2026.
Google (Hrsg.). (2025, 09. April). SynthID: Tools for watermarking and detecting LLM-generated Text. https://ai.google.dev/responsible/docs/safeguards/synthid. Zugegriffen: 17. August 2026.
Kirchenbauer, J., Geiping, J., Wen, Y., Katz, J., Miers, I. & Goldstein, T. (2023). A Watermark for Large Language Models. In A. Krause, E. Brunskill, K. Cho, B. Engelhardt, S. Sabato & J. Scarlett (Hrsg.), Proceedings of the 40th International Conference on Machine Learning (Proceedings of Machine Learning Research, Bd. 202, S. 17061–17084). PMLR. https://proceedings.mlr.press/v202/kirchenbauer23a.html.
Kultusministerkonferenz (Hrsg.). (2024). Handlungsempfehlung für die Bildungsverwaltung zum Umgang mit Künstlicher Intelligenz in schulischen Bildungsprozessen. Themenspezifische Handlungsempfehlung. Beschluss der Bildungsministerkonferenz vom 10.10.2024, kmk.org. https://www.kmk.org/fileadmin/Dateien/veroeffentlichungen_beschluesse/2024/2024_10_10-Handlungsempfehlung-KI.pdf. Zugegriffen: 16. August 2026.
Pölert, H. (2025). KI-Detektoren in Schule und Unterricht KI-Detektoren in Schule und Unterricht? Nein Danke! Blogbeitrag. https://unterrichten.digital/2025/05/27/ki-detektoren-schule-unterricht-bildung/. Zugegriffen: 16. August 2026.
Schönwetter, S. & Weßels, D. (bildung.digital - Themenportal für Schulen, Hrsg.). (2025). „Wir brauchen Transparenz, wir brauchen Offenheit und wir brauchen klare Spielregeln.“, Deutsche Kinder- und Jugendstiftung GmbH. https://www.bildung.digital/artikel/interview-mit-doris-wessels-zu-ki-der-bildung. Zugegriffen: 16. August 2026.
van Vlasselaer, M., van Droogenbroeck, F. & Spruyt, B. (2026). Who wrote this? Evaluating the reliability of AI detection tools in higher education. International Journal for Educational Integrity 22 (1). doi:10.1007/s40979-026-00226-w
Weber-Wulff, D., Anohina-Naumeca, A., Bjelobaba, S., Foltýnek, T., Guerrero-Dib, J., Popoola, O., Šigut, P. & Waddington, L. (2023). Testing of detection tools for AI-generated text. International Journal for Educational Integrity 19 (1). doi:10.1007/s40979-023-00146-z
Weßels, D. (2025). Das wissenschaftliche Schreiben als Bildungsziel an Hochschulen: Ein Opfer von ChatGPT und Co.? Tagungsband AKWI 2025 (Gesellschaft für Informatik e.V. (GI), Hrsg.), Bonn. https://dl.gi.de/server/api/core/bitstreams/3c7be1e3-9bbb-44f8-8791-4c8e2e16008d/content. Zugegriffen: 13. August 2026.
Weßels, D. & Maibaum, M. (Forum Bildung Digitalisierung e. V., Hrsg.). (2026, 06. Juli). AI Leadership: Die zentrale Führungskompetenz für Schulen im Zeitalter von KI-Agenten. Gastbeitrag. https://www.forumbd.de/magazin/ai-leadership-die-zentrale-fuehrungskompetenz-fuer-schulen-im-zeitalter-von-ki-agenten/. Zugegriffen: 16. August 2026.
Wiarda, J.-M. (2026). “Das ist alte Welt”. Interiew Prof. Dr. Doris Weßels. Wiarda-Blog. https://www.jmwiarda.de/blog/2026/08/14/das-ist-alte-welt. Zugegriffen: 16. August 2026.
