{"id":6407,"date":"2026-08-27T09:06:45","date_gmt":"2026-08-27T07:06:45","guid":{"rendered":"https:\/\/computershop.eu\/blog\/?p=6397"},"modified":"2026-08-27T09:18:57","modified_gmt":"2026-08-27T07:18:57","slug":"wie-die-methoden-zur-identifizierung-von-ki-inhalten-funktionieren","status":"publish","type":"post","link":"https:\/\/computershop.eu\/blog\/de\/wie-die-methoden-zur-identifizierung-von-ki-inhalten-funktionieren","title":{"rendered":"Wie die Methoden zur Identifizierung von KI-Inhalten funktionieren"},"content":{"rendered":"Reading Time: <\/span> 6<\/span> minutes<\/span><\/span>\n

Generative k\u00fcnstliche Intelligenz ist zu einer st\u00e4ndigen Pr\u00e4senz bei der Erstellung und Bearbeitung digitaler Inhalte geworden, und Methoden zur Identifizierung von mit KI erstellten oder modifizierten Materialien<\/strong> werfen Fragen zur Genauigkeit und Transparenz dieser Methoden auf.<\/p>\n\n\n\n

Heute basiert die Identifizierung von KI-Inhalten auf mehreren Technologien: unsichtbaren Wasserzeichen, Herkunftsmetadaten, Systemen wie Google SynthID und Standards wie C2PA. Parallel dazu gibt es Werkzeuge, die den endg\u00fcltigen Inhalt analysieren und die Wahrscheinlichkeit sch\u00e4tzen, dass dieser von einem KI-Modell generiert wurde.<\/p>\n\n\n\n

Diese Methoden k\u00f6nnen zu einer besseren Transparenz im digitalen Umfeld beitragen, werfen jedoch auch eine wichtige Frage auf: Wie weit k\u00f6nnen Unternehmen bei der Identifizierung von Inhalten gehen, ohne dass dieser Prozess zu einem Mechanismus zur Verfolgung von Nutzern wird?<\/strong><\/p>\n\n\n\n

Ein aktueller Fall, der dieses Problem wieder ins Bewusstsein ruft, ist der von Microsoft und den in Paint und Photos integrierten KI-Funktionen.<\/p>\n\n\n\n

Der Fall Microsoft: das unsichtbare Wasserzeichen, das das Bild mit einem Prompt verkn\u00fcpfen kann<\/h2>\n\n\n\n

Eine Untersuchung ver\u00f6ffentlicht von The Register<\/a><\/em> pr\u00e4sentiert die Analyse des Forschers Xusheng Li<\/a> von Vector 35 dar\u00fcber, wie Microsoft Bilder, die mit KI in Paint und Photos erstellt oder modifiziert wurden, kennzeichnet. Laut der zitierten Analyse verwendet Microsoft einen eindeutigen Identifikator, einen GUID, der mit dem Generierungsprozess verbunden ist und unsichtbar im Bild eingebettet wird.<\/p>\n\n\n\n

Der Mechanismus unterscheidet sich von einem sichtbaren Wasserzeichen, wie dem Text \u201eKI-generiert\u201c oder einem Logo. Der Identifikator ist in Pixel codiert, und die Analyse behauptet, dass die Anfrage des Nutzers an die Microsoft-Dienste zur Moderation gesendet wird, bevor der Identifikator ausgegeben und im Bild integriert wird. Au\u00dferdem k\u00f6nnen aufeinanderfolgende Anfragen \u00fcber einen vorherigen Identifikator korreliert werden.<\/p>\n\n\n\n

Hier stellt sich das Problem des Datenschutzes.<\/p>\n\n\n\n

Ein urspr\u00fcnglich zur Identifizierung von KI-Inhalten entwickeltes System kann unter bestimmten Bedingungen auch ein Mechanismus zur Verkn\u00fcpfung von Inhalten mit dem Nutzer oder der Historie der Anfragen werden.<\/strong><\/p>\n\n\n\n

Es ist jedoch wichtig, eine Unterscheidung zu treffen: Die Existenz eines GUID in einem Bild bedeutet nicht automatisch, dass jede Person, die das Bild findet, den Autor \u00f6ffentlich identifizieren kann. Die kritische Frage ist, ob der Anbieter diesen Identifikator mit dem Konto, dem Prompt oder anderen Daten, die auf seinen Servern gespeichert sind, verkn\u00fcpfen kann.<\/p>\n\n\n\n

Microsoft erkl\u00e4rt offiziell, dass die KI-Funktionen in Paint Online-Dienste von Azure zur Filterung von Inhalten nutzen und in diesem Zusammenhang Attribute wie Ger\u00e4te- und Benutzeridentifikatoren sowie Prompts zur Verhinderung von Missbrauch und zur \u00dcberwachung sammeln. Das Unternehmen sagt gleichzeitig, dass die generierten Bilder nicht gespeichert werden.<\/p>\n\n\n\n

Dieser Unterschied zwischen \u201edas Bild wird nicht gespeichert\u201c<\/strong> und \u201edie mit dem Prozess verbundenen Daten sind nicht korrelierbar\u201c<\/strong> ist entscheidend.<\/p>\n\n\n\n

C2PA: eine Methode zur Herkunftsidentifizierung, ohne das Bild in ein \u00dcberwachungslabel zu verwandeln<\/h2>\n\n\n\n

Ein anderer Ansatz wird durch\u00a0C2PA – Coalition for Content Provenance and Authenticity<\/strong>\u00a0repr\u00e4sentiert.<\/p>\n\n\n\n

C2PA ist ein offener Standard zur Anbringung von Informationen \u00fcber die Herkunft und Geschichte eines digitalen Materials. Im Falle eines Bildes k\u00f6nnen die Metadaten das verwendete Werkzeug, die Herkunft des Inhalts und bestimmte nachfolgende \u00c4nderungen angeben.<\/p>\n\n\n\n

Microsoft erkl\u00e4rt offiziell, dass die durch die KI-Funktionen in Paint generierten Bilder ein C2PA-Manifest enthalten, damit die Nutzer die KI-Herkunft identifizieren k\u00f6nnen.<\/p>\n\n\n\n

Der Vorteil ist offensichtlich: Anstatt zu versuchen zu erraten, ob ein Bild<\/a> \u201eso aussieht, als w\u00e4re es von einer KI gemacht worden\u201c, k\u00f6nnen wir die Herkunftsinformationen \u00fcberpr\u00fcfen, wenn sie vorhanden sind.<\/p>\n\n\n\n

Aber C2PA ist kein universeller Detektor.<\/p>\n\n\n\n

OpenAI betont ausdr\u00fccklich, dass C2PA-Metadaten entfernt werden k\u00f6nnen, auch versehentlich. Beispielsweise kann ein Screenshot die urspr\u00fcnglichen Metadaten entfernen. Folglich zeigt das Fehlen eines Content Credentials nicht, dass das Material von einem Menschen erstellt wurde<\/strong>.<\/p>\n\n\n\n

Dies ist eine der wichtigsten Regeln zur \u00dcberpr\u00fcfung von KI-Inhalten:<\/p>\n\n\n\n

\n

\u201e\u201eIch habe kein Wasserzeichen gefunden\u201c bedeutet nicht \u201eDieser Inhalt ist nicht von KI generiert\u201c.<\/strong><\/p>\n<\/blockquote>\n\n\n\n

SynthID: eine weitere Methode zur Identifizierung generativer Inhalte<\/h2>\n\n\n\n

Google verwendet eine andere Technologie namens SynthID<\/strong>, die ein unsichtbares digitales Signal in den von seinen Modellen generierten Inhalten einf\u00fchrt.<\/p>\n\n\n\n

Google sagt, dass SynthID von Bildern auf Videos, Audio und Text ausgeweitet wurde, und das Unternehmen hat die \u00dcberpr\u00fcfung in Produkte wie Gemini integriert und begann 2026 mit der Ausweitung auf Search und Chrome.<\/p>\n\n\n\n

Der konzeptionelle Unterschied ist wichtig.<\/p>\n\n\n\n

C2PA funktioniert haupts\u00e4chlich als System zur Herkunft und Metadaten, w\u00e4hrend SynthID ein Signal direkt in den Inhalt einf\u00fchrt.<\/strong><\/p>\n\n\n\n

Die beiden Ans\u00e4tze k\u00f6nnen komplement\u00e4r sein. OpenAI erkl\u00e4rt, dass es sowohl C2PA als auch SynthID f\u00fcr die mit seinen Werkzeugen generierten Bilder verwendet: Die Metadaten bieten Kontext, w\u00e4hrend das Wasserzeichen nach bestimmten Transformationen erkennbar bleibt.<\/p>\n\n\n\n

Aus der Sicht des Nutzers ist dies eine viel elegantere L\u00f6sung als die einfache Analyse des Stils eines Textes oder eines Bildes.<\/p>\n\n\n\n

KI-Detektoren f\u00fcr Text sind ein viel komplizierteres Problem<\/h2>\n\n\n\n

Im Fall von KI-generiertem Text ist die Situation anders.<\/p>\n\n\n\n

Ein KI-Detektor analysiert statistische und linguistische Merkmale und versucht, die Wahrscheinlichkeit abzusch\u00e4tzen, dass der Text von einem Sprachmodell generiert wurde. Das Problem ist, dass ein solches Ergebnis im Wesentlichen eine probabilistische Sch\u00e4tzung, kein Beweis f\u00fcr die Urheberschaft<\/strong> ist.<\/p>\n\n\n\n

Neuere Forschungen zeigen, warum wir vorsichtig sein m\u00fcssen.<\/p>\n\n\n\n

Eine 2026 ver\u00f6ffentlichte Studie, die mehrere KI-Textdetektoren bewertete, kommt zu dem Schluss, dass die Ergebnisse der Detektoren im Kontext interpretiert werden m\u00fcssen und nicht automatisch in eine bin\u00e4re Klassifizierung \u201eMensch\u201c versus \u201eKI\u201c umgewandelt werden d\u00fcrfen. Die Leistung kann bei hybriden oder von Menschen modifizierten Texten erheblich sinken.<\/p>\n\n\n\n

Eine weitere 2026 ver\u00f6ffentlichte Forschung warnt vor falschen Positiven und dass die Modifizierung eines von KI generierten Textes die Empfindlichkeit der Detektoren verringern kann.<\/p>\n\n\n\n

Das Problem ist nicht neu. Eine Studie ver\u00f6ffentlicht in Acta Neurochirurgica<\/a><\/em> hat GPTZero, ZeroGPT und Corrector App an menschlichen und von ChatGPT generierten Texten getestet und festgestellt, dass keines der analysierten Werkzeuge eine Zuverl\u00e4ssigkeit von 100 % hatte.<\/p>\n\n\n\n

Daher ist die Aussage:<\/p>\n\n\n\n

\u201eDer Detektor sagt 87% KI, also hat der Autor KI verwendet\u201c<\/strong><\/p>\n\n\n\n

methodologisch falsch.<\/p>\n\n\n\n

Richtiger w\u00e4re:<\/p>\n\n\n\n

\u201eDas Werkzeug sch\u00e4tzt eine hohe Wahrscheinlichkeit f\u00fcr KI-Beteiligung, aber das Ergebnis muss mit anderen Beweisen untermauert werden.\u201c<\/strong><\/p>\n\n\n\n

Was sind die richtigen Methoden zur Identifizierung von KI-Inhalten?<\/h2>\n\n\n\n

In der Praxis ist der robusteste Ansatz ein mehrschichtiger<\/strong>.<\/p>\n\n\n\n

\u00dcberpr\u00fcfung der Herkunftsdaten des Inhalts<\/h3>\n\n\n\n

F\u00fcr Bilder und andere Arten von Medien kann der erste Schritt die \u00dcberpr\u00fcfung der C2PA-Metadaten sein.<\/p>\n\n\n\n

Wenn es ein g\u00fcltiges und \u00fcberpr\u00fcfbares Manifest gibt, kann dies Informationen \u00fcber die Herkunft und Geschichte des Materials liefern.<\/p>\n\n\n\n

\u00dcberpr\u00fcfung von Wasserzeichen<\/h3>\n\n\n\n

Systeme wie SynthID k\u00f6nnen unsichtbare Signale erkennen, die von bestimmten KI-Modellen eingef\u00fchrt wurden. Google bietet Werkzeuge zur \u00dcberpr\u00fcfung von Inhalten, die mit seinen Technologien generiert wurden.<\/p>\n\n\n\n

Auch OpenAI bietet die \u00dcberpr\u00fcfung von Herkunftssignalen, die mit den von seinen Werkzeugen generierten Bildern verbunden sind.<\/p>\n\n\n\n

Identifizierung durch technische Analyse der Datei<\/h3>\n\n\n\n

EXIF-Metadaten, die Datei-Historie, die Erstellungssoftware, Informationen zur Kompression und andere technische Merkmale k\u00f6nnen zus\u00e4tzliche Hinweise liefern.<\/p>\n\n\n\n

Keine dieser Informationen sollte jedoch als absoluter Beweis betrachtet werden.<\/p>\n\n\n\n

Identifizierung durch kontextuelle Analyse<\/h3>\n\n\n\n

F\u00fcr einen umstrittenen Artikel, ein Foto oder ein Video muss auch die Quelle \u00fcberpr\u00fcft werden: Wer hat es ver\u00f6ffentlicht, wann, wo erschien es erstmals und ob es Originalversionen gibt.<\/p>\n\n\n\n

KI-Detektoren: nur als sekund\u00e4re Identifizierungsmethode<\/h3>\n\n\n\n

Textdetektoren k\u00f6nnen in bestimmten Kontexten n\u00fctzlich sein, sollten jedoch nicht die einzige Grundlage f\u00fcr Anschuldigungen bez\u00fcglich der Nutzung von KI sein.<\/p>\n\n\n\n

Neuere Forschungen heben sowohl Probleme mit falschen Positiven als auch die Schwierigkeit hervor, hybride oder umgeschriebene Texte zu erkennen.<\/p>\n\n\n\n

Wann wird Transparenz zu \u00dcberma\u00df?<\/h2>\n\n\n\n

Hier kommt der kontroverse Teil des Ph\u00e4nomens ins Spiel.<\/p>\n\n\n\n

Es ist nachvollziehbar, dass ein Nutzer wissen m\u00f6chte, ob ein virales Foto von KI generiert wurde. Eine Plattform muss angeben, dass ein Video k\u00fcnstlich erstellt wurde. Es ist sogar n\u00fctzlich, wenn Redakteure, Institutionen und Forscher die Herkunft eines Materials \u00fcberpr\u00fcfen k\u00f6nnen.<\/p>\n\n\n\n

Aber es gibt einen Unterschied zwischen:<\/p>\n\n\n\n

\u201eDieser Inhalt wurde mit KI erstellt oder modifiziert.\u201c <\/strong><\/p>\n\n\n\n

und:<\/p>\n\n\n\n

\u201eDieser Inhalt wurde mit KI erstellt, und das Unternehmen speichert gen\u00fcgend Informationen, um ihn mit der Identit\u00e4t oder den Aktivit\u00e4ten des Nutzers zu verkn\u00fcpfen.\u201c <\/strong><\/p>\n\n\n\n

Das erste ist Transparenz. Das zweite ist ein \u00dcberwachungsmechanismus.<\/p>\n\n\n\n

Der Fall Microsoft ist gerade aus diesem Grund interessant. Der von dem Forscher Xusheng Li<\/a> analysierte Identifikator kann unter bestimmten Bedingungen mit Prompts und Nutzern verkn\u00fcpft werden. Microsoft hatte bereits Dokumentationen \u00fcber Sicherheits- und Herkunftsmechanismen, jedoch behauptet die Analyse, dass die genauen Implikationen des GUID f\u00fcr den durchschnittlichen Nutzer nicht ausreichend offensichtlich waren.<\/p>\n\n\n\n

Es gibt einen wichtigen Unterschied zwischen der Offenlegung der Existenz einer Technologie<\/strong> und der Erkl\u00e4rung aller Konsequenzen f\u00fcr die Privatsph\u00e4re in einer verst\u00e4ndlichen Sprache<\/strong>.<\/p>\n\n\n\n

Microsoft ist nicht das einzige Unternehmen, das in diese Richtung geht<\/h2>\n\n\n\n

Der Trend ist viel breiter.<\/p>\n\n\n\n

Google investiert in SynthID und die \u00dcberpr\u00fcfung von Content Credentials in Search, Gemini und Chrome.<\/p>\n\n\n\n

OpenAI verwendet C2PA und SynthID f\u00fcr die mit seinen Werkzeugen generierten Bilder und entwickelt \u00f6ffentliche \u00dcberpr\u00fcfungsmechanismen.<\/p>\n\n\n\n

Microsoft verwendet C2PA in Paint und f\u00fcgt zus\u00e4tzliche Informationen in die Metadaten von mit KI generierten oder modifizierten Inhalten in Microsoft 365 ein. Das Unternehmen gibt an, dass diese Informationen das verwendete KI-Modell, die verwendete Anwendung und den Zeitpunkt der Generierung enthalten k\u00f6nnen.<\/p>\n\n\n\n

Meta entwickelt seinerseits eigene Wasserzeichentechnologien, wie in The Register<\/em> berichtet wird.<\/p>\n\n\n\n

Technologisch ist diese Konvergenz logisch. Aus Sicht des Datenschutzes muss sie jedoch genau beobachtet werden.<\/p>\n\n\n\n

Wie sollte ein verantwortungsbewusstes System aussehen?<\/h2>\n\n\n\n

Ein gutes System zur Identifizierung von KI-Inhalten sollte einige einfache Prinzipien respektieren.<\/p>\n\n\n\n

Transparenz.<\/strong> Der Nutzer muss wissen, was in die Datei eingegeben wird und welche Informationen sp\u00e4ter damit verkn\u00fcpft werden k\u00f6nnen.<\/p>\n\n\n\n

Datenminimierung.<\/strong> Um zu zeigen, dass ein Bild von KI generiert wurde, ist es nicht unbedingt erforderlich, einen Identifikator zu haben, der mit der Identit\u00e4t der Person verkn\u00fcpft werden kann.<\/p>\n\n\n\n

Trennung von Herkunft und Identit\u00e4t.<\/strong> Die Herkunftsmetadaten des Inhalts sollten in erster Linie die Frage beantworten \u201eWie wurde dieses Material erstellt?\u201c, nicht \u201eWer ist die Person, die es erstellt hat?\u201c<\/p>\n\n\n\n

Unabh\u00e4ngige \u00dcberpr\u00fcfbarkeit.<\/strong> Nutzer, Journalisten und Forscher sollten die Signale \u00fcberpr\u00fcfen k\u00f6nnen, ohne ausschlie\u00dflich auf die Infrastruktur des Unternehmens angewiesen zu sein, das den Inhalt generiert hat.<\/p>\n\n\n\n

Und, vielleicht am wichtigsten, keine Erkennungsmethode sollte als absoluter Entscheid angesehen werden<\/strong>.<\/p>\n\n\n\n

Brauchen wir wirklich eine neue Form der \u00dcberwachung?<\/h2>\n\n\n\n

Generative KI hat die R\u00fcckkehr zu dem simplistischen Modell unm\u00f6glich gemacht, bei dem die Authentizit\u00e4t eines Materials aus seinem Aussehen abgeleitet werden konnte. Wir ben\u00f6tigen Herkunftstechnologien, Wasserzeichen und \u00dcberpr\u00fcfungsmechanismen.<\/p>\n\n\n\n

C2PA, Content Credentials und SynthID sind wichtige Richtungen f\u00fcr den Aufbau eines Internets, in dem Nutzer leichter die Herkunft von Inhalten erfahren k\u00f6nnen. Forschungen zu KI-Detektoren zeigen, dass probabilistische Sch\u00e4tzungen, insbesondere f\u00fcr Texte, nicht in automatische Anschuldigungen umgewandelt werden d\u00fcrfen.<\/p>\n\n\n\n

Der Fall Microsoft zeigt jedoch, dass Transparenz \u00fcber KI-Inhalte nicht mit Transparenz \u00fcber die gesammelten Daten zur Identifizierung verwechselt werden sollte<\/strong>.<\/p>\n\n\n\n

Ein Wasserzeichen, das sagt \u201eDieses Material wurde mit KI generiert\u201c, kann n\u00fctzlich sein.<\/p>\n\n\n\n

Eine Identifizierungsmethode, die es dem Unternehmen erm\u00f6glicht, das untersuchte Material mit einem Nutzer, seinem Prompt oder seiner Aktivit\u00e4tshistorie zu verkn\u00fcpfen, schafft jedoch ein v\u00f6llig anderes Problem.<\/p>\n\n\n\n

Im Wettlauf um ein authentischeres Internet sollten Unternehmen ein Paradoxon vermeiden: das Problem digitaler F\u00e4lschungen nicht zu l\u00f6sen, indem sie ein System schaffen, in dem jede digitale Kreation implizit ein \u00dcberwachungsinstrument wird.<\/strong><\/p>\n\n\n\n

Transparenz ist notwendig und die Demonstration der Herkunft ist n\u00fctzlich.<\/p>\n\n\n\n

Aber all diese Identifizierungstechnologien sollten mit dem Grundsatz der Wahrung der Privatsph\u00e4re<\/strong> entworfen werden, nicht mit der Annahme, dass jeder Nutzer verd\u00e4chtig ist, bis die Technologie das Gegenteil beweist.<\/p>\n\t

\r\n\t