Epoch AI baute einen Korpus aus 495 von Menschen geschriebenen Passagen von 99 Autoren in drei Gattungen (Blog, Belletristik, wissenschaftliches Schreiben). Für die KI-Seite bekamen drei Frontier-Modelle – Claude Opus 4.8, GPT-5.5 und Gemini 3.1 Pro – jeweils fünf Textproben eines Autors und die Aufgabe, dessen Stil zu imitieren; zum Vergleich wurde auch mit schlichten Prompts generiert. Geprüft wurden drei kommerzielle Detektoren in ihren im Juli 2026 aktuellen Versionen: Pangram 3.3.2, GPTZero (Modell 2026-05-11-base) und Originality.ai (Turbo 3.0.2).
Bei ohne Tarnung erzeugtem KI-Text lagen die Falsch-Negativ-Raten bei 0–1 Prozent, die Falsch-Positiv-Raten gegen echte Menschen bei 0–4 Prozent – Detektion funktioniert also im Normalfall. Unter Stilimitation kippt das Bild: Pangram übersah 10 Prozent (30 von 297), GPTZero 11 Prozent (32 von 297) und Originality.ai 18 Prozent (53 von 297) der KI-Passagen. Am stärksten litt ausgerechnet das wissenschaftliche Schreiben – dort, wo eine Fehlzuordnung am folgenreichsten ist: Über alle drei Werkzeuge blieben 24–29 Prozent unerkannt, und Pangram verfehlte 48 Prozent der von Gemini erzeugten Fachpassagen.
Einordnung: Der Befund ist kein Freibrief zum Vorwurf gegen Menschen – die niedrige Falsch-Positiv-Rate bleibt die belastbarste Zahl der Untersuchung. Er zeigt vielmehr die Grenze der Umkehrrichtung: Wer ein Modell gezielt einen bekannten Autorenstil nachahmen lässt, kann heutige Detektoren mit substanzieller Wahrscheinlichkeit unterlaufen. Epoch AI hat den zugrunde liegenden Datensatz öffentlich gemacht, was die Prozentwerte nachprüfbar macht.