Erkennt Turnitin Claude, Copilot oder Gemini?

Claude- und Gemini-Versionen stehen auf einer Liste von Modellen, von denen der englische Detektor von Turnitin nach eigener Aussage „can detect content from" (Inhalte erkennen kann). Copilot wird auf den fünf Seiten, die wir gelesen haben, nicht genannt – doch das ist weder eine Ausnahme noch ein Beleg dafür, dass eine bestimmte Copilot-Einreichung erkannt wird. Auch Product Updates und die allgemeinen Release Notes nennen Modelle in sprachspezifischen Updates; das FAQ ist also nicht Turnitins einzige öffentliche Quelle für Modellnamen. Keines der gelesenen Dokumente enthält eine stabile Odds-Tabelle pro Modell. Die Berichtsdokumentation beschreibt stattdessen Wahrscheinlichkeiten, die über überlappende Textabschnitte berechnet werden, mit einer Ausgabe, die als wahrscheinlich menschlich oder wahrscheinlich KI-generiert klassifiziert wird.

Die Quellen sind fünf namentlich genannte Seiten, gelesen am 18. August 2026: der Leitfaden zum AI Writing Report, das FAQ zur Erkennung, das Änderungsprotokoll des KI-Schreib-Erkennungsmodells, die allgemeinen Turnitin-Release-Notes und Product Updates. Die Schlüsse unten bleiben innerhalb dieser Seiten und der zitierten Abschnitte. Sie erheben nicht den Anspruch, Turnitins Website vollständig abzudecken, und der Artikel veröffentlicht keine Zeichenzahlen oder Worttreffer-Zählungen von Seiten, die sich an Ort und Stelle ändern.

Eines behauptet dieser Text ausdrücklich nicht: dass ein Wechsel des Modells nichts bewirkt. Die gelesenen Quellen liefern keine Zahl, mit der sich dieser Vergleich vorhersagen ließe – und wir auch nicht.

Die Liste steht in Turnitins FAQ zur KI-Schreiberkennung, und auf dieser Seite steht sie zweimal: einmal innerhalb der Antwort auf „How does it work?" (Wie funktioniert es?), und noch einmal unter der Frage „Which AI writing models can Turnitin's technology detect?" (Welche KI-Schreibmodelle kann die Technologie von Turnitin erkennen?). Beide Fassungen beginnen identisch.

„Currently, Turnitin's AI writing detection model for English submissions can detect content from GPT-4o (released 2024-05) ..." (Derzeit kann das Modell von Turnitin zur Erkennung von KI-Texten bei englischen Einreichungen Inhalte von GPT-4o (veröffentlicht 2024-05) erkennen ...)

Das Verb lohnt einen zweiten Blick. „Can detect content from" (Kann Inhalte erkennen aus) ist eine Aussage über die Abdeckung. Sie ist kein Vermerk darüber, was einmal einen Test durchlaufen hat – und vieles, was zu diesem Thema geschrieben wird, macht sie unauffällig zu genau dem Zweiten. Am 18. August 2026 nannte der Satz mehrere GPT-, Gemini- und Claude-Versionen, dazu Einträge von LLaMA, Mistral, Deepseek, Nova und Grok sowie o1-mini. Das ist eine datierte Momentaufnahme der vertretenen Modellfamilien, keine dauerhafte Gesamtzahl.

Jeder Eintrag trägt ein Veröffentlichungsdatum in Klammern. Ignorieren Sie diese Daten. Die beiden Kopien derselben Liste auf derselben Seite widersprechen sich bei mindestens zwei der Daten, und sie widersprachen sich auch noch, als wir am 18. August 2026 nachgesehen haben: Welche der beiden Kopien Sie auch lesen, die Seite selbst sagt Ihnen, dass die Daten nicht gepflegt werden.

Der Satz schließt dann mit „and tools based on these LLMs as well" (sowie Werkzeuge, die auf diesen LLMs basieren), und der Satz danach sagt, Turnitin werde „continue to expand our detection capabilities to other models in the future" (unsere Erkennungsfähigkeiten künftig auf weitere Modelle ausweiten).

Menschen suchen meist mit einem Produktnamen, nicht mit einem Modellnamen. Auf den fünf oben genannten Seiten haben wir keine Copilot-spezifische Aussage zur Abdeckung, keine Angabe zur Trefferquote und keine Ergebnisprognose gefunden. Das ist ein begrenzter Befund über genau diese Seiten, keine Aussage über jede Seite von Turnitin.

Das FAQ schließt seine Modellliste mit „and tools based on these LLMs as well" (sowie Werkzeuge, die auf diesen LLMs basieren). Diese allgemeine Klausel kann einschlägig sein, wenn ein Werkzeug ein gelistetes Modell verwendet – doch dieser Artikel hat nicht festgestellt, welches Modell ein bestimmtes Copilot-Produkt, ein bestimmter Modus und ein bestimmtes Datum verwendet haben. Ohne diese Zuordnung kann die Klausel nicht sagen, ob eine einzelne Copilot-Einreichung markiert wird. Der fehlende Produktname beweist weder eine Ausnahme noch eine Erkennung.

Das englische FAQ nennt Modelle in einer Aussage zur Abdeckung, aber an keinem Eintrag hängt eine Erkennungsrate, eine Genauigkeitszahl oder ein Schwierigkeitsranking. Die einzige Zahl, die es zur Erkennung überhaupt nennt, ist ein allgemeines Ziel für Fehlalarme: „under 1% for documents with over 20% of AI writing" (unter 1 % bei Dokumenten mit mehr als 20 % KI-Schreibanteil). Die Zahl gilt für den Detektor insgesamt; sie setzt Claude nicht gegen Gemini oder irgendein anderes Paar ins Verhältnis.

Andere Turnitin-Seiten nennen sehr wohl Modellnamen. Product Updates nannte GPT- und Gemini-Versionen in seinem Update für das spanische Modell vom 5. Mai 2026. Die allgemeinen Turnitin-Release-Notes ergänzten am 18. August 2026 ein Update für das arabische Modell, das Versionen mehrerer Modellfamilien nennt. Das separate Änderungsprotokoll des KI-Schreib-Erkennungsmodells fasst manche Releases mit weniger Details zusammen. Diese Seiten widerlegen direkt die Vorstellung, das FAQ sei die einzige öffentliche Stelle, an der Turnitin Modelle nennt.

Was diese namentlichen Updates dennoch nicht liefern, ist eine stabile Tabelle der Odds pro Modell für eine beliebige Einreichung. Eine Notiz zur Abdeckung eines Releases und eine Prognose für eine einzelne Datei sind zwei verschiedene Aussagen.

Das FAQ beschreibt die Verarbeitungskette in einem einzigen Absatz, und der ist kurz genug, um ihn ganz zu lesen:

„When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated. Each qualifying sentence within these segments inherits the segment's score." (Wenn eine Arbeit bei Turnitin eingereicht wird, werden die Sätze der Einreichung extrahiert und für die Vorhersageanalyse in überlappende Abschnitte unterteilt. Jedes Segment wird vom KI-Erkennungsmodell klassifiziert und erhält einen Wert zwischen 0 und 1, der die Wahrscheinlichkeit angibt, dass der Text wahrscheinlich von einem Menschen oder wahrscheinlich von KI stammt. Jeder qualifizierende Satz innerhalb dieser Segmente übernimmt den Wert des Segments.)

Zwei Kategorien in jenem letzten Teilsatz. Wahrscheinlich menschlich, wahrscheinlich KI-generiert. Was man Ihnen auch über einen Detektor erzählt, der den Fingerabdruck eines bestimmten Modells erkennt: Das hier ist die eigene Darstellung des Anbieters dazu, was sein Klassifikator ausgibt – und es gibt darin keine dritte Rubrik. Turnitin sagt außerdem, sein Modell sei nicht aus benannten Kennzahlen aufgebaut: Es „is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions" (ist nicht ausdrücklich darauf programmiert, bestimmte Signale wie ‚burstiness,' ‚perplexity,' oder andere einzelne Kennzahlen zu bewerten, die in öffentlichen Diskussionen manchmal genannt werden), und „instead, it learns statistical patterns from our training data" (stattdessen lernt es statistische Muster aus unseren Trainingsdaten). Was diese Unterscheidung praktisch ändert, ist in Was KI-Detektoren messen Schritt für Schritt nachvollzogen.

Wenn Sie sich eine Batterie von Detektoren vorgestellt haben – einen pro Generator trainiert –, dann beschreibt das FAQ im Satz unmittelbar nach der Modellsuche die entgegengesetzte Richtung:

„In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model. This update improves and simplifies the AI writing report, maintaining a less than 1% false positive rate." (Im Juli 2026 haben wir unsere Modellarchitektur aktualisiert, um ein Ensemble aus mehreren Modellen zu einem einzigen Modell zusammenzufassen. Dieses Update verbessert und vereinfacht den KI-Schreibbericht und hält dabei eine Fehlalarmrate von unter 1 %.)

Das FAQ beschreibt einen Klassifikator, der Wahrscheinlichkeiten auf Textebene erzeugt. Separat davon veröffentlicht es eine Aussage zur Modellabdeckung. Der Satz zur Architektur vom Juli steht im FAQ, aber nicht im Änderungsprotokoll des KI-Schreib-Erkennungsmodells. Diese Unstimmigkeit zeigt, warum man den Seitentyp benennen muss, statt jede Update-Seite als eine einzige vollständige Release-Geschichte zu behandeln.

Am 4. August 2026 hat Turnitin zwei Berichtskategorien zu einer zusammengelegt. Die violette Markierung, die KI-generierten Text kennzeichnete, der zusätzlich KI-paraphrasiert war, wird nicht mehr angezeigt. Die Begründung, die das Unternehmen auf seiner Seite für Produktaktualisierungen nannte, ist das Direkteste, was das Unternehmen je zur Frage der Werkzeugzuordnung veröffentlicht hat – und sie beschreibt die eigenen Nutzerinnen und Nutzer:

„Reduce the risk of unwarranted academic misconduct reviews by removing distinctions that could be read to imply more certainty about the specific tool or workflow used to produce a submission" (Das Risiko unbegründeter Prüfungen wegen akademischen Fehlverhaltens senken, indem Unterscheidungen entfernt werden, die so gelesen werden könnten, als sagten sie mehr Sicherheit darüber aus, mit welchem konkreten Werkzeug oder welcher konkreten Arbeitsweise eine Einreichung entstanden ist)

Eine Unterscheidung, die der Anbieter 2024 eingeführt hatte, verschwand 2026 wieder, weil Leserinnen und Leser aus einem Bericht die Identität des Werkzeugs herauszogen, die dieser Bericht nicht tragen konnte. Beachten Sie, was unverändert blieb. Die Release Note zur Zusammenlegung sagt, das Modell „will continue to detect likely AI generated content that may have been further modified by AI paraphrasers or bypassers" (werde weiterhin wahrscheinlich KI-generierte Inhalte erkennen, die möglicherweise zusätzlich von KI-Paraphrasierern oder Umgehungswerkzeugen bearbeitet wurden). Weniger Farben in der Oberfläche, dieselbe Erkennungsaussage darunter.

Das hat eine praktische Konsequenz. Wenn Sie einen Screenshot vor sich haben, in dem Violett vorkommt, wurde dieser Bericht nicht nach den aktuellen Regeln erzeugt – denn Turnitin sagt, die Aktualisierung gelte für neu eingereichte Dateien, und bereits eingereichte Arbeiten müssten erneut eingereicht werden, um den aktualisierten Bericht zu erhalten. Datieren Sie einen Bericht, bevor Sie Schlüsse daraus ziehen. Wie man einen Turnitin-KI-Schreibbericht liest erklärt, was die aktuelle Zahl umfasst.

Die Länge zum Beispiel – und in eine Richtung, die viele überrascht. Kurze Texte bekommen keine sichereren Ergebnisse, sondern gröbere:

„In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap. This means that some text that is a mix of AI-generated and original content could be flagged as entirely AI-generated." (Bei kürzeren Dokumenten mit nur wenigen hundert Wörtern wird die Vorhersage überwiegend ‚all or nothing' sein, weil wir auf einem einzigen Segment vorhersagen, ohne die Möglichkeit zur Überlappung. Das bedeutet, dass mancher Text, der eine Mischung aus KI-generierten und eigenen Inhalten ist, als vollständig KI-generiert markiert werden kann.)

Das ist eine Eigenschaft des Dokuments, nicht der Person, die es verfasst hat. Dasselbe gilt für die Eigenschaften, die Turnitin nennt, wenn es die eigenen Fehler beschreibt:

„Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas." (Manchmal können Fehlalarme – also das fälschliche Markieren menschlich geschriebener Texte als KI-generiert – Inhalte ohne viel strukturelle Abwechslung betreffen, Texte, die sich wörtlich wiederholen, oder Texte, die umformuliert wurden, ohne neue Gedanken zu entwickeln.)

Strukturelle Abwechslung, Wiederholung, Gedanken, die sich nicht entwickeln. Jeder dieser Punkte ließe sich messen, ohne dass man weiß, woher der Text kommt. Keiner davon ist ein Anbieter. All das ergibt nicht die Aussage „ein Wechsel des Modells ist sinnlos", und es wäre unehrlich, es als solche zu verkaufen, denn die Seiten behandeln diesen Vergleich schlicht nicht. Es bedeutet aber: Die Variable, mit der Menschen am meisten Zeit verbringen, ist die, über die die eigene Dokumentation am wenigsten sagt. Wenn Sie wegen etwas markiert wurden, das Sie selbst geschrieben haben, ist eine Antwort vorbereiten der bessere Weg, einen Nachmittag zu verbringen.

Wir verkaufen ein Werkzeug zum Umschreiben von Dokumenten; lesen Sie diesen Abschnitt also mit diesem Vorzeichen. Wir versprechen kein Ergebnis bei der Erkennung, und der Grund dafür ist keine Bescheidenheit. Erkennungssysteme werden aktualisiert. Die öffentliche Seite Product Updates hält die Berichtsänderung vom 4. August fest – genug, um zu zeigen, dass der Bericht selbst sich ändern kann, ohne dass damit etwas darüber gesagt wäre, wer eine gesonderte Benachrichtigung erhalten hat.

Umfang und Kosten lassen sich ehrlich beschreiben, und genau das beschreibt Das Tool HumanPen. Ein Bericht von Turnitin oder iThenticate ist im Grunde eine Liste von Koordinaten; wer ihn zusammen mit der Datei übergibt, begrenzt das Umschreiben auf diese Koordinaten – Sätze außerhalb behalten die Formulierung, die Sie ihnen gegeben haben. Credits zählen, wie viel Prosa verändert wurde, nicht wie groß die Datei war. Passagen, die die Voraussetzungen erfüllen, können kostenlos erneut durchlaufen werden.

Es gibt auch einen ernst zu nehmenden Fall, in dem man so etwas gar nicht einsetzen sollte; er ist separat dargelegt in Wann ein Umschreibewerkzeug für ganze Dokumente das falsche Werkzeug ist. Sechs Situationen, jede aus unseren eigenen Seiten zitiert, in denen die ehrliche Antwort lautet: Ihre eigenen Hände.

Copilot wird nicht genannt. Hilft das? Die fünf gelesenen Seiten geben keine Copilot-spezifische Antwort. Die allgemeine Klausel im FAQ über „tools based on these LLMs" (Werkzeuge, die auf diesen LLMs basieren) kann greifen, wenn ein Werkzeug ein gelistetes Modell verwendet – aber wir haben nicht festgestellt, welches Modell hinter einem bestimmten Copilot-Produkt, einem bestimmten Modus und einem bestimmten Datum steht. Ein fehlender Name kann das Ergebnis einer einzelnen Einreichung nicht vorhersagen.

Ist eines der gelisteten Modelle sicherer als die anderen? Die gelesenen Seiten liefern kein stabiles Ranking pro Modell. Product Updates und Release Notes nennen mitunter Modelle, wenn sie Änderungen der Abdeckung beschreiben, aber das ist keine Wahrscheinlichkeitstabelle für die nächste Datei. Ein Prozentwert aus den eigenen Einreichungen einer Person ist eine andere Art von Beleg und sollte auch als solche gelesen werden. Die allgemeine Fassung davon steht in Warum derselbe Text bei jedem Detektor anders abschneidet.

Gilt das alles auch für eine spanische oder japanische Einreichung? Dafür gibt es eigene Erkennungsmodelle, und die veröffentlichten Details unterscheiden sich von Seite zu Seite. Product Updates nennt GPT- und Gemini-Versionen in seinem Update für das Spanische vom 5. Mai 2026, während das separate Änderungsprotokoll des Erkennungsmodells dasselbe Release ohne dieselbe Liste zusammenfasst. Die allgemeinen Turnitin-Release-Notes sind eine dritte Quelle, kein anderer Name für eine der beiden Seiten. Mehr zu den Sprachgrenzen steht in Kann Turnitin KI in nicht englischen Einreichungen erkennen.

Kann eine prüfende Person sehen, welches Modell ich verwendet habe? Die aktuelle Berichtsdokumentation, die wir gelesen haben, beschreibt die Ausgaben wahrscheinlich-menschlich und wahrscheinlich-KI, kein Feld mit einem Modellnamen. Seit dem 4. August 2026 zeigt der Bericht eine einzige Kategorie für KI-generiert, und der vom Unternehmen genannte Grund für die Zusammenlegung war, Unterscheidungen zu entfernen, „that could be read to imply more certainty about the specific tool or workflow used to produce a submission" (die so gelesen werden könnten, als sagten sie mehr Sicherheit darüber aus, mit welchem konkreten Werkzeug oder welcher konkreten Arbeitsweise eine Einreichung entstanden ist).

Ich habe eine ältere Version eines Modells verwendet, das auf der Liste steht. Anderes Ergebnis? Die gelesenen Seiten erlauben uns dazu keine Vorhersage. Versionen erscheinen in der FAQ-Liste einzeln, jede mit einem Datum in Klammern, aber die beiden Kopien widersprechen sich bei manchen Daten und verknüpfen mit keiner Version eine Ergebniszahl. Ein datiertes Abdeckungs-Update würde weiterhin keine einzelne Datei vorhersagen.