Warum sich Ihr KI-Wert ändert, wenn Sie dieselbe Arbeit noch einmal einreichen

Wenn dieselbe Arbeit bei der zweiten Einreichung mit einem anderen KI-Prozentwert zurückkommt, liegt die häufigste Ursache nicht darin, dass Ihr Text sich verändert hat, sondern darin, dass der Detektor sich verändert hat. Turnitin aktualisiert das Modell zur Erkennung von KI-Texten fortlaufend, und in jeder Versionsnotiz steht derselbe Satz: „This release will not retroactively update previously-generated AI writing reports.“ (Dieses Release aktualisiert zuvor erzeugte KI-Schreibberichte nicht nachträglich.) Ein Bericht ist eine Messung, vorgenommen von dem Modell, das an dem Tag gültig war, an dem der Bericht entstand. Fällt ein Modell-Update zwischen Ihre erste und Ihre zweite Einreichung, stammen die beiden Werte von unterschiedlichen Versionen des Detektors – und in keinem der beiden Dokumente steht, wie viel der Differenz auf Ihre Änderungen zurückgeht und wie viel auf das Modell.

Die meisten gehen davon aus, „Turnitin“ sei ein feststehendes Instrument, das immer gleich liest. Die Versionshinweise erzählen eine andere Geschichte. Auf der Seite zum Modell der KI-Schreiberkennung sind Updates am 14. Oktober 2025, 12. Februar 2026 und 5. Mai 2026 verzeichnet. In jedem dieser Einträge steht:

„This release will not retroactively update previously-generated AI writing reports. To view the AI writing score generated by this update, existing submissions must be resubmitted.“ (Dieses Release aktualisiert zuvor erzeugte KI-Schreibberichte nicht nachträglich. Um den KI-Schreibwert zu sehen, den dieses Update erzeugt, müssen bereits eingereichte Arbeiten erneut eingereicht werden.)

Die Notizen vom Februar und vom Oktober weisen zudem in dieselbe Richtung: „We have updated our AI writing detection model to improve recall while maintaining a low false positive rate.“ (Wir haben unser Modell zur Erkennung von KI-Texten aktualisiert, um die Trefferquote zu verbessern und dabei eine niedrige Rate an Fehlalarmen zu halten.) Die FAQ ergänzt: Mit jeder Iteration des Modells „it is likely that our detection capabilities will also change, affecting the AI percentage.“ (werden sich wahrscheinlich auch unsere Erkennungsfähigkeiten verändern, was sich auf den KI-Prozentwert auswirkt). Turnitin sagt das ganz unmissverständlich. Der Detektor ist ein bewegtes Ziel, und ein Wert, der an ein Datum gebunden ist, ist keine Eigenschaft des Dokuments. Er ist eine Eigenschaft des Dokuments, so wie diese Version des Modells es an diesem Tag gelesen hat.

Die FAQ verzeichnet außerdem eine jüngere Änderung an der Architektur: „In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model.“ (Im Juli 2026 haben wir die Architektur unseres Modells umgestellt und aus einem Verbund mehrerer Modelle ein einzelnes Modell gemacht.) Den Angaben der FAQ zufolge hält dieses Update die Rate der Fehlalarme weiterhin unter 1 %. Wir erwähnen das, weil jemand, der im Juni eingereicht und im August erneut eingereicht hat, damit eine Modellgrenze überschritten haben kann, die größer ist als ein übliches inkrementelles Update.

Angenommen, Ihr erster Bericht kam mit 28 Prozent zurück, Sie haben ein paar Sätze überarbeitet, und die erneute Prüfung ergibt 42. Der erste Impuls ist die Frage, was bei der Überarbeitung schiefgelaufen ist. Die Frage, die Sie stattdessen zuerst stellen sollten, lautet: Fällt ein Veröffentlichungsdatum zwischen die beiden Durchläufe?

Ist das so, steckt in der Differenz beides gemeinsam: Ihre Änderungen und eine Modelländerung, und in keinem der beiden Berichte steht, was woher kommt. Vierzehn Punkte sind nicht vierzehn Punkte Überarbeitung. Es sind vierzehn Punkte Überarbeitung plus ein Modell – und der Anteil, der vom Modell kommt, ist weder Ihr Verdienst noch Ihre Schuld. Die beiden Berichte zu vergleichen statt der beiden Zahlen, darum geht es in nach einer erneuten Turnitin-Prüfung weiterhin markiert. Für einen ehrlichen Vergleich müssen Sie drei Dinge festhalten: das Datum auf Bericht eins, das Datum auf Bericht zwei und welche Versionshinweise dazwischenfallen. Turnitin veröffentlicht sie alle auf seiner Seite zum Modell der KI-Schreiberkennung.

Die erwähnten Versionshinweise teilen eine Formulierung: „improve recall while maintaining a low false positive rate.“ (die Trefferquote verbessern und dabei eine niedrige Rate an Fehlalarmen halten). Recall, die Trefferquote, ist der Anteil des KI-geschriebenen Textes, den der Detektor findet. Die Trefferquote zu verbessern heißt: Das Modell wird so eingestellt, dass es mehr findet, nicht weniger. Die FAQ erklärt den Zielkonflikt, der daraus entsteht: „In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document.“ (Um diese niedrige Rate von 1 % an Fehlalarmen zu halten, besteht die Möglichkeit, dass wir in einem Dokument etwas KI-geschriebenen Text übersehen.) Und: „if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing.“ (wenn wir feststellen, dass 50 % eines Dokuments wahrscheinlich von einem KI-Werkzeug geschrieben wurden, kann es bis zu 65 % KI-Text enthalten.)

Die Richtung ist entscheidend. Ein Modell-Update, das die Trefferquote verbessert, kann den KI-Prozentwert einer Arbeit erhöhen, die sich kein Stück verändert hat. Das ist kein Fehler. Es ist das Modell, das tut, wozu es aktualisiert wurde. Umgekehrt kann eine Umschreibung, nach der der Wert sank, von einem Modell-Update begünstigt worden sein, das Ihren Text zufällig anders gelesen hat – nicht von den Änderungen selbst. Ohne die Daten können Sie nicht unterscheiden, was was ist. Die Variante, auf die die meisten Menschen treffen, ist eine Arbeit zu bearbeiten und zu sehen, wie der KI-Wert steigt.

Etwas, das viele überrascht: Der KI-Prozentwert und der Similarity-Prozentwert sind getrennt voneinander. Turnitin stellt klar: „The Similarity score and the AI writing detection percentage are completely independent and do not influence each other.“ (Der Similarity-Wert und der Prozentwert der KI-Schreiberkennung sind vollständig unabhängig voneinander und beeinflussen sich nicht gegenseitig.) Eine Veränderung beim einen sagt keine Veränderung beim anderen voraus. Wenn Ihr Similarity-Wert gefallen, Ihr KI-Wert aber gestiegen ist, ist das kein Widerspruch. Es sind zwei Systeme, die im selben Text unterschiedliche Signale lesen. Wir haben diese Unterscheidung in unserem Ratgeber zu AI Writing Report und Similarity Report im Vergleich ausführlicher beschrieben.

Zusammengefasst:

• Alte Berichte werden nicht neu bewertet, wenn das Modell aktualisiert wird. Ein Wert ist eine Momentaufnahme, keine bleibende Eigenschaft.
• Fällt ein Modell-Update zwischen zwei Einreichungen, stammen die beiden Werte von unterschiedlichen Versionen des Detektors.
• Jüngere Updates haben die Trefferquote verbessert – derselbe Text kann unter einem neueren Modell also einen höheren Wert bekommen.
• Der KI-Prozentwert und der Similarity-Prozentwert sind unabhängig voneinander und bewegen sich nicht gemeinsam.

Praktisch heißt das: Halten Sie das Datum auf jedem Bericht fest und gleichen Sie es mit den Versionshinweisen ab, bevor Sie zwei Zahlen vergleichen. Müssen Sie eine markierte Arbeit überarbeiten, importieren Sie Ihren Turnitin-Bericht und arbeiten Sie an genau den Stellen, die markiert wurden. Passagen, die die Voraussetzungen erfüllen, können kostenlos erneut durchlaufen werden.