# Coding-Agenten können KI-Texte zusammensetzen, um Erkennungstools zu umgehen

> Eine neue Methode ermöglicht es Software-Agenten, Ausgaben eines kleineren Sprachmodells zusammenzufügen. Dadurch sinkt die Erkennungsrate von 77 auf 24 Prozent, während die Kosten pro Anfrage um bis zu das Dreißigfache steigen.

Oossa · 2026-09-29 · https://oossa.com/de/coding-agents-can-stitch-ai-text-to-dodge-detection-tools

Forschende veröffentlichten am 25. Sep. 2026 eine Arbeit, die zeigt, wie ein Coding-Agent Texte eines Basissprachmodells zusammenfügen kann, um KI-Erkennungssysteme zu umgehen. Der auf Claude Opus 5 basierende Agent bezieht bis zu 90 Prozent seiner Wörter aus einem Modell mit 32 Milliarden Parametern namens OLMo‑2. In Tests gingen die zusammengesetzten Antworten an zwei Arten von Erkennungssystemen vorbei: Bei einem beliebten nachträglichen Erkennungstool sank die Trefferquote von 77 auf 24 Prozent, bei einer Prüfung auf Basis von Wasserzeichen auf etwa 10 Prozent.

## So funktioniert die Methode

Frühere Tricks versuchten, KI-generierte Texte mehrfach umzuformulieren, wodurch sich die Bedeutung oft veränderte. Bei diesem Ansatz fungiert der Agent stattdessen wie ein Editor, der Textteile kopiert und einfügt. Er bittet das Basismodell um viele kurze Textproben und wählt dann die Teile aus, die am besten zur Aufgabe passen – etwa kreatives Schreiben, sachliche Antworten, Gesundheitsfragen oder das Befolgen von Anweisungen. Durch das Zusammenfügen dieser Teile bleibt die endgültige Ausgabe beim Thema und liest sich natürlich. Für das Erkennungssystem sieht sie jedoch aus wie eine Mischung aus vielen kurzen Fragmenten statt wie ein zusammenhängender, KI-generierter Textstrom.

## Folgen und Kosten

Die Methode funktioniert, ist aber teuer. Weil der Agent deutlich mehr Token – die grundlegenden Einheiten von Text – sendet und empfängt, können die Kosten pro Anfrage bis zu dreißigmal höher liegen als bei einem gewöhnlichen API-Aufruf. Die Forschenden warnen, dass Erkennungsdienste mit solchen zusammengesetzten Ausgaben trainieren müssen, wenn sie wirksam bleiben wollen. Für Nutzerinnen und Nutzer im Alltag bedeutet der Befund, dass Tools, die KI-generierte Inhalte erkennen sollen, möglicherweise weniger zuverlässig sind als versprochen.

## Die Fakten

- Die Arbeit wurde am 25. Sep. 2026 von Bhuwan Dhingra eingereicht.
- Claude Opus 5 steuerte lokal ein OLMo‑2-Modell mit 32 Milliarden Parametern.
- Beim Pangram-v4-Detektor sank die Erkennungsrate von 77 auf 24 Prozent.
- Die Erkennung weicher Wasserzeichen sank bei niedrigen Falsch-Positiv-Raten auf etwa 10 Prozent.
- Die Kosten pro Anfrage können um bis zu das 30-Fache steigen, weil der Agent deutlich mehr Token verwendet.

## Warum es wichtig ist

Wenn Erkennungstools weniger zuverlässig werden, könnte es schwieriger sein festzustellen, ob ein Text von einem Menschen oder einer KI stammt. Das könnte das Vertrauen in Online-Inhalte beeinträchtigen. Zugleich bedeutet der hohe Preis der Umgehungsmethode, dass sie wohl nicht beiläufig eingesetzt wird und die Hürde für die meisten Nutzer hoch bleibt.

## Quellen und Referenzen

1. [Agents Can Use Base Models to Evade AI Detection](https://arxiv.org/abs/2609.31876) – arXiv, 2026-09-29

Zuletzt aktualisiert: 2026-09-29