KI-Inhalte erkennen: Was Tacit Knowledge über den KI-Look verrät

Die Bäckerei an der Ecke wirbt neuerdings mit einem Plakat, auf dem ein Croissant so makellos glänzt, wie es kein Bäcker je aus dem Ofen gezogen hat. Zwei Häuser weiter hängt beim Imbiss eine Speisekarte, auf der jedem Gericht ein Emoji vorangestellt ist, darunter der Schriftzug „Mit Liebe gemacht“. Auf dem Jahrmarkt preist der Crêpes-Stand seine Waffeln in derselben pastelligen Bildsprache an wie der Schmuckstand gegenüber, mit identisch weichgezeichneten Lichtreflexen und einer Farbtemperatur, die eine Spur zu warm geraten ist. Niemand hat sich abgesprochen, alle haben schlicht dasselbe Werkzeug gefragt.

Eine Beobachtung macht derzeit die Runde, in Gesprächen ebenso wie in beruflichen Netzwerken: Kundinnen und Kunden erkennen den generischen KI-Stil sofort, machen sich darüber lustig und meiden die Geschäfte eher. Bemerkenswert ist vor allem, worauf sie beruht. Kaum jemand könnte präzise sagen, woran er den KI-Aushang zu erkennen meint. Der KI-Verdacht stellt sich trotzdem ein, im Vorbeigehen, in Sekundenbruchteilen. Aber gut, einen vertrauten Stil wiederzuerkennen heißt noch nicht, seine tatsächliche Herkunft zu kennen. Für das Gespür aber gibt es seit sechzig Jahren einen Begriff.

1966 veröffentlichte der ungarisch-britische Chemiker und Philosoph Michael Polanyi ein schmales Buch mit dem Titel The Tacit Dimension (1). Sein Ausgangspunkt ist ein Satz, der seither in kaum einer Einführung in die Wissenstheorie fehlt: Wir wissen mehr, als wir sagen können. Polanyis Beispiel ist das menschliche Gesicht. Wir erkennen es unter Tausenden wieder, können aber in aller Regel nicht beschreiben, woran.

Ähnlich verhält es sich mit dem Fahrradfahren, dem Abschmecken einer Suppe oder dem Blick einer erfahrenen Radiologin, die auf einem Röntgenbild eine Auffälligkeit bemerkt, bevor sie diese benennen kann. Implizites Wissen, im Englischen Tacit Knowledge, ist dieses Können ohne vollständige Beschreibung. Es entsteht durch Übung und Nachahmung, lebt in Routinen und lässt sich nur unvollkommen in Handbücher übersetzen.

Der Ökonom David Autor hat aus Polanyis Satz 2014 ein Argument über Automatisierung entwickelt, das er das Polanyi-Paradox nannte (2). Computer übernehmen demnach vor allem jene Tätigkeiten, deren Regeln sich ausformulieren lassen; was wir selbst nicht erklären können, lässt sich schwer programmieren. Schon Autor sah im maschinellen Lernen aus Beispielen einen möglichen Ausweg, und Sprachmodelle sind diesen Weg inzwischen weit gegangen. Sie lernen aus Milliarden von Beispielen, ganz ohne ausformulierte Regeln. Ein Modell schreibt grammatisch sicher, ohne eine Grammatik zu konsultieren, und trifft einen Tonfall, ohne ihn begründen zu können. In gewisser Weise besitzt es selbst eine Form impliziten Wissens, allerdings eine sehr allgemeine. Über die Besonderheiten eines konkreten Betriebs, einer bestimmten Straße, eines einzelnen Hauses weiß es ohne passende Informationen nichts Verlässliches.

Für die Vereinheitlichung gibt es einen verwandten Befund aus der Forschung. Anil Doshi und Oliver Hauser ließen 2024 Versuchspersonen Kurzgeschichten schreiben, einen Teil davon mit Ideen aus einem Sprachmodell (3). Die Geschichten mit KI-Unterstützung wurden von unabhängigen Bewertenden als kreativer, besser geschrieben und unterhaltsamer eingestuft, besonders bei jenen, die ohne Hilfe weniger einfallsreich geschrieben hätten. Zugleich ähnelten sie einander deutlich stärker als die Geschichten ohne KI. Die Autoren sprechen von einem sozialen Dilemma: Jeder Einzelne steht mit dem Werkzeug besser da, gemeinsam entsteht ein schmaleres Spektrum.

Die Übertragung auf die Innenstadt ist eine Deutung, aber eine naheliegende. Die Speisekarte des Imbisses war vor fünf Jahren vermutlich schlechter, ein Word-Dokument mit verpixeltem Clipart und drei konkurrierenden Schriftarten. Sie war allerdings auf unverwechselbare Weise schlecht. Die neue ist besser und dafür kaum noch von der des Nachbarn zu unterscheiden. Warum Sprachmodelle zu einem Einheitsstil neigen, hat mehrere Gründe, einer davon liegt im Training: Modelle werden unter anderem darauf optimiert, Antworten zu liefern, die möglichst vielen Bewertenden gefallen. Heraus kommt ein freundlicher, gefälliger Durchschnitt, der einzeln überzeugt und in der Masse ermüdet.

Lange galt als gesichert, dass Menschen KI-Texte schlecht erkennen. Maurice Jakesch und Kollegen zeigten 2023 in sechs Experimenten mit 4.600 Teilnehmenden, dass Versuchspersonen KI-generierte Selbstbeschreibungen, etwa für Dating- oder Unterkunftsprofile, nicht zuverlässig von menschlichen unterscheiden konnten (4). Sie verließen sich auf Faustregeln, die in die Irre führten: Die Ich-Form oder Erzählungen aus der Familie hielten sie für menschlich, ungewöhnliche Formulierungen für maschinell.

Eine Studie von Jenna Russell, Marzena Karpinska und Mohit Iyyer kam 2025 mit anderem Material und anderen Beurteilenden zu einem differenzierteren Bild (5). Beurteilt wurden dreihundert englischsprachige Sachtexte, geschrieben teils von Menschen, teils von damals aktuellen Modellen wie GPT-4o und Claude. Wer selten mit KI schrieb, lag kaum über dem Zufall.

Ein Gremium aus fünf gezielt ausgewählten Vielnutzern, die beruflich schreiben, intensiv mit Sprachmodellen arbeiten und vorab Erkennungsaufgaben bestehen mussten, ordnete dagegen nur einen von dreihundert Texten falsch zu und schlug damit die meisten automatischen Detektoren, selbst bei umformulierten Texten. In ihren Begründungen nannten sie viele konkrete Merkmale, typische Vokabeln etwa, aber auch Schwerfassbares wie Förmlichkeit, Originalität oder eine bestimmte Art von Klarheit.

Polanyis Unterscheidung bleibt in diesen Begründungen sichtbar: Ein Teil des Könnens lässt sich ausformulieren, ein anderer zeigt sich nur im Urteil. Man kann das als erfahrungsbasierte Mustererkennung lesen, als Gespür, das durch Gewöhnung wächst, so wie man das Gesicht eines Kollegen lernt. Geübte Leser schätzen die Herkunft eines Textes erstaunlich gut ein; ungeübte halten sich für sicherer, als sie sind. Welche sprachlichen Merkmale dabei den Ausschlag geben, beschreibt eine kleine Linguistik des maschinellen Schreibens.

Für die Fußgängerzone ist allerdings eine andere Pointe wichtiger. Für die Wirkung eines Aushangs ist es nahezu gleichgültig, ob der Verdacht stimmt. Ein gefällig-generisches Plakat wird heute schnell der KI zugeschrieben, auch wenn es ein Mensch in einem Grafikprogramm zusammengesetzt hat. Umgekehrt bleibt ein sorgfältig mit KI gestalteter Aushang, der die Eigenheiten seines Hauses trägt, oft unverdächtig. Was das Publikum erkennt, ist zuerst der Stil. Die Herkunft wird ihm zugeschrieben.

Was diese Zuschreibung anrichten kann, hat das Nürnberg Institut für Marktentscheidungen (NIM) in zwei Experimenten untersucht (6). Identische Werbung schnitt schlechter ab, sobald sie als KI-generiert ausgewiesen wurde: Sie wirkte weniger natürlich und weniger nützlich, und die Bereitschaft, sich über das Produkt zu informieren oder es zu kaufen, sank. Der Effekt ist klein, aber beständig. Aufschlussreich ist eine Nebenbeobachtung: Bei innovativen Technikprodukten fiel der Abschlag geringer aus, bei traditionellen Produkten stärker, und Bäckerei, Metzgerei und Weinstand gehören zu den traditionellsten Kategorien, die eine Innenstadt zu bieten hat. Ob ein spontaner Verdacht im Vorbeigehen ebenso wirkt wie ein ausdrückliches Etikett, wurde nicht gemessen. Naheliegend ist es, denn auch das Etikett wirkt nur über die Vorstellung, die es weckt.

Wie sehr es auf diese Vorstellung ankommt, zeigt der Fall Coca-Cola. Der Konzern ließ 2024 und erneut 2025 seinen Weihnachtsklassiker Holidays Are Coming mit KI neu erzeugen und erntete in Netzwerken und Fachpresse Häme für seelenlos wirkende Gesichter und gleitende Lkw-Räder. Im Werbetest des Marktforschers System1 erhielt der Spot dagegen in beiden Jahren die Höchstwertung, und 2024 hatte man den Testpersonen nicht gesagt, dass KI im Spiel war.

Spott und Publikumsfreude bestanden nebeneinander, getrennt vor allem durch das Wissen um die Herkunft. Dass Merriam-Webster das Wort slop, unter anderem eine Bezeichnung für Schweinefutter, zum Wort des Jahres 2025 wählte, zeigt allerdings, wie verbreitet dieses Wissen und der dazugehörige Spott inzwischen sind.

Ob Menschen deshalb einen Laden meiden, ist nicht belegt. Wer Hunger hat, isst auch unter einer generischen Speisekarte, und die Currywurst schmeckt nicht nach dem Plakat. Wahrscheinlicher ist eine leisere Wirkung, die weniger an der Kasse sichtbar wird als im Bild, das man sich von einem Ort macht. Ein Aushang war immer auch ein Indiz dafür, dass sich hier jemand Mühe gegeben hat, und warum dieses Indiz an Kraft verliert, hängt mit der Entkopplung von Aufwand und Ergebnis zusammen. Der vermutete KI-Look signalisiert heute vor allem, dass die Mühe gespart wurde. Das Publikum zieht daraus seine Schlüsse über Küche und Bedienung gleich mit.

Bislang war vom Wissen der Betrachtenden die Rede. Die tiefere Lücke liegt auf der anderen Seite, und sie hat zwei Schichten. Die erste ist erzählbar: welches Gericht die Stammgäste seit Jahren bestellen, dass die Soße nach dem Rezept der Mutter schmeckt, seit wann es den Laden gibt. Ein Prompt wie „Erstelle eine moderne Speisekarte für einen Imbiss" enthält nichts davon, also füllt das Modell die Leerstellen mit dem Durchschnitt aller Imbisse, die ihm je begegnet sind. Dieses Wissen wäre leicht zu haben; es hat bloß niemand danach gefragt.

Die zweite Schicht ist die eigentlich polanyische. Welcher Ton in dieser Straße als herzlich gilt und welcher als anbiedernd, ob ein Foto einladend wirkt oder bemüht, wann ein Witz auf der Tafel passt: Das ist situatives Urteilsvermögen, das sich nicht vollständig in Regeln oder Briefings fassen lässt. Auch das ausführlichste Interview überträgt es nur zum Teil. Generisch wird ein Ergebnis darum aus zwei Gründen, weil der Maschine Informationen fehlen und weil niemand mit diesem Urteilsvermögen auf das Ergebnis geschaut hat.

Für Organisationen, deren Glaubwürdigkeit auf Fachwissen beruht, ist das mehr als eine ästhetische Frage. Verbände, Fachgesellschaften und medizinische Einrichtungen leben vom Erfahrungswissen ihrer Mitglieder, von Urteilen, die in Jahrzehnten Praxis gereift sind. Klingt ihre Kommunikation wie jede andere, entwertet sie genau den Rohstoff, der sie unterscheidet.

Ikujiro Nonaka und Hirotaka Takeuchi haben den Vorgang, implizites Wissen in teilbare Form zu bringen, Externalisierung genannt (7); er geschieht durch Gespräche, Metaphern und Fallgeschichten. Hier kann KI tatsächlich helfen, beim Transkribieren eines Interviews, beim Ordnen von Gedanken, beim Verdichten langer Gespräche. Die Substanz muss allerdings von Menschen kommen, und das Urteil über das Ergebnis ebenso.

Aus beiden Blickrichtungen ergibt sich eine Folgerung, die weit über Bäckerei und Imbiss hinausreicht. Das geschulte Auge, das generische Inhalte erkennt, ist dasselbe Auge, das sie vermeidet. Es dürfte kein Zufall sein, dass in der Studie von Russell und Kollegen ausgerechnet jene am sichersten urteilten, die selbst täglich mit Sprachmodellen arbeiten. Wer sieht, was an einem Entwurf austauschbar ist, kann ihn verwerfen, nachschärfen, neu ansetzen. Wer es nicht sieht, übernimmt ihn. Der Einsatz von KI verlangt damit selbst eine Fähigkeit, und wie beim Programmieren mit KI verschiebt sich das Können vom Erzeugen zum Beurteilen.

Im professionellen Marketing hat dieser Unterschied einen Preis. Der erste Entwurf eines Sprachmodells ist der wahrscheinlichste, und das Wahrscheinlichste ist das, was alle anderen auch bekommen. Für Werbung, die vom Unterschied lebt, ist das ein denkbar schlechter Ausgangspunkt. Eine Kampagne, die nach Slop aussieht, kostet Aufmerksamkeit und, wenn die NIM-Befunde auch für den bloßen Verdacht gelten, Vertrauen und Kaufbereitschaft.

Agenturen und Marketingabteilungen kann sie noch mehr kosten: den Eindruck, dass hier jemand sein Handwerk versteht, und damit den nächsten Auftrag. Wer immer gleich den ersten Entwurf nimmt, wer kein Auge für Gestaltung hat, führt nicht die KI, sondern wird von der KI geführt.

Das Urteil, das hier gefragt ist, ist Polanyis implizites Wissen in Reinform: Sprachgefühl, Gestaltungsgefühl, Geschmack, ein Sinn für Originalität, der sich kaum als Regel aufschreiben lässt. Es wächst durch Übung, und darin liegt eine stille Gefahr. Wer von Anfang an den ersten Entwurf übernimmt, übt nicht und erwirbt gerade das Urteil nicht, das er bräuchte, um die Maschine zu führen. Wo Entlastung in den Verlust von Können umschlägt, ist eine eigene Frage; für Berufseinsteiger in Gestaltung und Kommunikation stellt sie sich besonders dringlich.

Es ist eine kleine Ironie der Gegenwart, dass ausgerechnet das Unperfekte an Wert gewinnt. Die handgeschriebene Kreidetafel mit dem schiefen Tagesgericht, das Foto vom echten Teller statt des generierten Ideals, der Satz mit einer Eigenheit, die zu diesem einen Menschen gehört: Sie alle verweisen auf jemanden, der tatsächlich da ist. Gewiss lässt sich auch die Aura des Echten nachahmen, Unvollkommenheit inklusive. Nachahmung setzt allerdings voraus, dass jemand weiß, was nachgeahmt werden soll, und dieses Wissen ist wieder das der Absender.

Gegen KI als Werkzeug spricht das wenig. Problematisch wird sie dort, wo sie das ersetzen soll, was nur der Absender weiß und beurteilen kann. Wer ein Sprachmodell mit dem eigenen Wissen versorgt, mit den Geschichten der Stammgäste, dem Vokabular des eigenen Fachs, den Eigenheiten des Hauses, und das Ergebnis mit eigenem Blick prüft, bekommt Texte und Bilder, die nach ihm klingen, obschon eine Maschine sie mitgeformt hat. Wer die KI schlicht nach einer Speisekarte fragt, bekommt die seelenlose generische Variante.