Wie schreibst du mit KI Marketingtexte, die nicht nach KI klingen?

Ein KI-Text klingt nach KI, wenn das Modell nur das Thema kennt und deshalb den wahrscheinlichsten Text schreibt. Gib ihm vier Dinge: ein Briefing mit einem Leser, einer Aussage und echtem Beleg, drei bis fünf deiner besten Texte als Beispiele, Stilregeln als Anweisungen und einen Floskel-Check vor der Veröffentlichung.

Dieser Leitfaden ist für Gründer und Marketingverantwortliche, die mit einem KI-Textgenerator Landingpages, Mails, Anzeigen und Posts schreiben und das Ergebnis jedes Mal umschreiben. Das große Bild steht im Leitfaden KI im Marketing einsetzen, ohne Qualität zu verlieren. Hier geht es um das Handwerk: Briefing, Beispiele, Stilregeln und eine Prüfliste der KI-Floskeln mit Grenzwerten.

Warum klingen KI-Marketingtexte nach KI?

KI-Texte klingen generisch, weil ein Sprachmodell wahrscheinliche Wortfolgen vorhersagt. Mit einem dünnen Prompt ist der wahrscheinlichste Text über dein Produkt der Durchschnitt aller ähnlichen Texte, die das Modell kennt. Dieser Durchschnitt hat ein erkennbares Vokabular, einen erkennbaren Rhythmus und keinen einzigen Fakt, der dir gehört.

Das Vokabular lässt sich messen. Dmitry Kobak und Kollegen haben mehr als 15 Millionen biomedizinische Abstracts in PubMed aus den Jahren 2010 bis 2024 ausgewertet, veröffentlicht im Juli 2025 in Science Advances. Bestimmte Stilwörter stiegen nach dem Start der LLMs sprunghaft an. Die Autoren schätzen, dass mindestens 13,5 % der Abstracts von 2024 mit einem LLM bearbeitet wurden. Ihre Liste mit 900 auffälligen Wörtern enthält unter anderem pivotal, crucial, showcasing, underscores, intricate, fostering, harnessing, realm, comprehensive, notably und additionally. Im Deutschen entsprechen ihnen nach meiner Beobachtung Wörter wie entscheidend, umfassend, maßgeblich, zudem und darüber hinaus. Das ist nicht gemessen, aber du erkennst sie sofort.

Auch die Gleichförmigkeit ist gemessen. In einem Experiment von 2024 in Science Advances zeigten Anil Doshi und Oliver Hauser: Geschichten mit KI-Ideen wurden einzeln besser bewertet, ähnelten sich untereinander aber stärker. Wenn drei Anbieter dieselben Werkzeuge nutzen, geht dein Text in der Masse unter. Die Lösung: dein Material in den Prompt, danach ein Check.

Was gehört in ein Briefing für KI-Texte?

Ein Briefing für einen Werbetext ist kürzer als ein Content-Briefing und strenger. Es nennt einen Leser, eine Aussage, den Beleg dafür, eine Handlung und die Grenzen des Formats. Anthropics Prompting-Leitfaden formuliert den Test gut: Wäre ein Kollege ohne Kontext von deinem Prompt verwirrt, ist es das Modell auch.

• Der Leser. Eine Rolle in einer Situation. „Serviceleiter bei einem Maschinenbauer mit 30 Technikern im Außendienst“ funktioniert. „Entscheider in der Industrie“ liefert dir wieder den Durchschnitt.
• Die Aussage. Das eine, was der Text sagt, in einem Satz, den du im Verkaufsgespräch verteidigen würdest.
• Der Beleg. Zahlen mit Quelle, ein Kunde, den der Leser kennt, eine Entscheidung, die du getroffen hast. Hast du keinen, steht das im Briefing, und der Text macht eine kleinere Aussage.
• Die Handlung. Was der Leser als Nächstes tut: ein Gespräch von 20 Minuten, ein PDF, eine Antwort.
• Die Grenzen. Kanal, Länge in Wörtern, was nicht vorkommen darf, und die Anweisung, fehlende Fakten als [FEHLT] zu markieren, statt sie aufzufüllen.

Anthropic empfiehlt außerdem, zu erklären, warum eine Anweisung wichtig ist, weil das Modell aus der Begründung verallgemeinert: „maximal 90 Wörter, weil das als LinkedIn-Anzeige läuft“ schlägt „maximal 90 Wörter“. Für lange Inhalte deckt das Briefing im Leitfaden zu KI im Content Marketing Interviews und Quellen ab.

Wie viele Beispiele braucht das Modell, und welche?

Gib dem Modell drei bis fünf Beispiele deiner eigenen Texte im selben Format wie der Text, den du willst. Alle drei großen Modellanbieter empfehlen Beispiele. Anthropic nennt drei bis fünf, Google empfiehlt, immer einige mitzugeben, und beide raten zu vielfältigen Beispielen, damit das Modell keine ungewollten Muster übernimmt.

• Anthropic. Beispiele gehören zu den verlässlichsten Mitteln, um Format, Ton und Struktur zu steuern. Sie sollen relevant und vielfältig sein und in Beispiel-Tags stehen, damit sie sich nicht mit den Anweisungen vermischen.
• Google. Prompts ohne Few-Shot-Beispiele sind wahrscheinlich weniger wirksam. Zu viele Beispiele können zu Überanpassung führen. Ihre Formatierung soll identisch sein.
• OpenAI. Zeig eine vielfältige Auswahl möglicher Eingaben mit den gewünschten Ausgaben.

Meine Faustregel für die Auswahl: Nimm Texte, auf die deine besten Kunden reagiert haben, aus demselben Kanal, geschrieben von einem Menschen in deinem Team. Nie Texte der Konkurrenz, sonst schreibt das Modell wie sie. Und nie alte KI-Entwürfe, die füttern den Durchschnitt direkt wieder ein. Schreib zu jedem Beispiel eine Zeile, warum es funktioniert („beginnt mit dem Problem des Lesers, eine Zahl, keine Adjektive“).

Wie schreibst du Stilregeln, denen ein Modell folgt?

Schreib Stilregeln als Anweisungen, was zu tun ist, mit Begründung. Ein Modell folgt „schreib kurze Sätze mit je einer Aussage, weil Einkäufer überfliegen“ meist verlässlicher als „sei nicht so wortreich“. Dazu passen Anthropics Hinweise zur Formatierung: Sag dem Modell, was es tun soll, statt was es lassen soll, und schreib den Prompt im Stil der gewünschten Ausgabe.

Anthropic weist auch darauf hin, dass die Formatierung des Prompts die Formatierung der Antwort beeinflussen kann. Ein Prompt voller Aufzählungspunkte lädt zu einem Text voller Aufzählungspunkte ein. Schreib das Briefing in der Stimme, die du zurückhaben willst.

Eine Liste verbotener Wörter gehört trotzdem zu deinen Regeln. Mein eigener Stilleitfaden verbietet 10x, Rakete, Synergie, Reise und Ökosystem. Lass die Liste als Prüfung über den fertigen Entwurf laufen. Meine Meinung: Ein Modell, dem du ein Wort verbietest, greift gern zu dessen Verwandten.

Welche KI-Floskeln prüfst du vor der Veröffentlichung?

Prüf jeden Text gegen eine schriftliche Liste von KI-Merkmalen mit einem Grenzwert pro Merkmal. Überschriften, erste Sätze und Handlungsaufforderungen bekommen null Toleranz. Im Fließtext ersetzt du jeden Treffer durch etwas Konkretes. Meine Meinung: Eine Liste schlägt das Bauchgefühl, weil sich das Auge an diese Floskeln gewöhnt.

Das Design meiner Website folgt derselben Idee. Als ich recherchiert habe, woran man KI-gemachte Websites erkennt, habe ich ein Regelwerk für meine Seiten geschrieben: keine Eyebrow-Zeilen, keine Pille über der Überschrift, keine KI-Standardschriften, kein Lila, keine Raster aus Icon-Karten, keine Zahlenbanner, keine generischen Einblendungen. Sogar meine Schrift habe ich gewechselt. Bei Texten funktioniert es genauso. Schreib die Merkmale einmal auf und prüf jede Seite dagegen.

In der unten beschriebenen Studie von Russell, Karpinska und Iyyer nannten die erfahrenen Prüfer das Vokabular in 53,1 % ihrer Begründungen und den Satzbau, darunter Dreierlisten, in 35,9 %. Außerdem fielen ihnen optimistisch vage Schlüsse auf, einem Prüfer auch Namen wie Emily und Sarah.

Wie sieht ein Vorher und Nachher aus?

Der Unterschied zeigt sich am besten an einem kurzen Text. Das Beispiel unten ist zur Veranschaulichung: Ich habe beide Fassungen für diesen Leitfaden geschrieben, für eine erfundene Firma, um das typische Muster eines Ein-Zeilen-Prompts und das Ergebnis nach Briefing, Beispielen und Floskel-Check zu zeigen.

Ein typisches Szenario: Ein Schweizer Softwareunternehmen verkauft Ferndiagnose für Industriemaschinen. Der Ein-Zeilen-Prompt lautet „Schreib eine LinkedIn-Anzeige für unsere Wartungssoftware.“ Zurück kommt dieses Muster:

Wartung ist ein entscheidender Faktor für jedes produzierende Unternehmen. Mit unserer umfassenden Plattform optimierst du Prozesse, reduzierst Ausfallzeiten und steigerst die Effizienz. Entdecke, wie wir Unternehmen wie deinem zum Erfolg verhelfen.

Zwei Stilwörter, eine Dreierformel, ein Platzhalter-Publikum, kein prüfbarer Fakt. Jetzt das Briefing: Leser ist der Serviceleiter eines Maschinenbauers; die Aussage, dass Techniker mit dem richtigen Teil losfahren; der Beleg ist der Anteil der Zweiteinsätze aus den Ticketdaten des Kunden; die Handlung ein Gespräch von 20 Minuten mit den Tickets des letzten Monats. Der Entwurf nach Beispielen und einem Redaktionsdurchgang:

Deine Techniker fahren zur Maschine, ohne zu wissen, welches Teil ausgefallen ist. Unsere Software liest den Fehlercode, bevor sie losfahren. So liegt das richtige Teil schon im Wagen. [FEHLT: Anteil der Zweiteinsätze aus den Pilotdaten.] Bring die Tickets des letzten Monats in ein Gespräch von 20 Minuten, und wir zeigen dir, welche Einsätze du dir gespart hättest.

Die Markierung [FEHLT] ist der Punkt. Das Briefing hat dem Modell verboten, eine Prozentzahl zu erfinden. Ein Mensch füllt die Lücke mit einer echten Zahl oder streicht den Satz.

Wie redigierst du einen KI-Entwurf, damit er nach dir klingt?

Redigiere einen KI-Entwurf in festen Durchgängen, ein Problem pro Durchgang, statt ihn so lange zu lesen, bis er sich richtig anfühlt. Floskeln, Füllstoff, Beleg, Adjektive, Klang, Fakten. Jeder Durchgang hat ein klares Ende, so weißt du, wann du fertig bist.

1. Floskel-Check. Arbeite die Prüfliste oben ab.
2. Ersten und letzten Absatz streichen. Lies den Text ohne sie. Fehlt nichts, waren beide nur Anlauf.
3. Beleg einbauen. Eine Zahl, ein Name oder eine Entscheidung pro Abschnitt, die nur dein Unternehmen schreiben kann. Keine? Dann ist der Abschnitt nicht fertig.
4. Adjektive durch Fakten ersetzen. Aus „schnelles Setup“ wird die echte Setup-Zeit aus deinen Onboarding-Daten.
5. Laut lesen. Was du am Telefon nicht sagen würdest, fliegt raus.
6. Faktencheck und Freigabe. Jede Zahl und jede Aussage gegen eine geöffnete Quelle, auch Titel, Meta-Beschreibung und Alt-Texte. Googles Prüfpflicht gilt auch für Metadaten.

Meine Meinung: Redigier von Hand, statt neu generieren zu lassen. Wer einen schwachen Absatz selbst umschreibt, sieht, was im Briefing gefehlt hat.

Erkennen KI-Detektoren, ob dein Text nach KI klingt?

KI-Detektoren sind kein verlässlicher Qualitätscheck für Marketingtexte. Studien zeigen: Wer häufig mit KI schreibt, erkennt KI-Texte besser als die meisten Detektoren. Wer selten mit KI arbeitet, rät auf Zufallsniveau. Und manche Detektoren stufen Texte von Nicht-Muttersprachlern fälschlich als KI ein. Dein Test ist ein geübter menschlicher Leser.

• Geübte Leser schlagen Tools. Jenna Russell, Marzena Karpinska und Mohit Iyyer (ACL 2025) ließen 300 Sachtexte bewerten. Die Mehrheitsentscheidung von fünf Prüfern, die häufig mit LLMs schreiben, lag nur bei 1 von 300 Texten falsch und schlug die meisten kommerziellen und Open-Source-Detektoren, auch bei umformulierten und „vermenschlichten“ Texten.
• Ungeübte Leser raten. Prüfer, die selten mit LLMs arbeiten, kamen auf eine Trefferquote von 56,7 % bei einer Fehlalarmquote um 52 %, nahe am Zufall.
• Detektoren können verzerrt sein. Weixin Liang und Kollegen fanden, dass mehrere GPT-Detektoren mehr als die Hälfte der TOEFL-Aufsätze von Nicht-Muttersprachlern als KI-generiert einstuften, Aufsätze von US-Achtklässlern dagegen fast fehlerfrei erkannten.

Auch Google bewertet nicht nach „KI oder nicht“. Seine Hinweise, geprüft im November 2026, sagen: Wer viele Seiten ohne Mehrwert generiert, verstößt unter Umständen gegen die Spam-Richtlinie zu Scaled Content Abuse. Lass also die Person in deinem Team, die am meisten mit KI arbeitet, den Text lesen und jeden Satz markieren, der generiert klingt.

Was du diese Woche tun kannst

1. Such fünf eigene Texte aus einem Kanal heraus, die funktioniert haben, und schreib zu jedem eine Zeile, warum.
2. Mach aus dem Briefing oben eine Vorlage: Leser, Aussage, Beleg, Handlung, Grenzen, dazu die Anweisung mit [FEHLT].
3. Schreib deine drei meistgenutzten Stilregeln als Anweisungen mit Begründung um, nach der Tabelle oben.
4. Übernimm die Prüfliste der KI-Merkmale in deinen Styleguide und ergänze deine eigenen verbotenen Wörter.
5. Wende die sechs Durchgänge auf die nächste Mail oder Anzeige an, bevor sie rausgeht, und stopp die Zeit.
6. Bestimm eine Person, die täglich mit KI schreibt, und gib ihr das letzte Wort bei allem, was Kunden sehen.

Modelle und ihre Merkmale werden sich weiter ändern. Die Methode nicht. Wenn du Briefing, Beispiele und Stilregeln gemeinsam mit deinem Team aufsetzen willst, ist das ein typisches Thema für einen eintägigen Momentum Workshop. Zu den Werkzeugen selbst: welche KI-Tools ein B2B-Marketingteam wirklich braucht.

Häufige Fragen

Welcher KI-Textgenerator schreibt die besten Marketingtexte?

Das Modell zählt weniger als die Eingabe. ChatGPT, Claude und Gemini liefern aus einem Ein-Zeilen-Prompt generische Texte und aus einem Briefing mit Beispielen brauchbare. Nimm das Tool, das dein Team schon mit einem Vertrag zur Auftragsverarbeitung nutzt, und investier in Briefing, Beispiele und Floskel-Check.

Soll ich dem Modell KI-typische Wörter verbieten?

Ja, aber verlass dich nicht darauf. Anthropics Leitfaden empfiehlt positive Anweisungen statt Verboten, also beschreib zuerst die Stimme, die du willst. Behalte die Liste verbotener Wörter trotzdem und lass sie als Prüfung über den fertigen Entwurf laufen. Dort fängt sie auch die nahen Verwandten der verbotenen Wörter ab.

Kann ich Texte der Konkurrenz als Beispiele nutzen?

Ich würde es lassen. Das Modell übernimmt die Muster seiner Beispiele, mit Texten der Konkurrenz klingst du also wie die Konkurrenz. Nimm eigene Texte, auf die Kunden reagiert haben. Hast du zu wenige, schreib zuerst zwei starke Beispiele von Hand.

Straft Google KI-geschriebene Marketingtexte ab?

Nicht, weil sie mit KI geschrieben sind. Laut Googles Hinweisen kann KI bei Recherche und Struktur helfen, und wer viele Seiten ohne Mehrwert generiert, verstößt unter Umständen gegen die Spam-Richtlinie zu Scaled Content Abuse. Google verlangt außerdem einen manuellen Faktencheck aller KI-Inhalte, Titel und Beschreibungen eingeschlossen.

Quellen

1. Anthropic: Prompting best practices (Claude documentation)
2. OpenAI: Prompt engineering guide
3. Google: Prompt design strategies (Gemini API)
4. Google Search Central: Guidance on using generative AI content on your website
5. Google Search Central: Spam policies for Google web search (scaled content abuse)
6. Kobak, González-Márquez, Horvát, Lause (2025): Delving into LLM-assisted writing in biomedical publications through excess vocabulary, Science Advances (arXiv version)
7. Berens lab: list of 900 excess words (llm-excess-vocab, results/excess_words.csv)
8. Russell, Karpinska, Iyyer (2025): People who frequently use ChatGPT for writing tasks are accurate and robust detectors of AI-generated text, ACL 2025
9. Liang, Yuksekgonul, Mao, Wu, Zou (2023): GPT detectors are biased against non-native English writers
10. Doshi and Hauser (2024): Generative AI enhances individual creativity but reduces the collective diversity of novel content, Science Advances