Und seitdem geht in Schulen, Redaktionen und Personalabteilungen dieselbe Fehlannahme um: „Jetzt kann man KI-Texte endlich nachweisen." Kann man nicht. Und zwar in beide Richtungen. Was wirklich passiert Anthropic hat den EU-Verhaltenskodex unterschrieben und setzt Artikel 50 des AI Act um – freiwillig weltweit, nicht nur in Europa. Zwei Techniken: → Bei Texten ein unsichtbares Wasserzeichen, direkt im Text. Es reist beim Kopieren mit. → Bei Bildern signierte Herkunftsdaten nach dem offenen C2PA-Standard. Klingt nach Beweismittel. Ist aber keins. Der Punkt, den fast alle überlesen Das Wasserzeichen belegt eine Berührung. Keine Autorschaft. Du lässt deinen eigenen Text übersetzen? Markierung drin. - Rechtschreibung prüfen? Markierung drin. - Einen fremden Artikel zusammenfassen? Markierung drin. - Inhalt komplett von dir – Etikett trotzdem da. Und andersrum: Fehlt die Markierung, war deshalb keine KI unbeteiligt. Kräftig umschreiben, übersetzen, mit eigenen Passagen mischen – weg ist sie. Bei Bildern reicht schon ein Screenshot. Und jetzt der Hammer Prüfen kann es aktuell praktisch niemand. Anthropic verrät die Technik nicht. Dokumentation für eigene Erkennungswerkzeuge ist angekündigt, ein Datum gibt es nicht. Es existiert also ein Etikett, das niemand lesen kann. 🤷‍♂️ Alles, was im Netz als „KI-Detektor" verkauft wird, liest diese Markierung nicht. Diese Tools raten statistisch – und treffen dabei überdurchschnittlich oft Menschen, die nicht in ihrer Muttersprache schreiben. Drei Dinge, die du ab heute anders machst 1. Kein Detektor-Ergebnis als Beweis akzeptieren. Weder gegen dich noch gegen andere. „Zu 87 Prozent KI" ist eine Schätzung. Frag nach, woher die Zahl kommt. 2. Deinen Arbeitsweg sichern, nicht dein Ergebnis. Versionsverlauf in Word oder Google Docs, Zwischenstände, Notizen. Das überzeugt jeden Prüfer mehr als jedes Tool. 3. Einfach sagen, was du benutzt hast. Ein Satz: „Übersetzung und Feinschliff mit KI, Inhalt von mir." Damit ist die halbe Debatte vom Tisch, bevor sie anfängt.

Kurzer Tipp, der bei mir gerade richtig viel Zeit und Kontext spart. Das Problem: Wenn du ein PDF an Claude oder ChatGPT schickst, landet nicht „das Dokument" im Modell, sondern ein Berg an Tokens. Pro Seite rechnest du grob mit 1.500 bis 3.000 Tokens – Layout-Reste, Kopfzeilen, Zeilenumbrüche an falschen Stellen, alles inklusive. Bei einem 20-Seiten-Papier bist du schnell bei 50.000 bis 70.000 Tokens. Dein Kontextfenster ist voll, bevor die eigentliche Arbeit anfängt. Und genau da liegt der Denkfehler, den viele machen: Das Modell „liest" dein PDF nicht. Es rechnet mit dem, was du reinschiebst. Je sauberer das Material, desto besser das Ergebnis – und desto billiger. Die Lösung heißt MarkItDown Microsoft hat dafür ein kleines Open-Source-Tool gebaut. Es konvertiert Word, Excel, PowerPoint, HTML, EPUB, Bilder, Audio und PDFs in sauberes Markdown. MIT-Lizenz, kostenlos, kein GPU nötig. Installation: pip install "markitdown[all]" Nutzung: markitdown praesentation.pptx -o praesentation.md Das war's. Statt eines aufgeblähten Binärformats bekommst du Klartext mit Struktur: Überschriften, Listen, Tabellen. Je nach Ausgangsdatei sparst du damit einen erheblichen Teil deiner Tokens – und bekommst obendrein bessere Antworten, weil Sprachmodelle mit Unmengen Markdown trainiert wurden. Das Format ist ihre Muttersprache. Der Komfort-Trick: MCP-Server MarkItDown bringt einen MCP-Server mit. Heißt: Du hängst ihn einmal an Claude Desktop, und ab da wandert jede Datei automatisch durch die Konvertierung, bevor das Modell sie sieht. Einmal einrichten, danach nie wieder dran denken. Wo der Tipp seine Grenze hat Und jetzt der Teil, den du in den meisten Reels zu diesem Tool nicht hörst. Bei Office-Dateien ist MarkItDown stark. Word, Excel, PowerPoint – sauber, verlässlich, schnell. Ausgerechnet bei PDFs ist es aber schwach. Im Hintergrund arbeitet standardmäßig pdfminer.six, und das zieht nur den Textstrom heraus: keine Layout-Analyse, keine OCR, Tabellenstruktur zerfällt, Überschriften werden nicht als solche erkannt. In Vergleichstests landet MarkItDown bei PDFs regelmäßig im hinteren Feld.

Am Wochenende ging eine Meldung durch die Netzgemeinde, die ich hier nicht als News weiterreichen will. Ich will, dass du zwei Minuten investierst. Kurz, was passiert ist: Über eine einzige Google-Suche waren hunderte fremde Unterhaltungen mit der KI Claude lesbar. Darunter ein Krypto-Wallet mit Zugangsschlüssel, API-Keys, Lebensläufe mit Wohnadresse. Und geteilte Claude-Chats zeigen den Vornamen dessen, der geteilt hat. Wichtig, damit hier keine Panik entsteht: Private Chats waren nicht betroffen. Sichtbar wurde nur, was jemand selbst über einen Teilen-Link veröffentlicht hatte. Und genau da liegt der Denkfehler, den fast alle machen – ich eingeschlossen. Wir behandeln so einen Link wie eine Nachricht. „Guck mal, was die KI da ausgespuckt hat." Man schickt das rüber, der andere liest es, fertig. Fühlt sich an wie WhatsApp. Ist es aber nicht. Ein Teilen-Link erzeugt eine öffentliche Webseite. Ohne Passwort, ohne Ablaufdatum. Sie bleibt online, bis du sie aktiv löschst. Auch nach Jahren. Auch wenn du den Chat längst vergessen hast. Dein Auftrag für heute: Öffne in Claude: Einstellungen → Privacy → Shared Chats. Bei ChatGPT: Einstellungen → Datenkontrollen → Geteilte Links. Bei Gemini findest du es unter deinen Freigaben. Dort steht eine Liste. Die meisten Menschen haben sie noch nie geöffnet. Geh sie durch. Alles, was nicht bewusst öffentlich sein soll, löschst du. Das dauert wirklich nur zwei Minuten – und es ist der einzige Schritt, der zählt. Bei Google um Löschung bitten bringt nichts, solange die Seite noch erreichbar ist. Bei Claude bitte auch die geteilten Artefakte prüfen, die stehen in einer eigenen Liste. Und jetzt der Teil, für den es diese Community gibt: Schreib in die Kommentare, wie viele Links in deiner Liste standen. Nur die Zahl, keine Details. Ich mache den Anfang: 27 Ich frage das nicht aus Neugier. Ich frage, weil ich vermute, dass die meisten hier eine zweistellige Zahl finden werden – und weil es leichter fällt, ehrlich zu sein, wenn jemand vorangeht. Wer seine Zahl liest, denkt beim nächsten Mal vor dem Klick nach. Das ist der ganze Trick.

Hi zusammen, heute Nacht ist etwas passiert, das ihr diese Woche überall lesen werdet – und ich möchte euch vorher kurz einordnen, was davon für euch praktisch relevant ist. Denn das ist weniger, als die Schlagzeilen suggerieren. Aber das, was übrig bleibt, ist wichtig. Was passiert ist Moonshot AI aus China hat die Gewichte von Kimi K3 veröffentlicht. 2,8 Billionen Parameter, eine Million Token Kontext. In den unabhängigen Ranglisten landet das Modell weltweit unter den Top 3 – geschlagen nur von den absoluten Spitzenmodellen aus den USA. Es ist das stärkste offene Modell, das je erschienen ist. „Open Weight" heißt: Jeder darf die Gewichte herunterladen und selbst betreiben. Kein Anbieter dazwischen, kein Türsteher. Klingt nach dem Ende aller Abos, oder? Der Haken Die Gewichte belegen rund 1,4 Terabyte. Wer sie selbst betreiben will, braucht ungefähr hundert Hochleistungs-GPUs. Das ist kein Rechner unterm Schreibtisch, das ist ein Rechenzentrum. Bleibt die Schnittstelle. Die kostet 3 Dollar pro Million eingehender Token und 15 Dollar pro Million ausgehender. Premium-Preisklasse. K3 ist kostenlos wie eine Autobahn kostenlos ist. Du brauchst halt ein Auto. Und wer verkauft die Autos? Kurzer Blick hinter die Kulissen, weil ich das erhellend finde: Vergangenen Freitag haben 25 US-Unternehmen einen offenen Brief nach Washington geschickt – bloß keine Beschränkungen für offene Modelle. Unterschrieben haben Nvidia, Microsoft, Meta, IBM, Dell, Palantir. Nicht unterschrieben haben OpenAI, Anthropic und Google. Kein Zufall. Offene Modelle machen die Modellebene austauschbar – und verschieben das Geld eine Etage tiefer: auf Chips, Cloud, Rechenzentren. Genau dorthin, wo die Unterzeichner verdienen. Wer keine Modelle verkauft, sondern die Maschinen darunter, hat ein handfestes Interesse daran, dass Modelle billig werden. Das macht offene Modelle nicht schlecht. Aber es erklärt, warum die Begeisterung ausgerechnet von dort kommt. Was für dich wirklich drin ist Zwei Dinge, und die sind konkret:

Wer fast zwei Stunden Zeit hat und am Thema KI interessiert ist sollte sich meiner Meinung nach dieses Interview anhören. https://www.youtube.com/watch?app=desktop&v=pb5cMmdQVJo&ra=m