Warum KI-Texte so gleich klingen — und wie du das abstellst

Warum jede KI gleich klingt — Mode Collapse erklärt

Eine KI hat nie deine Texte gelesen. Sie hat Milliarden Texte gelesen — von LinkedIn, Reuters, Reddit, Bewerbungsschreiben, Wikipedia, Forenposts. Wenn sie einen neuen Text generiert, bildet sie den statistischen Durchschnitt aus all diesen Quellen.

In der KI-Forschung heisst dieses Phänomen Mode Collapse: alle Modelle zielen unter normalen Bedingungen auf den sicheren Mittelwert, weil das die Wahrscheinlichkeit für negatives Feedback minimiert. Der Mittelwert ist nett, höflich, vorsichtig — und uniform. Wenn alle dasselbe lesen, klingen alle gleich.

Das ist keine Macke deiner KI. Das ist ein mathematisches Eigentum aller modernen Sprachmodelle. Claude, ChatGPT, Mistral, Gemini — sie alle liegen ohne Eingriff auf demselben Mittelwert. Wer das verstanden hat, hört auf, das Modell zu wechseln, und fängt an, den richtigen Hebel zu drehen.

Warum „schreibe menschlicher“ mathematisch nie funktioniert

Wenn du in den Prompt tippst „schreibe menschlicher“ oder „weniger formell“, verlangst du von einem statistischen Mittelwert, kein Mittelwert zu sein. Das geht nicht — der Mittelwert ist der Mittelwert. Das Modell verschiebt sich um drei Grad in Richtung weniger formell, bleibt aber im Korridor des Trainings-Durchschnitts.

Was funktioniert, ist die umgekehrte Richtung: Du gibst dem Modell konkrete Beispiele, an die es sich anlehnen kann. Modelle sind exzellente Imitatoren. Sie raten nur schlecht. Wenn du beschreibst, raten sie. Wenn du Beispiele zeigst, imitieren sie.

Stilbeschreibung scheitert. Stilbeispiel funktioniert. Immer.

Das ist die wichtigste Faustregel im Prompt-Engineering, die niemand erklärt, weil sie zu einfach klingt. Drei Beispielsätze schlagen drei Absätze Stilanweisung. Jedes Mal.

Der 3-Sätze-Stimmgabel-Prompt

Geh in deine letzten 10 Mails, LinkedIn-Posts oder Angebote. Nicht in einen Bestseller, nicht in ein Sales-Buch — in deine eigenen Texte, die du vor jeder KI-Beteiligung geschrieben hast. Such drei Sätze, die folgende Kriterien erfüllen:

• Typische Wortwahl — Begriffe, die du oft nutzt
• Satzrhythmus — kurz und schneidend? lang und erklärend?
• Eine Spur Direktheit, Ironie oder Standpunkt
• Kein Floskel-Material („mit freundlichen Grüssen“)
• Maximal 20 Wörter pro Satz

Beispiel aus meiner Praxis — meine drei Latzerus-Anker:

1. „Smart, not Hard — wenn dich der Aufwand abschreckt, ist die Lösung falsch.“
2. „Verkaufen heisst zuhören. Wer zuerst spricht, hat schon verloren.“
3. „Du brauchst keine 17 Tools. Du brauchst eines, das zu dir passt.“

Diese drei Sätze klebe ich an den Anfang von jedem Latzerus-Prompt. Vor die Aufgabe. Der Aufbau ist:

Stilanker (so klingst du):
1. [Satz 1]
2. [Satz 2]
3. [Satz 3]

Aufgabe: [was die KI tun soll]

Kontext: [Hintergrund-Infos, Empfänger, Ziel]

Reihenfolge ist nicht optional. Der Anker steht vor der Aufgabe — sonst greift er beim Generieren nicht stark genug.

Pro Textart ein eigener Anker — Mail ist nicht Post

Ein Universal-Anker ist die häufigste Sackgasse. Du schreibst eine LinkedIn-Frage anders als eine Angebots-Mail anders als eine WhatsApp-Antwort an einen Kunden. Wenn du den Mail-Anker für den LinkedIn-Post benutzt, klingst du auf LinkedIn wie ein E-Mail-Brief — nicht wie ein Post.

Bau dir 3–5 Anker-Sets, eines pro Textart. In meiner Praxis sind das:

1. Mail-Set — direkter Ton, klare Frage am Schluss, kurze Sätze
2. LinkedIn-Set — Hook-These im ersten Satz, kein Verkaufsspeak
3. Angebots-Set — sachlicher, mit Zahlen, weniger Persönlichkeit
4. WhatsApp-Set — fast schon mit Tippfehlern, kurze Satzfetzen

Speicher die Sets als Snippet — TextExpander, aText, Apple-Kürzel oder ein Notion-Eintrag mit Tag. Wichtig: aktualisiere alle 4–6 Wochen. Dein Stil entwickelt sich, dein Wortschatz auch — der Anker muss mit. Sonst friert die KI deine Stimme von vor zwei Monaten ein.

Stimmgabel-Test in 30 Sekunden — und was du tust, wenn er versagt

Output kommt aus der KI. Du liest ihn laut vor. Würdest du diesen Satz so am Telefon zu einem Kunden sagen? Würdest du diesen Post so an deine Lebenspartnerin schicken?

Wenn ja — senden. Wenn nein — und das ist die wichtigste Stelle der ganzen Lektion — nicht den Prompt ändern. Den Anker schärfen. Das ist der Schalter, den fast alle übersehen, weil sie an der falschen Stelle drehen.

Konkret: identifiziere, welcher Aspekt im Output nicht nach dir klingt (zu höflich? zu vage? zu Buzzword-lastig?). Tausche einen deiner drei Anker-Sätze gegen einen, der den verfehlten Aspekt stärker zeigt. Generiere neu. Nach maximal zwei Iterationen sitzt der Anker für die nächsten Wochen — egal, welche Aufgabe du dem Modell gibst.