Was die Durchschnitts-KI-Baseline verbirgt: Wo die 5 Modelle tatsächlich auseinandergehen

Das „Durchschnitts-KI“-Radar-Chart in Ihrem Writing-DNA-Snapshot ebnet etwas ein, das es wert ist, genauer betrachtet zu werden. Es zeigt eine Form, beschriftet mit „Durchschnitts-KI“, neben Ihrer eigenen. Die Botschaft dahinter: KI-Modelle schreiben standardmäßig ungefähr gleich.

Auf zwei der sechs Achsen stimmt das. Auf einer davon ist es grundlegend falsch.

Wir sind in denselben Korpus mit 320 Stichproben zurückgegangen, den wir für Wie wir „Durchschnitts-KI“ messen aufgebaut haben, und haben die englischsprachigen Werte nach Modell aufgeschlüsselt, statt sie zu mitteln. Das Ergebnis schärft etwas, das wir vermutet, aber nie quantifiziert hatten: Die sogenannte „mediane KI“ ist keine einzelne Persönlichkeit. Sie sind fünf verschiedene Persönlichkeiten, die sich zufällig in zwei Punkten einig sind – und in einem dritten scharf widersprechen.

---

Das Setup: Derselbe Korpus, anderer Schnitt

Die vollständige Methodik steht in Wie wir „Durchschnitts-KI“ messen: 320 Stichproben, fünf Modelle, vier Sprachen, acht Prompt-Typen, zwei Varianten pro Kombination, insgesamt rund 100.800 Wörter, jede Stichprobe mit identischen Anweisungen erzeugt.

Die ursprüngliche Analyse hat über alle fünf Modelle gemittelt, um die „Durchschnitts-KI“-Baselines pro Sprache zu bilden. Dieser Beitrag behält dieselben zugrunde liegenden Daten und zieht die Modelle stattdessen auseinander: Er isoliert den englischsprachigen Korpus (80 Stichproben: 5 Modelle × 8 Prompt-Typen × 2 Varianten), um Modell direkt gegen Modell zu vergleichen.

Jede Zahl in diesem Beitrag stammt aus der englischen Teilmenge, sofern nicht anders gekennzeichnet. Das ist Absicht, keine Abkürzung. Die Bewertungsformeln sind sprachabhängig: Satzsegmentierung, Tokenisierung und Wortlisten richten sich nach der Sprache, deshalb sind Werte nur mit anderen Werten vergleichbar, die in derselben Sprache berechnet wurden. Ein einzelner sprachübergreifender „Pro-Modell“-Durchschnitt würde Messungen mit unterschiedlichen Instrumenten vermischen. Wo ein Gegencheck nützlich ist, führen wir die französische und die spanische Teilmenge nebeneinander auf, statt sie zu vermischen.

Die sechs Achsen sind unverändert: Satzkomplexität, Wortschatzumfang, Ausdruckskraft, Formalität, Konsistenz, Prägnanz. Dieselben deterministischen, sprachabhängigen Formeln, die im Methodik-Beitrag beschrieben sind.

---

Die Zahlen pro Modell (englischer Korpus)

Zwei Zeilen bewegen sich kaum. Eine Zeile bewegt sich mit großem Abstand am stärksten. Die übrigen liegen dazwischen.

---

Wo die Modelle tatsächlich übereinstimmen

Wortschatzumfang ist die engste Gruppe in der englischen Teilmenge: eine Streuung von 13 Punkten (40-53) über alle fünf Modelle. Die Type-Token-Ratio ist bemerkenswert stabil, unabhängig davon, welches Modell den Text erzeugt hat. Wenn Sie eine KI zu reicherem oder zurückhaltenderem Wortschatz bringen wollen, ist ein Modellwechsel nahezu wirkungslos. Der Hebel, der diese Achse bewegt, ist Ihr Stilprofil, nicht die Modellwahl.

Konsistenz ist fast genauso eng: eine Streuung von 16 Punkten (47-63). Der Rhythmus der Satzlängen gehört zu den modellunabhängigeren Eigenschaften von KI-Texten. Das passt zum größeren Muster, das wir in Das Median-Nutzer-Problem beschreiben: RLHF drängt jedes Modell in eine „sichere“, nicht sprunghafte Kadenz, und dieser Druck scheint die Konsistenz über die Labore hinweg nahezu identisch zu treffen.

Auf diesen beiden Achsen ist „Durchschnitts-KI“ eine wirklich aussagekräftige Abstraktion. Die Überschreibung in Ihrem Stilprofil gegen die Multi-Modell-Baseline zu kalibrieren, funktioniert unabhängig davon, welches Modell Ihren Master Prompt liest.

---

Wo die Modelle auseinandergehen

Die Ausdruckskraft ist der Ausreißer, und das nicht knapp. Claude Opus 4.6 liegt bei 100, getrieben durch den häufigeren Einsatz von Ausrufezeichen, rhetorischen Fragen, Einstellungsmarkern und Gedankenstrichen. Gemini 3 Pro liegt bei 39. Diese Lücke von 61 Punkten ist mehr als doppelt so groß wie die nächstgrößte Streuung in der englischen Teilmenge. Wenn Sie gezielt Opus ansprechen, muss die Überschreibung für „klingt weniger nach KI“ auf dieser Achse deutlich aggressiver ausfallen als bei Gemini.

Zwei Einschränkungen zu diesen 61 Punkten, die beide in dieselbe Richtung wirken. Erstens: 100 ist unsere Obergrenze der Skala, nicht der gemessene Spitzenwert von Opus – der Rohwert wird begrenzt, die tatsächliche Distanz zwischen Opus und Gemini beträgt also mindestens 61 Punkte, und wir können nicht sagen, um wie viel mehr. Zweitens lädt ein Ergebnis aus nur einer Sprache zur naheliegenden Frage ein, ob es ein Artefakt des Englischen ist. Ist es nicht. Dieselbe Spanne der Ausdruckskraft von oben nach unten zeigt sich unabhängig in den beiden anderen Sprachen, die wir zuverlässig bewerten können:

Gemini 3 Pro bildet in allen drei Sprachen das untere Ende, ein Claude-Modell das obere. Diese Beständigkeit ist der Grund, warum wir die Divergenz bei der Ausdruckskraft als real bezeichnen und nicht als Eigenheit eines einzelnen Korpus-Schnitts. (Unsere japanische Teilmenge ist hier ausgeschlossen; die Einschränkungen weiter unten erklären, warum sie diesen Vergleich derzeit nicht tragen kann.)

Die Satzkomplexität zeigt eine echte, aber kleinere Streuung von 29 Punkten. Claude Sonnet 4.6 erzeugt die strukturell dichtesten Sätze (79), Gemini 3 Pro die schlichtesten (50). Diese Achse widerspricht der Geschichte von der „engen Konvergenz“, die man von den Durchschnittswerten auf Sprachebene erwarten könnte – jene mischen alle fünf Modelle und glätten diese Varianz heraus.

Die Formalität streut um 25 Punkte, und die Richtung ist kontraintuitiv. Claude Haiku 4.5, das kleinste und schnellste Modell im Korpus, erzielt den höchsten Wert (70). Claude Sonnet 4.6 erzielt den niedrigsten (45). GPT-5.2 (65) und Gemini 3 Pro (64) landen nahe bei Haiku, nicht nahe bei Sonnet. Wenn Ihr mentales Modell lautet „kleinere Modelle sind lockerer“, sagt diese Datenlage etwas anderes – zumindest für diese Modellreihe zu diesem Zeitpunkt.

Die Prägnanz streut um 20 Punkte. Claude Sonnet 4.6 erzeugt die kompaktesten Sätze nach der Invers-Längen-Transformation (32), Gemini 3 Pro die lockersten (52). Sonnets Kombination aus hoher Satzkomplexität (79) und niedriger Prägnanz (32) ist eine eigene Signatur: lange, strukturell verschachtelte Sätze, die sich schlecht verdichten lassen.

---

Warum das für Ihr Stilprofil wichtig ist

Wenn Sie ein Stilprofil erstellen, wählen Sie implizit zwischen zwei Kalibrierungsstrategien: Überschreibung gegen die Multi-Modell-Baseline „Durchschnitts-KI“ oder Überschreibung gegen das Modell, das Sie am häufigsten nutzen.

Die Multi-Modell-Baseline ist die richtige Voreinstellung. Sie speist Ihren Writing-DNA-Snapshot und erzeugt eine Überschreibung, die ohne Feinjustierung über ChatGPT, Claude und Gemini hinweg funktioniert. Beim Wortschatzumfang und bei der Konsistenz ist das nahezu kostenlos: Die Modelle widersprechen sich kaum, ein Multi-Modell-Ziel ist also fast identisch mit jedem Einzelmodell-Ziel.

Die Ausdruckskraft ist die Ausnahme, die man kennen sollte. Weil die Streuung im Englischen mindestens 61 Punkte beträgt und im Französischen und Spanischen 56-60 – weit genug, dass „Durchschnitt“ und „nächstes Einzelmodell“ deutlich auseinanderliegen können –, kann ein Multi-Modell-Ziel unterschätzen, wie weit Sie tatsächlich gegen die Standardeinstellungen eines bestimmten Modells anarbeiten müssen. Wenn Sie wissen, dass Sie überwiegend in Claude Opus 4.6 schreiben, behandeln Sie die Ausdruckskraft als die eine Achse, bei der sich eine modellspezifische Überschreibung – nicht nur das Delta zur Durchschnitts-KI – die zusätzliche Präzision lohnt. Bei allen anderen Achsen erledigt die Multi-Modell-Baseline aus Ihrem Snapshot ihre Aufgabe.

---

Was der Durchschnitt verbarg

Die „Durchschnitts-KI“-Baseline ist weiterhin das richtige Standardziel: Sie macht ein Stilprofil plattformübergreifend übertragbar, statt es auf die Persönlichkeit eines einzelnen Modells zuzuschneiden. Aber fünf Modelle in eine Form zu mitteln, verbirgt, dass die Modelle sich nicht wirklich darüber einig sind, wie ausdrucksstark KI-Texte sein sollten. Bei Wortschatz und Rhythmus stimmen sie eng überein. Bei der Frage, wie viel rhetorische Energie auf die Seite gehört, weichen sie im Englischen um mindestens 61 Punkte voneinander ab.

Wenn Sie das Gefühl hatten, Claude klinge anders als ChatGPT oder Gemini, bestätigt die Datenlage das – und benennt genau die Achse, auf der der Unterschied liegt.

Die vollständige Baseline-Methodik und die Tabellen pro Sprache finden Sie in Wie wir „Durchschnitts-KI“ messen. Die Erklärung auf Trainingsebene, warum Modelle überhaupt konvergieren, steht in Das Median-Nutzer-Problem.

---

Einschränkungen

Drei Dinge, die Sie wissen sollten, bevor Sie sich auf diese Zahlen stützen.

Die Messungen sind eine Momentaufnahme vom Februar 2026. Der Korpus wurde am 2026-02-15 gegen Claude Opus 4.6, Claude Sonnet 4.6, Claude Haiku 4.5, GPT-5.2 und Gemini 3 Pro erzeugt. Jede dieser Modellversionen wurde seither abgelöst. Die Standardeinstellungen der Modelle verschieben sich mit jedem Release, betrachten Sie die Werte pro Modell also als Aufzeichnung davon, wie sich diese Reihe zu jenem Zeitpunkt verhielt, nicht als aktuelles Verhalten. Das strukturelle Ergebnis, von dem wir erwarten, dass es Bestand hat, ist, dass sich Modelle bei der Ausdruckskraft weit stärker unterscheiden als bei Wortschatz oder Rhythmus; die konkreten Punktwerte tun das mit hoher Wahrscheinlichkeit nicht.

Die Ausdruckskraft ist bei 100 gedeckelt, und Opus sitzt auf der Deckelung. Jeder Wert an der Obergrenze ist eine Untergrenze. Wo wir eine Streuung von 61 Punkten nennen, lesen Sie das als „mindestens 61“.

Die japanische Teilmenge ist aus jedem Vergleich in diesem Beitrag ausgeschlossen. In unseren japanischen Stichproben erzielen vier der fünf Modelle (Opus, Sonnet, Haiku und Gemini) bei der Ausdruckskraft einen identischen, perfekten Wert von 100. Vier Modelle aus zwei verschiedenen Laboren, die exakt auf der Obergrenze landen, sind ein Messartefakt, kein Ergebnis. Die Ursache liegt in unserem Bewertungscode, nicht im Text: Die Formel für die Ausdruckskraft teilt mehrere ihrer Interpunktionsgrößen durch eine Wortzahl, die ein Tokenizer erzeugt, der nur ASCII verarbeitet – das zählt japanischen Text massiv zu niedrig und bläht diese Größen auf, bis der Wert sättigt. Die japanische Ausdruckskraft muss gegen eine sprachbewusste Wortzählung neu validiert werden, bevor sie als Vergleichsergebnis zitiert werden kann – einschließlich der japanischen Spalte in unserem früheren Methodik-Beitrag, den wir derzeit überarbeiten. Die anderen fünf Achsen und die anderen drei Sprachen sind von diesem speziellen Problem nicht betroffen.

---

Bereit zu sehen, wo Sie stehen?

Möchten Sie Ihr eigenes Sechs-Achsen-Radar-Chart gegen die Multi-Modell-Baseline „Durchschnitts-KI“ – inklusive Ihres Deltas auf der Achse, die für das von Ihnen genutzte Modell am wichtigsten ist?

Holen Sie sich Ihren kostenlosen Writing-DNA-Snapshot

Reichen Sie ein paar Schreibproben ein. Sehen Sie Ihre Werte auf allen sechs Achsen – und genau, wo Ihr Schreiben von der Durchschnitts-KI abweicht. Kostenlos, ohne Kreditkarte.

Ihr Schreiben hat einen Fingerabdruck. Wir messen ihn. My Writing Twin verwandelt diese Messung in Anweisungen, die jede KI (ChatGPT, Claude, Gemini) wie Sie schreiben lassen.

---