Meinen Schreibton für KI beschreiben? Adjektive sind nicht Ihre Stimme

Kurzfassung: Wenn Sie Ihren Schreibton für KI beschreiben und etwas zurückbekommen wollen, das nach Ihnen klingt, kommen Sie mit Adjektiven nicht weiter. „Professionell, aber freundlich“ beschreibt Tausende von Menschen, also liefert das Modell den Durchschnitt von allen. KI kennt Ihren Ton nicht; sie kennt Wörter, die einen Ton beschreiben. Eine Stimme lebt in Satzlänge, Position der Abschwächungen, Überleitungen und Zeichensetzung, und jedes davon ist zählbar. Messen Sie diese Werte an Ihren eigenen Texten, formulieren Sie sie als Anweisungen und fügen Sie das Ergebnis in ChatGPT, Claude oder Gemini ein. Das ist der Unterschied zwischen einem Ton-Etikett und einem Stilprofil.

Sie haben einen Custom GPT namens „Schreib wie ich“ gebaut. In den Anweisungen steht: warm, aber professionell, prägnant, selbstbewusst, kein Geschwafel. Der erste Entwurf begann mit „Ich hoffe, diese Nachricht erreicht Sie wohlbehalten“ und endete mit „Zögern Sie bitte nicht, sich bei mir zu melden.“ Sie haben die Anweisungen zweimal umgeschrieben. Die dritte Version klingt genau wie die erste.

Die Anweisungen wurden befolgt. Das Problem ist, was sie enthielten.

Können Sie Ihren Schreibton für KI mit Adjektiven beschreiben?

Sie können sie eintippen, das Modell wird gehorchen, und das Ergebnis wird nicht Ihre Stimme sein. Ein Adjektiv ist ein Verweis auf ein Register, das das Modell bereits kennt. Es sagt nichts darüber aus, welcher der Tausenden von Autoren innerhalb dieses Registers Sie sind.

Überlegen Sie, was das Modell hat, wenn Sie „professionell, aber freundlich“ in die Custom Instructions schreiben. Während des Trainings hat es eine enorme Menge Text gesehen, der mit diesen Wörtern gekennzeichnet oder beschrieben wurde: Unternehmensblogs, HR-E-Mails, Antworten vom Kundensupport, LinkedIn-Updates. Die Formulierung verweist jetzt auf das statistische Zentrum all dieser Texte. Wenn Sie sie aufrufen, bekommen Sie dieses Zentrum. Ihr Kollege, der dieselbe Formulierung eintippt, bekommt dasselbe Zentrum. Sie beide schreiben im echten Leben kein bisschen ähnlich, und das Modell hat keine Möglichkeit, das zu wissen, weil das Einzige, was Sie beide ihm gegeben haben, das Etikett war.

Machen Sie das Experiment selbst. Geben Sie „professionell, aber freundlich, prägnant und warm“ in einen frischen Chat ein und bitten Sie um eine Follow-up-E-Mail nach einem Kundentermin. Bitten Sie jemanden aus Ihrem Team, dasselbe zu tun. Die beiden Entwürfe werden einander ähnlicher sein als irgendetwas, das Sie im letzten Monat tatsächlich verschickt haben. Kein noch so hohes Stapeln von Adjektiven ändert daran etwas. „Selbstbewusst, direkt, nahbar, menschlich“ sind vier Verweise auf vier Register, und das Modell vermischt sie zu einem Durchschnitt.

Wir haben gemessen, wie eng dieser Durchschnitt ist. In unseren Daten dazu, warum KI-Texte generisch klingen, haben wir 320 KI-Proben aus fünf Modellen auf sechs Stildimensionen bewertet, und die Streuung zwischen den Modellen war klein im Vergleich zum Abstand zwischen jedem Modell und einem einzelnen Autor. Das Ton-Etikett bewegt das Modell nicht von seiner Voreinstellung weg. Nichts im Etikett sagt ihm, wohin es gehen soll.

Warum liefert „professionell, aber freundlich“ für alle dieselbe E-Mail?

Weil KI Ihren Ton nicht kennt; sie kennt Wörter, die einen Ton beschreiben. Ein Ton-Etikett ist die Beschreibung einer Wirkung, und das Modell hat keinerlei Aufzeichnung darüber, wie Sie diese Wirkung erzeugen.

Überlegen Sie, was „freundlich“ alles abdeckt. Eine Person ist freundlich, indem sie vor der Bitte mit einer persönlichen Zeile beginnt. Eine andere ist freundlich durch Vornamen und kurze Sätze. Eine dritte ist freundlich, indem sie am Ende einen leichten Scherz einbaut und nie in der Mitte. Alle drei würden auf einem Formular „freundlich“ ankreuzen. Alle drei schreiben völlig unterschiedliche E-Mails. Das Wort presst diese Unterschiede in ein einziges Register, und das Modell kann nur das Register produzieren.

Derselbe Kollaps passiert mit jedem Adjektiv auf jeder Ton-Vorlage im Netz:

Jede Zeile endet gleich. Das Etikett benennt die Wirkung, und das Modell füllt die Mechanik mit seiner Voreinstellung. OpenAIs eigener Leitfaden zu Custom Instructions beschreibt das Feld als Ort, an dem Sie ChatGPT sagen, wie es antworten soll. Die meisten Menschen füllen es mit Wirkungen. Das Modell braucht Mechanik.

Deshalb klingt auch Ihr dritter Custom GPT wie Ihr erster. Ein Custom GPT ist ein Behälter. Die Adjektive darin umzuschreiben, ordnet nur Verweise auf denselben Durchschnitt neu an. Unser Leitfaden zu den besten ChatGPT Custom Instructions zeigt, wie diese Felder aussehen, wenn sie Mechanik statt Wirkungen enthalten.

Woraus besteht eine Stimme eigentlich?

Eine Stimme lebt in Satzlänge, Position der Abschwächungen, Überleitungen und Zeichensetzung. An diesen vier Stellen erkennen Leser Sie wieder, und keine davon ist ein Adjektiv. Jede ist ein Messwert, den Sie an Texten erheben können, die Sie bereits geschrieben haben.

Satzlänge. Nicht „prägnant“, sondern eine Verteilung. Ihr typischer Satz hat vielleicht zwölf Wörter. Ihre kurzen fallen vielleicht auf vier, wenn Sie eine Entscheidung treffen. Ihre langen erreichen vielleicht dreißig, wenn Sie Kontext ausbreiten. Der Rhythmus des Wechsels zwischen ihnen gehört Ihnen, und ein Modell, dem man „prägnant“ gibt, produziert für immer gleichförmige Sätze mit vierzehn Wörtern.

Position der Abschwächungen. Ob „wahrscheinlich“ den Satzteil eröffnet oder abschließt. Ob Sie vor einer Empfehlung abschwächen und nie danach. Ob Sie überhaupt noch „ich denke“ verwenden, sobald Sie sich entschieden haben. Zwei Autoren mit identischem Wortschatz unterscheiden sich hier in jedem Absatz, und Leser spüren es, ohne es benennen zu können.

Überleitungen. „Also“ gegenüber „daher“ gegenüber einem schlichten neuen Satz. Ob Ihre Absätze mit der Schlussfolgerung beginnen oder darauf hinarbeiten. Ob Sie einen Satz mit „und“ beginnen. Ob Sie jemals „jedoch“ schreiben. Die Standard-Überleitungen des Modells sind die, die es am häufigsten gesehen hat, und genau sie lassen einen Entwurf nach KI riechen.

Zeichensetzung. Häufigkeit von Doppelpunkten. Kommadichte pro Satz. Ob Einschübe in Klammern stehen oder einen eigenen Satz bekommen. Ob Sie in beruflichen E-Mails Ausrufezeichen verwenden (manche tun das, einmal pro Nachricht, jedes Mal an derselben Stelle).

Über diesen vier sitzen Wortschatz und Vermeidung: die Wörter, zu denen Sie greifen, und die Formulierungen, die Sie nie schreiben würden. Der Punkt ist in jedem Fall derselbe. Diese Dinge sind zählbar. Sie können zehn E-Mails nehmen, die Sie verschickt haben, und für jedes Merkmal eine Zahl ermitteln. Eine Zahl lässt sich als Anweisung formulieren, und eine Anweisung mit einer Zahl darin lässt sich überprüfen. Unsere Erklärung, wie Stilextraktion funktioniert, führt durch den vollständigen Satz an Dimensionen, die wir messen, und es sind mehr als vier, aber diese vier sind es, die ein Ton-Etikett von einer Stimme trennen.

Warum greifen auch Proben und Custom GPTs zu kurz?

Proben schlagen Etiketten und lassen das Modell trotzdem ableiten. Custom GPTs sind Behälter und erben jede Schwäche, die in ihnen steckt. Keines von beiden schließt für sich allein die eigentliche Lücke, nämlich dass niemand dem Modell gesagt hat, welche Muster Ihre sind.

Drei E-Mails in die Anweisungen eines Custom GPT einzufügen oder sie als Wissensdateien hochzuladen, gibt dem Modell Rohmaterial. Das ist eine echte Verbesserung gegenüber Adjektiven. Das Modell kann jetzt sehen, dass Ihre Sätze kurz sind und Ihre Bitten zuerst kommen. Was es als Nächstes tun muss, ist raten, welche der Muster in diesen drei E-Mails Ihre sind und welche zu jenem einen Dienstag gehören. Drei Proben können eine Gewohnheit nicht von einer Stimmung trennen. Die Ableitung driftet außerdem ab. Ein langes Gespräch zieht das Modell mit jedem Zug zurück in Richtung seiner Voreinstellung, weil die Proben oben im Kontext stehen und die eigene Ausgabe des Modells sich darunter ansammelt.

Es gibt auch eine praktische Obergrenze. Das Feld für Custom Instructions hat eine Größe, und Proben verbrauchen sie schnell. Füllen Sie es mit drei E-Mails, und es bleibt kein Platz für die Regeln, die Sie eigentlich brauchen. Verschieben Sie die Proben in Wissensdateien, konsultiert das Modell sie, wenn es sie für relevant hält, und das ist nicht bei jeder Anfrage der Fall.

Hier ist das Muster über die drei Ansätze hinweg, die die meisten Menschen ausprobieren:

Die Frage nach dem Behälter (Custom Instructions, Custom GPT, Project, Gem) ist weit weniger wichtig als das, was hineinkommt. Wir haben in unserem Vergleich von Gedächtnis und Stilprofilen verglichen, was das Gedächtnis von ChatGPT tatsächlich speichert, gegenüber einem gemessenen Profil, und das Fazit gilt für jeden Behälter: Das Gedächtnis speichert Fakten über Sie, und Fakten über Sie sind ebenfalls nicht Ihre Stimme.

Wie sollten Sie Ihren Schreibton für KI stattdessen beschreiben?

Messen Sie ihn an Ihren eigenen Texten, formulieren Sie die Messwerte als Anweisungen und fügen Sie diese Anweisungen in den Behälter ein, den Ihre KI anbietet. Ersetzen Sie jedes Adjektiv durch eine Zahl oder eine Regel, der das Modell ohne Interpretation folgen kann.

Die manuelle Variante dauert eine Stunde und schlägt jede Ton-Vorlage:

1. Sammeln Sie zehn bis fünfzehn Texte, die Sie geschrieben haben und mit denen Sie zufrieden waren, in dem Register, das Sie am häufigsten brauchen. Kunden-E-Mails, interne Updates, Angebote. Wählen Sie die, auf die gut reagiert wurde. Unser Leitfaden zur Auswahl von Schreibproben erklärt, was eine Probe nützlich macht und was Sie weglassen sollten.
2. Zählen Sie die Wörter pro Satz über alle Texte hinweg. Notieren Sie den typischen Wert, den kürzesten und den längsten Satz. Schreiben Sie es als Spanne auf.
3. Listen Sie jede Abschwächung auf, die Sie verwendet haben, und wo sie stand. Am Anfang des Satzteils, am Ende des Satzteils, oder nach einer Entscheidung gar nicht.
4. Listen Sie Ihre Überleitungen auf. Die, die Sie verwendet haben, und die, die Sie nie verwendet haben. Die zweite Liste ist oft nützlicher als die erste.
5. Notieren Sie Ihre Gewohnheiten bei der Zeichensetzung. Doppelpunkte pro E-Mail, Kommas pro Satz, Klammern oder eigene Sätze für Einschübe.
6. Schreiben Sie die Ergebnisse als Anweisungen. „Sätze haben im Schnitt 12 Wörter, Spanne 4 bis 28. Mit der Bitte beginnen. Nur vor Empfehlungen abschwächen, nie nach Entscheidungen. Nie „jedoch“ oder „darüber hinaus“ verwenden. Höchstens ein Doppelpunkt pro E-Mail.“ Nirgends Adjektive.

Dieser Block kommt in die ChatGPT Custom Instructions, das Anweisungsfeld eines Custom GPT, den System Prompt eines Claude Project oder die gespeicherten Infos von Gemini. Derselbe Block, jedes Tool.

Genau das ist ein Stilprofil von MyWritingTwin.com: der Messschritt, für Sie erledigt, über mehr Dimensionen, als Sie von Hand zählen würden, aus Proben, die Sie bereits haben. Das Ergebnis ist eine Writing-DNA-Analyse, ausgedrückt als Vorgaben, verpackt als Master Prompt, den Sie einmal in der KI einsetzen, für die Sie bereits bezahlen. Ihr Writing Twin für ChatGPT, Claude und Gemini ist dieser Block an Anweisungen, kein separater Chatbot, und er lebt in dem Behälter, den Sie ohnehin schon nutzen.

Zwei Eigenschaften eines gemessenen Profils sind für die Argumentation hier entscheidend.

Es lässt sich überprüfen. „War das freundlich genug?“ hat keine Antwort. „Lag die mittlere Satzlänge innerhalb der Spanne?“ schon. Wenn ein Entwurf abdriftet, zählen Sie, sehen, wo er danebenlag, und korrigieren eine Regel. Ein Adjektiv gibt Ihnen nichts zu korrigieren.

Es überlebt die nächste Modellversion. Die Messwerte handeln von Ihnen, also ändern sie sich nicht, wenn sich das Modell ändert. Ein besseres Modell führt dasselbe Profil treuer aus als das vorherige. Deshalb wird ein gemessenes Profil mit jeder Version nützlicher, während eine Ton-Vorlage genau so vage bleibt wie an dem Tag, an dem Sie sie geschrieben haben.

Wie prüfen Sie, ob Ihre Tonbeschreibung funktioniert hat?

Geben Sie dem Modell das Briefing für eine E-Mail, die Sie bereits verschickt haben, und vergleichen Sie dann seinen Entwurf mit Ihrem, indem Sie zählen. Fünf Minuten, keine Tools, und das Ergebnis ist eine Zahl statt eines Gefühls.

Wählen Sie eine E-Mail aus der letzten Woche. Schreiben Sie ein zweizeiliges Briefing: an wen sie geht, was Sie brauchen, was der Empfänger bereits weiß. Fügen Sie das Briefing mit aktiven Ton-Anweisungen in Ihren Assistenten ein und bitten Sie um die E-Mail. Legen Sie seinen Entwurf neben Ihren und zählen Sie:

• Wörter pro Satz, kürzester und längster
• Sätze pro Absatz
• Wo die Bitte steht (erste Zeile oder letzte)
• Abschwächungen: wie viele, und ob sie den Satzteil eröffnen oder abschließen
• Kommas pro Satz
• Erste Zeile und Schlusszeile

Wenn die Zahlen abweichen, hat Ihre Beschreibung nicht funktioniert, was auch immer der Assistent Ihnen sagt, wenn Sie ihn direkt fragen. Wenn sie bei einer E-Mail übereinstimmen, probieren Sie drei weitere in unterschiedlichen Registern. Ton-Adjektive überstehen meist den ersten Test und scheitern am zweiten, weil das Etikett für eine Stimmung geschrieben wurde und Sie mehrere haben.

Führen Sie denselben Test durch, nachdem Sie die Adjektive durch Messwerte ersetzt haben. Die Zahlen nähern sich an. Diese Annäherung ist der ganze Sinn, und sie ist das, was „meinen Schreibton für KI beschreiben“ von Anfang an hätte bedeuten sollen: keine Beschreibung der Wirkung, auf die Sie hoffen, sondern eine Spezifikation dessen, wie Sie tatsächlich schreiben.

Ihre Stimme war nie ein Adjektiv. Sie war immer eine Sammlung von Gewohnheiten, die Sie zählen können. Sobald Sie dem Modell die Zählung übergeben, hört es auf, Sie mit allen anderen zu verrechnen.

Sehen Sie in etwa einer Minute mit dem Humanity Score-Test, wie weit Ihr aktuelles Setup von Ihrem echten Schreiben entfernt ist, oder erstellen Sie ein Stilprofil aus Ihren eigenen Proben und fügen Sie es in die KI ein, die Sie bereits nutzen.