Warum KI-Englisch übersetzt klingt (und die Grammatik nicht das Problem ist)

TL;DR: KI-Englisch klingt übersetzt, weil das Modell den statistischen Durchschnitt des Englischen schreibt, und der Durchschnitt des Englischen hat die Form einer sorgfältigen Übersetzung: jeder Satz ungefähr gleich lang, ein Bindewort am Kopf jedes Absatzes, gestapelte Abschwächungen vor jeder Bitte, keine Kurzformen, eine Formel an jedem Ende. Ein muttersprachlicher Leser hört den Rhythmus, bevor er die Grammatik prüft. Um „natürliches“ oder „muttersprachliches“ Englisch zu bitten, ändert nichts, denn diese Wörter beschreiben eine Wirkung, auf die das Modell ohnehin schon zielt. Was funktioniert, ist, Ihre eigenen englischen Gewohnheiten aus gesendeten E-Mails zu messen und sie dem Modell als Regeln zu übergeben. Jedes neue Modell führt diese Regeln besser aus als das vorherige.

Sie bitten ChatGPT, eine E-Mail an einen Kunden in London zu überarbeiten. Jeder Satz kommt korrekt zurück. Sie lesen ihn zweimal, finden nichts Falsches und haben trotzdem das Gefühl, dass er übersetzt klingt. Sie senden ihn ab. Die Antwort ist höflich und ein wenig distanzierter als die von letzter Woche.

Nichts in dem Entwurf war falsch. Nichts darin war aber auch von Ihnen.

Warum klingt KI-Englisch übersetzt?

Weil das Modell das Zentrum allen Englischs schreibt, das es je gesehen hat, und das Zentrum des Englischen die Form einer Übersetzung hat. Übersetzte Prosa erkennt man an der Struktur, lange bevor man das Vokabular prüft: Sätze von fast gleicher Länge, ein Verbindungswort am Anfang jedes Absatzes, mehr Polsterung, als die Bitte braucht, keine Kurzformen sowie eine Eröffnung und ein Schluss, die sich ohne Verlust in jede andere E-Mail verpflanzen ließen. Die KI produziert diese Struktur standardmäßig, ganz gleich, ob die Anfrage auf Japanisch, Französisch oder Englisch kam.

Die Flachheit ist messbar. Unsere Durchschnitts-KI-Baseline, aufgebaut aus 320 Proben über fünf Modelle und vier Sprachen, verortet englische KI-Texte bei einem Konsistenzwert zwischen 52 und 55, und die Zahl bewegt sich über die Sprachen hinweg kaum. Auf unserer Skala bedeutet das eine moderate, gleichmäßig verteilte Variation der Satzlänge: Das Modell schreibt weder den Sechs-Wort-Satz, der einen Punkt setzt, noch den Dreißig-Wort-Satz, der Kontext trägt. Wie wir diese Baseline aufgebaut haben erklärt die Methode; die Kurzfassung lautet, dass der Rhythmus überall derselbe ist, und genau das meint ein Leser, wenn er sagt, ein Text „klinge übersetzt“.

So sieht die Durchschnittsform bei einer einzelnen E-Mail aus, und das nimmt ein geübter Leser in jeder Zeile wahr:

Jede Zeile ist eine Entscheidung über Platzierung oder Rhythmus. Eine Grammatikprüfung winkt alle sieben durch. Ihr Kunde nicht.

Was passiert, wenn der Entwurf auf Japanisch oder Französisch beginnt?

Das Modell korrigiert die Sätze und behält die Architektur. Fügen Sie einen japanischen Entwurf ein und bitten um Englisch, oder schreiben Sie Englisch mit einem japanischen Plan im Kopf, und das Modell korrigiert jeden Satz, während es die Reihenfolge bewahrt, die Sie vorgegeben haben: zuerst die Beziehung, dann die Umstände, drittens die Entschuldigung, die Bitte zuletzt, Dank am Ende. Korrektes Englisch in japanischer Reihenfolge ist die präziseste Definition von „klingt übersetzt“, die es gibt.

Nehmen Sie eine Account-Managerin in Tokio, die einem Kunden in London wegen einer Lieferung schreibt, die sich um eine Woche verschoben hat. Die japanische Logik dieser E-Mail ist stimmig: die Beziehung würdigen, die Umstände erklären, sich entschuldigen, den neuen Termin nennen, um Verständnis bitten. KI-Englisch mit demselben Plan kommt so heraus: „I hope this email finds you well. I am writing to inform you regarding the delivery schedule. Due to unforeseen circumstances in our production process, we regret to inform you that the delivery will be delayed.“ Der Termin taucht in Absatz zwei auf. Die Bitte kommt nie so recht an.

Dieselbe Person schickt in ihrem eigenen Englisch an einem guten Tag eher so etwas: „Quick update on the delivery: it's moving from the 20th to the 27th. The cause was a supplier delay on our side, and we've already switched to a second source. Sorry for the knock-on effect on your planning. Does the 27th still work for your team?“ Dieselben Fakten, dieselbe Entschuldigung, dieselbe Höflichkeit. Die Bitte steht in der ersten Zeile, und die Polsterung ist einen Satz lang.

Die französische Variante des Problems ist auf andere Weise strukturell. Unsere sprachspezifischen Daten zeigen für französische KI-Texte einen Wert von 75 bei der Satzkomplexität und 32 bei der Prägnanz, der höchste und der niedrigste Wert der vier gemessenen Sprachen. Ein französischer Product Lead, der auf Französisch entwirft und um Englisch bittet, bekommt das Vokabular geglättet und die Nebensätze erhalten: ein englischer Satz mit französischem Skelett, vierzig Wörter lang, das Hauptverb irgendwo in der Mitte. Wie KI auf Japanisch, Französisch und Spanisch anders schreibt enthält die vollständige Tabelle.

Eines sollte klar sein: Die Lösung besteht nicht darin, einen der beiden Schreibenden wie einen Londoner klingen zu lassen. Das Englisch der Account-Managerin ist etwas Eigenes. Sie stellt den Kontext tatsächlich voran, in zwei kurzen Sätzen statt in fünf langen, und sie entschuldigt sich tatsächlich einmal, nachdem die Lösung genannt ist. Das sind ihre Gewohnheiten. Das Übersetzungsproblem ist das, was das Modell obendrauf setzt, und der Leitfaden für zweisprachige Fachkräfte erklärt, warum dieser Zusatz Zweitsprachenschreiber am härtesten trifft.

Warum hilft „Schreib in natürlichem Englisch“ nicht?

Weil „natürlich“, „muttersprachlich“, „flüssig“ und „umgangssprachlich“ Etiketten für eine Wirkung sind, und das Modell zielt ohnehin schon auf diese Wirkung. Diese Wörter beschreiben Millionen von Schreibenden und keine einzige ihrer Gewohnheiten. Die KI kennt Ihren Ton nicht; sie kennt Wörter, die einen Ton beschreiben. Bitten Sie um natürliches Englisch, bekommen Sie den Durchschnitt all dessen, was die Trainingsdaten als natürlich etikettiert haben, und das ist derselbe Entwurf mit zwei Kurzformen mehr.

„Professionell, aber freundlich“ hat dasselbe Problem, und es ist die Formulierung, zu der die meisten greifen. Sie beschreibt Tausende von Schreibenden. Ihr Kollege, der dieselben drei Wörter in dasselbe Feld tippt, bekommt dieselbe E-Mail wie Sie. Eine Stimme lebt nicht in Adjektiven. Sie lebt in der Satzlänge und darin, wie stark sie variiert, darin, wo die Einschränkungen sitzen, welche Übergänge Sie verwenden und welche nie, wie Sie Satzzeichen setzen. Wir haben das in Adjektive sind nicht Ihre Stimme ausführlich beschrieben, und das Argument gilt für eine Zweitsprache mit umso mehr Nachdruck, denn die Adjektive, die Sie für Ihr Englisch wählen würden, sind genau die, auf die das Modell ohnehin voreingestellt ist.

OpenAIs eigene Anleitung zu Custom Instructions fasst die Funktion als zwei Fragen: Was soll das Modell über Sie wissen, und wie soll es antworten. Die meisten beantworten die zweite mit einer Stimmung. Die Antwort, die den Entwurf verändert, ist eine Regel: mit der Bitte eröffnen, höchstens eine Abschwächung, Kurzformen an, keine Schlussformel. Eine Regel lässt sich befolgen. Eine Stimmung lässt sich nur annähern, und die Annäherung ist der Durchschnitt.

Hört ein besseres Modell auf, übersetzt zu klingen?

Nein, und der Grund ist struktureller und nicht vorübergehender Natur. Modellfähigkeit und Konditionierung auf Nutzerdaten sind getrennte Schichten. Die Labore verbessern die erste mit jeder Version und können die zweite nicht liefern, denn sie wird aus E-Mails gebaut, die Sie gesendet haben, und das Labor hat sie nie gesehen. Ein stärkeres Modell befolgt „natürliches Englisch“ treuer, und das ergibt eine glattere Version derselben Durchschnittsform.

Unsere eigenen Daten pro Modell belegen das in Zahlen. Über den englischen Teil der Baseline mit 80 Proben streuen die fünf gemessenen Modelle um 61 Punkte bei der Ausdrucksstärke und liegen auf zwei anderen Achsen fast deckungsgleich. Der Wechsel von einem Modell zum anderen verändert die Energie des Entwurfs. Er verändert nicht die Platzierung der Bitte, die Zahl der Abschwächungen oder den Rhythmus, denn keines der Modelle hat irgendeine Information über Ihre. Was die Durchschnitts-KI-Baseline verbirgt schlüsselt die Zahlen nach Modell auf.

Dieselbe Trennung arbeitet für Sie, sobald Sie ein Profil haben. Je besser das Modell darin wird, nuancierte Anweisungen zu befolgen, desto besser führt es auch Ihr Profil aus. „Mit dem Update eröffnen, eine Abschwächung pro Bitte, mindestens ein Satz unter acht Wörtern pro Absatz“ ist eine nuancierte Anweisung, und jede Generation setzt sie genauer um als die vorherige. Geben Sie einem stärkeren Modell ein vages Adjektiv, bekommen Sie einen glatteren Durchschnitt. Geben Sie ihm ein gemessenes Profil, bekommen Sie ein genaueres Abbild von Ihnen. Welches von beidem Sie erhalten, hängt allein davon ab, was Sie übergeben haben, ein Punkt, den wir in Warum bessere Modelle Ihre Stimme immer noch nicht kennen gemacht haben.

Wie geben Sie der KI Ihr Englisch statt des Durchschnitts?

Messen Sie Ihre Gewohnheiten an Englisch, das Sie bereits gesendet haben, schreiben Sie sie als Regeln auf und legen Sie die Regeln dort ab, wo das Modell sie bei jeder Anfrage liest: in den Custom Instructions von ChatGPT oder einem Project, einem Claude Project, einem Gemini Gem. Drei Schritte, und die ersten beiden brauchen keine Software.

Schritt 1: Sammeln Sie zehn gesendete E-Mails in einem Register. Kundenkontakt, intern oder Erstkontakt; entscheiden Sie sich für eines. Wählen Sie die, die Sie zufrieden abgeschickt haben, nicht die, die Sie eine Stunde lang umgeschrieben haben, denn das Profil soll Ihren normalen Dienstag erfassen und nicht Ihren besten Tag. Halten Sie sie getrennt von allem, was Sie auf Japanisch oder Französisch geschrieben haben. Ihr Englisch ist keine Übersetzung Ihrer anderen Sprachen und sollte nicht als solche gemessen werden.

Schritt 2: Zählen Sie, statt zu beschreiben. Notieren Sie für jede E-Mail:

• Kürzester Satz, längster Satz und die typische Länge. Die meisten sind überrascht, wie kurz der kürzeste ist.
• Wo die Bitte steht: in Satz eins oder nach einem Absatz Kontext.
• Abschwächungen vor der Bitte: welche Formulierungen und wie viele. „Could you“ und „I was wondering whether it might be possible“ sind nicht dieselbe Abschwächung.
• Kurzformen: vorhanden oder nicht.
• Ihre tatsächlichen Eröffnungen und Schlussformeln, einschließlich „keine“.
• Bindewörter, die Sie verwenden („also“, „so“, „and“), und Bindewörter, die in Ihren Texten nie vorkommen.
• Das Entschuldigungsmuster: wie oft, wie konkret, vor oder nach der Lösung.

Schritt 3: Schreiben Sie die Zählungen als Regeln auf. Ein fertiger Block für ein Register sieht so aus:

English email, client-facing:
- Open with the update or the ask in sentence one. Context comes after.
- Vary sentence length: at least one sentence under 8 words per paragraph, none over 30.
- One hedge per ask, maximum. Use "could you". Never "I was wondering if".
- Contractions on: it's, we're, I'll.
- Connectors: "also", "so", "and". Never "in addition" or a linking adverb to open a paragraph.
- No opening formula. Close with the next step and my first name.
- Apologise once, concretely, after the fix is stated. Never "we regret to inform".

Dieser Block ist keine Beschreibung einer Stimmung. Jede Zeile lässt sich am Ergebnis überprüfen, und jede Zeile stammt aus etwas, das Sie tatsächlich geschrieben haben.

Ein Fünf-Minuten-Test zeigt Ihnen, ob ein KI-Entwurf bestanden hat. Legen Sie den Entwurf neben eine Ihrer eigenen E-Mails. Unterstreichen Sie in beiden jeden Satz unter acht Wörtern. Kreisen Sie in beiden die Bitte ein. Zählen Sie die Abschwächungen davor. Wenn der KI-Entwurf keine kurzen Sätze hat, die Bitte in Absatz drei steht und drei Abschwächungen davor, lesen Sie den Durchschnitt, und der Durchschnitt klingt übersetzt.

MyWritingTwin übernimmt das Zählen für Sie. Eine Schreib-DNA-Analyse misst Ihren Satzrhythmus, die Platzierung der Abschwächungen, Ihre Bindewörter und Ihre Formalität anhand Ihrer eigenen Proben, pro Sprache und gemessen an einer sprachspezifischen Durchschnitts-KI-Baseline, und macht aus dem Ergebnis ein Stilprofil, das Sie zu ChatGPT, Claude und Gemini mitnehmen. Ihr englisches Profil und Ihr japanisches Profil werden getrennt aufgebaut, aus getrennten Proben, denn die Registerwechsel, die in japanischen Geschäfts-E-Mails zählen, sind andere Gewohnheiten als die, die in Ihrem Englisch zählen, und ein Modell sollte sie nicht mitteln dürfen. Wenn Sie in mehr als einer Sprache schreiben, erklärt Ihre Schreibstimme ändert sich, wenn Sie die Sprache wechseln, warum ein Profil nie ausreicht.

---

Wenn Sie die Form Ihres eigenen Englischs gegen den Durchschnitt sehen möchten, bevor Sie eine einzige Regel schreiben, misst der kostenlose Writing DNA Snapshot einige Ihrer Proben an der sprachspezifischen KI-Baseline und zeigt Ihnen, wo das Modell Sie eingeebnet hätte. Reichen Sie englische Proben und japanische oder französische Proben getrennt ein, und Sie erhalten zwei Diagramme statt eines Durchschnitts aus beiden.