Warum KI-Texte, die in E-Mails funktionieren, in Slack scheitern

Sie haben Ihre KI-Anweisungen basierend auf Ihrem E-Mail-Schreibstil eingerichtet. Die Ergebnisse sind gut. Dann verwenden Sie dasselbe Profil für eine Slack-Nachricht. Die KI schreibt etwas, das wie ein Memo klingt. Sie kürzen es. Es fühlt sich immer noch steif an.

Das Problem sind nicht Ihre Anweisungen. Es ist das, was diese Anweisungen tatsächlich erfasst haben.

---

Sie haben nicht nur einen Schreibstil

Sie haben mehrere.

Die Art und Weise, wie Sie eine Kunden-E-Mail verfassen, ist nicht die Art und Weise, wie Sie eine Slack-Antwort an Ihr Team schreiben. Ihre LinkedIn-Beiträge haben einen anderen Rhythmus als Ihre internen Berichte. Ihre Quartalsberichte lesen sich nicht wie Ihre schnellen Status-Updates.

Das ist Kalibrierung. Jeder Profi passt seinen Schreibstil an die Plattform, das Publikum und das Risikoniveau an. Diese Kalibrierungen sind subtil und systematisch und sammeln sich über Jahre des professionellen Schreibens in jedem Kontext an.

Wenn Sie eine KI bitten, „Ihren Stil“ zu lernen, stellt sich die Frage: Welchen?

---

Die Forschung hinter dem Problem

Linguisten nennen das, was Sie gerade gelesen haben, „Registervariation“. Jeder Autor pflegt mehrere Register, und die Unterschiede zwischen ihnen sind nicht kosmetischer Natur. Sie zeigen sich in Satzlänge, Interpunktionsdichte, Häufigkeit von Absicherungen, strukturellen Präferenzen und dem Verhältnis von Inhaltswörtern zu Funktionswörtern.

Ein Forscherteam mehrerer europäischer Universitäten hat genau quantifiziert, wie wichtig dies für das KI-Schreiben ist.

Sie trainierten Autorschaftsattributionsmodelle mit Texten einer festen Autorengruppe aus einem bestimmten Bereich und testeten dieselben Modelle dann mit Texten aus einem anderen Bereich, die von denselben Autoren verfasst wurden. Die Modelle verwendeten Zeichen-Trigramm-Häufigkeiten, eines der am weitesten verbreiteten Merkmale in der stilometrischen Forschung.

Die Ergebnisse: Die Genauigkeit sank um bis zu 55,4 Prozentpunkte, als sich der Bereich änderte, obwohl die Autoren identisch waren (Bischoff et al., Corpus Linguistics and Linguistic Theory).

Diese Modelle lernten den „Autorenstil“ nicht als reines, kontextunabhängiges Signal. Sie lernten eine Mischung aus Autorenstil und Domänenstil: die Konventionen dieses Schreibgenres. Als sich die Domäne änderte, wurde das meiste, was das Modell gelernt hatte, aktiv irreführend.

Genau das ist das Slack-Problem. Eine KI, die hauptsächlich mit Ihren E-Mails trainiert wurde, lernt eine Mischung aus:

1. Ihren persönlichen Mustern (Satzrhythmus, Wortschatzpräferenzen, strukturelle Tendenzen)
2. E-Mail-spezifischen Konventionen (formelle Eröffnungen, Anfragestrukturen, Normen für die Absatzlänge)

Wenn Sie diese KI bitten, eine Slack-Nachricht zu verfassen, kann sie die beiden nicht trennen. Sie wendet E-Mail-Konventionen zusammen mit Ihren persönlichen Mustern an. Das Ergebnis klingt nach Ihnen, liest sich aber im Tonfall falsch.

---

Warum Oberflächenmerkmale über Kontexte hinweg versagen

Das Problem geht tiefer als Genrekonventionen. Die Merkmale, die gut funktionieren, um Ihren Stil in einem Kontext zu erfassen, führen das Modell in einem anderen aktiv in die Irre.

Forschung zur neuronalen Autorschaftsattribution zeigt diesen Unterschied. Modelle, die stark auf lexikalische Merkmale, also die spezifischen Wörter, die Sie wählen, angewiesen sind, reagieren empfindlich auf Thema und Kontext. Ihr Geschäftsvokabular und Ihr umgangssprachliches Vokabular sind tatsächlich unterschiedlich. Ein Modell, das mit Ihren formellen Texten trainiert wurde, wird konsequent das formellere Synonym wählen, selbst in Kontexten, in denen Sie dies nicht tun würden.

Syntaktische Merkmale sind stabiler. Wie Sie Sätze konstruieren, Ihre Präferenz für Satzfragmente oder Nebensätze, Ihr Verhältnis von Aktiv- zu Passivkonstruktionen, Ihre Verwendung von satzeinleitenden Konnektoren: Diese Muster bleiben über Kontexte hinweg zuverlässiger erhalten als der Wortschatz. Sie sind der Teil Ihres Schreibens, der am authentischsten „Sie“ ist, anstatt „Sie, die in diesem speziellen Genre schreiben“.

Die praktische Implikation: KI-Systeme, die primär oberflächliche Ähnlichkeiten mit Ihren bereitgestellten Beispielen erfassen, werden genau den von der Forschung vorhergesagten Genauigkeitsverlust zeigen, wenn sie auf einen anderen Schreibkontext treffen.

---

Wie viele Schreibkontexte haben Sie tatsächlich?

Die meisten Wissensarbeiter agieren in mindestens vier verschiedenen Kontexten:

Asynchron intern (Slack, Teams, interne Threads): Kurze Sätze, direkte Aufforderungen, angenommener gemeinsamer Kontext, geringe Absicherung, Satzfragmente akzeptiert.

Formell extern (Kunden-E-Mails, Angebote, Kommunikation mit Führungskräften): Strukturierte Absätze, angemessene Absicherung, formelle Eröffnungen, Kontext bereitgestellt, sorgfältige Wortwahl.

Professionell öffentlich (LinkedIn, veröffentlichte Artikel, Newsletter): Überlegt, für Fremde lesbar, kein angenommener Kontext, identitätsbewusst, redigierte Stimme.

Operativ (Status-Updates, Besprechungsnotizen, Dokumentation): Effizient, faktisch, strukturiert, keine Persönlichkeit erforderlich.

Jeder Kontext hat seine eigene Grundlinie für Satzlänge, Formalitätsgrad, Häufigkeit von Absicherungen und strukturelle Standardeinstellungen. Ihre Instinkte für jeden Kontext haben sich über Jahre des Schreibens in diesem Kontext entwickelt und sind weitgehend unbewusst.

Ein Stilprofil, das aus formellen E-Mail-Beispielen erstellt wurde, erfasst einen dieser Kontexte zuverlässig. Die anderen drei erfordern eine Kalibrierung anhand von Beispielen aus diesen Kontexten.

---

Der Linguist, der dies vor 30 Jahren gemessen hat

Registervariation über Kontexte hinweg ist ein dokumentiertes linguistisches Phänomen.

Douglas Biber, ein Korpuslinguist an der Northern Arizona University, verbrachte Jahre damit, zu analysieren, wie das Schreiben über das variiert, was er „Register“ nannte: akademische Prosa, Fiktion, Nachrichten, Konversation, Briefe und mehr. Seine Arbeit von 1988 stellte fest, dass Texte basierend auf 67 gleichzeitig auftretenden linguistischen Merkmalen, wie nominaler vs. verbaler Dichte, Passivkonstruktionsraten, Häufigkeit von Absicherungen und Zeitverteilung, in verschiedene Typen gruppiert werden.

Sein Kernergebnis: Diese Merkmale variieren systematisch miteinander. Akademisches Schreiben verwendet hohe nominale Dichte, Absicherungen und Passivkonstruktionen zusammen. Konversation verwendet hohe verbale Dichte, Fragmenthäufigkeit und Aktivkonstruktionen zusammen. Die Muster sind nicht zufällig. Sie bilden kohärente Registerprofile, und die Unterschiede zwischen den Registern sind oft größer als die Unterschiede zwischen einzelnen Autoren innerhalb desselben Registers.

Dies ist die Grundlage des Domänenproblems im KI-Schreiben. Ihr Autorenstil sitzt auf einer Register-Grundlinie. Nehmen Sie sich aus Ihrem E-Mail-Register und versetzen Sie sich in Ihr Slack-Register, und die Grundlinie verschiebt sich unter Ihren Füßen. Eine KI, die nicht darauf trainiert wurde, diese Verschiebung zu berücksichtigen, wird weiterhin die alte Grundlinie anwenden.

---

Warum das Hinzufügen weiterer Beispiele aus demselben Kontext nicht hilft

Die intuitive Lösung ist, mehr Beispiele hinzuzufügen. Das funktioniert nicht.

Mehr E-Mails bringen der KI nicht bei, wie Sie in Slack schreiben. Das Modell lernt mehr über E-Mail-Konventionen, wird besser bei E-Mails und versagt in jedem anderen Kontext mit der gleichen Beständigkeit.

Das Forschungsergebnis lässt sich direkt darauf übertragen: Domänenverschiebung ist kein Volumenproblem. Sie können einen Kontext-Mismatch nicht durch das Hinzufügen weiterer Daten aus demselben Kontext wegtrainieren. Das Modell benötigt Beispiele aus dem Zielkontext, denn es muss lernen, wie sich Ihre Muster verschieben, nicht nur, welche Muster Sie haben.

Deshalb erhalten Benutzer, die Stilprofile aus einem einzigen Dokumenttyp, beispielsweise einer Sammlung von LinkedIn-Beiträgen, erstellen, hervorragende LinkedIn-Ergebnisse und seltsame Ergebnisse bei allem anderen. Das Profil ist genau für das, womit es trainiert wurde. Es war nie darauf ausgelegt, zu generalisieren.

---

Wie kontextsensitive Stilprofile aussehen

Ein kontextsensibles Stilprofil ist ein Dokument mit expliziten Kalibrierungsanweisungen.

Anstatt „verwenden Sie Sätze mit durchschnittlich 18 Wörtern“ enthält es: „formell extern: 20-22 Wörter, moderate Absicherung, strukturierte Absätze. Intern asynchron: 6-10 Wörter, keine Absicherung, Satzfragmente akzeptabel.“ Die KI hat ein Profil. Sie passt sich an den Kontext an, in dem Sie schreiben.

Der Aufbau erfordert Beispiele aus all Ihren tatsächlichen Schreibkontexten. Nicht „drei E-Mails“. Speziell: ein Kundenangebot, interne Slack-Threads, ein LinkedIn-Beitrag, ein Status-Update. Die Verteilung der Beispiele zwingt das Modell zu erkennen, dass Sie dieselbe Person mit unterschiedlichen Kalibrierungen sind, nicht verschiedene Personen.

Der Schritt zur Beispielsammlung von MyWritingTwin fragt genau nach dieser Verteilung. Der Fragebogen erfasst kontextspezifische Präferenzen, die Sie möglicherweise nicht bewusst artikuliert haben: wie formell Sie Nachrichten in verschiedenen Kontexten eröffnen, wie stark Sie sich absichern, wenn Sie an verschiedene Zielgruppen schreiben, welche strukturellen Konventionen Sie in jeder Umgebung befolgen.

Das Ergebnis ist ein Stilprofil für ChatGPT, Claude oder jedes KI-Tool, das eine explizite Kontextwechsel-Logik enthält. Nicht nur „wie diese Person schreibt“, sondern „wie diese Person schreibt, wenn sich die Risiken und das Publikum ändern“.

---

Ein schneller Audit Ihres aktuellen Profils

Wenn Sie bereits KI-Schreibunterstützung nutzen, führen Sie diesen Check durch:

Rufen Sie die letzten fünf Dinge auf, die Sie in Ihrem lockersten Kommunikationskontext (Slack, interne Nachrichten) geschrieben haben. Dann rufen Sie die letzten fünf Dinge auf, die die KI für Sie mit Ihren aktuellen Anweisungen im selben Kontext generiert hat.

Vergleichen Sie Satzlänge, Häufigkeit von Absicherungen und wie die KI Nachrichten eröffnet, im Vergleich dazu, wie Sie sie beim nativen Schreiben eröffnen.

Wenn die KI länger, formeller strukturiert und stärker abgesichert schreibt, als Sie es in diesem Kontext tatsächlich tun, wurde Ihr Stilprofil hauptsächlich aus formellen Beispielen erstellt. Die Domänenverschiebung zeigt sich.

Die Lösung ist das gezielte Hinzufügen von Beispielen aus dem lockeren Kontext. Sobald das Modell Ihre Slack-Muster explizit gesehen hat, kann es sich darauf kalibrieren. Bis dahin greift es auf das zurück, wofür es die meisten Beweise hat: das formelle Register, mit dem es trainiert wurde.

---

Bereit, ein Stilprofil zu erstellen, das weiß, wo Sie sind?

MyWritingTwin erstellt kontextsensitive Stilprofile, die Sie in ChatGPT, Claude oder jedem KI-Tool einsetzen können. Die Beispielsammlung fragt gezielt nach Texten aus all Ihren Kommunikationskontexten, sodass das Ergebnis nicht ein einziges Register ist, das auf Ihre E-Mails überoptimiert wurde.

Erstellen Sie Ihren kontextsensiblen Writing Twin →

Oder lesen Sie mehr darüber, wie Stilanalysen tatsächlich funktionieren.