Mit ChatGPT Texte im eigenen Schreibstil erstellen

In letzter Zeit sehe ich gerade auf LinkedIn immer häufiger angebliche KI-Experten, die Claude- oder ChatGPT-Skills entwickelt haben. Diese sollen Texte mit typischem KI-Sprech in „menschlich wirkende“ Schriftstücke verwandeln. Nun, in der Regel funktioniert das nicht. So überhaupt nicht. Viele vergessen zusätzlich, dass diese Skills meist für englische Texte entwickelt wurden und lediglich aus Wortverbotslisten bestehen. Doch dazu später mehr.

Leider muss ich zugeben, dass ich mich in genau diese Reihe von Personen einreihen werde. Denn auch ich habe einen Skill für eben jenen Zweck erstellt: einen Codex-Skill, der euren Schreibstil, sagen wir, zu 97 Prozent kopiert. Mein Ansatz ist allerdings, naja, etwas fachlicher und beruht auf einer von mir erprobten linguistischen Methodik. Was viele bei dieser Aufgabe nämlich nicht verstanden haben, ist, dass es weniger technisches als linguistisches Verständnis braucht.

Genau diese Methodik stelle ich euch in diesem Artikel vor. Falls ihr sie einfach nur nutzen möchtet, findet ihr gleich zu Beginn eine Kurzfassung und am Ende den vollständigen Skill zum Download. Wer wissen möchte, weshalb die Methode funktioniert, erhält dazwischen die ausführliche Erklärung. Und die wird an einigen Stellen etwas tiefer in die deutsche Grammatik führen, als ihr es von den üblichen Prompt-Ratgebern vermutlich gewohnt seid.

Der Skill steht als neutrale Fassung für Codex in der ChatGPT-Desktop-App bereit. Meine persönlichen Texte und die daraus abgeleiteten Regeln sind darin natürlich nicht enthalten. Stattdessen erhaltet ihr die vollständige Methodik, leere Vorlagen und einen Prüfprozess, mit dem ihr euer eigenes Stilprofil erstellen könnt.

Google bezeichnet Inhalte mit einzigartiger Erfahrung, eigener Perspektive und zusätzlichem Erkenntniswert inzwischen ausdrücklich als Non-Commodity-Content. In seinem Leitfaden zu Non-Commodity-Content empfiehlt Google, Wissen und eigene Erfahrung einzubringen, die sich nicht einfach aus bereits vorhandenen Internettexten zusammenfassen oder durch ein generatives Modell reproduzieren lassen. Genau diese Anforderung ist für diesen Artikel ziemlich praktisch, denn die Methodik stammt aus meiner eigenen Entwicklung und mehreren realen Modelltests.

Kurzfassung: den eigenen Schreibstil als Codex-Skill anlegen

Ihr möchtet nicht erst mehrere Tausend Wörter über Morphologie, Syntax und Informationsstruktur lesen? Verständlich. Dann könnt ihr zunächst mit den folgenden sieben Schritten beginnen. Die fachliche Erklärung, weshalb diese Vorgehensweise funktioniert und an welchen Stellen ihr besonders genau hinsehen müsst, folgt anschließend.

Mit diesem Ablauf entsteht noch nicht automatisch beim ersten Versuch ein perfektes Stilprofil. Ihr erhaltet allerdings eine belastbare Grundlage, die sich anhand neuer Texte prüfen und schrittweise verbessern lässt. Genau diese wiederholte Prüfung unterscheidet die Methodik von einem einzelnen Prompt, der ChatGPT lediglich auffordert, irgendwie „menschlicher“ zu schreiben.

Wortverbote lösen das eigentliche Problem nicht

Was machen die meisten Skills, die einen KI-Text angeblich menschlicher klingen lassen? Häufig enthalten sie eine lange Liste mit Wörtern und Formulierungen, die ChatGPT nicht mehr verwenden darf. Begriffe wie „entscheidend“, „bemerkenswert“ oder „darüber hinaus“ werden verboten, einige typische Satzanfänge kommen hinzu und fertig ist der Humanizer.

Nun, ganz nutzlos sind solche Listen nicht. Auch mein eigener Skill enthält verbotene Wörter und sprachliche Muster, die mir bei der Arbeit mit verschiedenen Modellen wiederholt aufgefallen sind. Eine derartige Liste eignet sich allerdings erst für den letzten Prüfdurchgang. Als eigentliche Grundlage eines persönlichen Schreibstils funktioniert sie nicht.

Weshalb ist das so? Nehmen wir einen beliebigen KI-Satz:

Der entscheidende Unterschied liegt in der Struktur. Darüber hinaus verbessert eine klare Tonalität die Wirkung.

Verbieten wir nun „entscheidend“, „darüber hinaus“ und „klar“, könnte ChatGPT den Text folgendermaßen verändern:

Der wesentliche Unterschied liegt im Aufbau. Zusätzlich verbessert eine passende Tonalität das Ergebnis.

Die beanstandeten Wörter sind verschwunden. An der sprachlichen Konstruktion hat sich allerdings kaum etwas verändert. Beide Fassungen bestehen aus zwei ähnlich aufgebauten Aussagesätzen. Auf eine abstrakte Feststellung folgt ein additiver Anschluss, der eine weitere abstrakte Feststellung einführt. ChatGPT hat somit lediglich einzelne Wörter durch semantisch ähnliche Ausdrücke ersetzt.

Mit einem persönlichen Schreibstil hat das wenig zu tun. Vielleicht würdet ihr den Gedanken in einem einzigen Satz erklären. Womöglich würdet ihr mit einer Frage beginnen, einen konkreten Anwendungsfall nennen oder die zweite Aussage über ein Pronomen an die erste anbinden. Eine Wortverbotsliste kennt keine dieser Varianten, da sie nur prüft, was in einem Text nicht vorkommen soll.

Ein Stil besteht nicht aus einzelnen Wörtern

Natürlich gibt es Wörter, die einzelne Autoren auffällig häufig verwenden. Ebenso existieren Formulierungen, die jemand grundsätzlich vermeiden würde. Derartige Vorlieben gehören durchaus zum persönlichen Stil, bilden allerdings nur einen kleinen Ausschnitt davon ab.

Bereits ein einzelner deutscher Aussagesatz kann unterschiedlich aufgebaut werden:

Der persönliche Schreibstil lässt sich mit einer Wortliste nicht zuverlässig nachbilden.

Mit einer Wortliste lässt sich der persönliche Schreibstil nicht zuverlässig nachbilden.

Beide Sätze enthalten fast dieselben Wörter. Auch ihre Länge unterscheidet sich kaum. Trotzdem beginnen sie mit einer anderen Information. Im ersten Satz steht „der persönliche Schreibstil“ am Anfang. Der zweite Satz rückt dagegen „mit einer Wortliste“ an diese Position.

Diese Stelle vor dem gebeugten Verb nennt sich im topologischen Feldermodell das Vorfeld. Welche Wortgruppe ein Autor regelmäßig dort platziert, beeinflusst, von welcher Information aus ein Gedanke entwickelt wird. Verwendet jemand häufig zeitliche Angaben, Präpositionalgruppen oder bereits bekannte Informationen im Vorfeld, entsteht eine andere Textbewegung, als wenn nahezu jeder Satz mit dem Subjekt beginnt.

Eine Wortliste sieht diesen Unterschied nicht. Sie findet dieselben Wörter und würde beide Sätze daher vermutlich gleich behandeln. Für eine linguistische Stilanalyse sind es hingegen zwei unterschiedliche Konstruktionen, deren Verwendung und Funktion im gesamten Korpus überprüft werden können.

Englische Wortlisten passen nur bedingt zu deutschen Texten

Besonders merkwürdig wird es, wenn englischsprachige Verbotslisten nahezu unverändert für deutsche Texte übernommen werden. Natürlich können sich einige typische KI-Formulierungen sinngemäß übersetzen lassen. Die grammatischen Systeme beider Sprachen funktionieren allerdings unterschiedlich.

Im Deutschen lassen sich beispielsweise sehr einfach Komposita bilden. Aus mehreren selbstständigen Wörtern entsteht dabei ein neues Wort wie „Schreibstil“, „Wortverbotsliste“ oder „ChatGPT-Skill“. KI-Modelle erzeugen mitunter allerdings auch spontane Zusammensetzungen, die zwar grammatisch möglich sind, in dieser Form aber kaum jemand verwenden würde. Ein Filter, der nur einzelne englische Ausdrücke und deren deutsche Übersetzungen kennt, kann solche Bildungen nur schwer erfassen.

Hinzu kommt die deutsche Satzklammer. In einem Satz wie „Mit einer Wortliste lässt sich der persönliche Stil nicht zuverlässig nachbilden“ steht das finite Verb „lässt“ an zweiter Stelle, während „nachbilden“ die rechte Satzklammer bildet. Dazwischen befindet sich das Mittelfeld, in dem unter anderem Subjekt, Objekte, Pronomen und adverbiale Angaben angeordnet werden können.

Auch Nebensätze funktionieren anders. Nach einer einleitenden Konjunktion steht das finite Verb im Deutschen häufig am Ende:

Eine Wortliste reicht nicht aus, weil sie keine syntaktischen Konstruktionen beschreibt.

Im Englischen bleibt die grundlegende Reihenfolge von Subjekt und Verb dagegen auch im entsprechenden Nebensatz weitgehend erhalten. Wer eine englische Liste typischer KI-Wörter ins Deutsche überträgt, hat damit noch keine Regel für die deutsche Verbposition, die Satzklammer oder die Besetzung des Vorfelds gewonnen.

Dasselbe gilt für Flexion und Kasus. Artikel, Adjektive, Pronomen und Substantive verändern im Deutschen ihre Form abhängig von Numerus, Genus und Kasus. Ein persönlicher Stil kann sich daher auch darin zeigen, welche syntaktischen Strukturen und damit welche Flexionsformen ein Autor bevorzugt. Mit dem Verbot einiger Adjektive lässt sich diese Ebene nicht beschreiben.

Verbote benötigen immer ein sprachliches Gegenmodell

Was sollte ChatGPT also tun, nachdem eine Formulierung verboten wurde? Genau diese Frage beantworten viele Humanizer-Skills nicht. Das Modell weiß anschließend zwar, dass es einen bestimmten Ausdruck vermeiden soll, erhält aber keine Information über die Konstruktion, die an dessen Stelle verwendet werden soll.

In meinem Stilprofil reicht es beispielsweise nicht aus, abstrakte Überleitungssätze zu verbieten. Der Skill muss zusätzlich wissen, wie ich Absätze miteinander verbinde. Dazu verwendet er unter anderem konkrete Rückverweise, Demonstrativpronomen und Pronominaladverbien wie „dadurch“, „hierzu“ oder „damit“. Der neue Satz greift eine Information aus dem vorherigen Satz auf und entwickelt sie anschließend weiter.

Ebenso wenig genügt die Anweisung, pointierte Absatzschlüsse zu vermeiden. Das positive Gegenmodell beschreibt zusätzlich, dass meine Absätze häufiger mit einer Begründung, einer Einschränkung, einer Konsequenz oder einem Übergang zur nächsten Frage enden. Erst durch diese Information kann ChatGPT eine unpassende Konstruktion tatsächlich ersetzen, anstatt lediglich einige Wörter auszutauschen.

Bei meinen eigenen Tests zeigte sich dieses Problem ziemlich deutlich. Einzelne Texte erfüllten sämtliche damaligen Wortverbote und klangen trotzdem überhaupt nicht nach mir. Manche übernahmen Formulierungen aus meinem Korpus nahezu wörtlich, verwendeten diese allerdings in einem vollständig anderen Satzbau. Andere vermieden zwar die unerwünschten Begriffe, reihten dafür aber kurze Hauptsätze aneinander oder beendeten nahezu jeden Absatz mit einer künstlichen Pointe.

Die Negativliste hatte ihre Aufgabe also erfüllt. Das positive Strukturprofil wurde trotzdem nicht umgesetzt.

Derselbe Autor schreibt nicht immer gleich

Eine allgemeine Wortliste berücksichtigt zudem selten, in welcher Situation ein Text verwendet wird. Auf LinkedIn kann eine kurze rhetorische Frage sehr gut zu meinem Stil passen. In einer methodischen Erklärung würde dieselbe Frage womöglich wie eine künstliche Zuspitzung wirken.

Ähnlich verhält es sich mit direkter Leseransprache, umgangssprachlichen Einschüben oder kurzen Reaktionssätzen. „So überhaupt nicht.“ funktioniert in meinem konversationellen Blogeinstieg, weil der Satz eine unmittelbar vorherige Einschätzung verstärkt. Als Abschluss einer fachlichen Definition wäre diese Konstruktion hingegen unpassend.

Deswegen benötigt ein Stilprofil sogenannte Register. Sie halten fest, welche sprachlichen Regeln für Blogartikel, E-Mails, Social Media, wissenschaftliche Texte oder andere Kommunikationssituationen gelten. Erst durch diese Trennung kann ChatGPT unterscheiden, welche Teile des persönlichen Stils stabil bleiben und welche sich abhängig von Adressat, Zweck und Textsorte verändern.

Wortverbote bleiben dabei durchaus nützlich. In meiner Methodik bilden sie allerdings den Prüfpass am Ende. Zuvor muss geklärt werden, aus welchen Texten das persönliche Profil überhaupt abgeleitet werden darf. Genau hierfür benötigen wir einen bereinigten und nach Registern getrennten Stilkorpus.

Welche Texte braucht ein belastbarer Stilkorpus?

Einige eigene Texte in ChatGPT hochladen und das Modell auffordern, den darin erkennbaren Stil zu kopieren. Hört sich erst einmal nach einem vernünftigen Vorgehen an. Allerdings entsteht bereits an dieser Stelle ein Problem: Woher weiß ChatGPT eigentlich, welche Passagen tatsächlich von euch stammen?

Ein unter eurem Namen veröffentlichter Blogartikel kann von einer Agentur geschrieben worden sein. In einer E-Mail befinden sich womöglich längere Zitate aus der vorherigen Nachricht. Ein Dokument enthält Textbausteine aus einem Briefing, während einzelne Absätze später mit KI-Unterstützung ergänzt wurden. Und bei älteren Texten wisst ihr vielleicht selbst nicht mehr genau, welche Teile ihr damals eigenhändig formuliert habt.

Wer all diese Texte ungeprüft in einen Ordner legt, erstellt daher noch keinen Stilkorpus. Zunächst entsteht lediglich eine Sammlung von Dateien, deren sprachliche Herkunft teilweise unklar ist.

Was ist ein Stilkorpus?

In der Linguistik bezeichnet ein Korpus eine systematisch zusammengestellte Sammlung sprachlicher Daten. Für unsere Methodik besteht ein Stilkorpus aus Texten, die einem bestimmten Autor möglichst sicher zugeordnet werden können. Zusätzlich benötigt jeder Text einige Angaben zu seiner Entstehung und Verwendung.

Dabei interessiert uns beispielsweise:

• Wann wurde der Text geschrieben?
• Für wen war er bestimmt?
• Welche Textsorte liegt vor?
• Wurde er vollständig manuell verfasst?
• Hat jemand anderes den Text redigiert?
• Wurde KI eingesetzt?
• Hat der Autor die finale Fassung ausdrücklich abgenommen?
• Welche Teile stammen möglicherweise aus Vorlagen oder fremden Quellen?

Diese Informationen werden später benötigt, um sprachliche Merkmale richtig einzuordnen. Eine Formulierung, die ausschließlich in älteren Werbetexten auftaucht, sollte schließlich keine allgemeine Regel für wissenschaftliche Texte oder heutige Blogartikel begründen.

Herkunft ist wichtiger als die reine Textmenge

Wie viele Wörter braucht ein Stilkorpus? Diese Frage wird erstaunlich häufig gestellt, lässt sich allerdings kaum mit einer einzigen Zahl beantworten.

Natürlich benötigt eine linguistische Analyse ausreichend Textmaterial. Aus einem kurzen LinkedIn-Post lassen sich keine belastbaren Aussagen über den gesamten Schreibstil eines Menschen ableiten. Auch 50.000 Wörter helfen jedoch wenig, wenn große Teile davon fremdverfasst, automatisch eingefügt oder mit unbekannter KI-Unterstützung entstanden sind.

Deswegen teile ich Texte zunächst nach ihrer Herkunft in vier Gruppen ein:

1. Sicher manuell verfasste Texte: Hierzu gehören Dokumente, bei denen ihr sicher wisst, dass ihr sie vollständig selbst geschrieben habt. Diese Texte erhalten bei der Analyse das höchste Gewicht.
2. Eigenhändig redigierte oder ausdrücklich abgenommene Fassungen: Auch ein ursprünglich fremder oder KI-gestützter Entwurf kann als Stilprobe dienen, wenn ihr ihn ausführlich überarbeitet habt. Wichtig ist, dass die finale Formulierung tatsächlich von euch stammt oder von euch bewusst so freigegeben wurde.
3. Möglicherweise KI-gestützte Texte: Bei diesen Dokumenten ist die Entstehung unklar oder ihr wisst, dass eine KI beteiligt war, könnt den Umfang allerdings nicht mehr rekonstruieren. Solche Texte dürfen vorhandene Beobachtungen bestätigen. Neue harte Stilregeln leite ich aus ihnen jedoch nicht ab.
4. Fremdmaterial und technische Rahmen: Zitate, Interviewantworten anderer Personen, Prompts, Briefings, Tabellen, automatisch erzeugte Zusammenfassungen, Navigationsbestandteile oder eingefügte Metadaten werden aus der sprachlichen Analyse entfernt.

Gerade die zweite Gruppe ist wichtig. Wer bereits seit einigen Jahren KI für die Texterstellung einsetzt, besitzt womöglich kaum noch vollständig manuelle aktuelle Texte. Eigenhändig redigierte Endfassungen zeigen allerdings sehr genau, welche Formulierungen übernommen, verändert oder entfernt wurden. Besonders aufschlussreich sind dabei Vorher-Nachher-Paare, da sie die sprachlichen Entscheidungen des Autors unmittelbar sichtbar machen.

Veröffentlichte Texte sind nicht automatisch persönliche Texte

Nehmen wir an, auf eurer Website befinden sich 100 Blogartikel. Ein großer Korpus also, sollte man meinen. Vielleicht wurden davon allerdings 70 Artikel von unterschiedlichen Freelancern geschrieben. Weitere 20 Texte stammen aus einer Agentur, während ihr lediglich zehn Beiträge vollständig selbst verfasst habt.

Würde ChatGPT alle 100 Artikel gleich behandeln, entstünde ein Mischprofil aus zahlreichen Autoren. Besonders häufig auftretende Konstruktionen könnten dann stärker mit den Vorgaben der Agentur, dem gemeinsamen Redaktionsleitfaden oder dem verwendeten CMS zusammenhängen als mit eurem persönlichen Stil.

Dasselbe Problem entsteht bei Gastartikeln. Eine Redaktion verändert womöglich Überschriften, Einleitungen oder Zusammenfassungen, bevor der Text veröffentlicht wird. Diese Passagen sehen anschließend aus wie euer Text, stammen aber zumindest teilweise von jemand anderem.

Für jeden Korpustext sollte deswegen festgehalten werden, welche Bereiche sicher zugeordnet werden können. Im Zweifelsfall wird ein Text niedriger gewichtet oder vollständig aus der Analyse entfernt. Lieber arbeite ich mit einem kleineren, sauberen Korpus als mit einer riesigen Sammlung, deren Herkunft niemand mehr nachvollziehen kann.

Weshalb mehrere Register benötigt werden

Nun könnte man alle sicher zugeordneten Texte zusammenführen und den persönlichen Stil daraus berechnen lassen. Ganz so einfach ist es leider ebenfalls nicht.

Menschen schreiben abhängig von der jeweiligen Kommunikationssituation unterschiedlich. Eine E-Mail an einen langjährigen Kollegen folgt anderen Regeln als eine wissenschaftliche Arbeit. Auf LinkedIn sind kurze Absätze, direkte Fragen und persönliche Einschätzungen üblich, während dieselben Konstruktionen in einer ausführlichen Methodenerklärung womöglich unpassend wirken.

Diese wiederkehrenden sprachlichen Varianten werden als Register erfasst. Für die Einordnung stelle ich zu jedem Text fünf grundlegende Fragen:

• Wer liest den Text?
• Welchen Zweck erfüllt er?
• Ist die Kommunikation öffentlich oder intern?
• Welche Beziehung besteht zwischen Autor und Empfänger?
• Welche Handlung oder Reaktion soll der Text auslösen?

Aus den Antworten entstehen beispielsweise getrennte Register für Blog und Fachtext, LinkedIn, E-Mail sowie interne Arbeitskommunikation. Abhängig vom eigenen Tätigkeitsfeld können weitere Register hinzukommen, etwa wissenschaftliche Veröffentlichungen, Produkttexte, Support-Antworten oder Pressemitteilungen.

Die Trennung verhindert, dass ChatGPT ein auffälliges Merkmal aus einer einzigen Textsorte auf sämtliche Schreibaufgaben überträgt. Wer in privaten E-Mails häufig mit „Hi“ beginnt, möchte deswegen noch lange keinen Blogartikel auf diese Weise eröffnen.

Alte Texte bleiben nützlich, benötigen aber eine zeitliche Einordnung

Solltet ihr auch ältere Texte verwenden? Grundsätzlich ja. Gerade bei Menschen, die beruflich viel schreiben, lassen sich dadurch langfristig stabile Konstruktionen erkennen.

In meinen eigenen älteren Gastartikeln finde ich beispielsweise bereits die direkte Leseransprache, rhetorische Fragen, simulierte Einwände und Übergänge wie „Wie aber entsteht nun …?“. Diese Konstruktionen passen noch immer zu meinem konversationellen Blogstil.

Andere Eigenschaften haben sich hingegen verändert. Dazu gehören einzelne Schreibweisen, die Interpunktion und manche sehr langen Satzkonstruktionen. Ein historischer Text ist somit kein unveränderliches Vorbild. Er zeigt, welche Merkmale über längere Zeit stabil geblieben sind und an welchen Stellen spätere Entscheidungen die älteren Gewohnheiten ersetzen.

Aktuelle, ausdrücklich formulierte Regeln erhalten deswegen Vorrang vor historischen Belegen. Flüchtigkeitsfehler werden ebenfalls dokumentiert, jedoch nie als nachzuahmendes Stilmerkmal gespeichert.

Wie groß sollte der Korpus nun sein?

Eine feste Mindestwortzahl würde eine Genauigkeit vortäuschen, die es in dieser Form nicht gibt. Für erste Hypothesen können bereits einige längere, sicher zugeordnete Texte ausreichen. Eine harte Stilregel benötigt allerdings mehrere voneinander unabhängige Belege.

Taucht eine Konstruktion nur einmal auf, kann es sich um Zufall, einen Fehler oder eine Anpassung an das jeweilige Thema handeln. Findet sie sich dagegen in mehreren Texten desselben Registers und erfüllt dort wiederholt dieselbe Funktion, lässt sich daraus eine deutlich belastbarere Regel formulieren.

Mein derzeitiger Kernkorpus besteht aus elf geprüften Textgruppen. Darunter befinden sich Fachtexte, Blogartikel, E-Mails, Social-Media-Beiträge, ein Konzeptpapier und ein akademischer Text. Für interne Arbeitskommunikation existiert zusätzlich eine getrennte Auswertung aus mehreren Hundert Kommentaren. Entscheidend ist dabei allerdings weniger die Gesamtzahl. Jede Textgruppe besitzt eine dokumentierte Herkunft und wird nur für die Register verwendet, für die sie tatsächlich aussagekräftig ist.

Für euren ersten Korpus würde ich daher folgende Bedingungen verwenden:

• Mehrere unabhängige Texte je wichtigem Register: Ein einzelner langer Artikel zeigt weniger Variation als mehrere Texte, die zu unterschiedlichen Zeitpunkten und Themen entstanden sind.
• Ausreichend vollständige Absätze: Einzelne Sätze eignen sich für Wortschatzbeobachtungen. Satzverbindungen, Thema-Rhema-Progression und typische Absatzschlüsse lassen sich daraus allerdings nicht untersuchen.
• Möglichst unterschiedliche Aufgaben innerhalb eines Registers: Drei Blogartikel mit nahezu identischem Aufbau zeigen vor allem die Vorgaben dieses Formats. Unterschiedliche Themen und argumentierende, erklärende sowie anleitende Abschnitte machen mehr sprachliche Varianten sichtbar.
• Dokumentierte Gegenbeispiele: Kommt ein vermeintliches Stilmerkmal in mehreren passenden Texten gerade nicht vor, muss diese Abweichung bei der Regel berücksichtigt werden.
• Fortlaufende Erweiterung: Mit jeder abgenommenen Endfassung kann überprüft werden, ob das bestehende Profil weiterhin passt oder für eine bestimmte Situation ergänzt werden muss.

Diese Angaben sollte jede Korpusdatei erhalten

Damit Codex die Texte später richtig einordnen kann, sollte jede Datei einen kurzen Kopf mit Metadaten erhalten. Dafür reicht bereits eine einfache Vorlage:

Autor: Wer hat den Text formuliert?
Entstehung: Manuell, redigiert, abgenommen oder möglicherweise KI-gestützt?
Register: Blog, Fachtext, LinkedIn, E-Mail oder andere Textsorte?
Adressat: Für wen wurde der Text geschrieben?
Zweck: Was sollte mit dem Text erreicht werden?
Datum: Wann ist die Fassung entstanden?
Fremdmaterial: Welche Zitate, Vorlagen oder eingefügten Passagen müssen ausgeschlossen werden?
Freigabestatus: Ist dies eine Arbeitsfassung oder die tatsächlich abgenommene Endfassung?

Mit diesen Angaben wird aus einem Dateiordner ein analysierbarer Stilkorpus. Codex kann anschließend nachvollziehen, welche Texte neue Regeln begründen dürfen, welche nur als Vergleich dienen und welche vollständig aus der Analyse entfernt werden müssen.

Nun da Herkunft, Textsorten und Belegstärke geklärt sind, kann die eigentliche linguistische Arbeit beginnen. Dafür zerlegen wir den Stil schrittweise von den kleinsten sprachlichen Einheiten bis zur Informationsstruktur eines vollständigen Textes.

So analysiere ich einen Schreibstil linguistisch

Was genau wird bei einer linguistischen Stilanalyse eigentlich untersucht? Nur die Satzlänge zu berechnen und häufige Wörter aufzulisten, wäre natürlich wesentlich bequemer. Es würde allerdings erneut lediglich einen kleinen Ausschnitt des Schreibstils erfassen.

Meine Methodik arbeitet deswegen von den kleinsten sprachlichen Einheiten bis zum vollständigen Text:

Jede Ebene beantwortet eine andere Frage. Wie werden Wörter gebildet? Welche Wortgruppen verhalten sich im Satz als Einheit? Was steht vor dem finiten Verb? Wie werden bekannte und neue Informationen angeordnet? Und unter welchen Bedingungen setzt ein Autor eine bestimmte Konstruktion überhaupt ein?

Morphologie: aus welchen Bestandteilen bestehen Wörter?

Die Morphologie beschäftigt sich mit dem Aufbau und den Formen von Wörtern. Ihre kleinste Untersuchungseinheit ist das Morphem, also der kleinste sprachliche Bestandteil mit eigener Bedeutung oder grammatischer Funktion.

Schauen wir auf das Wort „Wortverbotslisten“. Es lässt sich vereinfacht in mehrere Bestandteile zerlegen:

• „Wort“
• „Verbot“
• das Fugenelement „-s-“
• „Liste“
• die Pluralmarkierung „-n“

Aus mehreren Wortstämmen entsteht durch Komposition ein neues Wort, das sogenannte Kompositum. Das Deutsche erlaubt solche Zusammensetzungen in einer außerordentlich produktiven Form. Genau deswegen können KI-Modelle grammatisch mögliche Wörter erzeugen, die kein Mensch in der konkreten Situation verwenden würde.

Eine zweite Form der Wortbildung ist die Derivation. Hierbei verändert ein Affix den Wortstamm. Aus „Mensch“ entsteht mit „-lich“ beispielsweise „menschlich“. Durch Konversion kann ein Wort dagegen seine Wortart wechseln, ohne dass ein sichtbares Wortbildungsaffix hinzukommt. Das Verb „schreiben“ wird auf diese Weise zum substantivierten „Schreiben“.

Auch das Verzeichnis grammatischer Fachausdrücke des Leibniz-Instituts für Deutsche Sprache unterscheidet zwischen Komposition, Derivation und Flexion. Bei der Flexion entsteht kein neues Lexem. Stattdessen wird die Wortform an ihre grammatische Umgebung angepasst, beispielsweise durch Numerus, Kasus, Person oder Tempus.

Für ein Stilprofil interessiert mich nun, welche dieser Möglichkeiten ein Autor regelmäßig verwendet. Bevorzugt er etablierte Fachkomposita wie „Keyword-Recherche“? Schreibt er Abkürzungen wie „bzw.“ und „d. h.“ aus? Verwendet er Anglizismen unmittelbar oder übersetzt er jeden Fachbegriff ins Deutsche? Bildet er neue Substantive, um mehrere Aussagen zu verdichten?

Gerade die letzte Frage ist wichtig. Ein KI-Modell kann mehrere eigentlich erklärungsbedürftige Informationen in ein spontan gebildetes Kompositum pressen. Grammatisch muss dieses Wort nicht einmal falsch sein. Es passt womöglich trotzdem nicht zum Autor, weil dieser die Informationen normalerweise in mehreren vollständigen Sätzen entfaltet.

Konstituenten, Phrasen und Satzglieder

Nun wird es etwas technischer. Hört sich kompliziert an, ist es aber eigentlich nicht.

Eine Konstituente ist eine Wortgruppe, die sich innerhalb eines Satzes als Einheit verhält. Der Begriff „Phrase“ beschreibt den inneren Aufbau dieser Einheit. Eine Nominalphrase besitzt beispielsweise ein Nomen oder Pronomen als Kern. Eine Präpositionalphrase beginnt mit einer Präposition.

Das Satzglied bezeichnet dagegen die Funktion, welche die jeweilige Konstituente im Satz erfüllt. Eine Nominalphrase kann unter anderem als Subjekt oder Objekt verwendet werden. Form und Funktion sind somit nicht dasselbe.

Nehmen wir erneut unseren Beispielsatz:

Mit einer bloßen Wortliste lässt sich der persönliche Stil nicht zuverlässig nachbilden.

„Mit einer bloßen Wortliste“ ist eine Präpositionalphrase. Ob diese Wörter tatsächlich eine gemeinsame Konstituente bilden, können wir mit mehreren Proben kontrollieren.

Vorfeldprobe: Die vollständige Gruppe steht gemeinsam vor dem finiten Verb.

Mit einer bloßen Wortliste lässt sich der persönliche Stil nicht zuverlässig nachbilden.

Permutationsprobe: Die Wortgruppe kann als Einheit an eine andere Position verschoben werden.

Der persönliche Stil lässt sich mit einer bloßen Wortliste nicht zuverlässig nachbilden.

Frageprobe: Die gesamte Gruppe lässt sich gemeinsam erfragen.

Womit lässt sich der persönliche Stil nicht zuverlässig nachbilden?

Pronominalisierung: Die Wortgruppe kann durch ein Pronominaladverb ersetzt werden.

Damit lässt sich der persönliche Stil nicht zuverlässig nachbilden.

Die vier Proben zeigen, dass „mit einer bloßen Wortliste“ als Einheit behandelt werden kann. Im Satz erfüllt sie die Funktion einer adverbialen Angabe, genauer gesagt beschreibt sie das verwendete Mittel.

„Der persönliche Stil“ ist dagegen eine Nominalphrase und bildet das Subjekt. Auch diese Information ist für ein Stilprofil relevant. Manche Autoren verwenden häufig sehr komplexe Subjekte mit Attributen oder Relativsätzen. Andere verteilen dieselben Informationen über mehrere Teilsätze.

Verbvalenz: welche Ergänzungen verlangt ein Verb?

Verben eröffnen bestimmte Stellen für weitere Satzbestandteile. Diese Eigenschaft wird Valenz genannt.

Das Verb „geben“ verlangt in seiner typischen Verwendung beispielsweise jemanden, der etwas gibt, einen Gegenstand und einen Empfänger:

Der Autor gibt ChatGPT einen Text.

„Der Autor“ übernimmt die Subjektstelle, „einen Text“ steht als Akkusativobjekt und „ChatGPT“ als Dativobjekt. Andere Angaben, etwa Zeitpunkt oder Ort, können hinzukommen, werden von diesem Verb allerdings nicht zwingend verlangt.

Für die Stilanalyse wird untersucht, welche Verben und Ergänzungsmuster ein Autor bevorzugt. Schreibt jemand häufiger „Der Text zeigt …“, „Aus den Daten ergibt sich …“ oder „Ich habe festgestellt …“? Inhaltlich können alle Varianten auf dieselbe Erkenntnis verweisen. Syntaktisch verteilen sie die Rollen jedoch anders und verändern dadurch die Perspektive.

Das topologische Feldermodell

Das topologische Feldermodell beschreibt die lineare Anordnung deutscher Sätze. Ausgangspunkt ist die Satzklammer, die den Satz in Vorfeld, Mittelfeld und Nachfeld unterteilt. In seiner Definition des topologischen Feldes bezeichnet das Leibniz-Institut für Deutsche Sprache diese Felder entsprechend als Satzabschnitte, die durch die linke und rechte Satzklammer entstehen.

Unser Beispielsatz lässt sich folgendermaßen zerlegen:

„Lässt“ ist das finite Verb. Es wurde an Person und Numerus angepasst und bildet die linke Satzklammer. Der Infinitiv „nachbilden“ steht am Ende der Verbalkonstruktion und bildet die rechte Satzklammer.

Das Vorfeld befindet sich vor dem finiten Verb. In einem gewöhnlichen deutschen Aussagesatz, einem sogenannten Verbzweitsatz, kann dort eine Konstituente stehen. Diese muss keineswegs das Subjekt sein. Wie die Übersicht des Leibniz-Instituts für Deutsche Sprache zur Besetzung des Vorfeldes zeigt, können dort ebenso eine Zeitangabe, eine Präpositionalphrase, ein Objekt oder ein vollständiger Nebensatz stehen.

Vergleichen wir abermals beide Varianten:

Der persönliche Stil lässt sich mit einer bloßen Wortliste nicht zuverlässig nachbilden.

Mit einer bloßen Wortliste lässt sich der persönliche Stil nicht zuverlässig nachbilden.

Der erste Satz macht den persönlichen Stil zum Ausgangspunkt. Der zweite beginnt mit dem unzureichenden Mittel und lenkt die Aufmerksamkeit somit zunächst auf die Wortliste.

Untersucht man Hunderte Sätze eines Autors, lassen sich wiederkehrende Vorfeldmuster erkennen. In meinem eigenen Fachkorpus steht beispielsweise in einem erheblichen Teil der Hauptsätze nicht das Subjekt im Vorfeld. Stattdessen beginne ich Sätze häufig mit anaphorischen Präpositionalphrasen, vorangestellten Nebensätzen oder Angaben, die etwas aus dem vorherigen Satz aufgreifen.

Dieser Unterschied war in meinen Modellvergleichen wesentlich aussagekräftiger als die durchschnittliche Satzlänge. Meine manuellen Texte lagen bei durchschnittlich circa 16 Wörtern pro Satz, die damalige KI-Fassung bei knapp 18. Die Zahlen wirkten auf den ersten Blick ähnlich. Der Aufbau der Sätze unterschied sich trotzdem deutlich.

Aktiv und Passiv sind keine Qualitätsstufen

Eine weitere beliebte Regel aus allgemeinen Schreibratgebern lautet, dass gute Texte möglichst im Aktiv formuliert werden sollten. Auch diese Empfehlung greift für ein persönliches Stilprofil zu kurz.

Vergleichen wir drei Varianten:

Codex analysiert die Texte.

Die Texte werden von Codex analysiert.

Die Texte sind analysiert.

Der erste Satz steht im Aktiv und rückt Codex als handelnde Instanz in den Mittelpunkt. Der zweite Satz verwendet das Vorgangspassiv. Hier liegt der Fokus stärker auf den Texten und dem Analysevorgang. Der dritte Satz bildet ein Zustandspassiv und beschreibt das Ergebnis nach Abschluss des Vorgangs.

Keine dieser Konstruktionen ist grundsätzlich besser. Welche Variante passt, hängt davon ab, was im jeweiligen Zusammenhang wichtig ist.

Zum persönlichen Stil können zudem weitere unpersönliche Konstruktionen gehören:

Es zeigt sich, dass mehrere Register benötigt werden.

Die sprachlichen Muster lassen sich miteinander vergleichen.

Die Herkunft der Texte ist vorab zu dokumentieren.

Wer all diese Konstruktionen durch aktive Ich-Sätze ersetzt, verändert womöglich gerade den Teil des Stils, den er eigentlich erhalten wollte. Deswegen erfasse ich im Korpus sowohl Aktiv- und Passivformen wie auch es-, lassen- und sein-zu-Konstruktionen.

Hinzu kommt die Verteilung der Personen. Wie häufig schreibt der Autor „ich“, „wir“, „du“, „ihr“ oder vollständig unpersönlich? Diese Entscheidung betrifft nicht bloß die Tonalität. Sie legt fest, wer als Handelnder, Beobachter, Adressat oder Mitglied einer Gruppe erscheint.

Kohäsion: wie hängen Sätze sprachlich zusammen?

Bislang haben wir hauptsächlich einzelne Wörter und Sätze betrachtet. Ein guter persönlicher Text entsteht allerdings erst durch die Verbindung mehrerer Sätze und Absätze.

Die sprachlich sichtbaren Verbindungen zwischen Sätzen werden unter dem Begriff Kohäsion zusammengefasst. Hierzu gehören unter anderem Pronomen, wiederaufgenommene Nominalphrasen, Demonstrativa und Pronominaladverbien.

Schauen wir auf eine einfache Satzfolge:

Ein Stilprofil enthält positive und negative Regeln. Diese Regeln werden bestimmten Registern zugeordnet. Durch diese Zuordnung kann Codex einen Blogartikel anders formulieren als eine interne E-Mail.

„Diese Regeln“ greift eine Information aus dem ersten Satz auf. „Durch diese Zuordnung“ verweist anschließend auf den zweiten Satz. Die einzelnen Aussagen bilden dadurch eine erkennbare Kette.

Ein Text kann grammatisch vollständig korrekt sein und trotzdem unverbunden wirken:

Ein Stilprofil enthält positive und negative Regeln. Register unterscheiden verschiedene Kommunikationssituationen. Blogartikel besitzen eine andere Leseransprache. E-Mails können intern sein.

Jeder Satz ist für sich verständlich. Zwischen den Aussagen fehlen allerdings konkrete sprachliche Anschlüsse. Die Leser müssen den Zusammenhang selbst rekonstruieren.

Genau an dieser Stelle entstehen viele KI-Texte, die oberflächlich sauber formuliert sind, sich aber wie eine Aneinanderreihung einzelner Textbausteine lesen.

Thema und Rhema: wie entwickelt sich eine Information?

Die Thema-Rhema-Gliederung betrachtet einen Satz aus der Perspektive seiner Informationsstruktur. Vereinfacht gesagt bezeichnet das Thema den Ausgangspunkt einer Aussage. Das Rhema enthält die Information, die über diesen Ausgangspunkt mitgeteilt wird.

Diese Arbeitsdefinition ist absichtlich vereinfacht, denn Thema und Rhema werden abhängig vom linguistischen Modell etwas unterschiedlich bestimmt. Für unsere Stilanalyse interessiert vor allem, wie Informationen über mehrere Sätze weiterentwickelt werden.

Bei einer einfachen linearen Thema-Rhema-Progression wird ein Teil der neuen Information aus dem ersten Satz zum Ausgangspunkt des nächsten Satzes:

Ein Stilprofil enthält mehrere Register.
Diese Register beschreiben unterschiedliche Kommunikationssituationen.
Die Kommunikationssituation bestimmt unter anderem Anrede, Perspektive und Satzbau.

Das jeweils hervorgehobene Rhema wird im nächsten Satz als Thema wiederaufgenommen. Auf diese Weise entsteht ein nachvollziehbarer Gedankengang. Die systematische Beschreibung thematischer Progressionen geht insbesondere auf František Daneš zurück. In seinem Beitrag „Functional Sentence Perspective and the Organization of the Text“ übertrug er die funktionale Satzperspektive auf die Organisation vollständiger Texte.

Für ein Stilprofil untersuche ich daher nicht allein, ob jemand Wörter wie „dadurch“ oder „hierzu“ verwendet. Entscheidend ist, welche vorherige Information damit aufgegriffen wird und an welcher Stelle die neue Aussage folgt.

Register und Pragmatik

Zum Abschluss muss geklärt werden, weshalb eine Konstruktion in einer bestimmten Situation verwendet wird. Diese Frage gehört zur Pragmatik.

Eine rhetorische Frage kann beispielsweise einen neuen Erklärabschnitt öffnen:

Wie aber entsteht aus diesen Beobachtungen ein Stilprofil?

Die Frage nimmt den vermuteten Informationsbedarf der Leser auf und gliedert den Text. Steht dieselbe Konstruktion hingegen am Ende eines Absatzes, kann sie als künstliche Pointe funktionieren. Formal handelt es sich in beiden Fällen um eine Frage. Ihre pragmatische Funktion unterscheidet sich allerdings.

Ähnlich verhält es sich mit meinem bereits erwähnten Satz „So überhaupt nicht.“ Im konversationellen Blogeinstieg verstärkt er eine unmittelbar vorherige persönliche Bewertung. Würde derselbe Satz eine linguistische Definition abschließen, verkürzte er die fachliche Erklärung und passte daher nicht mehr zum Register.

Ein neues Register lege ich deswegen erst an, wenn eine allgemeine Regel wiederholt und erkennbar funktional außer Kraft gesetzt wird oder wenn die Informationsstruktur dauerhaft anders arbeitet. Ein einzelnes lockeres Wort reicht dafür nicht aus.

Aus der Analyse entsteht ein prüfbares Stilprofil

Nach der linguistischen Analyse liegen zunächst zahlreiche Beobachtungen, Zahlen und Beispielsätze vor. Diese Sammlung muss nun in Regeln übersetzt werden, die Codex bei neuen Schreibaufgaben tatsächlich verwenden kann.

Jede belastbare Regel benötigt mindestens sechs Angaben:

Konstruktion: Welches sprachliche Muster wird verwendet?
Funktion: Welche Aufgabe erfüllt die Konstruktion?
Belege: In welchen sicher zugeordneten Texten kommt sie vor?
Geltung: Für welche Register gilt sie?
Dosierung: Wie häufig wird sie ungefähr verwendet?
Gegenbeispiele: Wann wird die Konstruktion gerade nicht eingesetzt?

Eine konkrete Regel aus einem Stilprofil könnte folgendermaßen aussehen:

Konstruktion: Nicht-subjektische Vorfelder mit Präpositionalphrasen oder vorangestellten Nebensätzen.
Funktion: Der Satz greift eine bekannte Information auf oder stellt Bedingung, Zeitpunkt bzw. Perspektive vor die neue Aussage.
Belege: Wiederholte Vorkommen in mehreren sicher manuell verfassten Fachtexten.
Geltung: Fachtexte, Blogartikel und längere Analysen.
Dosierung: Regelmäßig, allerdings nicht in jedem Satz. Subjektische Vorfelder bleiben ebenfalls üblich.
Gegenbeispiele: Sehr kurze Statusmeldungen und einzelne Social-Media-Formate.

Durch diese Angaben weiß Codex nicht nur, welche Konstruktion vorkommt. Der Skill kann zusätzlich entscheiden, wann sie passt und wann eine andere Variante gewählt werden sollte.

Positivprofil und Prüfpass erfüllen unterschiedliche Aufgaben

Das Positivprofil beschreibt die Konstruktionen, die erzeugt werden sollen. Hierzu gehören Satzbau, Vorfeldmuster, Rückverweise, bevorzugte Perspektiven, typische Fragen und registerabhängige Varianten.

Der Prüfpass sammelt dagegen wiederholt aufgetretene KI-Muster, ausdrückliche Autorenkorrekturen und tatsächlich unerwünschte Wörter. Er wird erst nach dem Entwurf angewandt.

Diese Reihenfolge ist wichtig. Beginnt Codex ausschließlich mit der Negativliste, entsteht womöglich ein Text, der sämtliche Verbote einhält, aber keine belegte Konstruktion des Autors enthält. Das habe ich während der Entwicklung meines eigenen Skills mehrfach erlebt.

Dosierung verhindert die Stilkarikatur

Ein häufiges Wort oder Satzmuster darf nicht in jeden Absatz eingebaut werden. Ansonsten entsteht eine Karikatur des Autors.

Verwendet jemand beispielsweise zwei- oder dreimal pro 1.000 Wörter ein bestimmtes Pronominaladverb, wäre es falsch, dieses Wort in jedem zweiten Satz unterzubringen. Die quantitative Analyse liefert daher Richtwerte und keine Pflichtmenge.

Dasselbe gilt für rhetorische Fragen, Klammern, Passivformen oder auffällige Konnektoren. Ein persönlicher Stil besteht aus einer Verteilung verschiedener Konstruktionen. Einzelne Signale künstlich zu vervielfachen, macht einen Text nicht persönlicher.

Schritt-für-Schritt-Anleitung für die ChatGPT-Desktop-App

Die folgende Anleitung bezieht sich ausschließlich auf Codex in der ChatGPT-Desktop-App. CLI und IDE-Erweiterung behandle ich an dieser Stelle bewusst nicht.

In der OpenAI-Dokumentation zum Erstellen und Installieren von Skills werden Skills als Ordner mit einer verpflichtenden SKILL.md und optionalen Referenzen, Skripten sowie Vorlagen beschrieben. Persönliche Skills können im Benutzerordner unter .agents/skills gespeichert werden. Änderungen erkennt Codex normalerweise automatisch. Falls ein neuer Skill nicht erscheint, empfiehlt OpenAI einen Neustart.

1. Den Skill installieren

Ladet die ZIP-Datei am Ende dieses Artikels herunter und entpackt sie. Der entpackte Ordner heißt:

schreibstil-linguistisch

Unter Windows kopiert ihr diesen Ordner anschließend nach:

C:\Users\EUER-NAME\.agents\skills\

Der vollständige Pfad zur zentralen Datei lautet danach:

C:\Users\EUER-NAME\.agents\skills\schreibstil-linguistisch\SKILL.md

Öffnet anschließend Codex in der ChatGPT-Desktop-App. Im Bereich „Skills“ sollte der Eintrag „Linguistisches Stilprofil“ erscheinen. Falls dies nicht geschieht, startet die Desktop-App neu.

2. Einen privaten Projektordner anlegen

Erstellt einen eigenen Ordner für die Stilanalyse. Eine mögliche Struktur sieht so aus:

mein-schreibstil/
├── korpus/
│   ├── blog/
│   ├── linkedin/
│   ├── email/
│   └── fachtexte/
├── unsichere-texte/
├── fremdmaterial/
└── projektstatus.md

In korpus kommen ausschließlich Texte, die ihr sicher zuordnen könnt. Möglicherweise KI-gestützte Dokumente bleiben zunächst in unsichere-texte. Zitate, Vorlagen und andere fremde Inhalte werden separat abgelegt oder in den Quelldateien eindeutig markiert.

3. Die Texte mit Metadaten versehen

Jede Textdatei erhält am Anfang die bereits gezeigten Angaben zu Autor, Entstehung, Register, Adressat, Zweck, Datum und Freigabestatus.

Ihr müsst dabei keinen perfekten wissenschaftlichen Datensatz aufbauen. Wichtig ist, dass Codex später erkennen kann, welche Texte neue Regeln begründen dürfen und welche lediglich als Vergleichsmaterial dienen.

4. Codex mit der Analyse beauftragen

Öffnet den Projektordner in Codex und wählt GPT-5.6 Sol. Auf der offiziellen Modellseite für GPT-5.6 Sol führt OpenAI das Modell derzeit als Frontier-Modell für komplexe professionelle Aufgaben. Es unterstützt zudem Skills als Werkzeug.

Danach könnt ihr folgenden Startauftrag verwenden:

Nutze $schreibstil-linguistisch.

Analysiere den Schreibstil in meinem Projektordner. Beginne mit der
Korpusbereinigung und trenne sicher manuelle, ausdrücklich redigierte
bzw. abgenommene, möglicherweise KI-gestützte und fremde Inhalte.

Unterscheide die Texte anschließend nach Registern. Analysiere
Morphologie, Wortbildung, Flexion, Konstituenten, Phrasen,
Satzglieder, Verbvalenz, Feldermodell, Genus Verbi, Kohäsion,
Thema-Rhema-Progression und Pragmatik.

Neue harte Regeln dürfen nur aus sicher manuellen oder ausdrücklich
redigierten bzw. abgenommenen Texten entstehen. Jede Regel benötigt
mehrere Belege, eine Funktion, eine Geltungsgrenze, eine Dosierung
und Gegenbeispiele.

Lege die Ergebnisse als korpus-index.md, stilprofil.md, register.md
und pruefpass.md in meinem Projektordner ab.

Codex sollte zunächst die vorhandenen Texte sichten und ihre Herkunft prüfen. Fehlen entscheidende Angaben, kann an dieser Stelle eine Rückfrage sinnvoll sein. Bei eindeutig zugeordneten Dateien lässt sich die Analyse dagegen ohne zusätzliche Abstimmung beginnen.

5. Das erste Profil kontrollieren

Das erzeugte Profil solltet ihr keinesfalls ungeprüft übernehmen. Achtet insbesondere auf folgende Fragen:

• Besitzt jede harte Regel mehrere Belege?
• Wird erklärt, welche Funktion eine Konstruktion erfüllt?
• Sind allgemeine und registerspezifische Regeln getrennt?
• Wurden Gegenbeispiele berücksichtigt?
• Verwechselt das Profil Stil mit Textlänge oder fachlichem Niveau?
• Enthält der Prüfpass nur tatsächlich nachgewiesene Fremdmuster?
• Wurden Flüchtigkeitsfehler versehentlich als Stilmerkmale aufgenommen?

Findet ihr eine falsche Verallgemeinerung, korrigiert nicht nur den einzelnen Satz. Lasst Codex zusätzlich dokumentieren, weshalb die Regel zu weit gefasst war und welche Geltungsgrenze künftig verwendet werden soll.

6. Einen neuen Text außerhalb des Korpus erstellen

Nun folgt der eigentliche Test. Gebt Codex einen Inhalt, der bislang in keinem Korpustext vorkommt.

Der Auftrag sollte Textsorte, Adressat, Zweck und gewünschtes Niveau enthalten:

Nutze $schreibstil-linguistisch und verfasse einen Blogabschnitt
auf Grundlage der folgenden Informationen.

Register: konversationeller Fachblog
Adressaten: Marketingverantwortliche mit KI-Grundwissen
Zweck: eine Methode verständlich erklären
Textniveau: fachlich detailliert, Begriffe beim ersten Auftreten erklären

[Inhalt einfügen]

Prüft anschließend nicht nur, ob euch einzelne Wörter bekannt vorkommen. Betrachtet Satzbau, Informationsreihenfolge, Rückverweise, Perspektive, Register und Absatzschlüsse.

7. Korrekturen in das Profil zurückführen

Markiert jede Passage, die ihr manuell ändern würdet, und formuliert eure bevorzugte Fassung. Danach kann Codex die Konstruktionen beider Varianten vergleichen.

Eine einzelne Korrektur bleibt zunächst eine Beobachtung. Wiederholt sich dieselbe Abweichung in mehreren Aufgaben, kann daraus eine neue Regel entstehen. Auf diese Weise wächst das Profil mit jeder abgenommenen Fassung und wird schrittweise präziser.

Ein realer Vergleich aus der Entstehung dieses Artikels

Für diesen Artikel existiert praktischerweise ein echter Vorher-Nachher-Vergleich. Der erste Einstieg entstand vor der zusätzlichen Kalibrierung des konversationellen Blogregisters.

Erste Fassung ohne das neue Blogregister

Was unterscheidet einen Text im eigenen Schreibstil von einem KI-Text, in dem lediglich ein paar typische Wörter des Autors vorkommen? Um diese Frage zu beantworten, reicht es nicht aus, ChatGPT einige Texte zu geben und das Modell um eine möglichst ähnliche Formulierung zu bitten.

Ein persönlicher Schreibstil entsteht durch wiederkehrende sprachliche Konstruktionen. Dazu gehören unter anderem die Wortbildung, die Besetzung des Vorfelds, die Verbindung aufeinanderfolgender Sätze, der Gebrauch von Aktiv und Passiv sowie die Frage, wie sich der Stil zwischen einem Blogartikel, einer E-Mail und einem LinkedIn-Post verändert.

Fachlich ist diese Fassung nicht falsch. Sie beginnt allerdings mit einer abstrakten Definitionsfrage und wechselt unmittelbar in eine systematische Erklärung. Meine persönliche Beobachtung, meine Haltung und die direkte Beziehung zu den Lesern fehlen.

Meine manuelle Neufassung

In letzter Zeit sehe ich es gerade auf LinkedIn immer häufiger: Angebliche KI-Experten haben Claude- oder ChatGPT-Skills erstellt, die Texte mit typischem KI-Sprech zu „menschlich wirkenden“ KI-Schriftstücken entwickelten. Nun, in der Regel funktioniert das nicht. So überhaupt nicht. Viele vergessen dabei zusätzlich, diese Skills in der Regel für den englischen Sprachgebrauch gemacht sind und lediglich bloße Wortverbotslisten enthalten. Doch dazu später mehr.

Leider muss ich auch zugeben, dass mich in genau diese Reihe von Personen einreihen werden. Denn auch ich habe einen Skill für eben jenen Zweck erstellt: einen ChatGPT-Skill, der euren Schreibstil exakt kopiert (zumindest zu sagen wir 97 Prozent). Allerdings ist mein Text, naja, etwas fachlicher und beruht auf einer von mir erprobten linguistischen Methodik.

Diese Fassung arbeitet vollständig anders. Im Vorfeld des ersten Satzes steht mit „In letzter Zeit“ eine Zeitangabe. Danach folgt eine konkrete Ich-Beobachtung auf LinkedIn. „Nun“ und „naja“ fungieren als dialogische Partikeln, während „So überhaupt nicht.“ die vorherige Einschätzung verstärkt. Die Klammer mit den 97 Prozent schränkt die Behauptung selbstironisch ein.

Gleichzeitig enthält die manuelle Fassung einige Flüchtigkeitsfehler und redundante Formulierungen. Diese dürfen nicht als Stilmerkmal gespeichert werden.

Gemeinsam redigierte Endfassung

In letzter Zeit sehe ich gerade auf LinkedIn immer häufiger angebliche KI-Experten, die Claude- oder ChatGPT-Skills entwickelt haben. Diese sollen Texte mit typischem KI-Sprech in „menschlich wirkende“ Schriftstücke verwandeln. Nun, in der Regel funktioniert das nicht. So überhaupt nicht. Viele vergessen zusätzlich, dass diese Skills meist für englische Texte entwickelt wurden und lediglich aus Wortverbotslisten bestehen. Doch dazu später mehr.

Leider muss ich zugeben, dass ich mich in genau diese Reihe von Personen einreihen werde. Denn auch ich habe einen Skill für eben jenen Zweck erstellt: einen Codex-Skill, der euren Schreibstil, sagen wir, zu 97 Prozent kopiert. Mein Ansatz ist allerdings, naja, etwas fachlicher und beruht auf einer von mir erprobten linguistischen Methodik.

In der Endfassung bleiben Beobachtung, Ich-Perspektive, Partikeln, Selbstkommentar und das kurze Echo-Fragment erhalten. Korrigiert wurden dagegen die fehlerhafte Flexion, einige Wiederholungen und die unklare Beschreibung des Skills.

Dieser Vergleich zeigt ziemlich gut, weshalb ein Korpus kein Vorrat kopierbarer Sätze sein darf. Die manuelle Fassung liefert die Konstruktionen und ihre Funktion. Der Prüfprozess verhindert anschließend, dass spontane Fehler ebenfalls reproduziert werden.

GPT-5.6 Sol funktioniert in meinen Tests am zuverlässigsten

Kommen wir zu einer Stelle, für die ich euch leider keine abschließende technische Erklärung liefern kann.

Ich habe meinen persönlichen Stil-Skill wiederholt mit GPT-5.6 Sol in Codex, Claude Opus 5 mit Aufwand max und Claude Fable 5 mit Aufwand high getestet. Das vollständige Profil setzte bislang ausschließlich GPT-5.6 Sol zuverlässig genug um.

Bei Claude tauchten trotz des umfangreichen Profils wiederholt Konstruktionen auf, die ich ausdrücklich ausgeschlossen hatte. Gleichzeitig fehlten positive Satz- und Verbindungsmuster aus dem Profil. Besonders auffällig war die Tendenz, mehrere Informationen durch abstrakte Substantive, Appositionen oder kurze Satzreihen zu verdichten. Nach einzelnen Korrekturen erfüllten die Modelle einige Regeln besser, vernachlässigten dafür allerdings andere.

Nun könnte ich daraus eine eindrucksvolle Theorie über Modellarchitektur, Training oder die Verarbeitung deutscher Syntax ableiten. Das wäre allerdings reine Spekulation. Ich weiß nicht, weshalb sich die Modelle in meinem konkreten Workflow unterschiedlich verhalten.

Bei Opus 5 und Fable 5 handelt es sich keineswegs um schwache Vergleichsmodelle. Anthropic beschreibt Opus 5 als aktuelles leistungsfähiges Modell für Coding und professionelle Wissensarbeit, während Fable 5 für besonders anspruchsvolle und langfristige Aufgaben veröffentlicht wurde. Nach der Anthropic-Dokumentation zu den Aufwandsstufen ist high die Standardeinstellung. max zielt derweil auf die größtmögliche Leistungsfähigkeit ohne Beschränkung des Tokenverbrauchs.

Meine Aussage lautet daher ausdrücklich nicht, dass GPT-5.6 Sol allgemein bessere Texte als sämtliche Claude-Modelle schreibt. Ich kann lediglich dokumentieren, dass GPT-5.6 Sol meinen deutschen Korpus, die Register-Weichen und den mehrstufigen Prüfprozess bislang zuverlässiger umgesetzt hat.

Wer den Skill mit anderen Modellen verwenden möchte, kann dies selbstverständlich ausprobieren. Der Vergleich sollte dann allerdings mit denselben Ausgangsinhalten, denselben Profilversionen und einer dokumentierten Auswertung durchgeführt werden.

Codex-Skill zur linguistischen Stilanalyse herunterladen

Neutralen Codex-Skill herunterladen

Die ZIP-Datei enthält Methodik, Vorlagen und Prüfprozess, allerdings keine privaten Korpustexte oder persönlichen Regeln.

Codex-Skill zur linguistischen Schreibstilanalyse herunterladen

Der Download enthält den neutralen Skill, den ich in der Anleitung verwendet habe:

Codex-Skill zur linguistischen Analyse des eigenen Schreibstils herunterladen

Enthalten sind:

• SKILL.md mit Analyse-, Schreib- und Aktualisierungsmodus
• references/korpus-vorbereitung.md
• references/analyse-methodik.md
• references/stilprofil-vorlage.md
• references/register-vorlage.md
• references/pruefpass.md
• agents/openai.yaml für die Anzeige in der ChatGPT-Desktop-App

Nicht enthalten sind meine persönlichen Korpustexte, meine privaten Stilregeln oder fertige Formulierungen aus meinen Projekten.

Der Skill wurde mit dem offiziellen Skill-Validator geprüft. Nach dem Entpacken kopiert ihr den vollständigen Ordner nach %USERPROFILE%\.agents\skills\ und öffnet anschließend den Bereich „Skills“ in Codex.

Häufige Fragen zur Schreibstilanalyse mit ChatGPT

Wie viele Texte brauche ich für ein Stilprofil?

Eine pauschale Mindestzahl gibt es nicht. Einige längere Texte reichen aus, um erste Hypothesen zu bilden. Harte Regeln benötigen allerdings mehrere voneinander unabhängige Belege.

Wichtiger als die reine Wortzahl sind gesicherte Herkunft, vollständige Absätze und mehrere Texte je wichtigem Register. Je unterschiedlicher die Aufgaben innerhalb eines Registers ausfallen, desto besser lässt sich zwischen stabilen Stilmerkmalen und bloßen Formatvorgaben unterscheiden.

Müssen sämtliche Texte manuell geschrieben sein?

Nein. Eigenhändig redigierte oder ausdrücklich abgenommene Fassungen sind ebenfalls wertvoll. Besonders hilfreich sind Vorher-Nachher-Paare, da sie zeigen, welche KI-Konstruktionen der Autor tatsächlich verändert hat.

Texte mit unklarer KI-Beteiligung sollten allerdings keine neuen harten Regeln begründen. Sie können bereits belegte Beobachtungen bestätigen.

Kann ich veröffentlichte Blogartikel einfach gesammelt analysieren lassen?

Nur wenn ihre Urheberschaft geklärt ist. Unter eurem Namen veröffentlichte Texte können von Redaktionen, Agenturen oder Freelancern verändert worden sein. Ebenso können automatisch eingefügte Zusammenfassungen, Metadaten und Textbausteine enthalten sein.

Solche Bestandteile müssen vor der Analyse entfernt oder eindeutig markiert werden.

Funktioniert die Methode auch für E-Mails und LinkedIn?

Ja, sofern beide Textsorten als eigene Register behandelt werden. Ein allgemeines Profil sollte die unterschiedlichen Kommunikationssituationen nicht miteinander vermischen.

Für E-Mails können beispielsweise Anrede, Direktheit, Rückfragen und Schlussformeln relevant sein. Auf LinkedIn spielen Absatzlänge, persönliche Perspektive, Fragen, Hashtags und die öffentliche Wirkung eine andere Rolle.

Reicht ein einzelner Prompt aus?

Für eine grobe stilistische Annäherung möglicherweise. Ein vollständiges Profil benötigt allerdings mehrere Dateien, dokumentierte Korpusproben, Register, positive Regeln und einen wiederholbaren Prüfprozess.

Ein Codex-Skill eignet sich für diesen Anwendungsfall, weil diese Bestandteile getrennt gepflegt und bei jedem passenden Auftrag erneut geladen werden können.

Kann ich stattdessen ein Custom GPT verwenden?

Wahrscheinlich lässt sich ein Teil der Methodik auch in einem Custom GPT abbilden. Getestet und dokumentiert habe ich diesen Workflow allerdings ausschließlich mit Codex in der ChatGPT-Desktop-App.

Der Download und die Anleitung beziehen sich deswegen bewusst auf Skills und lokale Projektordner. Aussagen über die gleiche Qualität in einem Custom GPT wären ohne eigenen Vergleich erneut Spekulation.

Weshalb verwendest du keine KI-Detektoren?

Ein KI-Detektor versucht zu bestimmen, ob ein Text wahrscheinlich von einer KI erzeugt wurde. Meine Methodik beantwortet eine andere Frage: Entspricht der Text den belegten sprachlichen Konstruktionen eines bestimmten Autors?

Ein Text kann einen KI-Detektor passieren und trotzdem überhaupt nicht nach euch klingen. Umgekehrt kann ein vollständig manueller Text von einem Detektor fälschlich als KI-Text eingeordnet werden. Für die Qualität des persönlichen Stilprofils sind daher Korpusvergleich und manuelle Abnahme entscheidend.

Muss das Stilprofil dauerhaft gleich bleiben?

Nein. Persönliche Schreibweisen verändern sich. Hinzu kommen neue Textsorten, andere Adressaten und bewusste stilistische Entscheidungen.

Das Profil sollte deswegen mit neuen abgenommenen Fassungen weiterentwickelt werden. Alte Regeln bleiben erhalten, solange sie weiterhin belegt sind. Überholte Regeln werden zeitlich eingeordnet oder durch aktuellere Entscheidungen ersetzt.

Funktioniert der Skill mit anderen Modellen?

Grundsätzlich kann der Skill mit anderen Modellen getestet werden. In meinem eigenen Workflow setzte bislang allerdings nur GPT-5.6 Sol das vollständige Profil zuverlässig genug um.

Da ich die technische Ursache nicht kenne, formuliere ich daraus keine allgemeine Modellrangliste. Wer einen anderen Modelltyp verwendet, sollte mehrere unbekannte Aufgaben testen und die Abweichungen dokumentieren.

Eigener Schreibstil mit ChatGPT: vom Korpus zum fertigen Text

Ein persönlicher Schreibstil entsteht nicht dadurch, dass ChatGPT einige auffällige Wörter übernimmt und andere vermeidet. Er zeigt sich in wiederkehrenden Konstruktionen, in der Anordnung von Informationen und in der Art, wie Sätze und Absätze miteinander verbunden werden.

Damit diese Merkmale zuverlässig analysiert werden können, benötigt ihr einen bereinigten Korpus mit gesicherter Herkunft. Die Texte werden nach Registern getrennt und anschließend von der Morphologie über Konstituenten, Satzglieder und Feldermodell bis zur Kohäsion und Thema-Rhema-Progression untersucht.

Aus den Ergebnissen entsteht ein Positivprofil mit Belegen, Funktionen, Geltungsgrenzen, Gegenbeispielen und einer realistischen Dosierung. Erst danach folgt der Prüfpass mit unerwünschten KI-Mustern und tatsächlichen Autorenkorrekturen.

Dieser Aufwand ist deutlich größer als bei einer Wortverbotsliste. Dafür entsteht allerdings ein System, das sich prüfen, korrigieren und mit jeder abgenommenen Fassung verbessern lässt. Und falls euch die gesamte linguistische Analyse dann doch etwas zu umfangreich erscheint, könnt ihr immer noch den fertigen Skill herunterladen und Codex einen Großteil der Arbeit übernehmen lassen.