Mit ChatGPT Texte im eigenen Schreibstil erstellen

Zuletzt aktualisiert: 10. Oktober 2026

Gute, einzigartige Fachbeiträge entstehen bekanntlich nicht dadurch, dass ich einer KI ein Thema nenne und anschließend auf einen Knopf drücke. Für einen eigenen Text brauche ich eine fundierte Datengrundlage, eigene Gedanken und eine klare Vorstellung davon, was ich eigentlich erklären möchte. Eine KI kann mich bei Recherchen oder der Strukturierung unterstützen, aber sie nimmt mir weder die fachliche Auseinandersetzung noch die Verantwortung für die getroffenen Aussagen ab.

Mich hat deshalb eine wesentlich enger gefasste Frage beschäftigt: Wenn meine Daten, meine Grundgedanken und der inhaltliche Aufbau bereits vollständig vorliegen, kann eine KI daraus einen Text in meinem persönlichen Schreibstil formulieren? Mit „Stil auf Knopfdruck“ meine ich genau diesen konkreten Arbeitsschritt. Ich möchte nicht bei jedem Entwurf aufs Neue ausführlich erklären müssen, wie ich schreibe, um anschließend doch wieder sämtliche Sätze umzuformulieren.

Dafür habe ich eigene Texte analysiert, ein persönliches Sprachprofil entwickelt und dieses in Anweisungen für die KI übersetzt. In den vergangenen Wochen hat sich mein Blick auf dieses Verfahren allerdings deutlich gewandelt. Im September hatte ich bereits gelernt, dass sprachliche Passung und die inhaltliche Tiefe der Aufgabe zwei verschiedene Dinge sind. Am 5. Oktober habe ich dann aufgrund konkreter Schwierigkeiten meinen gesamten Schreibablauf umgebaut.

In diesem Artikel dokumentiere ich den aktuellen Arbeitsstand. Ich zeige, wie ich Werkzeuge aus meinem Linguistikstudium nutze, welche Korrekturen ich an KI-Texten vornehme, welche Schwierigkeiten bei der Anwendung des Skills aufgetreten sind und wie mein automatisierter Schreibaufruf heute konkret aussieht.

Linguistik als Handwerkszeug: Mein Weg aus dem Studium zum Sprachprofil

Die bloße Anweisung „Schreib menschlicher“ hilft einem Sprachmodell wenig. Auch eine einfache Liste unerwünschter Wörter beschreibt zunächst nur, was verschwinden soll. Wenn ich der KI verbiete, Wörter wie „entscheidend“ oder „darüber hinaus“ zu verwenden, ersetzt sie diese oft schlicht durch „wesentlich“ und „zusätzlich“. Die eigentliche Textstruktur bleibt dabei unverändert. Um den persönlichen Stil zu greifen, nutze ich deshalb Konzepte aus meinem Linguistikstudium.

Dabei helfen mir Werkzeuge der Morphologie, der Wortbildung und der Syntax. Es geht darum, das konkrete Vorkommen sprachlicher Einheiten zu bestimmen und ihre Funktion im Satz zu verstehen. Eine einfache Wortliste erfasst nämlich nicht, wie diese Wörter angeordnet sind. Ein kurzes Beispiel zeigt diesen Unterschied:

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

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

Beide Sätze enthalten exakt dieselben Wörter, trotzdem sind sie unterschiedlich gebaut. Um das präzise zu beschreiben, muss ich grammatische Kategorie, syntaktische Funktion und grammatische Merkmale voneinander trennen. Im ersten Satz steht die Nominalgruppe „Der persönliche Stil“ ganz vorn; sie übernimmt dort die Funktion des Subjekts. (Tempus oder Kasus wären wiederum eigene Merkmale auf einer anderen Beschreibungsebene.) Im zweiten Satz beginnt der Gedanke hingegen mit der Präpositionalgruppe „Mit einer bloßen Wortliste“.

Um solche Strukturen greifbar zu machen, nutze ich das topologische Feldermodell. Die Einführung zu Stellungsfeldern und Satzklammer beim Leibniz-Institut für Deutsche Sprache beschreibt sehr gut, wie die Position des Verbs den deutschen Satz gliedert. Auf unser zweites Beispiel angewandt, sieht das so aus:

Satzfeld	Bestandteil des zweiten Beispiels
Vorfeld	Mit einer bloßen Wortliste
Linke Satzklammer	lässt
Mittelfeld	sich der persönliche Stil nicht zuverlässig
Rechte Satzklammer	nachbilden
Nachfeld	bleibt leer

Für mein Sprachprofil untersuche ich, welchen Ausgangspunkt ich im Vorfeld wähle. Beginne ich mit einer Bedingung? Greife ich etwas Bekanntes auf? Solche Beobachtungen übersetze ich in verständliche Hinweise. Ich mache daraus aber keine starre Quote für das Modell. Die bloße Vorgabe, in wie vielen Sätzen das Subjekt nicht im Vorfeld stehen darf, würde eine persönliche Präferenz vorgeben, ohne zu erklären, wann welcher Satzanfang im Textzusammenhang überhaupt sinnvoll ist.

Um eine solche sprachliche Einheit im Satz überhaupt erst zu bestimmen, ziehe ich Verschiebeproben heran. Kann ich einen Block umstellen, ist das ein Indiz für eine zusammenhängende Konstituente. Das Vorfeld besteht eben nicht nur aus dem ersten Wort, sondern aus der gesamten Einheit „Mit einer bloßen Wortliste“. Ein universell entscheidender Beweis ist das Verschieben allein jedoch nicht; ich muss es zusammen mit Ersetzung, Bezug und syntaktischer Funktion betrachten.

Auch die Morphologie und Wortbildung liefern mir wichtige Fragen, etwa nach dem Einsatz von Wortformen, Zusammensetzungen, Ableitungen oder Nominalisierungen. Fachgebiet und Textaufgabe können deren Verteilung stark bestimmen.

Darüber hinaus schaue ich mir an, wie ich Gedanken verbinde. Solche Beziehungen lassen sich auch über den Einzelsatz hinaus untersuchen, etwa mit Ansätzen wie der Rhetorical Structure Theory. Sie beschreibt, in welchem Verhältnis Textteile zueinander stehen – etwa, ob ein Absatz eine vorherige Aussage belegt oder Hintergrundwissen zum Verständnis liefert. Das ist für mich eine hilfreiche Erweiterung meiner Analysegrundlage.

Von eigenen Texten zur verständlichen KI-Anweisung

Bevor ich solche Merkmale sinnvoll auswerten kann, muss ich klären, wessen Sprache eigentlich vor mir liegt. Ein unter meinem Namen veröffentlichter Beitrag kann komplett von mir stammen, er kann redaktionell bearbeitet sein oder in weiten Teilen auf einem KI-Entwurf beruhen.

Für die Entwicklung meines Profils habe ich diese Texte deshalb strikt getrennt. Eigene manuelle Originale zeigen meine echten Formulierungen. Von mir ausdrücklich akzeptierte KI-Texte sind ebenfalls wertvoll, weil sie belegen, was für mich funktioniert. Sie sind aber kein Beleg dafür, dass ich diese Konstruktionen von Hand exakt so geschrieben hätte.

Aus diesen bereinigten Texten habe ich abgeleitet, was eine ausdrückliche Präferenz ist, was ich lediglich beobachtet habe und was bislang nur eine Vermutung ist. All das ist in meine heutige Stilanweisung geflossen.

Damit Du das Folgende besser einordnen kannst, skizziere ich kurz, wie mein Ablauf heute konkret aussieht. Ich trenne die Arbeitsschritte strikt:

1. Die Grundlage: Ich erarbeite Daten, Fakten und meine fachliche Position.
2. Der Aufruf: Ich starte einen frischen Schreibauftrag, der ausschließlich mein Informationsmaterial, mein Ziel und die vollständige Stilanweisung enthält.
3. Schreiben und Überarbeiten: Eine KI entwirft den Text, eine andere (oder ein zweiter automatischer Durchgang) überarbeitet ihn streng nach den Stilregeln.
4. Die Abnahme: Ich prüfe die Fakten, kontrolliere die Links und nehme den Text am Ende persönlich ab.

Wie ich zu diesem getrennten Ablauf gekommen bin und weshalb ich ihn brauche, erklärt sich am besten aus den früheren Versuchen.

Frühe Versuche: Warum ein passender Satz allein nicht genügt

Bis Anfang September hatte ich verschiedene, teils ausführliche, teils kompakte Profilvarianten an kurzen Texten zu vier Themen getestet. Die sprachlichen Bewertungen fielen teilweise gut aus, aber es ergab sich kein stabiler Gesamtsieger. Mehr Regeln oder ein zusätzliches Beispiel halfen bei der einen Aufgabe, schadeten aber bei der nächsten; Wiederholungen desselben Auftrags lieferten unterschiedliche Ergebnisse.

Daraufhin ließ ich längere Beiträge schreiben, unter anderem zur Frage, warum gute Google-Platzierungen nicht automatisch neue Kunden bringen. Die Formulierungen waren ordentlich, aber als persönliche Beiträge blieben die Texte viel zu allgemein. Die KI erklärte bekannte Zusammenhänge, bearbeitete aber nicht meine spezifische fachliche Frage.

Besonders deutlich wurde das an einem Reporting-Fall, den ich für die KI aufbereitet hatte. Es ging um einen Markenbereich in einem Online-Shop, dessen Google-Klicks von April bis August täglich um 73 Prozent gestiegen waren. Im Vorjahresvergleich lag derselbe Markenbereich jedoch 31 Prozent niedriger, während der gesamte Shop in einem weiteren Vergleich innerhalb des Jahres rund vier Prozent verlor. Die Vergleiche nutzten unterschiedliche Zeiträume und Bezugsgrößen; obendrein gab es im Vorjahr eine Produkteinführung.

Die KI formulierte aus diesen komplexen Vorgaben eine Darstellung, die ich sprachlich als bis dahin am besten passend bewertete. Aber als Einleitung für den Artikel hätte ich diese Passage nicht gewählt. Erst als ich der KI eine eigene, noch unvollständige Einleitung vorgab, in der ich eine Analyse von einem Tätigkeitsbericht und einem echten Projektbericht unterschied, fand der Text seine Richtung. Die stilistische Fortsetzung und den Übergang zum Fall habe ich danach vollständig akzeptiert.

Daraus habe ich eine zentrale Unterscheidung gelernt, die ich bereits im September formuliert habe: Die sprachliche Passung ist das eine, die inhaltliche Behandlung der fachlichen Frage etwas völlig anderes. Wenn ein Text inhaltlich an der Oberfläche bleibt, brauche ich nicht zwingend präzisere Sprachregeln. Ich muss vielmehr prüfen, ob mein Auftrag der KI überhaupt die entscheidende Richtung, die Quellen und meine Position mitgegeben hat.

Drei Vorher-Nachher-Vergleiche: Was ich an KI-Texten korrigiere

Selbst bei einem guten Ausgangstext greife ich vor der Veröffentlichung oft noch manuell ein. Meine eigenen Korrekturen sind der aufschlussreichste Beleg dafür, was meinen Stil im Detail ausmacht. Im September habe ich drei Fassungen eines Textes bereitgestellt, der meine KI-Erhebung für Vereine und Stiftungen erklärt. Der ursprüngliche Ausgangstext stammte von Gemini; Satzgerüst und Reihenfolge blieben in der korrigierten Fassung weitgehend erhalten. Ich habe ihn jedoch vor dem Versand bearbeitet.

Hier sind drei exakte Paare aus diesem Auftrag, die zeigen, wie ich Beziehungen verknüpfe und Leser einbinde:

1. Logische Folgerungen markieren

Gemini: „Eine einzelne Antwort hätte wenig über verlässliche Muster ausgesagt.“

Patrick: „Eine einzelne Antwort hätte also wenig über verlässliche Muster ausgesagt.“

Das eingefügte „also“ ist hier kein beliebiges Füllwort und ich setze auch nicht sämtliche Verknüpfungswörter mit Modalpartikeln gleich. Es markiert als Konnektor die direkte Folgerung aus der vorausgehenden Erklärung, weshalb wiederholt gefragt wurde.

2. Konkret aus Lesersicht formulieren

Gemini: „Für Organisationen lohnt es sich deshalb, vier Dinge zu trennen: Wird der Name genannt?“

Patrick: „Für Stiftungsorganisationen lohnt es sich, vier Dinge zu trennen: Wird der eigene Name genannt?“

Ich ersetze das abstrakte Sammelwort durch den konkreten Gegenstand der angesprochenen Leser und mache den Bezug („der eigene Name“) eindeutiger. Zugleich fällt das „deshalb“ weg. Anders als im ersten Paar verändern sich hier mehrere Merkmale gleichzeitig. Der erste Vergleich isoliert die Einfügung von „also“; dieser Korrekturvergleich zeigt mehrere Entscheidungen zusammen.

3. Fragen in die eigene Stimme holen

Gemini: „Warum mehrfach fragen?“

Patrick: „Warum habe ich aber so häufig gefragt? Dafür gibt es eine technische Erklärung.“

Eine verkürzte Stichwortfrage reißt den Text auseinander. Ich formuliere die Frage als vollständigen Satz zu meiner eigenen Tätigkeit aus, inklusive Partikel, und baue einen direkten Übergang zur tatsächlichen technischen Erklärung.

Ich habe in diesem Text auch Sammelwörter konkretisiert, Fachbegriffe präzise gewählt und unbekannte Namen bei der ersten Nennung knapp eingeordnet. Solche Eingriffe zeigen meine Bewegungen im Text. Sie sind aber keine dogmatischen Regeln.

Verworfene Regeln: Was nicht im Sprachprofil steht

Aus meinen Korrekturbeispielen darf man keine absoluten Verbote ableiten. In frühen Phasen meiner Tests hatte ich noch mit festen Quoten gearbeitet. Das hat sich nicht bewährt und ist heute nicht mehr produktiv.

Ich verbiete weder das Passiv noch den Einsatz komplexer Sätze pauschal. Wenn die Perspektive es verlangt und die handelnde Person unwichtig ist, passt eine Passivkonstruktion. Eine starre Regel wie „eine Information pro Satz“ habe ich ebenfalls verworfen. Manche Zusammenhänge lassen sich in einem komplexen Satz viel präziser ausdrücken als in unverbundenen Einzelaussagen.

Ebenso wenig schreibe ich der KI feste Absatzformeln vor. Mir war aufgefallen, dass KI-Texte häufig an fast jedem Absatzende einen relativierenden oder zusammenfassenden Merksatz bildeten. Beim Stiftungstext habe ich drei von vier solchen Absatzenden umgebaut. Ein Absatz darf bei mir gern mit einer offenen Frage oder einem kurzen Satz enden, der den nächsten Gedanken vorbereitet. Daraus ist aber keine Pflicht entstanden, ab sofort jedes Absatzende zwingend zu öffnen. Ein abschließender Gegensatz kann stehen bleiben, wenn er sich aus der Erklärung ergibt.

In meinen Korrekturen stehen eigene Handlungen zudem meist im Perfekt („habe ich untersucht“), nicht im erzählenden Präteritum. Aber auch das ist kein generelles Tempusverbot; für bestimmte Aussagen wie zu Bezugsdaten oder Ergebnissen bleibt das Präteritum üblich.

Zwei Schreibsituationen im Vergleich: Wann die Stilanweisung funktioniert

Trotz dieser detaillierten Regeln stieß ich im September auf ein praktisches Problem. Ein Angebotstext, den ich mit einer präzisierten Arbeitsfassung des Skills erstellen ließ, erfüllte plötzlich wieder so gar nicht meine Vorstellung von der Angebotstextgestaltung. Offensichtlich genügten präzisere Regeln allein im praktischen Einsatz noch nicht.

Ich habe mir deshalb zwei unterschiedliche Situationen genauer angesehen, um zu verstehen, was dort passiert war. In der ersten, gescheiterten Variante hatte ich in einer langen Arbeitssitzung recherchiert und den Skill mit dem Sprachprofil erst spät geladen. Meine Anweisungen standen irgendwo zwischen alten Projektstati, Daten und Werkzeugausgaben. Ganz anders lief es beim Lektorat meines Studienberichts, das ebenfalls in einem langen Chat stattfand. Dort hatte ich allerdings den vollständigen Text meiner Stilanweisung – also die Arbeitsweise, das Sprachprofil und die Funktionsbeispiele – direkt in die allererste Nachricht eingefügt, die ich an Claude geschickt habe. Ich habe beobachtet, dass dieser Weg für mich besser funktionierte. Genau diesen vollständigen Text verwende ich auch als Anweisung für mein persönliches Gemini-Gem. Ein solches Gem ist eine persönliche Konfiguration der KI, in der ich gespeicherte Anweisungen dauerhaft hinterlege.

Welche technische Ursache den Unterschied beim Angebotstext ausgemacht hat, habe ich nicht isoliert geprüft. Die beiden Anwendungen unterschieden sich auch in der konkreten Aufgabe und ihrem Umfeld. Die Ergebnisse legen allerdings nahe, dass es eine Rolle spielt, auf welchem Weg das Modell die Anweisung erhält und was zu diesem Zeitpunkt im Kontext steht. In den langen, gescheiterten Sitzungen hatte ich Skill, Profil und Beispiele separat geladen oder der KI-Chatbot musste die Inhalte aus ausgegebenen Dateien auslesen. Beim erfolgreichen Lektorat stand die vollständige Anweisung dagegen gemeinsam im Text meiner ersten Nachricht. Ob das Fehlen einzelner Teile tatsächlich die Ursache war, lässt sich aus diesem Vergleich allein jedoch nicht belegen. Die praktische Konsequenz war für mich trotzdem eindeutig: Ich stelle ab sofort gezielt die vollständige Schreibanweisung und einen in sich verständlichen Auftrag von Beginn an für das Schreiben bereit.

Den inhaltlichen Auftrag für den Schreibaufruf bündeln

Wie dieser Informationsweg heute aussieht, zeigt mein Update-Artikel KI-Sichtbarkeit messen. Ich wollte darin erläutern, wie ich eigene Wiederholungs- und App/API-Kontrollen durchführe, wo die tatsächlichen Unterschiede liegen und wie eine verständliche Anwendung in der Praxis aussieht. Meine fachliche Position stand dafür fest: Quoten benötigen immer ihre Bezugsgrößen, unterschiedliche Messwege müssen eingeordnet werden, und aus reinen Veränderungen bei KI-Antworten lässt sich noch keine SEO-Ursache ableiten.

All diese geprüften Informationen, die Fragestellung, die angesprochenen Leser, der geplante Aufbau, die Quellen, Geltungsgrenzen und die benötigten Links flossen gebündelt in meinen Schreibauftrag. Ein frischer Schreibaufruf kennt meinen vorangegangenen Recherchechat schließlich nicht.

Erst wenn dieser inhaltliche Auftrag steht, übergebe ich ihn an die Skripte meiner eigenen Anwendung. Dort steuert eine Datei namens SKILL.md den Ablauf, während die stilanweisung.md mein Sprachprofil, die Arbeitsweise und die Beispiele bereithält. Mein eigenes Skript schreiben.mjs führt das dann zusammen. Ein beispielhafter Aufruf in der Kommandozeile sieht so aus:

node schreiben.mjs auftrag.md

Soll ein bereits vorhandener Text überarbeitet werden, lautet der Aufruf:

node schreiben.mjs auftrag.md --text ausgangstext.md

Unterschiedliche Modelle und die Faktenkontrolle am fertigen Text

Da ich mit Claude beim Texten wiederholt schlechte Erfahrungen gemacht habe, nutze ich dieses Modell in meiner tatsächlichen Schreib-Pipeline inzwischen gar nicht mehr. Wie sieht der Ablauf stattdessen aus? Meine normal konfigurierte Pipeline arbeitet nun mit zwei frischen Aufrufen von Gemini: Das Modell entwirft den Text zunächst ausgestattet mit dem vollständigen Auftrag und der Stilanweisung. Danach überarbeitet ein zweiter Durchgang durch Gemini diesen Entwurf mit genau derselben Anweisung. Handelt es sich um bereits vorhandene Artikel, beginnt der Prozess direkt mit der Überarbeitung. Die bisher geprüften Ausgaben dieser automatischen Pipeline stammen von Gemini 3.1 Pro Preview. Nutze ich den Prozess stattdessen komplett manuell in meinem Gem, läuft dieses laut meiner Konfiguration immer über Gemini 3.8 Flash. All diese Modelle haben dieselbe Anweisung erhalten. Sie bringen bei der Ausführung jedoch nachvollziehbar unterschiedliche Herkünfte mit.

Nach der Erstellung prüft meine Pipeline automatisch, ob die KI wörtliche Wendungen aus den Beispielen übernommen hat, und gibt einen kurzen Prüfbericht aus. Diese Kontrolle ist wichtig, ersetzt aber auf keinen Fall meine persönliche Abnahme. Wie schnell eine KI-Überarbeitung die Faktenlage verschieben kann, habe ich bei meinem Artikel über die KI-Sichtbarkeit von Weltmarktführern dokumentiert.

Bei den ersten Pipeline-Läufen im Oktober hatte die KI nicht nur Beispielwendungen kopiert, sondern auch Begründungen („Um zufällige Ausreißer zu vermeiden“) und persönliche Reaktionen („hat mich überrascht“) erfunden, die im Auftrag überhaupt nicht belegt waren. Ein anschließender zusätzlicher manueller Gem-Durchgang entfernte dann sämtliche Links und veränderte obendrein die sachlichen Grenzen meiner Erhebung. Aus meinem „groben Namensabgleich“ machte die KI kurzerhand einen „manuellen Abgleich“. Besonders deutlich wurde es bei der Überprüfung bestimmter Antworttexte: In meiner Vorlage hieß es noch, dass ich mir diese Antworten „deshalb einzeln durchgesehen“ habe und sich nach dieser „ersten Durchsicht“ etwas ergab. Die KI machte aus dieser ersten Durchsicht die Behauptung, ich hätte eben diese Antworten „einzeln und genau“ geprüft. Der KI-Chatbot fügte denselben Inhalten also einen zusätzlichen Genauigkeitsanspruch hinzu, der so gar nicht belegt war. Genau aus solchen dokumentierten Fehlern ergibt sich für mich, dass ich am Ende Fakten, Zitate und Links bei jedem Text streng kontrolliere.

Eine neutrale September-Vorlage für die eigene Anwendung

Wer diesen Ablauf für eigene Website-Texte testen möchte, kann auf meine neutrale Vorlage vom September zurückgreifen. Dabei handelt es sich um einen reinen Analyse- und Anwendungsskill mit leeren Vorlagen. Er enthält ausdrücklich keine privaten Texte, nicht mein persönliches Profil und auch nicht die Skripte meiner heutigen Pipeline.

Bevor man zur Installation übergeht, sind die inhaltlichen Zwischenschritte entscheidend. Die neutralen Analysewerkzeuge dienen zunächst dazu, eigene Texte in einer passenden Textsorte zu untersuchen, die beobachteten Merkmale mit Textbelegen sowie Gegenbeispielen zu prüfen und daraus ein eigenes Profil nebst persönlichen Schreibhinweisen abzuleiten. Für den praktischen Einstieg nimmt man danach ein eigenes Original, bereitet eine reale Aufgabe fachlich vor und lässt die KI auf Basis der Vorlage einen Ausschnitt schreiben. Danach kann man frei beurteilen, ob man den Text selbst so formulieren würde, und sichert am Ende den Auftrag, das Profil, die KI-Ausgabe sowie die eigenen Korrekturen gemeinsam.

Die eigentliche Installation erfordert je nach lokaler Arbeitsumgebung das Kopieren des kompletten Ordners auf den eigenen Rechner. Die Datei SKILL.md muss dabei direkt in diesem Ordner liegen. Die Ziele unter Windows sind:

Anwendung	Zielordner für die lokale Kopie
Codex	%USERPROFILE%\.agents\skills\schreibstil-linguistisch\
Claude Code	%USERPROFILE%\.claude\skills\schreibstil-linguistisch\

Weitere Hinweise dazu stehen in den offiziellen Dokumentationen zu Codex-Skills von OpenAI und Claude-Code-Skills von Anthropic.

Drei offene Fragen an neue Sprachmodelle

Mein heutiger Ablauf ist produktiv. Das erwähnte Update zur KI-Sichtbarkeit fand ich bereits so passend, dass ich auf einen zusätzlichen manuellen Gem-Durchgang komplett verzichtet habe. Intern hatte der Text zuvor zwei Überarbeitungen durch Gemini 3.1 Pro Preview durchlaufen; im Arbeitsablauf ergaben sich danach nur noch kleine sachliche Präzisierungen.

Diese Ergebnisse bleiben allerdings Erfahrungen mit den Modellen, die mir zu diesem Zeitpunkt zur Verfügung standen. Aktuell steht OpenAIs Sol 6.1 im Raum. Mich interessiert dabei, wie sich dieses Modell mit der Modelleinstellung für sehr hohen Aufwand verhält. Für Sol 6.1 stellen sich mir drei völlig offene Fragen:

1. Gelingt dem Modell eine linguistisch korrekte Analyse meiner Texte?
2. Kann es daraus geeignete persönliche Schreibhinweise ableiten?
3. Setzt es diese Hinweise beim fachlich vorbereiteten Schreiben am Ende auch überzeugend um?

Die Qualität der linguistischen Analyse und die tatsächliche Umsetzung beim Schreiben sind zwei unterschiedliche Stufen. Sollten sich dazu später nachvollziehbare Ergebnisse zeigen, werde ich diesen Artikel um diese Erkenntnisse ergänzen.