Warum ich meine Texte ab heute nach dem Human Thinking Level deklariere

Seit heute, dem 2. August 2026, verlangt Artikel 50 der europäischen KI-Verordnung Auskunft über die Herkunft veröffentlichter Texte. Wer den Inhalt fachlich prüft und die redaktionelle Verantwortung übernimmt, ist von der Kennzeichnung befreit. Genau diese Befreiung öffnet eine Lücke: Wer am meisten eigene Denkleistung investiert, muss am wenigsten sagen, und sagt deshalb nichts. Ich gehe den umgekehrten Weg und deklariere freiwillig, wie viel Denkleistung in einem Text steckt. Den Vorschlag dazu habe ich vor gut fünf Wochen an dieser Stelle zum ersten Mal gemacht, damals als Gedankenmodell.⁵ Seit heute setze ich ihn um. Aus einer Offenlegungspflicht wird damit ein Qualitätsversprechen, und aus einem Compliance-Vorgang ein Unterscheidungsmerkmal, das sich nicht kopieren lässt.

Was seit heute gilt

Artikel 50 der Verordnung (EU) 2024/1689 bildet allein das Kapitel IV der KI-Verordnung und wird mit dem allgemeinen Geltungsbeginn anwendbar. Die politisch viel diskutierte Verschiebung großer Teile der Hochrisiko-Pflichten lässt diesen Termin unberührt.¹ Für die maschinenlesbare Markierung synthetischer Inhalte durch die Anbieter, also durch die Unternehmen hinter den Modellen selbst, läuft eine gesonderte Frist bis zum 2. Dezember 2026.²

Die Verordnung unterscheidet zwei Rollen. Anbieter stellen ein KI-System bereit, Betreiber setzen es ein. Wer als Unternehmen mit einem Sprachmodell arbeitet, ist Betreiber. Für Betreiber ist bei publizierten Texten Absatz 4 einschlägig.

Dieser Absatz greift unter einer doppelten Voraussetzung. Der Text muss ganz oder teilweise von einer KI erzeugt oder verändert worden sein, und er muss veröffentlicht werden, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren. Politik, Wirtschaft und Umwelt zählen ausdrücklich dazu. Ein Fachartikel über Datenstrategie fällt damit in den Anwendungsbereich, eine interne Prozessbeschreibung nicht. Liegen beide Voraussetzungen vor, muss der Betreiber sichtbar offenlegen, dass der Text künstlich erstellt oder verändert wurde, etwa durch ein gut sichtbares Label am Text selbst.¹

Von dieser Pflicht befreit die Verordnung, wenn ein Mensch den Text inhaltlich geprüft hat und eine natürliche oder juristische Person ihn verantwortet. Der Maßstab ist dabei präzise gefasst. Verlangt wird eine echte redaktionelle Kontrolle durch fachkundige Personen, die Inhalt, Fakten und Quellen prüfen können und die den Text notfalls ändern oder zurückweisen können. Eine reine Rechtschreib- oder Grammatikkontrolle genügt ausdrücklich nicht. Gleichzeitig wird die Anforderung nicht überspannt: Es ist nicht erforderlich, jeden einzelnen inhaltlichen Fehler tatsächlich aufzuspüren.¹

Für die einheitliche Umsetzung stellt die Kommission drei standardisierte Symbole bereit: „AI", „AI generated" und „AI modified".³ Die Aufsicht in Deutschland liegt seit heute bei der Bundesnetzagentur, die zugleich als zentrale Anlaufstelle für Beschwerden fungiert.⁴ Der Sanktionsrahmen reicht bis zu 15 Millionen Euro oder drei Prozent des weltweiten Jahresumsatzes.²

Damit ist die regulatorische Frage beantwortet. Sie lautet: Wurde eine Maschine eingesetzt, und wenn ja, weiß der Leser davon? Die ökonomische Frage steht weiter offen. Ein Symbol sagt, welches Werkzeug beteiligt war. Ein Leser, der einer Analyse eine Investitionsentscheidung anvertraut, will etwas anderes wissen: Wer hat entschieden, dass diese Aussagen standhalten, und wer steht mit seinem Namen dafür ein?

Die Befreiungsregel führt in der Praxis zu einem eigentümlichen Ergebnis. Ein Unternehmen, das seine Texte sorgfältig prüft und namentlich verantwortet, sagt nach außen gar nichts, weil es nichts sagen muss. Ein Unternehmen, das ungeprüft publiziert, setzt ein Label. Der Leser sieht in beiden Fällen nicht, wie viel fachliches Urteil in den Text geflossen ist. Für den einen ist Schweigen der Lohn der Sorgfalt, für den anderen ein Label die Folge ihres Fehlens. Diese Asymmetrie ist der Ausgangspunkt für alles Weitere.

Vier Stufen, fünf Denkleistungen

Wert entsteht in einem Fachtext an fünf klar unterscheidbaren Stellen. Es lohnt sich, sie einzeln zu benennen, weil in der öffentlichen Debatte meist nur eine davon diskutiert wird, nämlich die Formulierung.

Vorab eine Klarstellung zur Blickrichtung, weil sie über das ganze Verfahren entscheidet. Bewertet wird immer die Seite des Verfassers, also derjenigen Person, die den Text veröffentlicht und dafür einsteht. Jedes der fünf Kriterien fragt nach ihrem Anteil am Entstehungsweg. Weder das Modell noch der Leser sind hier der Maßstab: Ein Modell verfolgt keine Absicht, und der Leser sieht den Entstehungsweg von außen nicht.

Der Nutzen liegt auf der anderen Seite. Der Verfasser wird eingestuft, der Leser erhält die Auskunft. Diese Trennung ist der Grund, warum eine solche Kennzeichnung überhaupt Vertrauen erzeugt. Sie ist eine Selbstauskunft über die eigene Arbeitsweise, keine Bewertung des Lesers und keine Bewertung der eingesetzten Technik.

Sind mehrere Personen beteiligt, etwa ein Autor und eine fachlich prüfende Instanz, zählt für die Einstufung die Summe der menschlichen Anteile. Die Haftung dagegen liegt bei einer einzigen namentlich benannten Person. Andernfalls ließe sich Verantwortung so lange im Team verteilen, bis sie niemand mehr hat.

Intention. Jemand entscheidet, welche Ausgangsfrage der Text überhaupt beantwortet. Diese Entscheidung fällt vor dem ersten Satz. Ein Modell kann tausend Fragen formulieren, aber es weiß nicht, welche davon der Verfasser beantworten will. Aus dieser einen Entscheidung folgt der Rest: an wen sich der Text richtet, wie tief er argumentiert, welche Belege er benötigt und wann seine Veröffentlichung Wirkung entfaltet. Wer die Ausgangsfrage setzt, legt den Text fest, bevor der erste Satz steht.

Standpunkt. Jemand bezieht eine Position, die von der Mitte abweicht. Sprachmodelle sind darauf optimiert, den wahrscheinlichsten nächsten Satz zu erzeugen, und der wahrscheinlichste Satz ist selten der überraschende. Ein Standpunkt ist eine bewusste Entscheidung gegen die Wahrscheinlichkeit.

Urteil. Jemand entscheidet, ob eine Aussage und ihre Quelle standhalten. Das ist die inhaltliche Prüfung: eine Zahl gegen die Primärquelle halten, eine Studie verwerfen, weil die Stichprobe die Aussage nicht deckt, einen Absatz streichen, weil er sich beim Nachrechnen nicht bestätigt. Genau diese Prüfung meint auch die Verordnung, wenn sie die Befreiung an redaktionelle Kontrolle knüpft.

Erfahrung. Jemand bringt einen Beleg aus eigener Praxis ein, den kein Trainingsdatensatz enthält. Ein Projekt, das anders verlief als geplant, eine Kennzahl aus einer realen Organisation, eine Beobachtung aus einem Lenkungskreis.

Haftung. Jemand steht am Ende mit seinem Namen dafür ein. Das ist keine formale Geste, sondern die Bereitschaft, für einen Irrtum geradezustehen.

Auf diesen fünf Kriterien liegt das Human Thinking Level, das ich im Juni vorgestellt habe.⁵ Es ist eine Skala mit vier Stufen.

Stufe 3, Human Made. Alle fünf Leistungen liegen beim Menschen. An Recherche und Formulierung war kein Modell beteiligt. Das ist der klassische Fachaufsatz.

Stufe 2, Human Led und AI Assisted. Ausgangsfrage, Position und inhaltliche Prüfung kommen vom Menschen. Die KI arbeitet in der Recherche und in der sprachlichen Ausarbeitung. Der Text, den Sie gerade lesen, entsteht auf dieser Stufe.

Stufe 1, AI Generated und Human Reviewed. Das Modell liefert den Entwurf einschließlich These und Struktur. Ein Mensch prüft anschließend inhaltlich, korrigiert und verantwortet das Ergebnis. Diese Stufe entspricht exakt der Befreiungsregel des Artikels 50.

Stufe 0, AI Generated. Die inhaltliche Prüfung oder die namentliche Verantwortung fehlt. Ein nachweisbarer menschlicher Denkanteil ist nicht erkennbar.

Die Trennlinie zwischen Stufe 1 und Stufe 0 ist dieselbe, die der europäische Gesetzgeber zieht. Wer nur die Rechtschreibung kontrolliert, hat nicht geprüft. Wer niemanden benennt, hat nicht verantwortet. Wer keine der beiden Bedingungen erfüllt, muss nach Artikel 50 kennzeichnen und liegt zugleich auf Stufe 0.

Warum die Skala beim Menschen beginnt

Eine Kennzeichnung lässt sich in zwei Richtungen aufbauen, und die Wahl der Richtung entscheidet über die Botschaft.

Die erste Richtung weist den Maschinenanteil aus. Sie beantwortet die Frage, wie viel Text ein Modell erzeugt hat. Die zweite Richtung weist die Denkleistung aus. Sie beantwortet die Frage, wer die Ausgangsfrage gesetzt, die Aussagen geprüft und die Verantwortung übernommen hat.

Beide beschreiben denselben Entstehungsvorgang aus verschiedenen Blickwinkeln, und keine von beiden bewertet die Qualität des Textes. Das ist ein wichtiger Punkt, weil eine Skala schnell für ein Gütesiegel gehalten wird. Ob eine Analyse überzeugt, entscheidet sich am Argument, an der Belastbarkeit der Zahlen und an der Schärfe der Schlussfolgerung. Dafür gibt es keine Kennzahl, und das Human Thinking Level erhebt diesen Anspruch nicht. Was eine Kennzeichnung leisten kann, ist etwas anderes: Sie sagt dem Leser, wer die Aussagen im Text geprüft hat und wer für sie einsteht. Der Leser behält die Bewertung, er bekommt nur die Auskunft, die er zum Einordnen benötigt.

Genau hier liegt der Unterschied zwischen den beiden Richtungen. Eine Rangordnung wird in der Praxis als Bewertung gelesen, gleich wie sie gemeint ist. Wer den Maschinenanteil an die erste Stelle setzt, erklärt damit implizit das Werkzeug zur Fehlergröße. Ökonomisch hält das nicht stand. Ein Modell kann eine Recherche verdichten, ohne dass die These an Schärfe verliert. Ein von Hand geschriebener Text kommt mitunter ganz ohne geprüfte Quellen aus. Der Anteil der Maschine sagt für sich genommen nichts darüber, ob jemand nachgedacht hat.

Die Analogie zum Nutri-Score hilft an dieser Stelle, wenn man sie genau nimmt. Der Nutri-Score bewertet nicht, wie viele Maschinen in der Produktion standen, sondern eine Eigenschaft des Ergebnisses, und stellt die Zutatenliste daneben. Auf einen Fachtext angewendet heißt das: Die Skala benennt, wo die Denkleistung lag, und eine sachliche Zeile daneben benennt, was das Modell gemacht hat. Bewertung und Offenlegung bleiben getrennt, und beide Fragen bekommen eine Antwort. Die Analogie hat eine Grenze, die ich offen benenne: Der Nutri-Score beruht auf messbaren Nährwerten, die Einstufung eines Textes beruht auf der Dokumentation seines Entstehungswegs. Sie ist damit so belastbar wie die Person, die sie vornimmt. Deshalb gehört der Name in die Kennzeichnung.

Aus diesen Gründen läuft meine Skala aufsteigend zum Menschen. Stufe 3 ist der höchste Wert. Ein Text auf Stufe 2, offen deklariert, sagt mehr über seine Herkunft aus als jedes Symbol, das nur die Beteiligung einer Maschine bestätigt.

Wie die Kennzeichnung konkret aussieht

Eine Kennzeichnung nützt nur, wenn sie überall funktioniert, wo publiziert wird. Auf einer Website lässt sich eine Grafik einbinden, in einem LinkedIn-Post nicht. Deshalb steht die Skala als vier Felder nebeneinander, von denen eines hervorgehoben ist, und lässt sich zugleich als eine Zeile Text schreiben.

Die vier Stufen entsprechen genau drei Füllzuständen, weshalb sich die Skala mit drei Blockzeichen abbilden lässt. Diese Darstellung sieht in jedem Kanal gleich aus, im LinkedIn-Post ebenso wie im PDF:

Stufe 3  ▰▰▰      Stufe 2  ▰▰▱      Stufe 1  ▰▱▱      Stufe 0  ▱▱▱

In der kurzen Form steht am Ende eines Textes eine einzige Zeile. Sie enthält die Skala, die Stufe als Ziffer und den Stufennamen:

Human Thinking Level  ▰▰▱  2 von 3 · Human Led · AI Assisted

In der ausführlichen Form, wie sie unter einem White Paper oder einem Gutachten sinnvoll ist, kommt die Zuordnung der fünf Kriterien dazu:

HUMAN THINKING LEVEL  ▰▰▱  2 von 3 · Human Led · AI Assisted

Ausgangsfrage   Mensch          Standpunkt    Mensch
Prüfung         Mensch          Erfahrung     Mensch
Ausarbeitung    KI              Haftung       Marco Geuer

Recherche und sprachliche Ausarbeitung erfolgten mit KI,
inhaltlich geprüft vor der Veröffentlichung.

Diese ausführliche Form ist prüfbar, weil sie jedem Kriterium eine Zuordnung gibt und die Verantwortung mit einem Namen verbindet. Genau darin unterscheidet sie sich von einem allgemeinen Hinweis, dass irgendwo eine KI beteiligt war.

Auf der Website erscheint dieselbe Information als Grafik. Vier Felder nebeneinander, das zutreffende hervorgehoben, darunter die Zuordnung der fünf Kriterien und die Verantwortungszeile. So sieht sie aus:

Die Stufe wird nicht am fertigen Text abgelesen. Kein Verfahren kann einem Text ansehen, ob jemand seine Quellen geprüft hat. Ablesbar ist der Entstehungsweg: welche Frage am Anfang stand, welche Aussagen geändert wurden, welche Quelle verworfen wurde, wer freigegeben hat. Deshalb entsteht die Einstufung am Ende der Produktion und nicht in einer nachträglichen Analyse.

Was das für die Führungsebene bedeutet

Die meisten Unternehmen publizieren heute Fachtexte, Produktbeschreibungen und Positionspapiere ohne dokumentierten Herkunftsnachweis. Die Lieferkette für Inhalte ist der einzige Wertschöpfungsprozess, in dem niemand fragt, wer welchen Schritt verantwortet hat. In der Materialwirtschaft wäre dieser Zustand undenkbar.

Drei Schritte schließen die Lücke, und sie kosten wenig.

Erstens: Für jeden veröffentlichten Text wird eine namentlich benannte Person festgelegt, die inhaltlich prüft. Damit ist die Voraussetzung der Ausnahme nach Absatz 4 erfüllt und zugleich dokumentiert. Diese Person muss fachkundig genug sein, um Aussagen zurückweisen zu können. Eine formale Freigabe durch eine Instanz ohne Fachbezug erfüllt den Maßstab der Verordnung nicht.

Zweitens: Die Prüfung wird als Vorgang festgehalten, nicht als Häkchen. Welche Aussage wurde geändert, welche Quelle verworfen, welcher Absatz gestrichen. Das ist der Nachweis, den eine Aufsichtsbehörde im Zweifel sehen möchte, und es ist derselbe Nachweis, aus dem sich die Stufe ergibt. Wer die Dokumentation ohnehin für die Befreiung benötigt, hat die Einstufung praktisch geschenkt.

Drittens: Die Stufe wird am Textende sichtbar deklariert. Sie ist anschlussfähig zu den Symbolen der Kommission, geht aber über sie hinaus, weil sie eine Aussage über die Herkunft der Denkleistung macht statt über die eingesetzte Technik.

Der wirtschaftliche Hebel liegt im Zusammenführen dieser drei Schritte. Wer freiwillig deklariert, erzeugt genau die Prüfung, die ihn von der Pflichtkennzeichnung befreit. Der Aufwand entsteht ohnehin, sobald ein Unternehmen die Ausnahme in Anspruch nehmen will. Die Deklaration macht ihn sichtbar und verwandelt eine Kostenposition in ein Vertrauensargument.

Dateninspirierte Unternehmen kennen diesen Mechanismus aus der Data Governance. Herkunft, Verantwortlichkeit und Prüfpfad sind dort seit Jahren Standard, weil ohne sie keine Entscheidung belastbar ist. Niemand würde eine Kennzahl in einen Vorstandsbericht aufnehmen, ohne zu wissen, aus welchem System sie stammt und wer sie verantwortet. Für Inhalte gilt dieselbe Logik. Ein publizierter Text ist ein Datenprodukt mit Lineage, mit einem Owner und mit einem Qualitätsmaß. Wer diese Denkweise aus der Datenwelt in die Kommunikation überführt, muss dafür keine neue Disziplin erfinden.

„Ein publizierter Text ist ein Datenprodukt mit Lineage, mit einem Owner und mit einem Qualitätsmaß."

Ab heute erscheint unter jedem Text von The Data Economist das Human Thinking Level. Sichtbar, in vier Stufen, mit einer Zeile darüber, was die KI übernommen hat und wer geprüft hat. Die Regulierung verlangt das nicht von mir, weil ich prüfe und mit meinem Namen dafür einstehe. Ich tue es, weil die Auskunft darüber, wer geprüft hat und wer einsteht, in den nächsten Jahren mehr über den Wert eines Inhalts aussagen wird als jede Reichweitenzahl.

Welche Stufe könnten Sie für die Inhalte Ihres Unternehmens heute belegen, wenn eine Aufsichtsbehörde morgen danach fragt?

Quellen

¹ Taylor Wessing, „Die Transparenzpflichten unter Artikel 50 KI-VO", Juli 2026, https://www.taylorwessing.com/de/insights-and-events/insights/2026/07/die-transparenzpflichten-unter-artikel-50-ki-vo

² TÜV Rheinland Consulting, „Transparenzpflichten im EU AI Act", https://consulting.tuv.com/aktuelles/ki-im-fokus/transparenzpflichten-eu-ai-act-art-50

³ Europäische Kommission, „Code of Practice on Marking and Labelling of AI-generated content", https://digital-strategy.ec.europa.eu/en/library/commission-publishes-second-draft-code-practice-marking-and-labelling-ai-generated-content

⁴ Börse Express, „KI-Transparenz: Neue Kennzeichnungspflichten ab 2. August verbindlich", 2. August 2026, https://www.boerse-express.com/news/articles/ki-transparenz-neue-kennzeichnungspflichten-ab-2-august-verbindlich-934623

⁵ Marco Geuer, „Warum KI-Inhalte an Wert verlieren, und wie ein Mensch ihn zurückholt", The Data Economist, 27. Juni 2026, https://the-data-economist.com/blog/blog-data-driven-strategy-culture/warum-ki-inhalte-an-wert-verlieren-und-wie-ein-mensch-ihn-zurueckholt

Weitere interessante Artikel:

• Advisory | Impulse Talks | Trainings
• Warum KI-Inhalte an Wert verlieren, und wie ein Mensch ihn zurückholt
• KI als Treiber der Konvergenz
• Das KI-Betriebssystem entscheidet sich in der Datenbasis
• Governance zu digitalisieren ist keine Option mehr