Ich kenne Gidon Wagner, den Geschäftsführer der WORTLIGA Tools GmbH, seit über 20 Jahren. Wir haben damals zusammen bei Counterstrike.de in der Redaktion gearbeitet und waren später sogar in einer Bürogemeinschaft in München. Ich mag Gidon und schätze ihn menschlich sehr. Meine Kritik richtet sich ausdrücklich nicht gegen ihn als Person. Sie richtet sich gegen diese Veröffentlichung, ihre Methodik, ihre Schlussfolgerungen und gegen die Art, wie hier aus meiner Sicht ein wissenschaftlicher Anschein erzeugt wird, der von den Daten nicht getragen wird. Die WORTLIGA Tools GmbH ist laut Impressum Herausgeberin der Veröffentlichung, Gidon Wagner wird dort als Geschäftsführer genannt.
Und gerade weil ich ihn kenne und schätze, schreibe ich das nicht leichtfertig. Aber manchmal muss man Dinge sagen, auch wenn sie persönlich unangenehm sind.
Die eigentliche Erkenntnis: Garbage in, Garbage out
Ich habe mich wirklich geärgert.
Nicht, weil jemand KI-Texte kritisch untersucht. Im Gegenteil: Das ist dringend nötig. KI-generierte Inhalte fluten inzwischen Websites, LinkedIn, E-Mail-Kampagnen, Sales-Strecken und Whitepaper. Natürlich müssen wir darüber sprechen, wann solche Texte gut sind, wann sie schlecht sind und wie man Qualität objektiver bewerten kann.
Ich ärgere mich, weil diese Veröffentlichung unter dem Titel „Wie wirksam kommuniziert KI in Marketing und Vertrieb?“ auftritt, am Ende aber vor allem eines zeigt: Wenn man KI-Modelle mit schlechten, oberflächlichen oder geradezu karikierten Prompts füttert, bekommt man schlechte, oberflächliche oder karikierte Texte zurück. Überraschung? Keine.
Die Veröffentlichung selbst beschreibt ein Datenset aus 2.112 KI-generierten B2B-Texten, erzeugt mit drei Modellen, elf Textgattungen, acht Branchen und acht Prompt-Stilen. Bewertet wurde vor allem mit dem WORTLIGA-Score, also einem Verständlichkeitswert von 0 bis 100, der Lesbarkeit und Sprachmerkmale wie Passiv, Nominalstil, komplexe Wörter, Füllwörter und Floskeln kombiniert.
Das klingt zunächst solide. Viele Texte, mehrere Modelle, verschiedene Branchen, verschiedene Formate. Aber die entscheidende Frage ist nicht: „Wie viele Texte wurden analysiert?“ Die entscheidende Frage ist: Was wurde eigentlich getestet?
Und genau da beginnt mein Problem.
Was hier getestet wurde, ist nicht „KI-Kommunikation“. Es ist Prompt-Folgsamkeit.
Die Studie will laut eigener Darstellung herausfinden, welche Modelle „von Haus aus“ verständlich formulieren, wie stark sie sich durch unterschiedliche Prompt-Stile beeinflussen lassen und wo sprachliche Fallstricke liegen.
Aber ein großer Teil der verwendeten Prompts ist aus professioneller Sicht schlicht kein ernstzunehmendes Prompting.
Ein Basic-Prompt wie sinngemäß „Schreib mir bitte einen Text für diese Gattung und Branche“ enthält kaum Kontext, keine Zielgruppe, kein Angebot, keine Differenzierung, keine Beispiele, keine Tonalität, keine Faktenbasis, keine Einwände, keine Conversion-Logik, keine Vorgaben zur Argumentationsstruktur. Andere Prompts fordern ausdrücklich Buzzword-Gewitter, Verkaufsdruck oder übertriebene Formalität: „innovativ, disruptiv und game-changing“, FOMO, „dringend Leads“, „höchste Seriosität und akademischer Anspruch“.
Wenn ich einem Sprachmodell sage: „Mach das maximal buzzwordig“, bekomme ich Buzzwords. Wenn ich sage: „Schreib wie ein Beamter mit akademischem Anspruch“, bekomme ich Behördendeutsch. Wenn ich sage: „Schreib einfach mal was Gutes zusammen“, bekomme ich eben auch genau das: generischen Durchschnitt.
Das ist keine Entlarvung der KI. Das ist eine Entlarvung des Prompts.
Die Veröffentlichung nennt das selbst den „Chamäleon-Effekt des Promptings“: Die Modelle spiegeln den Schreibstil und die Tonalität des Prompts stark wider. Beim „Beamten“-Prompt fällt der durchschnittliche WORTLIGA-Score laut Veröffentlichung auf 4,4 Punkte; beim verständlichkeitsoptimierten Prompt steigt er auf 79,4 Punkte.
Aus meiner Sicht ist das der eigentliche Befund. Nicht: „KI schreibt schlecht.“ Sondern: KI schreibt folgsam. Auch dann, wenn man ihr schlechte Anweisungen gibt.
Die Studie zeigt eher, dass die Prompts schlecht waren
Die Veröffentlichung formuliert an einer Stelle sinngemäß selbst: Lazy Prompting führt zu Lazy Content. Die Kategorie „1_basic“ enthielt einen sehr kurzen Prompt ohne sprachliche Vorgaben; das Ergebnis seien viele Passivkonstruktionen und schwerfälliger B2B-Duktus. Am Ende steht dort sogar ausdrücklich „Garbage in, Garbage out“.
Genau. Mehr müsste man eigentlich nicht sagen.
Denn wenn das Ergebnis lautet: „Schlampige Prompts führen zu schlampigen Texten“, dann ist das eine nützliche Beobachtung. Aber es ist keine belastbare Aussage darüber, wie gut moderne KI-Modelle schreiben können. Es ist schon gar kein Beweis dafür, dass Unternehmen zwingend ein bestimmtes Tool brauchen, um KI-Texte brauchbar zu machen.
Ein professioneller KI-Workflow sieht nicht so aus, dass man einem Modell eine dürre Zeile hinwirft und sich dann wundert, dass der Text generisch ist.
Ein professioneller Workflow enthält Briefing, Zielgruppe, Positionierung, Beispiele, Negativbeispiele, Tonalität, fachliche Fakten, Recherche-Ergebnisse, gewünschte Struktur, Qualitätskriterien, Überarbeitungsschleifen und menschliche Verantwortung.
Wer das alles weglässt, testet nicht die Leistungsfähigkeit eines KI-Modells. Er testet die Folgen eines schlechten Briefings.
Das wäre ungefähr so, als würde man drei Spitzenköche bitten: „Mach mal irgendwas Leckeres, aber bitte extrem disruptiv, akademisch und mit viel FOMO“ — und anschließend eine Studie darüber veröffentlichen, dass Spitzenköche ohne Küchentool keine guten Menüs kochen können.
Lesbarkeit ist nicht Wirksamkeit
Mein zweiter großer Kritikpunkt ist der Begriff „wirksam“.
Die Veröffentlichung fragt: „Wie wirksam kommuniziert KI in Marketing und Vertrieb?“ Das klingt nach Wirkung. Nach Response-Raten. Nach Conversion. Nach Vertrauen. Nach Erinnerungsleistung. Nach Verständnistests. Nach Leadqualität. Nach Kaufabsicht. Nach realer Performance in echten Vertriebssituationen.
Gemessen wurde aber vor allem Lesbarkeit: WORTLIGA-Score, Flesch-Index, Passiv, Nominalstil, komplexe Wörter, Füllwörter und Floskeln.
Das sind relevante Kriterien. Keine Frage. Ich bin der Letzte, der Passivwüsten, Nominalstil und Marketing-Geschwurbel verteidigt. Aber Lesbarkeit ist nicht gleich Wirksamkeit.
Ein Text kann leicht lesbar und trotzdem belanglos sein. Ein Text kann formal sauber und trotzdem fachlich falsch sein. Ein Text kann einen hohen Score haben und trotzdem keine Zielgruppe überzeugen. Umgekehrt kann ein fachlich anspruchsvoller Text bewusst komplexer sein, wenn er für Expertinnen und Experten geschrieben wurde.
Die Veröffentlichung erkennt dieses Problem sogar indirekt an: Bei extrem verständlichen Prompts entstehen Texte mit sehr hohen Scores, die aber laut Veröffentlichung teils auf ein naives, kindliches Niveau abrutschen und fachliche B2B-Inhalte trivialisieren.
Das ist wichtig. Denn damit zeigt sich: Selbst der zentrale Score der Untersuchung kann in die Irre führen. Ein hoher Verständlichkeitswert ist nicht automatisch ein guter B2B-Text. Und ein niedrigerer Wert ist nicht automatisch ein unwirksamer Text.
Wer „Wirksamkeit“ verspricht, muss Wirkung messen. Nicht nur Textoberfläche.
Der Score kommt vom Herausgeber selbst
Dritter Punkt: Die Studie nutzt den WORTLIGA-Score als zentrales Maß. Das ist legitim, wenn man transparent macht, was dieser Score kann und was er nicht kann. Aber wissenschaftlich sauber wäre es, diesen Score nicht als quasi objektiven Wahrheitsmesser für Textqualität zu behandeln.
Denn hier bewertet ein Toolanbieter Texte mit dem eigenen Tool beziehungsweise der eigenen Metrik und kommt am Ende zu dem Ergebnis, dass tool-gestützte Qualitätssicherung wichtig ist. Die Veröffentlichung empfiehlt ausdrücklich eine Kombination aus Prompt-Engineering und objektiver, tool-gestützter Qualitätssicherung.
Das kann richtig sein. Ich habe überhaupt nichts gegen Tools, die Texte verständlicher machen. Im Gegenteil: Gute Textanalyse kann hilfreich sein. Aber methodisch entsteht hier eine Zirkularität: Das Tool definiert, was „gut“ ist; dann zeigt die Studie, dass viele KI-Texte nach genau diesem Tool nicht gut sind; anschließend wird tool-gestützte Qualitätssicherung empfohlen.
Das ist nicht automatisch wertlos. Aber es ist eher ein Whitepaper mit Marketinginteresse als eine neutrale wissenschaftliche Studie.
Die Modellvergleiche sind viel zu stark formuliert
Besonders stört mich die Härte, mit der aus den Daten Modellurteile abgeleitet werden.
Die Veröffentlichung nennt Claude mit einem durchschnittlichen WORTLIGA-Score von 47,7 als „Gesamtsieger“, Gemini mit 46,8 knapp dahinter und GPT-5.5 mit 37,7 deutlich schlechter.
Aber was sagt das wirklich?
Claude liegt nur 0,9 Punkte vor Gemini. Ohne Konfidenzintervalle, Signifikanztests, Varianzanalysen und Auswertung pro Textgattung, Branche und Prompt-Stil ist das wissenschaftlich dünn. Es kann sein, dass Claude in diesem Setup besser abschneidet. Es kann auch sein, dass der Unterschied praktisch irrelevant ist.
Noch problematischer: Einige Fehler werden als absolute Zahlen berichtet, obwohl die Modelle unterschiedlich viele Wörter produziert haben. Claude erzeugte laut Datengrundlage 162.041 Wörter, Gemini 190.367 und GPT-5.5 170.550.
Wenn ein Modell fast 30.000 Wörter mehr schreibt als ein anderes, sind absolute Fehlerzahlen nur begrenzt vergleichbar. Sauber wären Werte pro 1.000 Wörter, pro Satz oder pro Text. Sonst kann ein Modell schlechter aussehen, nur weil es mehr Text produziert hat.
Auch Formulierungen wie „66,7 % der Modelle“ wirken statistisch präzise, bedeuten hier aber schlicht: zwei von drei Modellen.
Das ist keine große Population. Das ist ein Dreiervergleich.
Was eine bessere Untersuchung hätte leisten müssen
Eine wirklich belastbare Studie zur Frage, wie wirksam KI in Marketing und Vertrieb kommuniziert, müsste anders aussehen.
Sie müsste reale Zielgrößen messen: Verstehen Menschen den Text besser? Erinnern sie sich an die Botschaft? Vertrauen sie dem Anbieter mehr? Klicken sie häufiger? Antworten sie häufiger auf eine E-Mail? Laden sie ein Whitepaper eher herunter? Bewerten Fachentscheider den Text als kompetent, relevant und glaubwürdig?
Sie müsste menschliche Bewertungen einbeziehen — idealerweise geblindet, mit mehreren unabhängigen Ratern und klaren Kriterien. Sie müsste fachliche Korrektheit prüfen. Sie müsste mehrere Prompt-Varianten pro Kategorie testen, nicht nur einzelne Stilkarikaturen. Sie müsste Outputs mehrfach generieren, weil Sprachmodelle stochastisch arbeiten. Sie müsste Rohdaten, Prompt-Parameter, API-Einstellungen und Auswertungscode offenlegen.
Und vor allem müsste sie faire Prompts verwenden: Prompts, wie kompetente Anwender sie tatsächlich einsetzen würden.
Denn die relevante Praxisfrage lautet nicht: „Was passiert, wenn ich einem Modell einen schlechten Prompt gebe?“ Die relevante Frage lautet: Wie gut werden KI-Texte, wenn man sie professionell brieft, fachlich korrekt füttert und mit einem sinnvollen Qualitätsprozess überarbeitet?
Mein eigentliches Problem
Mein Problem ist nicht, dass WORTLIGA für bessere Texte wirbt. Mein Problem ist auch nicht, dass KI-Texte oft schlecht sind. Viele sind es. Das Netz ist voll davon.
Mein Problem ist das Framing.
Wenn man schlechte Prompts baut, schlechte Texte bekommt und daraus eine Geschichte macht, dass KI-Modelle grundsätzlich schlecht schreiben, dann ist das aus meiner Sicht unredlich verkürzt. Wenn man Lesbarkeit misst und von Wirksamkeit spricht, ist das methodisch unsauber. Wenn ein Toolanbieter den eigenen Score zum zentralen Qualitätsmaß macht und daraus die Notwendigkeit tool-gestützter Qualitätssicherung ableitet, muss man besonders kritisch hinschauen.
Die Veröffentlichung hat einen nützlichen Kern: Sie zeigt, dass Prompting extrem wichtig ist. Sie zeigt, dass Passiv, Nominalstil und Floskeln echte Probleme in KI-Texten sein können. Sie zeigt auch, dass überoptimierte Verständlichkeit Texte banalisieren kann.
Aber sie beweist nicht, dass KI „schlecht schreibt“. Sie beweist nicht, dass ein bestimmtes Modell generell untauglich ist. Sie beweist nicht, dass ein WORTLIGA-Score reale Marketing- oder Vertriebswirkung abbildet. Und sie beweist schon gar nicht, dass ein Tool automatisch die Lösung für das Problem ist.
Mein Fazit
Ja, schlechte KI-Texte sind ein Problem.
Aber schlechte Prompts sind auch ein Problem.
Und schlechte, unwissenschaftliche Pseudostudien sind ein RIESEN PROBLEM!
Und diese Veröffentlichung zeigt aus meiner Sicht vor allem Letzteres: Wer KI schlecht briefed, bekommt schlechte Ergebnisse. Wer Modelle in Buzzword-Gewitter, Beamtenstil oder generische B2B-Floskeln hineinpromptet, darf sich nicht wundern, wenn genau das herauskommt.
KI ist kein magischer Texter, der aus einem miserablen Briefing automatisch eine hervorragende Kampagne macht. Aber sie ist auch nicht der unfähige Sprachautomat, als der sie hier stellenweise erscheint. Sie ist ein Werkzeug, das sehr stark auf Kontext, Ziel, Beispiele, Constraints und Feedback reagiert.
Darüber sollten wir reden.
Nicht über künstlich schlechte Prompts, die am Ende vor allem beweisen, dass künstlich schlechte Prompts künstlich schlechte Texte erzeugen.
Abonniere das AFAIK-Update
Bleib auf dem Laufenden in Sachen Künstliche Intelligenz im Online Marketing!
Melde Dich jetzt mit Deiner E-Mail-Adresse an und ich versorge Dich kostenlos mit News-Updates, Tools, Tipps und Empfehlungen Rund um KI aus den Bereichen Online-Marketing, SEO, GEO, WordPress und vieles mehr.
Keine Sorge, ich mag Spam genauso wenig wie Du und gebe Deine Daten niemals weiter! Du bekommst höchstens einmal pro Monat eine E-Mail von mir. Versprochen.