AI Slop: Wenn Content billig wird, wird Vertrauen teuer

AI Slop ist nicht deshalb ein Problem, weil eine KI geschrieben hat. Er ist ein Problem, weil jemand die eigene Arbeit billig gemacht hat und deine dadurch teuer wird. Wer nach der Herkunft fragt, stellt die falsche Frage. Die richtige lautet: Hat sich jemand dafür verantwortlich gefühlt, dass das hier gut ist?

Ein Konzept mit 30 Seiten. Eine Präsentation mit 47 Folien. Eine sauber formulierte Mail. Alles sieht fertig aus. Du liest, prüfst, sortierst, fragst nach und merkst irgendwann: Die AbsenderIn hat selbst nicht verstanden, was sie dir da geschickt hat.

Die zehn Minuten sind verschmerzt. Der Schaden entsteht danach: Du glaubst jetzt etwas über die AbsenderIn zu wissen, das vorher nicht da war. Kannst du dich auf ihre Arbeit verlassen? Musst du künftig alles kontrollieren? Hat diese Person überhaupt begriffen, was sie dir gerade empfiehlt?

Über die eine Hälfte dieser Entwicklung habe ich schon geschrieben: Wenn Produktion nichts mehr kostet, verliert Content seinen Wert, weil Aufmerksamkeit die knappe Ressource bleibt. Hier geht es um die andere Hälfte. Nicht um das Publikum, das nicht mehr hinschaut, sondern um die KollegIn, die dir nicht mehr glaubt.

Was ist AI Slop?

Der Begriff AI Slop wird für alles Mögliche benutzt. Für bizarre KI-Videos. Für LinkedIn-Texte mit sehr vielen Raketen. Für generische SEO-Artikel. Für Shrimp Jesus, jene Jesusfiguren aus Garnelen, die Facebook eine Zeit lang geflutet haben.

Die RechtswissenschaftlerInnen Jessica Silbey und Woodrow Hartzog von der Boston University haben dafür eine brauchbare Definition vorgelegt. Sie schlagen einen Dreifachtest vor: Slop entsteht mit sehr geringem Aufwand, er verlagert die Last asymmetrisch auf die Empfangenden, und er macht den Bereich, in dem er landet, mit der Zeit schlechter. Geprüft werden Aufwand, Zumutung und Degradation. Wie gut der Text klingt, spielt für den Test keine Rolle.

Halte den Test an echte Fälle, dann wird er brauchbar.

Die Willy’s Chocolate Experience in Glasgow warb im Februar 2024 mit KI-Bildern einer Zuckerwelt, samt erfundener Wörter auf den Plakaten. Eltern zahlten bis zu 35 Pfund und standen dann in einer fast leeren Lagerhalle, die Kinder bekamen zwei Jellybeans und einen Viertelbecher Limonade. Die Polizei rückte an, das Event wurde noch am selben Tag abgebrochen.

Im Super-Bowl-Spot für Google Gemini behauptete das KI-System im Februar 2025, Gouda mache 50 bis 60 Prozent des weltweiten Käsekonsums aus. Google schnitt die Zahl später aus dem Spot. Eine erfundene Zahl, im teuersten Werbeumfeld der Welt, in einem Spot, der für die Verlässlichkeit genau dieses Produkts werben sollte.

Die Chicago Sun-Times druckte im Mai 2025 eine Sommerbeilage mit einer Leseliste, auf der nur fünf von fünfzehn Büchern wirklich existierten. Die Beilage kam von einem Zulieferbetrieb, die AutorIn hatte KI benutzt und es nicht gesagt. Die Redaktion hat den Vorgang danach selbst aufgearbeitet, geprüft hatte ihn vorher niemand.

An Halloween 2024 warteten Tausende in Dublin auf der O’Connell Street auf eine Parade, die es nie gab. Eine KI-Seite hatte sie erfunden, Suchmaschinen und TikTok verbreiteten sie weiter, die Polizei musste die Menge auflösen.

In allen vier Fällen ist der Aufwand bei der AbsenderIn fast null, und die Rechnung zahlen andere: Eltern, ZuschauerInnen, LeserInnen, eine ganze Innenstadt.

An einer Stelle gehe ich weiter als die beiden. Ihre Definition ist an den Output generativer Systeme gebunden, Slop ist bei ihnen per Definition maschinell. Ich halte das für die eine Verengung zu viel. Der Dreifachtest funktioniert nämlich auch ohne Maschine: Das lieblos zusammenkopierte Meeting-Protokoll von 2019 erfüllt alle drei Kriterien. Generative KI hat Slop nicht erfunden, sie hat ihn nur unfassbar billig gemacht.

Deshalb ist „hat hier eine KI mitgearbeitet” die falsche Prüffrage. Ein Mensch kann mühelos Slop produzieren. Und ein Mensch kann mit KI ein hervorragendes Konzept erarbeiten.

Wenn du mir ein Dokument schickst, gibst du mir ein Versprechen

In jeder Kommunikation steckt ein ungeschriebener Vertrag. Schickst du mir ein Dokument, gehe ich davon aus, dass du es gelesen hast. Eigentlich noch mehr: dass du verstanden hast, was drinsteht. Dass du die zentralen Aussagen geprüft hast. Dass du erklären kannst, warum sie dort stehen. Dass du bereit bist, deinen Namen darunterzusetzen.

Früher lag eine weitere Annahme nahe. Wer mir ein ordentliches Whitepaper schickte, hatte vermutlich Wochen damit verbracht. Ich weiß das, weil ich früher selbst welche geschrieben habe, über interkulturelle Teams. Heute kann ein Text nach wochenlanger Arbeit aussehen und in drei Minuten entstanden sein.

Damit verschwindet nicht automatisch die Qualität. Aber ein Signal fällt weg. Am Umfang und am Schliff eines Textes erkennst du nicht mehr, ob sich jemand Mühe gegeben hat.

Warum KI-Content alte Qualitätssignale entwertet

Die Verhaltensforschung nennt so etwas ein costly signal. Shereen Chaudhry und Kristina Wald haben 2022 zusammengetragen, warum das funktioniert: Wenn jemand sichtbare Kosten auf sich nimmt, also Zeit, Anstrengung, Reputation, dann verleiht genau dieser Aufwand der Person Glaubwürdigkeit. Überzeugend sind dabei drei Eigenschaften. Ein Signal muss schwer zu fälschen sein, überprüfbar, oder mit einem echten Verzicht verbunden.

Der Pfau ist das Standardbeispiel. Sein Schwanz ist unpraktisch, und genau deshalb ist er ein Signal. Wer sich diesen Luxus leisten kann und trotzdem vor dem Fuchs davonkommt, ist offensichtlich fit.

Kommunikationsarbeit war lange voll davon. Ein 40-seitiges Whitepaper bedeutete Aufwand. Eine individuell geschriebene Mail bedeutete Aufmerksamkeit. Eine ausgearbeitete Präsentation bedeutete Vorbereitung.

Generative KI verändert diese Kostenstruktur radikal. Das 40-seitige Whitepaper kann immer noch das Ergebnis intensiver Arbeit sein. Es kann aber auch das Ergebnis eines einzigen Prompts sein. Von außen sieht beides gleich aus. Was teuer war, ist billig geworden, und damit verliert der Aufwand seine Signalwirkung.

Nur: Aufwand war nie ein besonders gutes Qualitätssignal, er war ein geduldeter Ersatz dafür. Ein 40-seitiges Whitepaper belegte, dass jemand Zeit hatte, nicht dass er etwas verstanden hat. Lieblose Arbeit gab es lange vor ChatGPT, sie war nur langsamer.

Die Theorie ist da strenger als unsere Praxis. Ein Signal wirkt nicht, weil es teuer ist, sondern weil es für Täuschende teurer ist als für Ehrliche. Beim reinen Aufwand stimmt das nicht: An einem schlechten Whitepaper kann man genauso lange sitzen wie an einem guten. Generative KI hat uns also kein gutes Signal weggenommen. Sie hat einen schlechten Näherungswert unbrauchbar gemacht, auf den wir uns jahrelang geeinigt hatten. Jetzt müssen wir Signale bauen, die tatsächlich etwas über Qualität aussagen.

Was ist Workslop und was kostet er?

Für den Arbeitsplatz hat sich ein eigener Begriff etabliert: Workslop. Gemeint ist KI-generierte Arbeit, die fertig und professionell aussieht, den Empfangenden aber zusätzliche Denk-, Prüf- oder Reparaturarbeit aufbürdet.

BetterUp Labs und das Stanford Social Media Lab haben dazu im September 2025 eine Befragung unter 1.150 US-Büroangestellten veröffentlicht. Rund 40 Prozent hatten im Monat davor solche Inhalte bekommen, und pro Vorfall gingen im Schnitt knapp zwei Stunden für Klärung und Nacharbeit drauf.

Dieselbe Forschungsgruppe um Jeffrey Hancock hat im Februar 2026 eine zweite Erhebung als Preprint nachgelegt, 962 Befragte, noch ohne Peer Review. Die Größenordnung bestätigt sich: 38 Prozent erhielten Workslop, der Aufwand lag bei rund 3,4 Stunden im Monat.

Die interessanten Zahlen stehen aber woanders in dieser Studie. Rund die Hälfte der Empfangenden hielt die AbsenderIn danach für weniger kreativ, weniger fähig und weniger zuverlässig. 42 Prozent vertrauten ihr weniger. Ein knappes Drittel wollte nicht wieder mit ihr zusammenarbeiten.

Das ist der eigentliche Preis. Wer dir schlechte Arbeit gibt, die gut aussieht, kostet dich nicht nur die Nacharbeit an diesem einen Dokument. Du lernst dabei, dass du künftig alles von dieser Person prüfen musst. Einmaliger Aufwand erzeugt dauerhaften Aufwand. Und weil niemand unbegrenzt Kontrollkapazität hat, sinkt am Ende einfach das Tempo des ganzen Teams.

Hilft ein KI-Label gegen AI Slop?

Die naheliegende Antwort wäre Transparenz. Schreiben wir eben drunter, dass KI im Spiel war.

Oliver Schilke und Martin Reimann haben in 13 Experimenten untersucht, was passiert, wenn Menschen ihre KI-Nutzung offenlegen. Das Ergebnis ist über sehr verschiedene Rollen hinweg stabil: Wer offenlegt, dem wird weniger vertraut. Der Mechanismus läuft über wahrgenommene Legitimität, nicht über wahrgenommene Faulheit. Am größten ist der Schaden übrigens, wenn die KI-Nutzung nicht freiwillig genannt, sondern später aufgedeckt wird. Immerhin: Die Strafe fällt kleiner aus bei Menschen mit positiver Technikeinstellung. Es ist also kein Naturgesetz, sondern ein Legitimitätsproblem, an dem man arbeiten kann.

Siavosh Sahebi, Paul Formosa und Sarah Bankins haben denselben Widerspruch 2026 noch schärfer gezeigt. 547 Personen bewerteten entweder eine Arbeitsmail oder einen Social-Media-Post. Kommunikation mit offengelegter KI-Beteiligung galt als weniger vertrauenswürdig, weniger authentisch und weniger nützlich für die eigene Wissensaufnahme. Gleichzeitig hielten dieselben Befragten genau diese Offenlegung für wichtig. Die Forschenden nennen das Disclosure Paradox und warnen vor einer unangenehmen Nebenwirkung: Die Strafe trifft ausgerechnet die am härtesten, denen KI am meisten nützt, also Menschen, die nicht in ihrer Muttersprache schreiben oder sprachliche Barrieren überwinden.

Und jetzt kommt der Befund, der die Sache endgültig kippt. Jiaqi Zhu und Andras Molnar haben in zwei Experimenten mit über 1.300 US-Erwachsenen geprüft, ob Menschen KI-Nutzung im Alltag überhaupt vermuten. Tun sie nicht. In realistischen Kontexten, bei E-Mails, Social Media, Nachrichten, behandelten die Teilnehmenden Texte unbekannter Herkunft, als seien sie sicher von Menschen geschrieben. Bestraft wird nur, wer es sagt.

Zusammengenommen heißt das: Offenlegen kostet dich etwas, Verschweigen kostet dich fast nichts. Ein System, das ehrliches Verhalten bestraft und unehrliches folgenlos lässt, ist als Qualitätssystem unbrauchbar. Auch der Kennzeichnungspflicht aus Artikel 50 des AI Act geht es um Täuschungsschutz, nicht um Qualität. Und einen zuverlässigen Detektor gibt es ohnehin nicht, wie wir beim Test der gängigen KI-Erkennungstools gesehen haben.

Schadet KI-Nutzung immer dem Vertrauen?

Bevor daraus die nächste einfache Geschichte wird: KI-Beteiligung schadet nicht immer.

Ein Team um Zoe Purcell hat 2025 zwei Experimente mit 1.637 Teilnehmenden durchgeführt. Die Teilnehmenden spielten ein incentiviertes Vertrauensspiel, bei dem echtes Geld auf dem Spiel stand und sie ihrem Gegenüber eine Nachricht schreiben konnten. Die Hälfte durfte dabei eine Schreibassistenz nutzen. Ergebnis: Die KI-unterstützten Nachrichten erzeugten genauso viel Vertrauen, kosteten aber weniger Zeit. Selbst die Offenlegung senkte das Vertrauen hier nicht bedeutsam.

Wichtig ist die Einordnung. Gemessen wurde Vertrauen in einer kurzen, transaktionalen Nachricht zwischen Fremden, nicht in einem Strategiepapier zwischen KollegInnen. Genau darin liegt die Erkenntnis. Bei „der Termin ist Donnerstag um 14 Uhr, hier sind die Unterlagen” interessiert mich nicht, wer getippt hat. Bei einer Entschuldigung schon. Und bei einer Analyse, auf deren Basis ich eine Entscheidung treffe, interessiert mich etwas Drittes: ob die AbsenderIn den Inhalt verstanden hat, welche Punkte sie geprüft hat und wofür sie einsteht.

Das ist die Frage, die in allen drei Fällen zählt. Und anders als die Herkunftsfrage kann man sie üben.

Zum Mitmachen

Der Slop-Check: fünf Handgriffe, bevor du auf Senden drückst

Nimm das Dokument, das gerade in deinem Entwurfsordner liegt. Kein einziger dieser Handgriffe prüft, ob eine KI beteiligt war. Jeder kostet dich ein bis zwei Minuten, und genau das ist der Punkt.

1. Lies den Text laut vor.Wo du stolperst, steht ein Satz ohne Inhalt. Wo dir die Luft ausgeht, steht einer ohne Ende. Dein Ohr merkt das sofort, dein Auge überliest es seit Jahren.
2. Halt bei jeder Zahl drei Sekunden an.Woher kommt sie? Ist die Größenordnung plausibel? Wenn du die Quelle nicht in 30 Sekunden wiederfindest, findet sie deine LeserIn nie. Dann fliegt die Zahl raus oder bekommt ein „laut".
3. Streich den ersten Absatz.Fehlt er? Meistens nicht. Was übrig bleibt, fängt an der Stelle an, an der es interessant wird.
4. Markier jeden Satz, den dein Wettbewerb genauso schreiben könnte.Bleibt nichts unmarkiert, hast du nichts gesagt. Das Unmarkierte ist dein eigentlicher Beitrag, und meistens ist es zu kurz.
5. Schreib dazu, was du nicht geprüft hast.Ein Satz reicht: „Die Marktgröße auf Seite 8 konnte ich nicht verifizieren." Fällt dir kein einziger ein, hast du nicht geprüft, sondern überflogen.

von 5 erledigt

Fünf von fünf. Das waren etwa acht Minuten, und niemand außer dir hat sie gesehen. Genau das macht sie zum Signal.

Und wenn ein Handgriff „nein" sagt?

Dann wirf den Entwurf nicht weg, sondern schreib die Lücke hin. Ein Dokument mit der Zeile „diese Zahl habe ich nicht verifizieren können" ist mehr wert als eins ohne. Es ist schwerer zu fälschen, es ist überprüfbar, und es kostet dich etwas, nämlich das Eingeständnis. Damit erfüllt es alle drei Merkmale eines glaubwürdigen Signals, während eine perfekt formulierte 40-seitige Analyse keines davon mehr erfüllt.

Haken zurücksetzen

Das neue Signal heißt nicht Aufwand, sondern Angreifbarkeit

Chaudhry und Wald nennen drei Eigenschaften, die ein Signal glaubwürdig machen: schwer zu fälschen, überprüfbar, mit echtem Verzicht verbunden. Fürs Marketing skaliert nur die mittlere. Überprüfbarkeit ist billig herzustellen und trotzdem schwer zu fälschen.

„27 Teilnehmende, Selbstauskunft, erhoben im Mai” kostet dich zwanzig Sekunden Tippen. Erfinden kann diese Zeile trotzdem niemand, der nicht erhoben hat, denn sie lädt zum Nachfragen ein. Die Kosten entstehen nicht beim Schreiben. Sie entstehen beim Lügen.

Damit lässt sich ziemlich konkret sagen, was im Marketing gerade verfällt und was nachrückt.

Klassiker	Was er früher bewies	Was heute zählt
Die Zahl im Text	Jemand hat gemessen	Die Methode daneben: wie viele, wann, wie erhoben
Der Social-Media-Beitrag	Jemand hat sich Gedanken gemacht und Zeit investiert	Dass jemand unter dem Beitrag auf Nachfragen antwortet, die er nicht vorbereitet hat
Die Case Study	Ein Kundenunternehmen hat Zahlen freigegeben	Ein Kundenunternehmen, das bereit ist, mit Interessierten zu sprechen
Der Fachvortrag	Wochen Vorbereitung	Die Fragerunde, in der niemand ein Skript hat
Die Konferenz	Zwei Tage weg, Reise, Hotel, Ausfall im Tagesgeschäft	Genau dasselbe, und zwar mehr als vorher
Das Weihnachtsgeschenk	Jemand hat an dich gedacht	Ein Geschenk, das nur Sinn ergibt, wenn sich jemand an ein konkretes Gespräch erinnert

In fast jeder Zeile verschiebt sich dasselbe: Der Aufwand wandert von der Produktion in die Rechenschaft. Nicht das Erstellen kostet etwas, sondern das Geradestehen. Deshalb steht die Drei-Sekunden-Regel oben im Check. Eine Zahl ohne Methode war früher eine Schlamperei, heute ist sie ein Warnsignal.

Eine Zeile fällt aus der Reihe, und die finde ich die interessanteste. Die Konferenz verliert nichts. Hinfahren kostet weiterhin zwei Tage, Reise und Nerven, und diesen Preis kann niemand wegprompten. Was sich ändert, ist der Wechselkurs. Gegenüber allem, was gerade billig geworden ist, ist Anwesenheit massiv im Wert gestiegen: hingehen, zuhören, auf eine unerwartete Frage reagieren, eine halbe Stunde länger bleiben, weil das Gespräch wichtig geworden ist.

Beim Weihnachtsgeschenk läuft es andersherum, und das tut ein bisschen weh. Der Präsentkorb bewies nie, dass jemand an dich gedacht hat. Er bewies, dass du im richtigen Segment stehst. Personalisierung macht diesen Unterschied jetzt sichtbar, weil sie so billig ist, dass sie nichts mehr beweist.

Ich will deshalb nicht zurück in die Zeit vor generativer KI. Im Gegenteil: Wenn KI mir die langweiligen Teile abnimmt, wird Zeit frei für die Teile, die zählen. Denken, prüfen, nachfragen, reden, eine bessere Idee haben. Das ist kein Nebeneffekt, das ist der ganze Zweck der Übung, und es ist auch der Kern dessen, was AI Literacy im Arbeitsalltag bedeutet.

Anti-Slop ist deshalb kein Kampf gegen KI-Content und keine Stilpolizei. Es ist ein Versprechen: Was wir dir geben, haben wir verstanden. Wir haben geprüft, was zu prüfen war. Und wir stehen dafür ein.

Den KollegInnen in meinen Seminaren fehlt genau dafür die Sprache. Wenn sie das nächste Mal sagen, ein Text sei seelenlos, werde ich zurückfragen: Welchen Satz darin könnte die AbsenderIn verteidigen, wenn du nachhakst? Das ist keine elegantere Formulierung für dasselbe Gefühl. Das ist eine Frage, die man beantworten kann.