NEW YORK / LONDON (IT BOLTWISE) – Der KI-Detektions-Startup Pangram hat 9 Millionen US-Dollar eingesammelt, um Text- und Bildinhalte auf KI-Unterstützung zu prüfen. Mit „Pangram 4“ geht ein neues Textmodell an den Start, das nach Angaben der Firma über 99% korrekt erkennt, ob Inhalte vollständig oder gemischt KI-gestützt entstanden sind. Zusätzlich folgt ein Bilddetektor („Pangram Image“), der zunächst als Research Preview verfügbar ist. Damit will das Startup nicht nur KI-Text markieren, sondern auch unterschiedliche Nutzungsgrade von KI im Schreibprozess sichtbar machen.
Pangram adressiert mit einer neuen Generation von KI-Detektoren ein Problem, das sich inzwischen wie eine Folge von Skalierungseffekten über das Netz legt: Je mehr generative Modelle verfügbar sind, desto schneller steigt das Volumen an Texten, die für Suchmaschinen optimiert werden, ohne dass dabei die menschliche Autorschaft oder die inhaltliche Sorgfalt zwangsläufig gleichziehen. Das in New York ansässige Startup hat dafür jetzt 9 Millionen US-Dollar frisches Kapital eingesammelt und rollt zugleich zwei Produktbausteine aus: „Pangram 4“ für die Erkennung von KI-unterstütztem und gemischtem Text sowie „Pangram Image“ als KI-Bilddetektor. Für die Praxis ist vor allem relevant, dass Pangram nicht nur „KI ja/nein“ beantwortet, sondern auch zwischen unterschiedlichen Stufen der Unterstützung unterscheiden will – etwa wenn ein Mensch schreibt und danach den Text mit einem Modell gezielt glättet oder umformuliert.
Technisch beschreibt Pangram seine Text-Erkennung als großes Machine-Learning-Modell, das mit einem breiten Trainingsmix aus bekannten menschlichen Dokumenten gefüttert wurde. Das zentrale Detail ist dabei weniger die reine Klassifikation, sondern die Trainingsstrategie: Für jedes Dokument erzeugt Pangram eine Art „synthetischen Spiegel“, der Thema, Länge und Tonalität repliziert, jedoch von einem Frontier-LLM verfasst wird. Aus dieser Gegenüberstellung lernt der Detektor die stilistischen Entscheidungen, die KI wiederkehrend trifft, und nutzt diese Muster, um mit hoher Sicherheit auf KI-Generierung oder KI-Einfluss zu schließen. Genau in diesem Punkt grenzt sich das System laut Darstellung klar von Ansätzen ab, die auf Copy-Paste-Metadaten oder versteckten Wasserzeichen setzen. Für Redaktionsteams und Plattformbetreiber ist diese Unabhängigkeit von Wasserzeichen besonders relevant, weil sie nicht davon ausgehen müssen, dass die Herkunftssignale in jedem Workflow vorhanden sind.
Parallel zur Textseite nimmt Pangram den Bildbereich ins Visier. Der Bilddetektor „Pangram Image“ ist zunächst als Research Preview verfügbar und soll KI-generierte Bilder über verschiedene Modellfamilien hinweg identifizieren können. Die Grundlage dafür ist laut Beschreibung eine pixelbasierte Statistik: Das Modell analysiert Verteilungen auf Pixelebene und lernt subtile Unterschiede zwischen realen Fotos und synthetischen Bildern. Ein zusätzlicher Testaspekt ist die Robustheit gegenüber Einbettungsszenarien, bei denen ein KI-erzeugtes Bild in einer realen Aufnahme auftaucht. In diesem Zusammenhang erwähnen die Macher, dass ihr System sogar solche „eingesetzten“ Bildbereiche erkennen kann; zugleich deutet das selbst durchgeführte Testing darauf hin, dass es im Einzelfall weiterhin zu Fehlklassifikationen kommen kann, etwa wenn ein reales Foto fälschlich als menschlich oder KI-unterstützt eingestuft wird.
Damit trifft Pangram einen Markttrend, der gerade von mehreren Seiten bearbeitet wird. Laut der Quelle steigt der Wettlauf um KI-Detektion: Wettbewerber wie Winston AI, Originality.ai, Copyleaks und GPTZero bauen ebenfalls eigene Prüfmechanismen. Die Unterschiede liegen dabei typischerweise im Trainingsdaten-Setup, in der Frage, welche Arten von KI-Einfluss modelliert werden (reine Generierung versus Nachbearbeitung) und wie robust die Systeme gegen gezielte Umgehungsversuche bleiben. Pangram positioniert sich in dieser Debatte mit einer Messgröße, die das Vertrauen in die Unterscheidung direkt quantifizieren soll: Für „Pangram 4“ nennt das Startup eine Erkennungsgenauigkeit von über 99% bei der Identifikation von AI-assisted writing und gemischten Inhalten. Gleichzeitig zeigt das beschriebene Eigen-Testing, dass selbst starke Detektoren nicht unfehlbar sind – etwa wenn menschlich geschriebene Sätze in bestimmten Kontexten fälschlich als KI-unterstützt erscheinen oder wenn KI- und Menschtexte aufgrund von Ähnlichkeiten in der Ausdrucksweise für das Modell schwerer trennbar werden.
In der Unternehmenspraxis entscheidet weniger die einzelne Zahl als der Produktumfang: Pangram bietet Zugänge über ein Abo (20 US-Dollar pro Monat) für die Web-Oberfläche, ergänzt durch eine Chrome-Erweiterung, die Beiträge in Echtzeit markiert. In der Darstellung werden Posts auf Plattformen wie X, LinkedIn, Substack, Reddit und Medium automatisch mit Labels versehen; zusätzlich stellt Pangram einen „Health Score“ bereit, der den Anteil von menschlichen versus KI-generierten Elementen in Prozent auf dem Bildschirm einordnet. Für Teams, die nicht nur Nutzersignale sammeln, sondern ganze Workflows absichern wollen, ist vor allem der API-Zugang interessant. In der Quelle wird zudem erwähnt, dass Substack Pangram in seine Plattform integriert habe, um Leserinnen und Leser darüber zu informieren, welche ihrer Lieblingsautorinnen und -autoren Newsletters möglicherweise mit KI-Unterstützung erstellen. Weitere API-Kundengruppen werden als Quora, Schulen und Universitäten, Verlage, Agenturen und Recruiter beschrieben; die konkrete Integration zeigt, dass Detektion zunehmend als Teil von Produktqualität und Vertrauenserzeugung verstanden wird.
Der rechtliche und institutionelle Kontext verleiht dem Thema zusätzlich Gewicht. Während einzelne Prompts und Fehltritte in politischen oder medialen Kontexten für Spott sorgen können, können falsche oder erfundene Zitate in juristischen Verfahren oder akademischen Veröffentlichungen reale Konsequenzen nach sich ziehen. Ein besonders deutliches Beispiel in der Quelle ist die Regeländerung bei arXiv: Dort kann es laut neuer Enforcement-Policy zu einem einjährigen Einreichverbot kommen, wenn in Beiträgen Hinweise auftauchen, dass Autorinnen und Autoren LLM-Ausgaben nicht ausreichend geprüft haben – etwa bei hallucinierten Referenzen oder meta-kommentierten Textpassagen wie „Would you like me to make any changes?“. Für Pangram ergibt sich daraus ein nachvollziehbarer Nutzwert: Wenn Detektion nicht als „Hexenjagd“ verstanden wird, sondern als technischer Anstoß für Review-Prozesse, kann das helfen, Fehlerketten zu reduzieren.
Ob der Detektionsansatz in der Breite „wirkt“, hängt dennoch von einem Wechselspiel aus Erwartungsmanagement und Messbarkeit ab. Spero betont in der Quelle, dass die Technologie nicht gegen Menschen eingesetzt werden soll, die KI fürs Schreiben verwenden, sondern dass es Mechanismen braucht, um dem „Slop“ entgegenzusteuern. Diese Perspektive adressiert einen realen Zielkonflikt: Je besser Detektoren werden, desto größer wird auch der Druck, sie als pauschales Qualitätsurteil zu missbrauchen. Für Organisationen bedeutet das: Pangram kann ein Signal liefern, doch die Verantwortung für die inhaltliche Validierung bleibt beim Menschen. Genau deshalb ist die Unterscheidung zwischen vollständig generierten Texten und menschlich verfassten, aber KI-gestützten Texten so entscheidend – denn sie kann im Review-Prozess helfen, nachzusteuern, statt nur zu verurteilen.
Für die nächsten Monate dürfte vor allem spannend sein, wie sich die Bilddetektion im Produktivbetrieb schlägt und ob Pangram die Research-Preview von „Pangram Image“ zeitnah breiter verfügbar macht, wie angekündigt. Auch bei Text wird die Frage bleiben, wie robust Detektion bleibt, wenn immer mehr Schreibsysteme gezielt auf unauffällige Stiltransfer-Methoden setzen. Gleichzeitig zeigen die bereits genannten Integrationen und der API-Absatz, dass Nachfrage existiert: Plattformen wollen Transparenz, Verlage und Schulen wollen Prüf- und Auditierbarkeit, Recruiter und Agenturen wollen zumindest eine zusätzliche Ebene an Plausibilisierung. In diesem Markt wird Pangram nicht allein gewinnen – aber das Setup aus synthetischem Spiegeltraining, hoher Zielgenauigkeit und einem modularen Angebot für Text wie Bild setzt klar auf einen Ansatz, der für konkrete Workflows anschlussfähig ist.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Pangram: Neue KI-Detektoren für Text und Bilder gegen „AI-Slop“" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Pangram: Neue KI-Detektoren für Text und Bilder gegen „AI-Slop“" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Pangram: Neue KI-Detektoren für Text und Bilder gegen „AI-Slop“« bei Google Deutschland suchen, bei Bing oder Google News!