KI-Lektorat: Trefferquote, Studie von korrektur.de

Benjamin LohrerEigene Studie von korrektur.de · Autor: Benjamin Lohrer, B.A. Linguistik, Lektor · Stand: 16. November 2026

KI-Lektorat im Test: Trefferquote bei 640 Fehlern

Lesezeit ca. 9 Min. · zuletzt aktualisiert: 16. November 2026 · Alle Seiten zur Bachelorarbeit

Wir haben 8 Abschnitte im Stil einer Abschlussarbeit mit je 20 eingebauten Fehlern von vier KI-Modellen korrigieren lassen. Von 640 Fehlern haben die Modelle zusammen 639 behoben (99,84 Prozent), neue Fehler hat keines eingeführt. Das gilt für Testtexte mit eindeutigen Fehlern, nicht für echte Arbeiten. Stand 16. November 2026.

Kurzantwort: Wie viele Fehler beheben KI-Modelle beim Korrekturlesen?

Bei klaren Fehlern in Rechtschreibung, Zeichensetzung, Grammatik und Zitierweise fast alle. Claude Opus 5.5, GPT Sol 5.6 und GPT Terra 5.6 haben je 160 von 160 Fehlern behoben, Claude Sonnet 5.5 hat 159 von 160 (99,4 %) behoben. Zusammen sind es 639 von 640 (99,8 %), die Spanne reicht von 99,1 bis 100,0 %.

Der einzige nicht behobene Fehler liegt in der Grammatik: In einem Text über Soziologie ließ Sonnet „ist“ statt des Konjunktivs „wäre“ stehen. Die drei anderen Modelle haben diese Stelle behoben, dabei aber das Verb davor angepasst. Mehr dazu im Abschnitt zu den Eingriffen.

160 von 160Claude Opus 5.5, Fehler behoben
159 von 160Claude Sonnet 5.5, Fehler behoben
160 von 160GPT Sol 5.6, Fehler behoben
160 von 160GPT Terra 5.6, Fehler behoben

Anteil der behobenen Fehler je Modell, in Prozent

Claude Opus 5.5
100,0 %
Claude Sonnet 5.5
99,4 %
GPT Sol 5.6 (Codex)
100,0 %
GPT Terra 5.6 (Codex)
100,0 %

Was wir getestet haben

Wir haben 8 Abschnitte geschrieben, je zwischen 265 und 315 Wörtern lang, aus acht Fächern: BWL, Psychologie, Erziehungswissenschaft, Informatik, Soziologie, Pflegewissenschaft, Geschichte und Maschinenbau. In jeden Abschnitt haben wir 20 Fehler eingebaut, je fünf aus Rechtschreibung, Zeichensetzung, Grammatik und Zitierweise. Das ergibt 160 Fehler je Modell und 640 über alle vier. Beispiele sind ein fehlendes Komma („zeigt sich dass“), eine Verwechslung von „das“ und „dass“ oder ein Beleg im falschen Format („Lehmann, 2019, S. 45“ statt „Lehmann 2019, S. 45“).

Jedes Modell bekam jeden Abschnitt einzeln, mit demselben Auftrag: Korrigiere alle Fehler in Rechtschreibung, Zeichensetzung, Grammatik und Zitierweise, formuliere nichts um, ändere weder Inhalt noch Wortwahl und gib nur den korrigierten Abschnitt zurück. Der Zitierstil stand im Auftrag: Autor-Jahr im Text: (Nachname Jahr, S. Seitenzahl); zwei Autoren mit 'und'; ab drei Autoren 'Nachname u. a.'; ohne Seite: (Nachname Jahr) Websuche und Werkzeuge waren aus.

Getestet wurden Claude Opus 5.5 und Claude Sonnet 5.5 von Anthropic sowie GPT Sol 5.6 und GPT Terra 5.6 über Codex. Die vollständigen Kennungen stehen in der Tabelle unten und je Lauf in den Rohdaten.

Ergebnis je Modell

Drei Modelle haben alle 160 Fehler behoben. Sonnet 5.5 liegt mit 159 von 160 einen Fehler darunter. Dieser Unterschied ist zu klein, um ihn zu deuten: Die Spannen überlappen weit (97,7 bis 100,0 % bei den drei Modellen mit voller Quote, 96,5 bis 99,9 % bei Sonnet). Mit 160 Fehlern je Modell lässt sich eine Rangfolge nicht belegen. Belegt ist nur, dass alle vier bei klaren Fehlern nahe an der vollen Quote liegen.

Behobene Fehler je Modell

Tabelle: Modell, Kennung, Fehler behoben, Spanne (Wilson, 95 Prozent)
ModellKennungFehler behobenSpanne (Wilson, 95 Prozent)Eingriffe in korrekten TextNeue Fehler
Claude Opus 5.5claude-opus-5 bis 5160 von 160 (100,0 %)97,7 bis 100,0 %10
Claude Sonnet 5.5claude-sonnet-5 bis 5159 von 160 (99,4 %)96,5 bis 99,9 %00
GPT Sol 5.6 (Codex)gpt-5.6-sol160 von 160 (100,0 %)97,7 bis 100,0 %10
GPT Terra 5.6 (Codex)gpt-5.6-terra160 von 160 (100,0 %)97,7 bis 100,0 %10
Alle vier Modelle639 von 640 (99,8 %)99,1 bis 100,0 %30

Ergebnis je Fehlerart

Rechtschreibung, Zeichensetzung und Zitierweise haben alle vier Modelle fehlerfrei behoben. Die einzige Lücke steht in der Grammatik: 159 von 160 (99,4 %). Je Fehlerart und Modell sind es nur 40 Fehler, die Spannen sind entsprechend breit. Bei Sonnet 5.5 reicht sie in der Grammatik von 87,1 bis 99,6 %.

Behobene Fehler je Fehlerart

Tabelle: Fehlerart, Claude Opus 5.5, Claude Sonnet 5.5, GPT Sol 5.6 (Codex)
FehlerartClaude Opus 5.5Claude Sonnet 5.5GPT Sol 5.6 (Codex)GPT Terra 5.6 (Codex)Alle vier Modelle
Rechtschreibung40 von 4040 von 4040 von 4040 von 40160 von 160 (100,0 %)
Zeichensetzung40 von 4040 von 4040 von 4040 von 40160 von 160 (100,0 %)
Grammatik40 von 4039 von 4040 von 4040 von 40159 von 160 (99,4 %)
Zitierweise40 von 4040 von 4040 von 4040 von 40160 von 160 (100,0 %)

Eingriffe in korrekten Text

Ein gutes Lektorat darf nichts verschlimmern. Darum haben wir jede Änderung außerhalb der eingebauten Fehlerstellen gezählt und von Hand beurteilt. Neue Fehler hat kein Modell eingeführt (insgesamt 0). Opus, Sol und Terra haben je einen Eingriff gemacht, Sonnet keinen. Es ist derselbe Satz in einem Text: Im Lösungsschlüssel steht „Setzte … ein, wäre“, in den Testtext haben wir „Setzte … ein, ist“ eingebaut. Die drei Modelle haben „Setzte“ zu „Setzt“ geändert, damit der Satz mit „ist“ im Indikativ stimmig ist. Beide Fassungen sind grammatisch richtig. Wir haben den Eingriff darum als vertretbar gewertet und den Fehler als behoben. Sonnet hat „Setzte … ist“ stehen lassen, das ist die einzige Stelle, die wir als nicht behoben zählen.

Je 1.000 Wörter sind das 0,5 Eingriffe bei drei Modellen und 0,0 bei Sonnet.

Zwei Fälle liegen an der Grenze und stehen in den Handurteilen. Sonnet hat in der Informatik einen Kasusfehler behoben, dabei aber „Kosten“ durch „Aufwands“ ersetzt. Das ist nicht falsch, verstößt aber gegen den Auftrag, nichts umzuformulieren. Sol hat „evtl“ zu „eventuell“ ausgeschrieben, das ist gleichwertig. Beide Fehler zählen als behoben.

Für die Praxis heißt das: Wer eine Arbeit von einem Modell korrigieren lässt, sollte die Änderungen trotzdem durchsehen, etwa mit der Vergleichsfunktion der Textverarbeitung. Auch ein Modell, das keinen neuen Fehler einführt, ändert manchmal Wörter, die du gewählt hast.

Was ein menschliches Lektorat zusätzlich prüft

Unser Test misst nur, ob eindeutige Fehler gefunden werden. Ein menschliches Lektorat prüft darüber hinaus, ob die Gliederung trägt, ob Argumente schlüssig sind, ob ein Absatz zum Rest der Arbeit passt und ob die Formulierungen zum Fach und zur Betreuungsperson passen. Wer wissen will, was das kostet, findet Preise unter Kosten für das Lektorat der Bachelorarbeit. Was Menschen an KI Texten verbessern, steht unter Menschliches Lektorat für KI Texte.

Dieser Test sagt nichts darüber, ob ein Modell diese Prüfung ersetzt. Er sagt nur, dass die Arbeit auf der Ebene von Komma, Schreibung und Beleg in unseren Testtexten kaum Lücken ließ. Die Entscheidung, ob Hochschule oder Betreuung den Einsatz erlauben, steht auf einem anderen Blatt: Zu den Regeln siehe Regeln für KI an Hochschulen.

Was die Zahlen nicht zeigen

  • Echte Studierendentexte. Die Fehler sind im Lehrbuchstil gewählt, eindeutig und von uns eingebaut. Echte Arbeiten enthalten auch unklare Fälle, in denen selbst Lektoren streiten.
  • Vollständige Arbeiten. Jeder Text hat rund 300 Wörter (265 bis 315). Wie sich ein Modell bei 10.000 oder 80.000 Wörtern verhält, haben wir nicht getestet.
  • Einen Vergleich mit Menschen. Wir messen nur gegen unseren Lösungsschlüssel. Wie viele dieser Fehler ein menschlicher Lektor findet, wissen wir nicht.
  • Schwankung zwischen Läufen. Jedes Modell lief einmal je Text, am 16. November 2026, mit der Standardtemperatur. Ein zweiter Lauf kann anders ausfallen.
  • Gemini. Das Modell fehlt, weil das Kontingent des Abos bei Lauf leer war.
  • Inhalt, Logik, Stil und Argumentation. Wir haben nur Rechtschreibung, Zeichensetzung, Grammatik und Zitierweise geprüft.
  • Schwierigere oder mehrdeutige Fehler. Die fast vollen Quoten sagen nichts darüber, wie die Modelle bei solchen Fehlern abschneiden.
  • Eine Rangfolge der Modelle. Der Unterschied von einem Fehler liegt innerhalb der Spannen.

So haben wir gezählt

Grundlage sind 8 selbst geschriebene Testtexte mit Lösungsschlüssel. Der fehlerfreie Text und jeder eingebaute Fehler (falsch, richtig, Art) standen vor dem ersten Lauf fest, ebenso Auftrag, Bewertungsregel und Zitierstil. Je Modell und Text gab es einen Aufruf, zusammen 32 Läufe.

Schritt 1: Wir vergleichen die Ausgabe des Modells Wort für Wort und Satzzeichen für Satzzeichen mit dem fehlerhaften Text. Steht an der Fehlerstelle die richtige Folge, gilt der Fehler als behoben. Steht dort weiter die falsche Folge, bleibt er offen. Wurde die Stelle anders verändert, haben wir sie von Hand beurteilt. Schritt 2: Jede Änderung außerhalb der Fehlerstellen ist ein Eingriff. Wir haben jeden Eingriff von Hand beurteilt, als neuen Fehler (danach falsch) oder als vertretbar (gleichwertige Variante, Typografie). Die Handurteile stehen mit Begründung in einer Datei, insgesamt acht.

Anteile haben ein Wilson-Intervall mit 95 Prozent. Die 640 Fehler stammen aus nur 8 Texten, die Fehler eines Textes sind nicht unabhängig voneinander. Die Spannen sind darum eher zu schmal. Die Auswertung ist ohne Urteil eines KI-Modells entstanden: Abgleich per Programm und Handurteil, keine automatische Bewertung durch ein Modell.

Rohdaten zum Lektorat durch KI als CSV (eine Zeile je eingebautem Fehler und je Eingriff, mit dem Text vorher, dem erwarteten Text und der Ausgabe des Modells, Semikolon-getrennt, UTF-8, Stand 16. November 2026)

Die Zahlen dürfen mit Quellenangabe zitiert werden: Autor Benjamin Lohrer, Herausgeber korrektur.de, Stand und Zeitraum. Fertige Angaben in APA, MLA, Harvard, Chicago und DIN stehen im Kasten unten. Verwandte Studien: Offenlegung von KI in Abschlussarbeiten und KI als Thema von Abschlussarbeiten.

Wenn du deine Arbeit vor der Abgabe prüfen lassen willst, hilft dir die Korrektur für deine Bachelorarbeit.

Über diese Studie

Diese Studie hat Benjamin Lohrer (B.A. Linguistik, Lektor bei korrektur.de) erstellt: Er hat die Daten ausgewertet und die Ergebnisse zusammengefasst. Herausgeber ist korrektur.de.

So zitierst du diese Seite

Stand: 16. November 2026

Lohrer, B. (2026, 16. November). KI-Lektorat im Test: Trefferquote bei 640 Fehlern. korrektur.de. https://korrektur.de/ki-lektorat-trefferquote-statistik

Quellen und Stand

Willst du deine Arbeit vor der Abgabe prüfen lassen?

Datei hochladen

Häufige Fragen zu dieser Statistik

Wie viele Fehler beheben KI-Modelle beim Korrekturlesen?

In unserem Test 639 von 640 (99,8 %). Drei Modelle haben alle 160 Fehler behoben, Claude Sonnet 5.5 hat 159 von 160 (99,4 %) behoben. Die Fehler waren eindeutig und eingebaut.

Führen KI-Modelle beim Korrigieren neue Fehler ein?

In unserem Test nicht: 0 neue Fehler bei 640 Fehlern. Drei Modelle haben je einmal in korrekten Text eingegriffen, das haben wir als vertretbar gewertet.

Welche Fehlerart machen KI-Modelle am häufigsten?

Die einzige Lücke lag in der Grammatik: 159 von 160 (99,4 %). Rechtschreibung, Zeichensetzung und Zitierweise haben alle vier Modelle fehlerfrei behoben.

Ersetzt ein KI-Modell das Lektorat?

Das zeigt unser Test nicht. Er prüft nur eindeutige Fehler in kurzen Texten gegen einen Lösungsschlüssel. Inhalt, Aufbau, Argumentation und Stil haben wir nicht untersucht, ebenso wenig einen Vergleich mit einem menschlichen Lektor.

Welche Modelle wurden getestet?

Claude Opus 5.5, Claude Sonnet 5.5, GPT Sol 5.6 und GPT Terra 5.6. Gemini fehlt, weil das Kontingent des Abos leer war. Die Rohdaten stehen als CSV zum Download.

Unsere Partner