Pangram, ein in New York ansässiges Startup, das von den Stanford-KI-Absolventen Max Spero und Bradley Emi gegründet wurde, hat eine Serie-A-Finanzierungsrunde in Höhe von 9 Millionen US-Dollar unter der Leitung von Menlo Ventures abgeschlossen. Die Mittel werden in eine API für Plattformen sowie in eine 20-Dollar-pro-Monat kostende Chrome-Erweiterung fließen, die verspricht, KI-unterstützte Texte mit einer Genauigkeit von 99 Prozent zu kennzeichnen – ein Anspruch, der die Art und Weise, wie Journalisten, Wissenschaftler und Personalvermittler Authentizität überprüfen, grundlegend verändern könnte.

Der Anstieg von KI-generiertem „Slop“

Große Sprachmodelle produzieren mittlerweile Artikel, Social-Media-Posts und sogar juristische Zitate in riesigem Umfang. Das Ergebnis: eine Flut von minderwertigem SEO-Spam, koordinierte Desinformationskampagnen und eine Grauzone, in der Menschen KI-generierte Entwürfe lediglich polieren. Institutionen reagieren bereits. Der Preprint-Server arXiv warnte, dass Autoren, die ungeprüfte LLM-Ergebnisse einreichen, mit einem einjährigen Verbot rechnen müssen, und Gerichte haben damit begonnen, Anwälte zu sanktionieren, die sich auf von KI erzeugte, fingierte Zitate verlassen. Der Druck, menschliche von maschinellen Inhalten zu trennen, wächst, und Pangram setzt darauf, dass seine Technologie zur Standard-Verifizierungsebene werden kann.

Synthetic Mirroring: Training an einem Zwilling jedes Dokuments

Pangrams Flaggschiff-Modell, Pangram 4, nutzt eine Methode, die das Unternehmen „Synthetic Mirroring“ nennt. Für jedes von Menschen geschriebene Dokument in seinem Trainingsdatensatz – Zehntausende von verifizierten Texten – generierte das Team ein Gegenstück mithilfe eines Frontier-LLM. Der synthetische Zwilling entspricht dem Original in Thema, Länge und Tonfall, wurde jedoch von einer KI erstellt. Indem beide Versionen in dasselbe neuronale Netz eingespeist werden, bringt Pangram dem Modell bei, die subtilen statistischen Fingerabdrücke zu erkennen, die in KI-generierten Texten bestehen bleiben – selbst wenn Autoren „AI Humanizer“-Tools einsetzen, die darauf ausgelegt sind, maschinelle Ausgaben zu tarnen.

Wettbewerber verlassen sich auf Metadaten oder unsichtbare Wasserzeichen, die entfernt oder ignoriert werden können. Pangram konzentriert sich stattdessen auf die Stilistik: Muster in der Wortwahl, im Satzrhythmus und in der Token-Verteilung, die über die Ausgaben eines Modells hinweg konsistent bleiben. Laut einer Pressemitteilung des Unternehmens identifizierte das System in internen Tests KI-unterstützte Texte mit einer Genauigkeit von 99 Prozent.

Von APIs bis hin zu Browsern: Wo die Technologie ankommt

Pangram positioniert sich eher als Infrastruktur denn als reine Einweg-App. Seine API ist bereits in Substack integriert, wo Newsletter ein Label anzeigen, das den Anteil an KI-generierten Inhalten angibt. Zu den frühen Anwendern gehören auch die Q&A-Plattform Quora, mehrere universitäre Schreibzentren und Personalvermittlungsagenturen, die die Originalität von Bewerbungen überprüfen müssen.

Für einzelne Nutzer bietet das Startup eine Chrome-Erweiterung an, die auf Websites wie X, LinkedIn, Reddit und Medium einen „Feed Health Score“ einblendet. Der Score schlüsselt den Prozentsatz des Textes auf, von dem das Modell glaubt, dass er von Menschen bzw. von einer KI stammt. Abonnenten zahlen 20 US-Dollar im Monat für eine Echtzeit-Kennzeichnung und die Möglichkeit, verdächtige Passagen zur weiteren Überprüfung zu markieren.

Eine skeptische Sichtweise

Genauigkeitsversprechen ziehen unweigerlich kritische Fragen nach sich. Die KI-Unterstützung in der „Grauzone“ zu erkennen – dort, wo ein Autor einen von einem Modell erstellten Entwurf überarbeitet – bleibt ein bewegliches Ziel. Da generative Modelle immer besser werden, könnte sich die stilistische Lücke, auf die Pangram setzt, verringern, was zu einem Wettrüsten zwischen Erkennungs- und Umgehungstechniken führen könnte. Kritiker warnen zudem vor „False Positives“: Die Kennzeichnung eines legitimen menschlichen Textes als KI-generiert könnte den Ruf schädigen, insbesondere in akademischen oder juristischen Kontexten, in denen viel auf dem Spiel steht.

Pangram räumt diese Herausforderung ein und merkt an, dass das Modell kontinuierlich mit neuen „Synthetic Mirrors“ nachgeschult wird, sobald neue LLMs erscheinen. Das Unternehmen hat jedoch keine unabhängigen Benchmark-Ergebnisse neben seinen internen Tests offengelegt, sodass die breitere Fachwelt die 99-Prozent-Zahl selbst verifizieren muss.

Worauf man achten sollte

Die nächsten Monate werden zeigen, ob Pangram über Pilotintegrationen hinaus zu einer breiteren Plattform-Adoption gelangen kann. Wichtige Indikatoren sind:

  • Erweiterung von API-Verträgen über die aktuelle Liste der frühen Partner hinaus.
  • Feedback von institutionellen Nutzern zu den False-Positive-Raten und den Auswirkungen auf redaktionelle Arbeitsabläufe.
  • Reaktionen von LLM-Entwicklern, die mit Modell-Updates reagieren könnten, die darauf abzielen, den menschlichen Stil noch genauer nachzuahmen.
  • Regulatorische Entwicklungen, die KI-Erkennungstools für bestimmte Publikationen oder akademische Einreichungen verpflichtend machen könnten.

Sollte das Startup seinen Vorsprung bei der Erkennung behalten und gleichzeitig niedrige Fehlerraten aufweisen, könnte es zum De-facto-Standard für digitale Authentizität werden. Andernfalls könnte der Markt in ein Flickwerk konkurrierender Tools zerfallen, die jeweils ihre eigenen Vor- und Nachteile haben.

Fazit

Die 9-Millionen-Dollar-Kapitalspritze von Pangram befeuert eine Erkennungsstrategie, die auf einem Twin-Document-Trainingsregime basiert, um eine nahezu perfekte Erkennung von KI-Unterstützung zu beanspruchen. Ihr Erfolg wird davon abhängen, ob die Methode auf sich ständig weiterentwickelnde Sprachmodelle skalierbar ist und das Vertrauen der Plattformen und Institutionen gewinnt, die sie am dringendsten benötigen.