Wie es funktioniert

Was ist deslopify, genau?

deslopify ist ein Diagnose-Tool. Du fügst einen Text ein und kriegst einen Slop Score von 0 (klingt nach Mensch) bis 100 (industrieller Slop). Es ist kein binärer KI-Detektor — die haben einen Track Record darin, nicht-muttersprachliche Autor:innen falsch zu flaggen und ihre Hersteller in Klagen zu führen. Es ist ein Register-Messer, zerlegt in drei unabhängige Signale, mit denen du dem Headline-Wert widersprechen kannst.

Wie funktioniert der Slop Score?

Drei Engines laufen auf jedem Paste. Jede liefert einen eigenen 0–100-Sub-Score plus eine Liste markierter Stellen. Der Komposit ist ein fester gewichteter Mittelwert:

slop_score = round(0,15 × lexical + 0,30 × structural + 0,55 × epistemic)

Das epistemische Gewicht ist am höchsten, weil es den KI-spezifischsten Failure Mode erwischt (relativierte Haltung, generische Spezifik, ausbalanciertes Nicht-Festlegen). Der Komposit läuft dann durch eine kleine Kurve, die menschliches Schreiben in Ruhe lässt und Grenzfall-Slop einen Tick schwerer liest — die Kurve liegt auf /calibration, falls du die exakte Form sehen willst.

Was machen die drei Engines?

Lexical — deterministisch, kein LLM. Ein frequenzgewichtetes Wörterbuch aus Wörtern und Phrasen, die einzeln unauffällig sind, aber in KI-Text in Häufungen zusammenkommen (untersuchen, navigieren, in der heutigen Welt, darüber hinaus). Normalisiert pro 500 Wörter. Erwischt Oberflächen-Vokabular.

Structural— deterministisch + leichte NLP. Trikolon-Dichte („X, Y und Z“-Listen), das "es ist nicht nur X, es ist Y"-Pivot, Absatzlängen-Gleichheit, Gedankenstrich-Dichte, geglättete Satzvariabilität. Gewichtete Summe der Signale. Erwischt Rhythmus.

Epistemic — die einzige Engine, die ein LLM aufruft (Claude Sonnet 4.6). Liest den Text wie ein kritischer Redakteur und liefert ein strukturiertes Urteil: Ist die Haltung relativiert, sind Behauptungen spezifisch, legt sich das Stück fest oder balanciert es, sind die Beispiele real oder nur benannt? Schwerste Gewichtung, weil hier KI-Text wirklich durchsickert. Hartes 12-Sekunden-Timeout; bei Fehler liefert die API das deterministische Ergebnis mit partial-Flag statt eines Request-Fehlers.

Was bedeuten die Verdict-Bänder?

Score-zu-Label-Zuordnung. Höher = sloppiger (Absicht — „mein Score ist 12“ soll die Brag-Aussage sein).

• 0–20: Klingt nach Mensch. Selten. Meistens persönliche Essays, gelebte Erfahrung, dezidierte Kritik.
• 21–40: Weitgehend sauber. Der Default für engagiertes menschliches Schreiben, das Wendungen teilt, aber spezifisch wird.
• 41–60: Stellenweise sloppig. Ein paar Engines feuern. Lies die Sub-Score-Balken, um zu sehen welche.
• 61–80: Schwerer Slop. Mehrere Engines heiß. Entweder starker KI-Einsatz oder ein Register, das ihn imitiert (Corporate-Marketing-Texte, glatte Newsletter).
• 81–100: Industrieller Slop. Alle drei Engines leuchten. Entweder pure KI-Generierung oder Boilerplate, der so generisch ist, dass er sich damit überschneidet.

Was ist das Stimm-Profil, und wofür?

Sobald du eingeloggt bist, kannst du auf /account ein Stimm-Profil in zwei Teilen aufbauen:

Ein Archetyp — wähl pro Sprache einen unserer sechs Kalibrierungsanker als Zielstimme (klarer Essay, Feuilleton, literarisch-persönlich usw.). Der Rewriter peilt diese Stimme an, wenn er Text umformt.

Ein Fingerabdruck — füg 1–3 Beispieltexte aus deinem eigenen Schreiben ein. Wir scoren sie, behalten die vier Zahlen (Mittelwerte für lexical / structural / epistemic plus den modalen Verdict-Band) und werfen die Prosa weg. Was bleibt, sind die Zahlen. Pro Sprache, damit dein deutsches Register separat vom englischen erfasst wird.

Beides fließt in den Rewriter-Prompt. Beides fließt auch ins Score-Banner: liegt eine Engine > 20 Punkte neben deiner üblichen Baseline, surfacen wir einen Hinweis dazu — eine Abweichung von deinem Typischen ist nützlicher als ein generisches Urteil.

Was macht der Rewriter?

Unter jedem Score sitzt eine inline Rewriter-Vorschau. Für anonyme Nutzer streamt Sonnet einen Versuch, deinen Text in ein generisches klares Register zu bringen. Für eingeloggte Nutzer mit gesetztem Stimm-Profil benennt der Prompt deinen Archetyp und deine Fingerprint-Zahlen explizit — die Umformulierung peilt deine Stimme an, nicht eine vereinheitlichte.

Die Vorschau ist ein Sample, nicht das bezahlte Produkt. Der volle Rewriter (kompletter Text mit Edits) steht auf der Warteliste.

Wird mein eingefügter Text irgendwo gespeichert?

Eingefügter Text wird für den epistemischen Call an Anthropic geschickt und nirgends auf unserer Seite gespeichert — Score, Hash, Zeichenzahl, Highlights ja; Rohtext nein. Beispieltexte fürs Stimm-Profil werden im Speicher gescort und verworfen. IPs werden vor der Speicherung gehasht. Die Langfassung mit Aufbewahrung, Dienstleistern und deinen Rechten liegt auf /privacy.

Welche Sprachen werden unterstützt?

Englisch, Deutsch, Spanisch sind heute live. Jede Sprache hat ihr eigenes lexikalisches Wörterbuch, ihre Strukturregex-Bank, Kalibrierungsanker, Sonnet-Judge-Prompt und (pro eingeloggter Nutzer:in) Fingerabdruck. Fügst du Englisch auf der deutschen Seite ein, erkennen wir den Mismatch, scoren mit der richtigen Engine und bieten an, die Sprache der Site umzustellen.

Was fragt das Onboarding, und wozu?

Melde dich mit Magic-Link oder Google an. Der erste Screen fragt nach Schreib-Rollen (Newsletter-Autor, Ghostwriter, Marketing-Texter, Blogger, Studierende post-KI, Tech-Writer, Essayist, Sonstige) — Mehrfachauswahl; mindestens eine erforderlich. Die Rollen steuern die Rewriter-Ziele und (später), welche Research-Stücke wir dir surfacen.

Derselbe Screen bietet einen optionalen Voice-Samples-Block. Füg 1–3 kurze Proben ein und wir bauen den Fingerabdruck sofort. Überspringen und denselben Schritt später unter /account erledigen, wenn du eigenes Material zur Hand hast.

Wo es weitergeht

Neugierig auf die Fehlschläge? /limitations listet sie auf — kurze Texte, L2-Autor:innen, code-lastige Posts, die üblichen Verdächtigen. /calibration zeigt die sechs Ankertexte pro Sprache und die Score-Bänder, die sie treffen. Die sieben /research-Stücke gehen auf die zugrundeliegenden Aussagen zu Detektoren, Blind-Reader-Präferenz und KI-Verbreitung ein.