--- title: KI-Spuren aus Texten und Dateien entfernen — was wirklich funktioniert. description: "Seit August 2026 gelten in der EU neue Transparenzpflichten für KI-Inhalte. In diesem Guide erfährst du, welche Spuren KI-Werkzeuge tatsächlich hinterlassen — und wie du sie mit dem Open-Source-Projekt watermarks-remover untersuchst und bereinigst." category: guides date: 2026-08-17 canonical: https://thanisch.co/wissen/guides/wasserzeichen-entfernen url: https://thanisch.co/wissen/guides/wasserzeichen-entfernen --- # KI-Spuren aus Texten und Dateien entfernen — was wirklich funktioniert. - Welche Spuren KI-Tools wirklich hinterlassen — und welche nicht - Wie du Unicode-Zeichen und Metadaten sauber entfernst - Warum das kein Freifahrtschein gegen KI-Detektoren ist - Einen erprobten Ablauf für deine eigenen Dateien > **Kurz gesagt** > Das Werkzeug bereinigt unsichtbare Zeichen und Metadaten zuverlässig. Ein *statistisches* Wasserzeichen in der Wortwahl kann es abschwächen, aber nicht beweisbar entfernen. Die Regel bleibt: erst untersuchen, dann eine Kopie bereinigen, dann kontrollieren. ## Neue Pflichten, ein altes Missverständnis Seit dem **2. August 2026** gelten in der EU neue Transparenzpflichten für KI-generierte Inhalte. Anbieter generativer KI-Systeme müssen technisch geeignete, maschinenlesbare Kennzeichnungen ermöglichen. Bei Deepfakes und bestimmten Veröffentlichungen zu Themen von öffentlichem Interesse kann zusätzlich eine sichtbare Kennzeichnung nötig sein. Das heißt aber **nicht**, dass jeder von Claude, ChatGPT oder Gemini erzeugte Text automatisch ein nachweisbares statistisches Wasserzeichen enthält. Welches Verfahren ein Anbieter einsetzt, steht in dessen offizieller Dokumentation — und nur dort. Unabhängig davon hinterlassen KI-Tools und Dateiprogramme andere Spuren: unsichtbare Unicode-Zeichen, ungewöhnliche Leerzeichen, EXIF- und XMP-Metadaten, Dokumenteigenschaften oder C2PA-Herkunftsinformationen. Genau hier setzt das Open-Source-Projekt *watermarks-remover* an. ## Was das Werkzeug kann Das Projekt unterscheidet drei Bereiche — und die sind sehr unterschiedlich zuverlässig. ### 1. Unsichtbare Zeichen in Texten Zero-Width-Spaces, bidirektionale Steuerzeichen, ungewöhnliche Leerzeichen. Diese lassen sich **zuverlässig finden, zählen und entfernen.** ### 2. Statistische Muster in der Wortwahl Manche Verfahren beeinflussen, welche Wörter ein Modell wählt. Das Muster steckt nicht als Zeichen in der Datei, sondern verteilt sich über den Text. Es lässt sich durch Umschreiben **abschwächen — aber nicht beweisbar tilgen.** ### 3. Metadaten in Dateien Unterstützt werden u. a. PNG, JPEG, WebP, SVG, PDF, DOCX, EPUB, ODT, HTML und Markdown. Je nach Format lassen sich EXIF-, XMP-, Dokument- und bestimmte C2PA-Informationen prüfen oder entfernen. ## Die wichtigste Einschränkung Metadaten zu entfernen ist **nicht dasselbe** wie ein statistisches Text-Wasserzeichen zu entfernen. Ein bereinigter Text kann von einem KI-Detektor weiterhin als möglicherweise KI-generiert eingestuft werden — solche Detektoren bewerten Stilmerkmale, kein eingebettetes Zeichen. Umgekehrt ist ein positives Detektor-Ergebnis kein Beweis, dass ein Text von einer KI stammt. > **Merke** > Ohne den offiziellen Detektor und dessen geheimen Schlüssel lässt sich nicht verlässlich beweisen, dass ein proprietäres Wasserzeichen weg ist. Auch das Umschreiben ist keine Garantie. ## Installation & erster Test Die Anleitung bezieht sich auf Version 0.5.0. Du brauchst `git` und **Python ab 3.10**. Projekt herunterladen: ``` git clone https://github.com/guillaumemeyer/watermarks-remover.git cd watermarks-remover python3 --version ``` Python sollte mindestens **3.10** anzeigen. Die grundlegenden Textfunktionen brauchen laut Projekt keine zusätzlichen Pakete. Jetzt ein erster Test — untersuchen, dann eine Kopie bereinigen: ``` python3 service/scripts/inspect_file.py artikel.txt python3 service/scripts/clean_file.py artikel.txt -o artikel.cleaned.txt ``` Die Originaldatei bleibt erhalten. Weiterverarbeitet wird zunächst nur `artikel.cleaned.txt` — nachdem du den Inhalt kontrolliert hast. ## Dateien untersuchen und bereinigen Für Bilder und Dokumente gilt derselbe Zweischritt: erst `inspect_file.py`, dann `clean_file.py` mit einer neuen Ausgabedatei. Das funktioniert für `.png`, `.docx`, `.pdf` und weitere Formate gleich. > **Häufiger Fehler** > `clean_text.py` direkt auf PDF-, DOCX- oder Bilddateien anwenden. Dafür ist `clean_file.py` vorgesehen — reine Textwerkzeuge nur auf Textdateien. Bei PDFs hängt die Gründlichkeit von Zusatzprogrammen ab: `qpdf` für die strukturelle Neuerstellung, `exiftool` für verbleibende Metadaten, `c2patool` für C2PA-Manifeste. Nach jeder Bearbeitung: Datei öffnen und prüfen, ob Links, Formulare, Signaturen und eingebettete Inhalte erhalten sind. ### Nimm eine Datei, die du bald veröffentlichst. Was vermutest du an Spuren? Danach führst du `inspect_file.py` aus und vergleichst — so lernst du deine eigenen Quellen kennen. ## Statistische Textmuster abschwächen Das Projekt kann Texte umschreiben lassen — ohne eingerichtetes Sprachmodell erzeugt es zunächst nur eine passende Anweisung (`--backend print-prompt`), die du dann in einem Modell deiner Wahl nutzt. Das hat aber klare Nachteile: - Ton und persönliche Ausdrucksweise können verloren gehen - Fachliche Feinheiten können sich verändern - Zitate, Zahlen und Eigennamen musst du kontrollieren - Das neue Modell kann selbst wieder typische Muster erzeugen Nach einer Überarbeitung immer die Unicode-Bereinigung erneut ausführen. ## Der empfohlene Arbeitsablauf Für normale Texte und Website-Inhalte hat sich dieser Ablauf bewährt. Hak ab, was du erledigt hast: - [ ] Eine Kopie der Originaldatei anlegen - [ ] Die Datei mit inspect_file.py untersuchen - [ ] Den Bericht lesen und Auffälligkeiten prüfen - [ ] Mit clean_file.py eine bereinigte Ausgabedatei erstellen - [ ] Inhalt, Formatierung, Links und Sonderzeichen kontrollieren - [ ] Nur bei nachvollziehbarem Grund sprachlich überarbeiten - [ ] Danach die Unicode-Bereinigung erneut ausführen - [ ] Abschließend die Datei noch einmal untersuchen - [ ] Original und Prüfbericht aufbewahren ## Was nicht funktioniert Text in einen einfachen Editor kopieren entfernt vielleicht Formatierung und Metadaten — ein statistisches Muster in der Wortwahl aber nicht. Ebenso wenig helfen: - eine Datei nur umbenennen - das Format ohne echte Konvertierung ändern - Überschriften oder Schriftarten austauschen - nur wenige Wörter ersetzen Umgekehrt gilt: Nicht jedes unsichtbare Zeichen ist eine KI-Kennzeichnung. Solche Zeichen stammen oft aus Textverarbeitung, Webseiten, PDF-Konvertierung oder legitimer Typografie. ## Rechtliche und redaktionelle Hinweise Die EU-Transparenzpflichten gelten seit dem 2. August 2026 und betreffen vor allem maschinenlesbare Kennzeichnungen der Anbieter sowie die Offenlegung von Deepfakes und bestimmten KI-Veröffentlichungen zu Themen öffentlichen Interesses. Für redaktionell geprüfte Inhalte können Ausnahmen gelten. Technische Metadaten zu entfernen hebt eine **gesetzliche, vertragliche oder redaktionelle Kennzeichnungspflicht nicht auf.** Prüfe bei Veröffentlichungen unabhängig von der Bereinigung, ob die Nutzung von KI offengelegt werden muss. Und: Nutze das Werkzeug nur für Inhalte, die du selbst erstellt hast oder bearbeiten darfst.