KI-Einsatz ohne Qualitätskontrolle ist riskant
Die Generierung von Texten durch Künstliche Intelligenz verspricht immense Effizienzgewinne in Marketing und Vertrieb. Doch die WORTLIGA-Studie entzaubert den Mythos, dass moderne KI-Sprachmodelle "von Haus aus" exzellente B2B-Texte schreiben. Die objektive Lesbarkeitsanalyse offenbart schonungslos die aktuellen Stärken und massiven Schwächen der führenden Modelle.
„Die Daten zeigen, dass KI-Modelle von Haus aus keine überzeugenden B2B-Texte schreiben“, bestätigt Studienleiter Gidon Wagner von WORTLIGA. Ohne strenge Leitplanken verfehlen die generierten Inhalte ihre wichtigste Aufgabe – den Aufbau von Vertrauen und die Generierung von Leads.
Das Flagship-Modell Ranking
Durchschnittlicher WORTLIGA-Score (Ø 44,1 über alle Modelle)
Verteilung der durchschnittlichen WORTLIGA-Scores (3 Modelle)
Der WORTLIGA-Score reicht von 0 bis 100. Erfahrungsgemäß gilt für B2B-Texte ein Wert ab 60 Punkten (grüner Bereich) als optimal – gut lesbar und zugleich professionell.
σ = 4,5. GPT-5.5 fällt unter 40 Punkte, Claude und Gemini stagnieren in den 40ern. Kein Modell erreicht im Schnitt den grünen Bereich.
Die 5 wichtigsten Erkenntnisse der Studie
1. Erhebliche Qualitätsunterschiede
Claude Opus 4.7 geht mit einem Score von 47,7 Punkten als klarer Gesamtsieger hervor. Es liefert die stabilsten Ergebnisse (nur 466 Passiv-Fehler). GPT-5.5 (Score 37,7) fällt drastisch ab: Das Modell flutet Texte mit massiven 8.527 Nominalstil-Fehlern und unglaublichen 824 Passivkonstruktionen.
2. Der Chamäleon-Effekt des Promptings
KI-Modelle spiegeln den Schreibstil des Prompts nahezu blind. Zwingt man die KI versehentlich in einen formellen Stil (Prompt „5_beamter“), stürzt die Lesbarkeit bei allen Modellen auf einen katastrophalen Durchschnittswert von 4,4 Punkten ab. Ein schlampiger Prompt führt zu schlampigem Content.
3. Das Paradoxon der Überkompensation
Fordert man extrem hohe Verständlichkeit, schießen die Scores auf durchschnittlich 79,4 Punkte. Der Preis? Die KIs verfallen in eine naive Kindersprache (A2-Niveau) mit abgehackten Stakkato-Sätzen, die für B2B-Entscheider völlig ungeeignet ist.
4. Formatgrenzen werden ignoriert
Wenn Stilvorgaben schlecht sind, ignoriert die KI das gewünschte Format völlig. Das absurde Resultat: Ausgerechnet Cold Outreach E-Mails weisen im Gesamtdurchschnitt mit 14,7 Wörtern die längsten Sätze des gesamten Berichts auf. Im Vertrieb ein sofortiges K.o.-Kriterium.
5. Die Lösung: Strenge Leitplanken
Die Kategorie „7_bestpractice“ liefert mit 49,3 Punkten die beste Balance. Der Schlüssel: Ein explizites Verbot von Passivkonstruktionen und Floskeln im Prompt führt bei Modellen wie Gemini und GPT zu exakt 0 Passiv-Fehlern. Doch selbst dieser Bestwert bleibt deutlich unter der 60-Punkte-Marke und ist für Marketing- und Vertriebstexte oft noch zu sperrig. Gute Prompts sind also nur die halbe Miete – ohne anschließende Qualitätssicherung und gezielte Optimierung erreichen KI-Texte das nötige Niveau nicht.