KI-Ghostwriter auf LinkedIn: 54% der Posts sind maschinell

Der LinkedIn-Post beginnt mit einer Beichte: "Vor drei Jahren stand ich kurz davor, alles hinzuwerfen." Es folgen fünf Ein-Satz-Absätze, eine Bullet-Liste mit Erkenntnissen und die Frage an die Community: "Wie geht ihr damit um?" Der Post stammt vom CEO eines Maschinenbau-Mittelständlers. Geschrieben hat ihn ein Sprachmodell, das den Mann nie getroffen hat – gefüttert mit einem Stichwort aus einem zweiminütigen Sprachmemo.

Für Marketing-Leiter in B2B-Unternehmen ist das kein Randphänomen, sondern ein Budgetposten. Sie geben Geld für Ghostwriter und KI-Tools frei, um Geschäftsführung und Führungskräfte als authentische Stimmen zu positionieren. Das Problem: Viele wissen selbst nicht mehr, ob das Ergebnis noch als glaubwürdig durchgeht – oder ob die Zielgruppe längst erkennt, dass hier ein Prompt spricht und kein Mensch. Wer die Rechnungen der Dienstleister freigibt, trägt die Verantwortung, wenn die "persönliche Marke" des CEOs auffliegt.

Dieser Artikel legt offen, wie die Ghostwriting-Industrie hinter LinkedIn tatsächlich funktioniert, warum die Plattform selbst das Problem verstärkt, woran sich maschinell erzeugte Texte erkennen lassen – und wie Marketing-Verantwortliche ihre Content-Strategie anpassen, bevor Follower oder Wettbewerber die Frage nach der Echtheit stellen.

Wer 2026 zehn Minuten durch den LinkedIn-Feed scrollt, erlebt ein merkwürdiges Déjà-vu: Eine Vertriebsleiterin aus Hamburg, ein SaaS-Gründer aus Berlin und ein Unternehmensberater aus Wien erzählen völlig unterschiedliche Geschichten – in exakt derselben Form. Hook-Zeile, die neugierig macht. Drei bis fünf Ein-Satz-Absätze. Eine Bullet-Liste mit Learnings. Zum Schluss die obligatorische Reflexionsfrage an die Community. Die Inhalte variieren, die Schablone bleibt identisch.

Diese Beobachtung ist mehr als ein subjektiver Eindruck. Das Detection-Unternehmen Originality.ai analysierte bereits 2024 fast 9.000 englischsprachige LinkedIn-Posts mit mehr als 100 Wörtern – mit einem bemerkenswerten Ergebnis:

54% der untersuchten Long-Form-Posts stufte die Analyse als wahrscheinlich KI-generiert ein – ein Anstieg von 189% in den Monaten nach dem Launch von ChatGPT gegenüber dem Niveau davor (Quelle: Originality.ai, 2024). Seitdem sind die Modelle deutlich besser geworden, die Hürde zur Nutzung deutlich niedriger. Es gibt keinen plausiblen Grund anzunehmen, dass dieser Anteil gesunken ist – im Gegenteil.

Besonders auffällig: Gerade unter den viralen Beiträgen, die zehntausende Reaktionen einsammeln, häufen sich die maschinellen Signaturen. Der Feed belohnt sichtbar nicht das Individuelle, sondern das Reproduzierbare. Und das Phänomen bleibt nicht auf den englischsprachigen Raum beschränkt: Im deutschsprachigen B2B-Feed lassen sich dieselben Schablonen inzwischen ebenso zuverlässig identifizieren – nur mit einer Zeitverzögerung von einigen Monaten gegenüber dem US-Markt.

Für den durchschnittlichen Leser verschwimmt dabei eine entscheidende Grenze: Wurde dieser Post von einem Menschen geschrieben und von KI poliert? Oder hat der angebliche Autor den Text zum ersten Mal gesehen, als er bereits veröffentlicht war? Von außen ist beides nicht unterscheidbar – und genau diese Uneindeutigkeit ist der Nährboden für ein wachsendes Misstrauen gegenüber allem, was auf der Plattform als "persönliche Erfahrung" verkauft wird.

Diese Homogenisierung ist kein Zufall und kein organisches Phänomen. Sie ist das Produkt einer professionellen Dienstleistungsbranche, die dahinter operiert – und die es sich lohnt, genauer anzusehen.

Personal Branding auf LinkedIn ist längst kein Handwerk mehr, sondern eine Industrie mit klaren Wertschöpfungsstufen. Am oberen Ende stehen spezialisierte Ghostwriting-Agenturen, die Führungskräften Pauschalpakete verkaufen: Themenrecherche, Content-Kalender, Texterstellung, Posting, Kommentar-Management – alles inklusive. Der Executive muss im Extremfall nur noch ein monatliches Interview geben. Manche Agenturen verzichten selbst darauf und arbeiten ausschließlich mit Sprachmemos oder Stichwortlisten.

Am unteren Ende der Preisskala automatisieren KI-SaaS-Tools den gesamten Prozess. Taplio analysiert virale Posts der Branche und generiert daraus Textvorschläge im gewünschten Tonfall. AuthoredUp liefert Formatierungshilfen, Hook-Bibliotheken und Performance-Analysen. Supergrow verspricht komplette Content-Pipelines vom Themenvorschlag bis zum zeitoptimierten Posting. Alle drei Tools haben eines gemeinsam: Sie machen aus Persönlichkeit ein konfigurierbares Produkt – Tonfall-Regler inklusive.

Die Preisspanne zeigt, wie ausdifferenziert der Markt inzwischen ist:

Der entscheidende Punkt für Marketing-Leiter: In allen drei Modellen entsteht der veröffentlichte Text ohne aktive Formulierungsarbeit der Person, unter deren Namen er erscheint. Die "authentische Stimme des CEOs" ist in diesem System kein Ausgangspunkt, sondern ein Output-Parameter – einstellbar zwischen "nahbar-verletzlich" und "visionär-provokant". In Gesprächen mit Marketing-Verantwortlichen aus dem Mittelstand zeigt sich immer wieder derselbe blinde Fleck: Viele wissen nicht einmal genau, welches der drei Modelle ihr eigener Dienstleister tatsächlich anwendet – die Rechnung kommt monatlich, der Entstehungsprozess bleibt eine Black Box.

Dass sich dieses Modell so massiv durchgesetzt hat, liegt nicht nur an sinkenden Kosten. Es hat einen simplen technischen Grund: Der LinkedIn-Algorithmus belohnt genau diese Art von Content systematisch.

LinkedIns Ranking-System bewertet Beiträge anhand messbarer Signale: Wie lange bleiben Nutzer am Post hängen (Dwell Time)? Wie viele Kommentare entstehen in der ersten Stunde? Wie viele Reaktionen kommen früh zusammen, sodass der Algorithmus den Beitrag in weitere Netzwerke ausspielt? Jedes dieser Signale lässt sich mit standardisierten Post-Formaten gezielt bedienen.

Ein-Satz-Absätze mit vielen Zeilenumbrüchen verlängern künstlich die Scrolldauer – der Post wirkt länger, die Dwell Time steigt. Der "Mehr anzeigen"-Umbruch nach einer provokanten Hook-Zeile erzwingt einen Klick, der als Engagement-Signal zählt. Die Reflexionsfrage am Ende ist keine echte Einladung zum Dialog, sondern eine Kommentar-Maschine. Die "Kontroverse-These-dann-Auflösung"-Dramaturgie erzeugt Widerspruch in den ersten Minuten – und Widerspruch ist algorithmisch wertvoller als Zustimmung.

Keines dieser Formate ist Ausdruck eines persönlichen Stils. Sie sind Reaktionen auf algorithmische Anreize – reverse-engineered aus dem, was historisch funktioniert hat.

Hier entsteht der eigentlich problematische Mechanismus: Die KI-Tools, die heute LinkedIn-Content generieren, wurden mit exakt jenen Posts trainiert, die in der Vergangenheit die höchste Reichweite erzielten. Sie reproduzieren die erfolgreichsten Muster, diese Muster erzielen erneut Reichweite, fließen als neue Trainingsdaten in die nächste Tool-Generation ein – und der Kreislauf schließt sich. Ein sich selbst verstärkender Homogenisierungs-Loop, in dem der Feed mit jeder Iteration uniformer wird.

Moderne Sprachmodelle wie Claude Sonnet 5 oder GPT-5.6 könnten längst deutlich variantenreichere, individuellere Texte erzeugen. Aber die Tool-Anbieter optimieren nicht auf Individualität, sondern auf Engagement-Metriken – weil ihre Kunden Reichweite kaufen, nicht Stil. Wer sich intensiver mit den strategischen Implikationen von KI-generierter Markensprache beschäftigt, findet in unserem Vergleich zur KI-Markenstimme im B2B eine vertiefende Analyse der aktuellen Modellgeneration.

Bevor es an die Erkennung von KI-Content geht, lohnt allerdings ein Blick auf die Gegenposition. Denn die verbreitete Gleichung "KI-Einsatz gleich Täuschung" greift zu kurz.

Hier eine bewusst unbequeme These: Der KI-Einsatz selbst ist nicht das ethische Problem. Wer einem CEO vorwirft, dass ein Sprachmodell seine Rechtschreibung korrigiert, seine Gedanken strukturiert oder seinen deutschen Entwurf ins Englische übersetzt, führt eine Scheindebatte. Niemand hat Führungskräften je vorgeworfen, dass eine Pressestelle ihre Reden schreibt – solange die Kernaussagen von ihnen stammen und sie dahinterstehen.

Die relevante Trennlinie verläuft woanders: zwischen KI als Werkzeug für eigene Gedanken und KI als vollständiger Imitation einer fremden Identität. Ein Post, dessen Kernidee, Erfahrung und Haltung von der Führungskraft stammen und der maschinell poliert wurde, ist etwas fundamental anderes als eine generierte "persönliche Anekdote", die nie stattgefunden hat – veröffentlicht unter dem Namen eines Menschen, der den Text nie gelesen hat.

"Die eigentliche Frage ist nicht, ob eine Maschine mitgeschrieben hat, sondern ob der Mensch, dessen Name darunter steht, für den Inhalt einstehen kann – und ob er seine Leser darüber im Unklaren lässt", bringt es Dominik Waitzer, Autor dieses Artikels und Berater für digitale Kommunikation, auf den Punkt.

Interessant ist, dass manche Communities offen deklarierte KI-Nutzung völlig problemlos akzeptieren. Entwickler-Netzwerke und Tech-Communities reagieren auf einen Hinweis wie "strukturiert mit KI, Kernaussagen von mir" eher mit Respekt als mit Ablehnung – Transparenz wird dort als Professionalität gelesen, nicht als Schwäche.

Gleichzeitig gibt es weiterhin Führungskräfte, die ihre Posts vollständig selbst schreiben. Sie fallen im Feed inzwischen paradoxerweise dadurch auf, dass ihre Texte unregelmäßiger sind: längere Sätze, gelegentliche Tippfehler, Gedankensprünge, kein perfekter Spannungsbogen. Was früher als unprofessionell galt, wird zunehmend zum Echtheitsmerkmal – ein bemerkenswerter Rollentausch.

Die Debatte um Offenlegungspflichten für KI-generierten Content gewinnt derweil an Fahrt. Der EU AI Act sieht Transparenzpflichten für bestimmte KI-generierte Inhalte vor, und Plattformen wie YouTube und Meta haben Kennzeichnungsmechanismen für synthetische Medien eingeführt. Auf LinkedIn existiert bislang keine durchgesetzte Kennzeichnungspflicht für KI-generierte Textbeiträge – die Verantwortung liegt damit faktisch bei den Unternehmen selbst.

Wer die Grenze zwischen legitimer Unterstützung und Täuschung im eigenen Feed ziehen will, braucht allerdings mehr als ethische Kategorien. Er braucht handfeste Erkennungsmerkmale – und die folgen jetzt.

Kein einzelnes Merkmal beweist KI-Autorschaft. Aber wer drei oder mehr der folgenden Muster in einem Post findet – oder dieselben Muster über Wochen hinweg im Feed einer einzelnen Person –, hat es mit hoher Wahrscheinlichkeit mit maschinell generiertem oder vollständig ghostgeschriebenem Content zu tun. In der Auswertung eigener Recherchen hat sich diese Kombination aus mehreren Signalen als deutlich verlässlicher erwiesen als jedes einzelne Merkmal für sich.

1. Recycelte Eröffnungsformeln. Hooks wie "Vor X Jahren hätte ich das nicht gedacht", "Eine unpopuläre Meinung:" oder "Ich habe einen Fehler gemacht, über den niemand spricht" stammen direkt aus den Hook-Bibliotheken der gängigen Tools. Taucht dieselbe Formel bei derselben Person mehrfach auf, ist die Vorlage offensichtlich.
2. Emoji-Bulletpoints in Serie. Listen, in denen jeder Punkt mit einem thematisch passenden Emoji beginnt (Rakete, Glühbirne, Zielscheibe), sind eine typische Signatur von Templating-Systemen. Menschen, die spontan schreiben, formatieren selten so konsequent.
3. Durchgängige Kurzsätze ohne Nebensätze. Sprachmodelle, die auf LinkedIn-Reichweite optimiert wurden, produzieren fast ausschließlich Hauptsätze mit maximal zwölf Wörtern. Echte Menschen bauen Nebensätze, verschachteln, brechen ab, setzen Gedankenstriche – auch wenn es unelegant wirkt.
4. Vulnerabilitäts-Anekdoten ohne verifizierbare Details. "Ein Mitarbeiter kam zu mir und sagte etwas, das mich für immer verändert hat." Kein Name, kein Ort, kein Datum, kein konkretes Zitat. Echte Erinnerungen enthalten spezifische, oft irrelevante Details. Generierte Anekdoten bleiben systematisch vage, weil das Modell keine Fakten erfinden soll, die überprüfbar wären.
5. Auffällig symmetrische Absatzlängen. Wenn jeder Absatz exakt zwei bis drei Zeilen umfasst und der Post wie mit dem Lineal gezogen wirkt, spricht das für maschinelle Erzeugung. Menschliche Texte haben Rhythmus-Brüche.
6. Der immer gleiche Drei-Punkte-Bogen. Problem, Erkenntnis, Aufruf – in dieser Reihenfolge, in dieser Gewichtung, jedes Mal. Die Dramaturgie ist so verlässlich wie ein Popsong-Aufbau. Wer die letzten zehn Posts einer Person nebeneinanderlegt und siebenmal denselben Bogen findet, sieht keine Persönlichkeit, sondern ein Template.
7. Stilbruch zwischen Post und Kommentaren. Das vielleicht verlässlichste Signal: Der Post ist poliert, rhythmisch, fehlerfrei – aber die Antworten derselben Person in den Kommentaren sind holprig, knapp, orthografisch inkonsistent. Zwei verschiedene Autoren, ein Profil.

Diese Merkmale sind kein akademisches Kuriosum. Immer mehr Einkäufer, Journalisten und Wettbewerber wenden genau diese Checkliste an – bewusst oder intuitiv. Und das hat direkte Konsequenzen für das Vertrauen in B2B-Marken.

Der Moment, in dem eine Zielgruppe entdeckt, dass die "persönliche Stimme" eines Entscheiders komplett outgesourct ist, trifft nicht nur die Einzelperson. Er trifft die Marke. Die Logik der Zielgruppe ist dabei brutal einfach: Wenn schon die angeblich authentischste Kommunikationsebene des Unternehmens – die persönliche Erfahrung des Geschäftsführers – fabriziert ist, warum sollte man dann den Produktversprechen, den Case Studies oder den Referenzen glauben?

Gerade im B2B wiegt das schwer, denn hier ist Thought Leadership kein Selbstzweck. Die Zahlen aus der etablierten Forschung von Edelman und LinkedIn sprechen eine klare Sprache:

73% der B2B-Entscheider geben laut der Edelman-LinkedIn B2B Thought Leadership Impact Study an, dass Thought-Leadership-Content vertrauenswürdiger für die Bewertung einer Organisation ist als deren klassische Marketing-Materialien. Genau dieses Vertrauensfundament steht auf dem Spiel, wenn die vermeintlich persönliche Stimme als Prompt-Produkt entlarvt wird.

In Vertriebszyklen mit sechs bis achtzehn Monaten Entscheidungsdauer wirkt ein solcher Vertrauensbruch nicht abstrakt, sondern messbar: Leads, die über Executive-Content in die Pipeline kamen, kühlen ab. Gespräche, die auf der wahrgenommenen Expertise des Managements aufbauten, verlieren ihre Grundlage. Und anders als eine schlechte Kampagne lässt sich verlorene persönliche Glaubwürdigkeit nicht mit dem nächsten Quartalsbudget zurückkaufen.

Gleichzeitig entsteht eine Gegenbewegung: In gesättigten Nischen positionieren sich Wettbewerber zunehmend bewusst über erkennbar authentische Kommunikation – unpolierte Videos, selbst geschriebene Texte mit Ecken und Kanten, dokumentierte statt inszenierte Einblicke. Was der homogenisierte Feed abwertet, wird zum Differenzierungsmerkmal. Der Kontrast zum Prompt-Einheitsbrei ist die günstigste Positionierung, die derzeit zu haben ist – sie kostet nur den Mut zur Unperfektion.

Wer dieses Risiko ernst nimmt, muss die eigene Content-Strategie nicht verwerfen. Aber er muss sie gezielt anpassen.

Die Antwort auf die Ghostwriting-Falle heißt nicht "KI abschalten". Sie heißt: klare Regeln, hybride Workflows und bewusste Differenzierung. Vier Schritte haben sich in der Praxis bewährt.

1. Interne KI-Richtlinie definieren. Legen Sie schriftlich fest, welche Stufen der KI-Unterstützung im Executive-Content akzeptabel sind: Korrektur und Übersetzung ohne Einschränkung, Strukturierung und Entwurfserstellung mit verpflichtender inhaltlicher Prüfung durch die Führungskraft, vollständig generierte "persönliche" Anekdoten gar nicht. Definieren Sie zusätzlich, ab welcher Stufe eine Offenlegung erfolgt – ein knapper Hinweis wie "mit KI strukturiert" kostet nichts und schützt viel. Was sich in der Praxis immer wieder zeigt: Richtlinien, die nur mündlich kommuniziert und nicht schriftlich fixiert werden, verwässern innerhalb weniger Monate wieder.
2. Hybrid-Workflow etablieren. KI übernimmt Recherche, Gliederung und Rohfassung – die Führungskraft liefert die finale Formulierung der Kernaussagen und ergänzt persönliche Details, die kein Modell erfinden kann: konkrete Situationen, Namen (wo zulässig), Zahlen aus dem eigenen Geschäft, echte Zweifel. Faustregel: Mindestens die ersten und letzten drei Sätze jedes Posts stammen wörtlich vom Absender. Wie sich solche Workflows technisch sauber und ohne Mehraufwand für die Führungsebene aufsetzen lassen, zeigen wir im Detail in unserem Leistungsbereich KI & Automatisierung.
3. Eigene Posts proaktiv testen. Prüfen Sie die Executive-Posts Ihres Unternehmens regelmäßig mit Detection-Tools wie Originality.ai auf unbeabsichtigt generischen Output – bevor Follower, Journalisten oder Wettbewerber es tun. Ein Post, der wie Prompt-Ware wirkt, schadet auch dann, wenn er handgeschrieben ist. Behandeln Sie das wie ein Qualitäts-Audit, nicht wie eine Kontrolle der Führungskraft.
4. Bewusst gegen den Feed schreiben. Setzen Sie auf unperfekte, spezifische Details statt polierter Story-Arcs: ein konkretes Kundengespräch statt einer generischen "Learning-Journey", eine offene Frage ohne fertige Antwort, ein Zahlenwert aus dem eigenen Betrieb statt einer Branchenweisheit. Was sich im homogenisierten Feed nicht replizieren lässt, ist das Einzige, was dort noch auffällt. Wie sich diese Prinzipien in eine übergreifende, kanalspezifische Content-Strategie einbetten lassen, zeigt unser Ansatz im Bereich Social Media Marketing – und wer parallel an der übergeordneten Positionierung der Marke arbeitet, findet in unserem Leistungsbereich Markenstrategie & Design den passenden Rahmen dafür.

Diese vier Schritte sind kein einmaliges Projekt, sondern eine laufende Kalibrierung: Tools ändern sich, der Algorithmus ändert sich, die Erwartungen der Zielgruppe ändern sich schneller als jede Guideline.

Für Marketing-Leiter verschiebt sich damit die eigentliche Aufgabe: Es geht nicht mehr darum, ob Executive-Content mit KI entsteht – das tut er in den meisten Fällen längst –, sondern darum, wie nachvollziehbar und wie eigenständig er bleibt. Genau hier entscheidet sich, wer in den kommenden Jahren als glaubwürdige Stimme wahrgenommen wird und wer im Prompt-Einheitsbrei untergeht. Unternehmen, die ihre Richtlinien und Workflows jetzt kalibrieren, sichern sich einen Vorsprung, der mit sinkendem Vertrauen in generische Executive-Posts eher größer als kleiner wird. Wer diese Anpassung aufschiebt, kauft sich verlorene Glaubwürdigkeit später zu einem deutlich höheren Preis zurück – über verlängerte Vertriebszyklen und über Follower, die einmal enttäuscht wurden und nicht zurückkehren.

Der konkrete nächste Schritt: Nehmen Sie sich in der kommenden Woche die letzten zehn Executive-Posts Ihres Unternehmens vor und prüfen Sie sie gegen die sieben beschriebenen Textmuster. Wo drei oder mehr zutreffen, besteht Handlungsbedarf – nicht irgendwann, sondern bevor es jemand anderes tut. Legen Sie im selben Zug die interne Richtlinie für KI-Einsatz und Offenlegung fest. Denn in einem Feed voller Prompt-Echos ist die nachweisbar eigene Stimme kein Nice-to-have mehr, sondern das letzte verbliebene Differenzierungsmerkmal.