Sepia-Skill greift die Struktur von KI-Texten an

Sepia ist ein quelloffenes Skill-Paket für Claude Code, Codex, Grok Build und Antigravity, das KI-typische Texte nicht am Satzbau, sondern an der Erzählstruktur überarbeitet. Die Begründung dafür steht in der Selbstbeschreibung des Projekts: Wer nur Wörter tauscht, ändert nichts an dem, was Erkennungsverfahren tatsächlich messen.

Die Ausgangsthese

Das Repository beruft sich auf die Arbeit StoryScope (arXiv:2604.03136). Deren Befund, wie er im Projekt wiedergegeben wird: KI-Fiktion bleibt auch nach stilistischer Überarbeitung mit 93,2 Prozent Makro-F1 erkennbar. Daraus zieht Sepia den Schluss, die verräterischen Merkmale lägen in der Bauweise des Textes, nicht in seiner Oberfläche.

Diese Zahl stammt aus der Darstellung des Projekts. Die Arbeit selbst wurde für diesen Beitrag nicht eingesehen, Aufbau und Datengrundlage der Messung sind hier also nicht geprüft.

Vier Betriebsarten, drei Durchgänge

Sepia kennt vier Modi: write für neuen Text, review für eine reine Diagnose ohne Eingriff, refactor für minimale Korrekturen und recreate für eine vollständige Neufassung. Die Trennung von Diagnose und Eingriff ist der praktisch interessante Teil, weil sie eine Zwischenstufe schafft, in der ein Mensch entscheidet.

Für erzählende Texte arbeitet das Skill in drei Durchgängen. Der erste betrifft die Erzählarchitektur: weniger ausbuchstabierte Thematik, lockerere Kausalketten, spätere Enthüllungen, breitere Gefühlsdarstellung, dünner geknüpfte Figurennetze, Verweise auf die reale Welt. Der zweite Durchgang zielt auf den Diskursfluss, also auf schablonenhafte Absatzfolgen und auf das Tempo in der Mitte einer Geschichte. Erst der dritte befasst sich mit Stil, Wortwahl und Register.

Dazu kommen eine Diagnose-Rubrik mit 30 Merkmalen und modellspezifische Korrekturen für Claude, GPT, Gemini, DeepSeek und Kimi. Das Projekt geht also davon aus, dass verschiedene Modelle unterschiedliche wiederkehrende Muster hinterlassen.

Regeln für Fachtexte

Neben der Fiktion enthält Sepia Regeln für berufliche Textsorten, jeweils an die Gattung gebunden: Release Notes stellen die Auswirkung auf Nutzer nach vorn, Antworten in Pull Requests beginnen mit der Antwort und belegen sie, Postmortems bleiben bei Personen schuldfrei und werden beim Mechanismus genau, Tickets tragen ergebnisbezogene Titel, technische Artikel setzen beim Problem an und nennen auch Sackgassen.

Was offen bleibt

Für diesen Beitrag stand nur eine unabhängige Quelle zur Verfügung, das Repository selbst. Eine zweite Redaktion, die das Projekt beschreibt oder überprüft, ließ sich nicht heranziehen. Damit gilt: Alle Angaben zu Wirkungsweise und Wirksamkeit sind Angaben des Projekts, keine unabhängig bestätigten Befunde.

Ungeprüft bleiben insbesondere drei Punkte. Ob die genannte Erkennungsrate der Arbeit entspricht, auf die sich das Projekt beruft. Ob die 30 Merkmale in der Praxis dazu führen, dass überarbeitete Texte tatsächlich schlechter erkannt werden. Und ob die modellspezifischen Korrekturen über die Versionsstände hinaus tragen, für die sie geschrieben wurden. Die Angaben zu Sternen und Forks sind Momentaufnahmen des Abrufzeitpunkts.

Der Code steht unter MIT-Lizenz. Die Installation ist wahlweise pro Plattform, über ein gemeinsames Skript oder als projektbezogene Kopie vorgesehen; die Voreinstellung installiert auf Benutzerebene.