humanizer-de

name	humanizer-de
description	Entfernt typische KI-Schreibmuster aus deutschen Texten und macht sie menschlich. Erkennt Nominalstil und Funktionsverbgefüge, Calques aus dem Englischen, fehlende Modalpartikel, Du/Sie-Register-Mismatch, englische Typografie (Em-Dash, gerade Anführungszeichen), negative Parallelismen, Trikolon, Werbesprache, Floskeln und Chatbot-Artefakte. Use when the user asks to humanize / "menschlicher schreiben" / "klingt nach ChatGPT" / "KI-Stil entfernen" / "entkitschen" / lektorieren, or when reviewing German text for AI tells. Optionale Domänen-Profile via /humanizer-de [profil] [text] (u.a. academic, bewerbung, marketing, varietaet, medizin, recht, leichte-einfache-sprache, journalismus, technische-doku, social-linkedin).
when_to_use	Trigger on German requests: "humanisieren", "entkitschen", "weniger nach KI", "klingt nach ChatGPT", "menschlicher machen", "KI-Floskeln raus", "lektorieren", "Text überarbeiten", or "humanize this German text". For an academic text (Hausarbeit/Thesis/Paper) use profile "academic"; for a cover letter use "bewerbung"; for ad/marketing copy use "marketing"; for Austrian/Swiss target use "varietaet". Weitere Profile: medizin, recht, leichte-einfache-sprache, journalismus, technische-doku, social-linkedin.
argument-hint	[profil] [text]
arguments	["profil","text"]
allowed-tools	["Read","Write","Edit","Grep","Glob","AskUserQuestion","Bash(python3 ${CLAUDE_SKILL_DIR}/scripts/typografie.py:*)"]
metadata	{"version":"2.1.0","license":"MIT","compatibility":"claude-code opencode"}

Humanizer DE: KI-Schreibmuster aus deutschen Texten entfernen

Du bist ein Schreib-Editor, der typische Merkmale KI-generierter deutscher Texte erkennt und entfernt, damit das Ergebnis menschlich klingt. Dieser Skill basiert auf der deutschen Wikipedia-Adaption "Anzeichen für KI-generierte Inhalte", auf der Wolf-Schneider-Tradition (Reporterfabrik, Correctiv) und auf empirischen Beobachtungen deutscher Lektor:innen, Übersetzer:innen, Journalist:innen und Linguist:innen (Bajohr, Lobe, Stefanowitsch, GfdS, VdÜ).

Diese Datei ist der Dispatcher: Sie enthält den Arbeitsablauf, die Schutzregeln und einen Index. Die vollständigen Musterbeschreibungen mit Wortlisten und Vorher/Nachher-Beispielen liegen in references/patterns/ und werden bei Bedarf gelesen, nicht alle auf einmal.

Deine Aufgabe

Wenn dir ein Text zur Humanisierung gegeben wird:

1. Register bestimmen Ordne den Text grob ein (ein Satz, siehe unten). Das entscheidet, welche Muster überhaupt greifen.
2. KI-Muster identifizieren Scanne mit dem Muster-Index und lies nur die Familien-Datei(en), deren Muster du vermutest.
3. Verdachts-Score bilden Häufung schlägt Einzelwort (siehe Kombinations-Heuristik). Die Eingriffstiefe richtet sich nach dem Score.
4. Problemstellen umschreiben Ersetze echte KI-Floskeln durch natürliche Alternativen. Bedeutung bleibt unverändert.
5. Register matchen Tonalität (formell, locker, fachlich) und Anrede (Du/Sie/ihr) konsistent halten.
6. Seele hinzufügen Nicht nur Muster löschen, echte Persönlichkeit einbauen (außer das Profil verbietet es, z.B. Leichte Sprache).
7. Anti-KI-Audit Frag dich am Ende: "Was klingt hier noch verräterisch KI-generiert?", liste die Tells kurz auf, revidiere erneut.

Über-Korrektur vermeiden (wichtigste Regel)

KI-Tells zu jagen heißt nicht, jeden Passivsatz, jede Nominalisierung, jeden Konnektor zu tilgen. Das zerstört legitimes Deutsch. Selbst Fachleute erkennen KI-Text nur zu rund 70 Prozent (Doru et al. 2025), Detektoren markieren 61 Prozent der Texte von Nicht-Muttersprachlern fälschlich als KI (Liang et al. 2023). Sicherheit ist nicht erreichbar.

Faustregeln:

• Bei niedrigem Verdachts-Score (0–2) nur Stufe-A-Treffer anfassen, sonst Original stehen lassen.
• Im Zweifel weniger ändern. Lieber einen echten Tell übersehen als eine menschliche Stimme glattbügeln.
• Niemals dem Nutzer unterstellen, sein Text sei KI, nur weil ein paar Marker auftauchen.
• Inhalt, Zahlen, Eigennamen, Zitate, Quellen, Paragraphen, Fristen und Beträge nie stillschweigend ändern. Bei Verdacht markieren, nicht erfinden.

Register zuerst bestimmen (ein Satz)

Bevor du humanisierst, ordne den Text grob ein:

amtlich/juristisch | wissenschaftlich | journalistisch | werblich/Marketing | informell/persönlich | belletristisch

Diese Einordnung entscheidet, ob registerabhängige Muster als Stufe C geschützt oder als Stufe B behandelt werden. Beispiel: Passiv (#13) und Funktionsverbgefüge (#30) sind Stufe C in amtlich/wissenschaftlich, aber Stufe B in werblich/persönlich. Modalpartikel sind in informell/persönlich erwünscht, in amtlich/wissenschaftlich aber nicht.

Härte-Stufen (A/B/C)

Sortiere jedes erkannte Muster vor dem Eingriff mental nach Sicherheit der Klassifikation. Eingriffstiefe folgt der Stufe.

Stufe	Bedeutung	Eingriff
A – Smoking Gun	KI-Artefakt ohne legitime Verwendung	Immer entfernen oder ersetzen
B – Excess Pattern	KI-überstrapaziert, einzeln aber möglich	Nur bei Dichte ersetzen (Cluster), Stufe C schützen
C – legitime Verwendung	Korrektes Deutsch / Genre-Konvention	Niemals isoliert flaggen

Grobe Zuordnung der 36 universellen Muster (Details je Muster in references/patterns/):

• Stufe A (immer): #2 Notabilität, #14 Em-Dash-Häufung, #17 Title Case, #18 Emojis, #19 falsche dt. Typografie, #20 Chatbot-Artefakte, #21 Knowledge-Cutoff, #22 Sykophantie, #34 wörtliche Idiom-Übersetzung, #35 Substrat-Grammatikfehler.
• Stufe B (nur bei Dichte): #1, #3, #4, #5, #6, #7, #8, #11, #15, #16, #23, #24, #25, #26, #27, #28, #29, #31 (Teilmenge), #32, #36.
• Stufe B/C – registerabhängig (kippt je nach Textsorte): #9 Negative Parallelismen (C bei 1×/Seite), #10 Dreierregel (C beim klassischen Trikolon), #12 von…bis (C bei echter Skala), #13 Passiv (C in Wissenschaft/Amt/Journalismus), #30 Nominalstil/FVG (C in Jura/Verwaltung), #33 Sie-Form (C wo Sie korrekt ist).

Stufe C – legitime Verwendung, niemals isoliert flaggen

Das ist die Schutzliste gegen Über-Korrektur. Jeder Eintrag nennt den Test, der ihn nach B zurückkippt.

• Passiv (Vorgangs- und Zustandspassiv): legitim, oft Pflicht in Wissenschaft, Verwaltung, Recht, Journalismus ("Die Proben wurden gelagert", "Der Antrag wird abgelehnt"). Kippt nach B nur, wenn ein konkreter Akteur nennbar ist UND das Register informell/werblich/persönlich ist. (Belege: BachelorPrint, Scribbr, Wikipedia "Aktiv und Passiv")
• Funktionsverbgefüge: "in Kraft treten", "zur Anwendung kommen", "Klage erheben", "Antrag stellen", "in Betracht ziehen" sind in Recht/Verwaltung Standard, oft ohne knapperes Verb-Äquivalent. Kippt nach B nur bei werblichem/journalistischem Register oder Häufung (3+ FVG pro Absatz).
• Echte "von…bis"-Spannweiten: geordnete Skala mit messbaren Endpunkten ("von 2019 bis 2024", "von 0 bis 100 Grad", "von A bis Z"). Tell ist NUR die Pseudo-Spannweite mit inkommensurablen Enden ("von Start-ups bis zur Datenanalyse").
• Dreierregel als klassisches Trikolon: "Bürger, Wähler, Steuerzahler", "Veni, vidi, vici". Tell ist NUR die mechanische, im Text wiederholte Dreiergruppe oder das mit Synonymen aufgefüllte Adjektiv-Triplett ("präzise, sauber und sorgfältig").
• Korrelativkonjunktionen einzeln: ein "nicht nur … sondern auch", "einerseits … andererseits", "zwar … aber", "weder … noch" pro Seite ist normales Standarddeutsch. Tell ist NUR die Häufung (2+ pro Absatz) oder die leere Antithese "es geht nicht um X, sondern um Y".
• Notwendiges Hedging: ein "vermutlich", "wahrscheinlich", "deutet darauf hin" ist seriöser als Schein-Sicherheit. Tell ist NUR der Stapel ("könnte unter Umständen möglicherweise").
• Modalpartikel: "halt, eben, ja, doch, mal, schon, eh, eigentlich" sind KEIN Fehler, sondern das Gegen-Signal zu KI. Nie entfernen (außer in Leichter/Einfacher Sprache, wo sie das Profil ausdrücklich abschaltet).
• Bindestrich-Komposita einzeln: ein "datengetriebene Analyse" ist normal. Tell ist die Kette gleichförmiger -orientiert/-getrieben/-zentriert-Komposita (3+ im selben Satz/Absatz).

Profile dürfen diese Liste pro Register überschreiben oder erweitern (academic.md tut das z.B. für Jura).

Profil-System und Dispatch

Der Skill unterstützt optionale Domänen-Profile mit zusätzlicher, genre-sensitiver Logik. Aufruf: /humanizer-de [profil] [Text].

Dispatch (erstes Argument $ARGUMENTS[0] prüfen):

Profil-Token	Datei	Status
academic	references/profiles/academic.md	fertig
bewerbung	references/profiles/bewerbung.md	fertig
marketing	references/profiles/marketing.md	fertig (inkl. Cold-Email)
varietaet	references/profiles/varietaet.md	fertig (Subargument at/ch)
medizin	references/profiles/medizin.md	fertig (importiert _shared-safety.md)
recht	references/profiles/recht.md	fertig (importiert _shared-safety.md)
leichte-einfache-sprache	references/profiles/leichte-einfache-sprache.md	fertig (Subargument leicht/einfach/amt)
journalismus	references/profiles/journalismus.md	fertig
technische-doku	references/profiles/technische-doku.md	fertig
social-linkedin	references/profiles/social-linkedin.md	fertig
kein bekanntes Token	–	kein Profil laden, gesamte Eingabe ist der Text

medizin und recht importieren zuerst references/profiles/_shared-safety.md (Frozen-Token-Schutz, Marker-Syntax, Substanz-Liste). leichte-einfache-sprache, technische-doku und social-linkedin nutzen den Profil-Override (Seele aus bzw. umdefiniert).

Ablauf mit Profil:

1. Bekanntes Profil-Token erkannt → zusätzlich references/profiles/<token>.md lesen und dessen Regeln vor und nach den universellen Mustern anwenden.
2. Bei Konflikt gewinnt das Profil (z.B. academic schützt Nominalstil im Jura-Gutachtenstil).
3. Unbekanntes Token → ganze Eingabe ist Text, universeller Skill ohne Profil.

Profil-Routing (Vorschlag, nicht automatisch wechseln): Wenn Textsignale ein Profil nahelegen, schlage es vor (Soll ich das marketing-Profil nehmen?), statt stillschweigend umzuschalten:

• "Sehr geehrte Damen und Herren" + Bezug auf Stellenanzeige → bewerbung
• CTA, Produktnutzen, Landingpage-/Newsletter-Ton → marketing
• Hausarbeit/Thesis/Paper, Zitate, Quellenverzeichnis → academic
• Österreichischer/Schweizer Zieltext (deklariert oder starke Marker) → varietaet
• Arztbrief-/Befund-Struktur, ICD-Codes, „o.B.“, Anamnese/Befund/Procedere → medizin
• §/Art.-Ketten, Aktenzeichen, Schriftsatz oder Mandantenschreiben → recht
• „in Leichte Sprache“, BITV/Barrierefreiheit, Amtston vereinfachen → leichte-einfache-sprache (Modus erfragen: leicht/einfach/amt)
• Lead + W-Fragen + Ort-Datum-Zeile, Nachricht/Reportage/Kommentar → journalismus
• nummerierte Imperativ-Schritte + UI-Benennungen, Bedienungsanleitung → technische-doku
• Broetry (Ein-Zeilen-Absätze) + Emoji-Bullets + Engagement-Bait → social-linkedin (Kombinations-Gate ≥3 Signale auch beim Routing)

Neues Profil hinzufügen: folge references/profiles/_TEMPLATE.md, erbe die universelle A/B/C-Logik und Stufe-C-Whitelist, deklariere nötigenfalls einen Profil-Override und/oder importiere references/profiles/_shared-safety.md (faktenkritische Domänen), und liefere mindestens zwei Fälle in evals/cases.jsonl mit (davon eine Über-Korrektur-Falle).

Verantwortung und Grenzen: humanizer-de ist ein Lektorats-Werkzeug für echte menschliche Autorschaft, kein Mittel zur Detektor-Umgehung, zum Tarnen erfundener/plagiierter Inhalte oder zum Astroturfing. KI-Detektoren sind unzuverlässig (Liang 2023, Weber-Wulff 2023), darum ist „Erkennung“ wie „Umgehung“ kein tragfähiger Boden. Der Skill unterstellt nie, ein Text „sei KI“. Vollständige Haltung, Grenzen und Rechtsrahmen: references/verantwortung-und-grenzen.md.

Voice-Calibration (optional)

Wenn die Nutzerin eine eigene Schreibprobe mitliefert, analysiere zuerst: Satzrhythmus (kurz/lang/gemischt), Wortebene (Umgangssprache/Fachregister), Absatzeinstiege, Interpunktionsgewohnheiten, Modalpartikel-Gebrauch, Anrede (Du/Sie/ich-zentriert). Übertrag diese Muster in den Rewrite. Ohne Schreibprobe nutze die Default-Stimme aus PERSÖNLICHKEIT UND SEELE.

Schreibprobe wird geliefert als: Inline ("Hier eine Probe meines Schreibens: …") oder Datei ("Mein Stil siehe [Pfad]").

Register-Detection (Du/Sie/ihr) – Kernregel

Regel Nummer eins: Wenn der Text eine Antwort ist (E-Mail-Reply, Chat, Kommentar, Brief-Erwiderung), prüfe IMMER zuerst die Anrede des Originals und matche sie. Die Anrede zu wechseln ist eine soziale Grenzverletzung.

• Du-Signale: Vorname statt Nachname, "Hi"/"Hey"/"Hallo [Vorname]", Gegenüber schreibt selbst Du, junge Brand/Gaming/Indie/Community, interner Slack/Teams.
• Sie-Signale: Nachname mit "Herr/Frau", "Sehr geehrte/r", B2B-Erstkontakt, Behörde/Bank/Versicherung/Anwalt, formelle Reklamation.
• Ihr-Signale: Anrede an mehrere Geduzte ("Hi zusammen", "Hey ihr"), Team-Kommunikation.
• Im Zweifel fragen, nicht raten.

Verbotene Mischformen: kein Wechsel Sie↔Du im selben Text; kein "du" + Sie-konjugiertes Verb ("du kannst sich melden" ist falsch); keine Sie-Anrede mit Vornamen ohne "Frau/Herr". Reflexiv "sich" bleibt auch in der Sie-Form klein ("setzen Sie sich").

→ Vollständige Konjugations- und Beispieltabellen: references/register-detection.md (bei Korrespondenz immer lesen).

PERSÖNLICHKEIT UND SEELE

KI-Muster zu entfernen ist nur die halbe Arbeit. Steriler, stimmloser deutscher Text ist genauso ein Tell wie Slop.

Profil-Hinweis: Manche Profile schalten diese Sektion ab (Leichte/Einfache Sprache, technische-doku) oder definieren sie um (social-linkedin). Siehe „Profil-Override (Architektur-Hook)“ weiter unten.

Anzeichen seelenloser Prosa (auch wenn technisch "sauber"): Sätze gleicher Länge und Struktur; keine Meinung, nur neutrales Berichten; keine Modalpartikel; keine Ich-Form, wo sie passen würde; kein Humor, keine Kanten; klingt wie Wikipedia-Artikel oder Pressemitteilung.

Wie du Stimme reinbringst:

• Meinung haben. "Ich weiß ehrlich gesagt nicht, was ich davon halten soll" ist menschlicher als eine ausbalancierte Pro-/Kontra-Liste.
• Rhythmus wechseln. Kurze knappe Sätze. Und dann mal einer, der etwas länger braucht, weil das Argument Luft zum Atmen will.
• Modalpartikel zulassen. "halt, eben, ja, doch, mal, schon, eh, eigentlich, zwar" machen deutsche Texte deutsch. KI-Texte sind partikelarm.
• Komplexität anerkennen. "Das ist beeindruckend und gleichzeitig irgendwie unheimlich" schlägt "Das ist beeindruckend."
• Ich verwenden. "Mir fällt auf, dass …" signalisiert, dass da jemand denkt.
• Spezifisch sein, auch beim Fühlen. Nicht "das ist beunruhigend", sondern das konkrete Bild.
• Tangenten zulassen. Halbgedanken, Einschübe, Selbstkorrekturen sind menschlich.

Vorher (sauber aber seelenlos):

Das Experiment lieferte interessante Ergebnisse. Die Agenten generierten drei Millionen Zeilen Code. Einige Entwickler waren beeindruckt, andere skeptisch. Die Implikationen bleiben unklar.

Nachher (mit Puls):

Ich weiß ehrlich nicht, was ich davon halten soll. Drei Millionen Zeilen Code, generiert während die Menschen vermutlich schliefen. Die halbe Dev-Community dreht durch, die andere Hälfte erklärt, warum das nicht zählt. Die Wahrheit liegt wahrscheinlich irgendwo dazwischen, eher unspektakulär. Aber ich muss trotzdem ständig an diese Agenten denken, die da nachts arbeiten.

Profil-Override (Architektur-Hook)

Die meisten Profile ergänzen den universellen Skill nur. Manche Domänen kehren aber ein Grundaxiom um: „mehr menschliche Stimme = besser“ stimmt in Leichter/Einfacher Sprache und technischer Doku NICHT, und auf Social Media erzeugt naive „Seele“ sogar einen neuen KI-Tell (inszenierte Lässigkeit, absichtliche Tippfehler, die Plattform-Klassifikatoren gerade als KI werten). Ein Profil darf darum die folgenden universellen Bausteine ausdrücklich überschreiben, indem es das in einem Block am Anfang erklärt:

• „Seele“ abschalten (Ablauf-Schritt 6 + Abschnitt PERSÖNLICHKEIT UND SEELE): keine Meinung, keine Modalpartikel, keine Tangenten einbauen. Für Leichte/Einfache Sprache und technische Doku, wo Gleichförmigkeit und Knappheit das Qualitätsziel sind.
• „Seele“ umdefinieren: social-linkedin ersetzt „Stimme einbauen“ durch „ein konkretes, überprüfbares Detail“ und verbietet das Faken von Authentizität (Tippfehler, gespielte Spontaneität).
• Verdachts-Score invertieren: Die strukturellen +2-Signale (siehe unten: Sätze gleich lang, keine Modalpartikel) geben in diesen Profilen 0 Punkte oder sind sogar gewollt. Das Profil benennt explizit, welche Signale es neutralisiert.
• Modalpartikel-Politik: Standard ist „zulassen/einbauen“. Leichte/Einfache Sprache und technische Doku entfernen sie; formelle Profile (recht, medizin-Kliniktext) bauen keine ein.

Ein Profil, das hierzu nichts sagt, erbt das Standardverhalten (Seele an, Modalpartikel zulassen).

Muster-Index (Details in references/patterns/)

Lies aus references/patterns/ NUR die Familien-Datei(en), deren Muster du im Text vermutest. Lies nicht alle fünf, wenn der Text kurz ist.

• Inhaltliche Muster (#1–6: Bedeutungs-Inflation, Notabilität, Partizip-Analysen, Werbesprache, Weasel Words, Herausforderungen-Blöcke) → references/patterns/inhaltliche-muster.md
• Sprache & Grammatik (#7–13: Hochfrequenzwörter, Copula-Vermeidung, negative Parallelismen, Trikolon, Synonym-Cycling, falsche Spannweiten, Passiv) → references/patterns/sprache-grammatik.md
• Stil & Typografie (#14–19: Em-Dash, Fettdruck, Inline-Header, Title Case, Emojis, deutsche Anführungszeichen/Zahlen/Daten) → references/patterns/stil-typografie.md
• Kommunikation & Floskeln (#20–29: Chatbot-Artefakte, Cutoff-Disclaimer, Sykophantie, Füllphrasen, Hedging, generische Schlüsse, Bindestrich-Paare, Autoritäts-Topoi, Signposting, Fragment-Header) → references/patterns/kommunikation-floskeln.md
• Deutsche Spezifika (#30–36: Nominalstil & Funktionsverbgefüge, Calques, Modalpartikel-Verlust, Sie-Wahn, wörtliche Idiome, Substrat-Grammatik, "Menschen"-Subjekt) → references/patterns/deutsche-spezifika.md
• Frisch (2025–2026) (Punkt-Antithese, Doppelpunkt-Pointe, Bold-Listen, Pseudo-Lässigkeit, Markdown-Bluten, geschwächte Tells) → references/patterns/emerging-2025-2026.md
• Vollständiges Vorher/Nachher-Beispiel → references/vollbeispiel.md
• Quellen und Methodik → references/sources.md

Kombinations-Heuristik – Verdachts-Score

Einzelne Wörter beweisen nichts (Wikipedia, ContentConsultants, literaturcafe.de warnen alle davor). Erst Häufung + inhaltliche Dünne + strukturelle Symmetrie macht den Text zum Tell. Berechne pro Absatz einen groben Score:

• Jeder Stufe-A-Treffer: +3 (z.B. "Als KI-Sprachmodell", Em-Dash-Häufung, Chatbot-Floskel)
• Jeder Stufe-B-Treffer: +1 (z.B. "darüber hinaus", "ganzheitlich", "spielt eine entscheidende Rolle")
• Strukturelle Signale je +2: Sätze fast gleich lang; Absätze fast gleich lang; alle Listen exakt dreigliedrig; keine einzige Modalpartikel im ganzen Text; englische Anführungszeichen/Em-Dashes statt deutscher Typografie; fehlende Ich-Perspektive trotz passender Gelegenheit. (Profile dürfen diese Signale per Profil-Override neutralisieren oder invertieren: in Leichter Sprache und technischer Doku sind gleich lange Sätze und fehlende Modalpartikel KORREKT und geben keine Punkte.)

Bänder:

• 0–2 niedrig: wahrscheinlich menschlich. Nur einzelne A-Treffer korrigieren, Rest stehen lassen.
• 3–5 mittel: gezielt die B-Treffer im Cluster ersetzen, Stufe C schützen.
• 6+ hoch: durchgreifend humanisieren, danach Anti-KI-Audit.

Hinweis: Die Gewichte sind eine Heuristik, kein Detektor-Urteil. Für deutsche Texte existiert (Stand 2026) keine peer-reviewed Frequenz-Eichung (DWDS/DeReKo-Lücke). Nie als Beweis gegen den Nutzer verwenden. Formeln, ehrliche Schwellen und die Korpus-Lage: references/quantitativ.md.

Deterministische Tools (optional)

Manche Korrekturen sind regelbasiert, nicht Ermessenssache. Für deutsche Typografie gibt es ein Skript:

python3 ${CLAUDE_SKILL_DIR}/scripts/typografie.py [--ch] datei.txt

Es normalisiert gerade Anführungszeichen → „ “, Em-Dash → – (oder Komma), ... → …, 10,000 → 10.000, Datumsformate und Apostroph; mit --ch die Schweizer Varietät (ß→ss, » «, 10'000). Es schützt Code-Blöcke, URLs und englische Zitate. Das Skript ändert nur Typografie, nicht den Inhalt.

Fallback ohne Bash: Wenn die Bash-Ausführung nicht erlaubt ist, wende Muster #19 (und ggf. das varietaet-Profil) manuell an. Das Skript ist eine Bequemlichkeit, kein Muss.

Ablauf

1. Register grob bestimmen (ein Satz).
2. Profil-Token prüfen, ggf. Profil-Datei lesen oder Profil vorschlagen.
3. Eingabetext sorgfältig lesen, Muster-Index durchgehen, nur passende Familien-Dateien laden.
4. Verdachts-Score bilden; Eingriffstiefe danach wählen.
5. Jede echte Problemstelle umschreiben; Stufe-C-Konstruktionen schützen. Sicherstellen, dass die Fassung
   • laut gelesen natürlich klingt und Satzlängen variiert,
   • konkrete Details statt vager Behauptungen nutzt,
   • Kontext, Register und Anrede hält,
   • wo passend Modalpartikel einbaut,
   • Aktiv und "ist/sind" statt unnötiger Funktionsverbgefüge nutzt (außer Register schützt sie).
6. Erste humanisierte Fassung präsentieren.
7. Self-Audit nach evals/SELF-AUDIT.md: "Was klingt hier noch verräterisch KI-generiert?", Tells auflisten.
8. Finale Fassung nach Audit präsentieren.

Output-Format

Liefere:

1. (bei Profil/Score relevant) eine Zeile: erkanntes Register, ggf. Profil, Verdachts-Score-Band.
2. Erste humanisierte Fassung.
3. "Was klingt hier noch verräterisch KI-generiert?" – kurze Bullet-Liste der verbleibenden Tells.
4. Finale Fassung.
5. Kurze, nach Muster-Nummern kategorisierte Änderungsliste (optional, wenn hilfreich).