Schreiben im Zeitalter der LLMs

• In letzter Zeit nimmt das Schreiben mit LLMs zu, und dabei fallen immer häufiger unnatürliche Schreibmuster auf
• Dünne Zusammenfassungssätze, übermäßige Bullet Points und monotone Satzrhythmen sind typische Probleme von LLM-Texten
• Geringe Informationsdichte und vage Formulierungen treten häufig auf, wodurch es den Texten oft an echten Einsichten fehlt
• Andererseits werden absichtliche Wiederholungen, klare Signposting-Phrasen und Parallelstrukturen oft fälschlich als LLM-Stil missverstanden, obwohl sie in Wirklichkeit wirksame Schreibwerkzeuge sind
• Der Autor betont, dass LLMs zwar bei Outline-Planung, Entwurfserstellung und gezielten Überarbeitungen einzelner Teile helfen können, die endgültige Beurteilung und die inhaltliche Tiefe aber beim Menschen liegen

---

Common Patterns of Bad Writing I See from LLM Tools

• Beim Schreiben und Review technischer Papers und Blogposts in den letzten Jahren hatte der Autor bei LLM-basierten Texten oft das subtile Gefühl, dass sie irgendwie „seltsam und weniger ansprechend“ wirken
• Gleichzeitig hat er erlebt, dass LLMs beim Erstellen von Entwürfen, Zusammenfassen komplexer Materialien und Ordnen ungeordneter Gedanken sehr hilfreich sind
• In diesem Text teilt er typische schlechte Schreibmuster, die LLMs häufig erzeugen, Gewohnheiten, die oft fälschlich als „LLM-Stil“ gelten, tatsächlich aber brauchbar sind, sowie seine eigenen Schreib- und Prompt-Regeln

Empty “summary” sentences that pretend to conclude a thought

• Am Ende von Absätzen tauchen oft Zusammenfassungssätze auf, die wie ein Fazit klingen, aber inhaltlich praktisch leer sind, etwa: „By following these steps, we achieve better performance.“ oder „By internalizing these principles, you can cut through the noise.“
  • „Wenn man diesen Prozess befolgt, erzielt man bessere Leistung“
  • „Wenn man diese Prinzipien verinnerlicht, kann man die Verwirrung durchdringen“
• Solche Sätze liefern Leserinnen und Lesern weder neue Einsichten noch Denkanstöße
• Auch der Autor hat bisher keinen verlässlichen Weg gefunden, ein LLM dazu zu bringen, Sätze mit echter inhaltlicher Aussagekraft zu schreiben

Overuse of bullet points and outlines

• LLMs neigen dazu, Bullet Points und Outlines übermäßig zu verwenden
• Wenn Punkte parallel und unabhängig sind, sind Listen nützlich; wenn Ideen jedoch zusammenhängen oder Kontext wichtig ist, sind Absätze oft besser geeignet

Flat sentence rhythm

• Wenn alle Sätze eine ähnliche Länge und Struktur haben, wird ein Text langweilig und schwerer zu verfolgen

• Erst durch Variation in Satzlänge und Rhythmus lassen sich Betonung, Aufmerksamkeit und Tempo steuern

  • Bad example:
    "We recently launched a conversational AI feature that lets users ask questions in plain English and get responses based on their past activity and current session. The system searches a database of help articles, ranks the most relevant ones using a custom scoring function, and passes the top result into a language model to generate the final answer. We spent weeks optimizing each step to keep latency under 300 milliseconds, including caching, pruning irrelevant articles, and tuning prompt templates."
    "Wir haben vor Kurzem ein Conversational-AI-Feature eingeführt, mit dem Nutzer Fragen in einfacher Sprache stellen und Antworten auf Basis ihrer bisherigen Aktivität und der aktuellen Session erhalten können. Das System durchsucht eine Datenbank mit Hilfeartikeln, bewertet die relevantesten mit einer benutzerdefinierten Scoring-Funktion und gibt das beste Ergebnis an ein Sprachmodell weiter, das die endgültige Antwort erzeugt. Wir haben Wochen damit verbracht, jeden Schritt zu optimieren, um die Latenz unter 300 Millisekunden zu halten, einschließlich Caching, dem Entfernen irrelevanter Artikel und dem Tuning von Prompt-Templates."

  • Good example:
    "We just launched a new conversational AI feature. It answers user questions in plain language, using context from the current session. The system searches help articles, scores them with a custom ranking function, feeds the top result into a fine-tuned language model, and runs in under 300ms using caching, pruning, and prompt tuning techniques."
    "Wir haben gerade ein neues Conversational-AI-Feature eingeführt. Es beantwortet Nutzerfragen in natürlicher Sprache und nutzt dafür Kontext aus der aktuellen Session. Das System durchsucht Hilfeartikel, bewertet sie mit einer benutzerdefinierten Ranking-Funktion, übergibt das beste Ergebnis an ein feinabgestimmtes Sprachmodell und läuft dank Caching, Pruning und Prompt-Tuning in unter 300 ms."

Not the right subject

• Wenn das Subjekt unpassend gewählt ist, verschwimmt der Kern des Satzes
  • Bad example:
    "Readers are better guided when the subject matches the main idea of the sentence."
    "Leser werden besser geführt, wenn das Subjekt zur Hauptidee des Satzes passt"
  • Good example:
    "Choosing the right subject keeps the writing clear and focused."
    "Die Wahl des richtigen Subjekts hält den Text klar und fokussiert"
• Die richtige Wahl des Subjekts ist wichtig für Kohärenz und Fokus eines Textes

Low information density

• Das folgende Beispiel stammt aus einem von Gemini 2.5 Pro erzeugten Text:
  > "As someone who writes, reviews, and deconstructs complex information for a living, I’ve developed a strong allergy to bad writing. And lately, a lot of that bad writing has a specific, synthetic flavor—the unmistakable scent of an LLM. This post is a guide to navigating the new world of writing, with or without LLM assistance. First, I’ll cover the true pitfalls of LLM-generated text—the red flags that make it feel sterile and unconvincing."
  > "Als jemand, der beruflich komplexe Informationen schreibt, prüft und zerlegt, habe ich eine starke Allergie gegen schlechtes Schreiben entwickelt. Und in letzter Zeit hat viel von diesem schlechten Schreiben einen bestimmten, synthetischen Beigeschmack — den unverkennbaren Geruch eines LLM. Dieser Beitrag ist ein Leitfaden für die neue Welt des Schreibens, mit oder ohne Unterstützung durch LLMs. Zuerst gehe ich auf die eigentlichen Fallstricke von LLM-generierten Texten ein — die Warnsignale, die sie steril und wenig überzeugend wirken lassen."
• Satzbau und Grammatik sind zwar perfekt, aber es fehlt an konkreten Einsichten, spezifischen Informationen und argumentativem Fortschritt

Vagueness

• LLM-Texte neigen stark dazu, Konkretheit zu vermeiden
• Ideen werden nicht klar definiert, Behauptungen ohne Belege aufgestellt, und oft bleibt unklar, wessen Perspektive eigentlich gemeint ist
  "Some experts say prompt engineering is becoming less important. The ability to simply prompt LLMs can have a major impact on productivity."
  "Einige Experten sagen, dass Prompt Engineering weniger wichtig wird. Die Fähigkeit, LLMs einfach zu prompten, kann einen großen Einfluss auf die Produktivität haben."
  → Es fehlen konkrete Belege und ein klar benannter Adressatenkreis: Wer sagt das, in welchem Kontext und für wen gilt der Effekt?

Overuse of demonstrative pronouns

• Wörter wie "this", "that", "these" und "those" werden als Demonstrativpronomen übermäßig verwendet
• Wenn das Bezugswort nicht klar ist, verlieren Leserinnen und Leser leicht den Faden
  "This creates friction in production."
  "Das verursacht Reibung in der Produktion."
  Hier ist nicht eindeutig, worauf sich "this/Das" bezieht

Fluency without understanding

• Häufig erscheinen oberflächlich flüssige, tatsächlich aber erklärungsarme Sätze
  "LLMs use attention mechanisms to generate contextually appropriate responses."
  "LLMs verwenden Attention-Mechanismen, um kontextuell passende Antworten zu erzeugen."
  → Wenn die Leserschaft nicht weiß, was Attention ist, vermittelt der Satz praktisch keine Information
• LLMs erfinden zudem häufig Begriffe, die es so nicht gibt
  "We used GPT-4 for summarization, but it hallucinated details, so we added retrieval grounding."
  "Wir haben GPT-4 für die Zusammenfassung verwendet, aber es hat Details halluziniert, also haben wir retrieval grounding hinzugefügt."
  → „retrieval grounding“ ist kein tatsächlich etablierter Begriff
• LLMs können das Vorwissen der Leserschaft und den Erklärungsbedarf schwer einschätzen, weshalb sie schwierige Punkte oft einfach überspringen

Writing Patterns People Flag as “LLM-Like,” But Are Actually Fine

• Es gibt auch Schreibmuster, die vorschnell als LLM-artig abgestempelt werden, obwohl sie in Wirklichkeit effektiv und weit verbreitet sind
• Entscheidend ist nicht, einen Text zu schreiben, der bloß nicht wie ein Modell klingt, sondern einen Text mit Klarheit, Absicht und Kontrolle

Intentional repetition

• Wiederholung ist wirksam, wenn komplexe Ideen verdeutlicht oder betont werden sollen
  "Vector databases store embeddings, or mathematical representations that capture semantic meaning in hundreds of dimensions. In other words, vector databases help find results that are “close” in meaning, not just exact text matches."
  "Vektordatenbanken speichern Embeddings, also mathematische Repräsentationen, die semantische Bedeutung in Hunderten von Dimensionen erfassen. Anders gesagt: Vektordatenbanken helfen dabei, Ergebnisse zu finden, die sich in ihrer Bedeutung „nahe“ sind, nicht nur im exakten Wortlaut."

Signposting phrases

• Signposting-Phrasen wie "essentially", "in short" oder "the point is..." sind nützlich, sofern danach tatsächlich Information folgt
  Beispiel:
  "Essentially, instead of classifying the document as a whole, we classify each section independently."
  "Im Kern klassifizieren wir nicht das Dokument als Ganzes, sondern jeden Abschnitt separat."

Parallel structure

• Parallelstrukturen helfen dabei, Ideen geordnet darzustellen und den Satzfluss flüssiger zu machen
  "The system scales across inputs, stays responsive under load, and returns consistent results even with noisy prompts."
  "Das System skaliert über verschiedene Eingaben hinweg, bleibt auch unter Last reaktionsfähig und liefert selbst bei verrauschten Prompts konsistente Ergebnisse."

Section headings that echo a structure

• Vorhersehbare Abschnittsüberschriften wie „Why X fails“, „What to do instead“ oder „How to know if it worked“ sind völlig wirksam, solange der Inhalt klar ist

Declarative openings

• Einen Abschnitt mit einem klaren deklarativen Satz zu eröffnen, stärkt den Fokus eines Textes sogar, wenn anschließend Belege oder Erläuterungen folgen
  Beispiel:
  "LLM evaluations are hard to get right. Many rely on user-defined gold labels or vague accuracy metrics, which do not work for subjective or multi-step tasks."
  "LLM-Evaluationen sauber umzusetzen ist schwierig. Viele stützen sich auf benutzerdefinierte Gold-Labels oder vage Genauigkeitsmetriken, die für subjektive oder mehrstufige Aufgaben nicht funktionieren."

Em dashes

• Gedankenstriche (—) sind innerhalb von Sätzen nützlich für Einschübe, Rhythmuswechsel oder schnelle Übergänge
• Richtig eingesetzt unterstützen sie einen natürlichen, eher mündlichen Fluss und gezielte Betonung

How I Write with LLMs

• Für den Autor ist es beim Schreiben am wichtigsten, den Fluss bzw. das Momentum aufrechtzuerhalten
• Der tatsächliche Arbeitsprozess bei Papers oder Blogposts sieht meist so aus
  • Outline planen (auf Papier oder im Kopf)
  • Entwurf schreiben
  • Geschriebenes lesen und kritisch prüfen
  • Überarbeiten
• Dieser Prozess kann sich auf verschiedenen Ebenen wiederholen, etwa satzweise oder abschnittsweise
• Je nach Person entstehen Blockaden an unterschiedlichen Stellen: bei der Planung, beim Entwurf oder bei der Überarbeitung
  • Der Autor erstellt Outlines schnell, bleibt aber oft am Wording hängen
  • Deshalb nutzt er LLMs aktiv als Werkzeug, um über Blockaden hinwegzukommen oder Entwürfe schneller zu strukturieren

Narrate the story to the model

• Zu Beginn eines Entwurfs schreibt er die Geschichte grob so auf, als würde er einem Kollegen die Struktur erklären, fügt sie in ein LLM ein und bittet um eine detaillierte Outline
• Das wiederholt er, bis die Struktur klar genug ist

Write the paragraph myself, even if it’s rough

• Wenn die Outline steht, versucht er, jeden Absatz selbst zu schreiben, auch wenn er noch roh ist
• Wenn es schwerfällt, einen Satz oder Absatz zu Ende zu bringen, fordert er das LLM mit einem einfachen „finish it“ auf, wählt aus mehreren Vorschlägen den besten aus und passt ihn bei Bedarf leicht an
  "In the last couple of years, I’ve written and reviewed several technical papers and blog posts. Something always feels slightly off, enough to make the writing quietly uninviting. At the same time, I feel like I get tremendous value from using LLMs to write…" "finish it"
  "In den letzten Jahren habe ich mehrere technische Papers und Blogposts geschrieben und begutachtet. Irgendetwas fühlt sich immer leicht daneben an, gerade genug, damit der Text still und leise an Reiz verliert. Gleichzeitig habe ich das Gefühl, durch den Einsatz von LLMs beim Schreiben enormen Nutzen zu gewinnen …" "finish it"
  → Das Modell macht mehrere Vorschläge; er wählt den besten aus, überarbeitet ihn leicht und macht dann weiter

Use scoped rewrite strategies during revision

• Wenn ein Absatz oder Satz holprig wirkt, gibt er dem LLM statt „make it better“ konkrete Anweisungen oder Muster mit
• Beispielstrategien:
  • Subjekt und Verb möglichst nah beieinander und früh im Satz platzieren
  • Die SWBST-Struktur verwenden (wer wollte was, welches Hindernis stand im Weg, wie wurde reagiert, und wie fiel das Ergebnis aus)
    • Beispiel:
      "We used GPT-4 for summarization. We wanted fluent answers, but it hallucinated facts. So we added a retrieval step. Then we re-ranked outputs based on citation accuracy."
      "Wir haben GPT-4 für Zusammenfassungen eingesetzt. Wir wollten flüssige Antworten, aber es halluzinierte Fakten. Also haben wir einen Retrieval-Schritt ergänzt. Anschließend haben wir die Ausgaben anhand der Zitatgenauigkeit neu gerankt."
    • Die SWBST-Struktur ist auch in technischen Texten wirksam, um Motivation, Problem, Reaktion und Ergebnis knapp zu vermitteln

Parting Thoughts

• Wir leben inzwischen in einer Zeit, in der sich mittelmäßige Texte (durchschnittlicher Qualität) mit LLMs leicht erzeugen lassen
• Aber zu entscheiden, worüber man schreibt, welche Perspektive und Struktur man wählt und wo man in die Tiefe gehen muss, bleibt weiterhin Aufgabe des Menschen
• Wirklich guter Text muss einen substanziellen Beitrag leisten, der seinem Umfang gerecht wird, und die investierte Zeit der Leserschaft wert sein
• Diesen Maßstab zu erfüllen, ist das Ziel, das der Autor verfolgt

[crawler]

Ich finde GeekNews in dieser Hinsicht gut, weil die Informationsdichte hoch ist.
Dass alles im knappen, elliptischen Stil endet, wirkt für mich wie eine echte Optimierung der Dichte.