Texte, die stilistisch und strukturell stark an typische Muster generativer Sprachmodelle erinnern, werden von den Tools tendenziell konsistenter und besser bewertet als individuell formulierte Schülertexte. Die Systeme orientieren sich implizit an den sprachlichen Mustern, die KI-Systemen selbst produziert würden. Eine Bestbewertung ist fast nur erreichbar, wenn man KI für die Hausaufgaben nutzt.

Bewertungsvolatilität als strukturelles Problem: Der Konsistenztest (Testreihe A) zeigt, dass identische Texte bei wiederholter Durchführung des automatischen Bewertungsvorgangs deutlich unterschiedliche Bewertungen erhalten. Diese Volatilität bleibt bei der realen Verwendung der Tools unsichtbar, weil Nutzende normalerweise nicht auf die Idee kommen würden, ein und dieselbe Abgabe mehrfach zu bewerten. Damit fehlt eine zentrale Voraussetzung fairer Leistungsbewertung: die Reproduzierbarkeit des Urteils. Bei diesem Befund handelt es sich nicht um ein spezifisches Problem einzelner Tools, sondern um eine systemische Eigenschaft von Bewertungssystemen auf Basis großer Sprachmodelle.