Diese Seite ist für dich, wenn du einen Übungstext geschrieben hast, eine KI dir 80 oder mehr Punkte gegeben hat und du jetzt wissen willst: Kann ich mich anmelden? Kurz: Ein Ergebnis reicht dafür nicht. Drei Ergebnisse und ein Muster reichen.
Warum wirkt ein gutes KI-Ergebnis so sicher?
Ein gutes KI-Ergebnis wirkt sicher, weil es wie eine Note aussieht: eine Zahl, vier Kriterien, ein freundliches Fazit. Es ist aber nur ein Foto. Es zeigt einen Text zu einem Thema an einem Tag, und meistens ist die Kamera zu freundlich eingestellt.
Studien zeigen, dass Sprachmodelle Aufsätze milder bewerten als Lehrkräfte (Seßler u. a. 2025) und kurze, glatte Texte überschätzen (Mathew u. a. 2026, Preprint). In unserem eigenen Test gab ChatGPT einem B2-Forumsbeitrag, in dem ein Leitpunkt fehlte, fünfmal 82–89 Punkte und schrieb, alle Leitpunkte seien erfüllt.
Auch wir sind nicht fehlerfrei: Bewertet unsere KI denselben Text mehrmals, liegt das Ergebnis meist innerhalb von etwa ±5 Punkten. Das heißt: Selbst eine strenge Bewertung schwankt. Eine einzelne Zahl ist eine Schätzung, kein Befund.
Wie stark schwankt ein Übungsergebnis von Text zu Text?
Viel stärker als die Bewertung selbst. Wir haben bei einigen Dutzend Lernenden mit mindestens drei bewerteten Texten die ersten drei Texte verglichen. Im Median lagen zwischen dem besten und dem schwächsten Text 20 Punkte. Bei mehr als 8 von 10 waren es mindestens 10 Punkte, bei mehr als der Hälfte mindestens 20.
Fast neun von zehn wechselten in den ersten drei Texten mindestens einmal den Bereich: von „sicher“ (ab 70 %) in den „Grenzbereich“ (55–69 %) oder zu „noch nicht“ (unter 55 %) und zurück.
Das heißt: Wer nach einem guten Text bucht, bucht vielleicht nach seinem besten Tag. Wer nach einem schlechten Text aufgibt, gibt vielleicht nach seinem schlechtesten auf. Nicht repräsentativ, aber ein klares Muster.
Warum ist das so? Jedes Thema liegt dir anders, jede Textsorte auch (E-Mail, Forumsbeitrag, formelle Nachricht). Dazu kommen Tagesform, Zeitdruck und die Frage, ob du ohne Hilfe geschrieben hast.
Was bleibt gleich? Dein schwächstes Kriterium
Das Ergebnis springt, die Schwäche bleibt. Bei gut zwei Dritteln der Lernenden war in mindestens zwei von drei Texten dasselbe Goethe-Kriterium das schwächste.
Im Goethe-Schreiben gibt es vier Kriterien: Aufgabenerfüllung (alle Leitpunkte, passende Textsorte und Register), Kohärenz (Aufbau, Absätze, Konnektoren), Wortschatz und Strukturen (Grammatik). Welches davon war am häufigsten das schwächste?
Am häufigsten war es nicht die Grammatik, sondern Kohärenz und Aufgabenerfüllung: zusammen mehr als 8 von 10 Lernenden. Strukturen war bei gut jedem Zehnten das schwächste Kriterium, Wortschatz fast nie.
Wie das aussieht? Ein einfaches B1-Beispiel, zweimal ohne einen einzigen Grammatikfehler (auf B2 gilt dasselbe, nur mit längeren Sätzen):
- „Ich finde Sport gut. Sport ist gesund. Ich habe wenig Zeit. Ich gehe nicht oft ins Fitnessstudio.“
- „Ich finde Sport gut, weil er gesund ist. Trotzdem gehe ich nicht oft ins Fitnessstudio, denn ich habe wenig Zeit.“
Der erste Text ist richtig, aber er reiht nur. Der zweite verbindet die Gedanken und zeigt, wie sie zusammenhängen. Genau das bewertet die Kohärenz.
Spannend ist der Vergleich mit unseren Einstiegsfragebögen: Dort nennt mehr als die Hälfte den Wortschatz als größte Schwäche beim Schreiben. Das sind andere Personen und eine andere Frage, aber die Richtung ist deutlich. Viele üben das, was sich schwer anfühlt. Die Punkte gehen woanders verloren.
Wenn du ChatGPT nutzt: So fragst du nach den Goethe-Kriterien
Eine KI kann dir helfen, wenn du ihr die richtige Aufgabe gibst. „Bewerte meinen Text streng“ reicht nicht. Gib ihr die Aufgabe, die echten Kriterien mit Punktwerten und eine feste Ausgabe.
Für B1, Teil 1 (E-Mail):
Du bewertest einen Text für das Goethe-Zertifikat B1, Schreiben Teil 1 (E-Mail, circa 80 Wörter). Hier ist die Aufgabe mit allen drei Inhaltspunkten: [Aufgabe einfügen]. Bewerte nach den vier Goethe-Kriterien, jeweils 0, 2,5, 5, 7,5 oder 10 Punkte: Erfüllung, Kohärenz, Wortschatz, Strukturen. Prüfe jeden Inhaltspunkt einzeln: vorhanden, nur angedeutet oder fehlt, mit dem Satz aus meinem Text als Beleg. Gib zum Schluss nur an: Punkte pro Kriterium, Summe von 40 und welches Kriterium am schwächsten ist. Lobe nicht. Schreib keinen neuen Text für mich.
Für B2, Teil 1 (Forumsbeitrag):
Du bewertest einen Text für das Goethe-Zertifikat B2, Schreiben Teil 1 (Forumsbeitrag, mindestens 150 Wörter). Hier ist die Aufgabe mit allen vier Leitpunkten: [Aufgabe einfügen]. Bewerte nach den vier Goethe-Kriterien in fünf Stufen: Erfüllung und Kohärenz je 0, 3,5, 7, 10,5 oder 14 Punkte, Wortschatz und Strukturen je 0, 4, 8, 12 oder 16 Punkte. Prüfe jeden Leitpunkt einzeln: vorhanden, nur angedeutet oder fehlt, mit dem Satz aus meinem Text als Beleg. Gib zum Schluss nur an: Punkte pro Kriterium, Summe von 60 und welches Kriterium am schwächsten ist. Lobe nicht. Schreib keinen neuen Text für mich.
Warum kein Lob und kein neuer Text? Du willst zuerst die Diagnose. Die Korrektur kommt danach, wenn du weißt, woran du arbeitest. Die Wortzahl zählst du selbst: Ein Sprachmodell schätzt sie, statt zu zählen.
Was auch der beste Prompt nicht kann: sich deine letzten Texte merken und sie vergleichen. Das musst du selbst tun, mit einer kleinen Tabelle (siehe unten). Sonst bekommst du wieder nur ein Foto, diesmal ein strengeres.
Die Methode: drei Texte, ein Profil, ein Fokus
Lies dein Niveau aus mindestens drei Texten, nicht aus einem. So gehst du vor:
- Drei Texte unter Prüfungsbedingungen. Offizielle Zeit, kein Wörterbuch, keine KI beim Schreiben. Wenn möglich drei verschiedene Aufgaben (zum Beispiel E-Mail, Forumsbeitrag, formelle Nachricht).
- Jeden Text nach denselben vier Kriterien bewerten lassen. Immer mit derselben Methode, sonst vergleichst du Äpfel mit Birnen.
- Eine Zeile pro Text notieren: Punkte pro Kriterium und das schwächste Kriterium.
- Das Muster lesen. Liegt der Durchschnitt über 70? Ist zweimal oder öfter dasselbe Kriterium das schwächste? Dann ist das dein Fokus.
- Ein bis zwei Wochen nur diese Schwäche üben, dann wieder drei Texte.
So kann das Profil aussehen (Beispiel, B1 Teil 1 und 2, je 40 Punkte; E = Erfüllung, K = Kohärenz, W = Wortschatz, S = Strukturen):
| Text | E | K | W | S | Summe | Schwach |
|---|---|---|---|---|---|---|
| 1 E-Mail | 10 | 5 | 7,5 | 10 | 81 % | K |
| 2 Forum | 5 | 2,5 | 7,5 | 7,5 | 56 % | K |
| 3 E-Mail | 7,5 | 5 | 7,5 | 7,5 | 69 % | K |
Die Summe springt von sicher über Grenzbereich zu fast sicher. Das Muster springt nicht: Kohärenz liegt dreimal unten. Mehr Grammatik bringt hier wenig, Absätze und Konnektoren bringen viel.
Und was übst du dann? Pro Kriterium gibt es eine typische Übung:
| Schwächstes Kriterium | Woran du es erkennst | Was du übst |
|---|---|---|
| Aufgabenerfüllung | ein Leitpunkt fehlt oder ist nur ein Halbsatz, falsches Register (du/Sie), Textsorte passt nicht | vor dem Schreiben jeden Leitpunkt als Stichwort notieren, nach dem Schreiben abhaken |
| Kohärenz | keine Absätze, immer „und“ oder „aber“, der Leser muss Sätze zweimal lesen | ein Absatz pro Leitpunkt, drei Konnektoren pro Text (deshalb, trotzdem, außerdem), klarer Schluss |
| Wortschatz | dieselben Wörter immer wieder, Wörter aus der Muttersprache | Redemittel für Meinung, Vorschlag, Bitte; pro Thema zehn Wörter |
| Strukturen | Verb nicht am Ende nach weil/dass, falsche Endungen, die das Verständnis stören | kurze Übungen zu genau einem Muster, nicht „alle Grammatik“ |
Im Median war der dritte Text unserer Lernenden nicht besser als der erste. Mehr Texte allein machen also nicht automatisch besser. Der Fortschritt kommt, wenn du an dem Muster arbeitest, das die Texte zeigen.
So macht es GoetheCoach
GoetheCoach nimmt dir die Tabelle ab, soweit es heute geht. Jeder Text wird nach den vier Goethe-Kriterien bewertet, für B1 und B2 mit den offiziellen Punktwerten der Bewertungsbögen und zwei gemittelten Lesungen. Statt „bestanden“ zeigen wir drei Bereiche: sicher, Grenzbereich oder noch nicht.
Deine Texte bleiben gespeichert. Fehler, die immer wieder vorkommen, werden zu kurzen Übungen im Chat, und dein Wochenplan legt den Fokus auf den Teil, in dem du am schwächsten bist. Wie genau die Bewertung ist und wo sie sich irrt, steht offen in So bewertet GoetheCoach.
Ehrlich gesagt: Auch unsere Bewertung ist eine Schätzung, keine Note. Wir sind nicht mit dem Goethe-Institut verbunden, versprechen kein Bestehen und bewerten kein Sprechen. Was wir versprechen: dieselben Regeln bei jedem Text, damit du ein Muster siehst statt einer Zahl.
Häufig gestellte Fragen
Reicht ein Modelltest, um zu wissen, ob ich bereit bin?
Nein. Ein Modelltest zeigt einen Text an einem Tag. In unseren Daten lagen zwischen bestem und schwächstem der ersten drei Texte im Median 20 Punkte. Schreib mindestens drei Texte unter Prüfungsbedingungen und lies den Durchschnitt und das schwächste Kriterium.
Ist ChatGPT beim Bewerten zu nett?
Oft ja. Sprachmodelle bewerten in Studien milder als Lehrkräfte, und in unserem Test meldete ChatGPT bei einem fehlenden Leitpunkt alle Punkte als erfüllt. Mit einem genauen Prompt wird es besser, aber es vergleicht deine Texte nicht über die Zeit. Die Tabelle musst du selbst führen.
Warum schwankt mein Ergebnis, obwohl mein Deutsch gleich bleibt?
Weil jedes Thema und jede Textsorte dir anders liegt und weil Tagesform und Zeitdruck mitspielen. Dazu kommt eine kleine Schwankung der Bewertung selbst, auch bei Menschen: In der Prüfung bewerten deshalb zwei Prüfende, und ihr Mittelwert zählt.
Wie viele Übungstexte sollte ich vor der Prüfung schreiben?
Eine feste Zahl gibt es nicht. Ein guter Anhaltspunkt: drei Texte für das erste Profil, ein bis zwei Wochen gezieltes Üben, dann wieder drei. Melde dich an, wenn zwei, drei Texte hintereinander über 70 liegen, geschrieben in der offiziellen Zeit und ohne Hilfe.
Ist meine größte Schwäche wirklich nicht die Grammatik?
Vielleicht doch, aber seltener, als viele denken. In unseren Bewertungen war bei mehr als 8 von 10 Lernenden Kohärenz oder Aufgabenerfüllung das schwächste Kriterium. Prüf es an deinen eigenen drei Texten, bevor du Wochen in Grammatik steckst.
Gilt das auch für Lesen und Hören?
Teilweise. Lesen und Hören werden mit richtigen und falschen Antworten gezählt, dort gibt es keine Unterschiede zwischen Bewertenden. Das Ergebnis hängt aber auch dort von Thema und Tagesform ab. Auch dort gilt: mehrere Modelltests, nicht einer.
Ersetzt das eine Lehrkraft?
Nein. Eine Lehrkraft sieht Dinge, die keine Bewertung sieht, und kann dich im Sprechen prüfen. Ein Kriterienprofil aus drei Texten hilft aber, die Stunden mit der Lehrkraft auf die richtige Schwäche zu legen.
Quellen
- Goethe-Institut: B1-Übungssatz für Erwachsene, Bewertungskriterien und Bewertungsbogen Schreiben
- Goethe-Institut: B2-Modellsatz für Erwachsene, Prüferblätter, Bewertungsbogen Schreiben
- Seßler u. a. (2025): Can AI grade your essays?, LAK '25
- Mathew u. a. (2026): Preprint, arXiv 2603.23714
- GoetheCoach-Übungsdaten: Lernende mit mindestens drei bewerteten Texten, April bis Oktober 2026, nicht repräsentativ; Einstiegsfragebögen, Stand Oktober 2026
- ChatGPT vs. GoetheCoach: derselbe B2-Text, fünfmal bewertet
- 60 Punkte im Übungstest: Reicht das?
Dein erster von drei Texten
Schreib eine Aufgabe unter Prüfungsbedingungen. Du siehst die Punkte pro Kriterium und dein schwächstes. Mit einem kostenlosen Konto bleiben deine Texte gespeichert, damit nach drei Texten das Muster sichtbar wird.
Text bewerten lassen