Pangram hat seinen Ruf mit Prosa aufgebaut. Am Mittwoch drang das Unternehmen aus New York in die Pixel vor: Pangram Image 1.0 für Standbilder und Pangram Image Flash 1.0 für Video, wobei das zweite Modell Clips Bild für Bild analysiert.
Das Versprechen ist eng und konkret. Image 1.0 antwortet nicht nur "KI" oder "keine KI", sondern liefert eine Heatmap, die den synthetischen Bereich in einem ansonsten echten Foto verortet — ein generiertes Wandbild an einer echten Restaurantwand, ein ausgetauschtes Objekt auf einem echten Tisch. Flash 1.0 verarbeitet Video nativ: Clip hochladen, und es meldet, welche Abschnitte generiert wirken. Beide laufen in der Web-App und über die API; Image 1.0 steckt zusätzlich in der Chrome-Erweiterung, die Inhalte in Social Feeds, auf Einkaufsseiten und in Mietanzeigen markiert.
Die Genauigkeitsangaben sind stark und derzeit selbst benotet. Pangram sagt, Image 1.0 erkenne 99,2 % der KI-Bilder und markiere 0,27 % der echten fälschlich. Die Schlagzeile — 99,96 % Genauigkeit — stammt aus einem selbst entworfenen Test: 100 echte Fotos, für jedes ein synthetischer "Spiegel", erzeugt mit zwölf führenden Bildgeneratoren und prompts nahe am Original, insgesamt 1.200 Bilder.
Der Videowert stützt sich auf fremde Arbeit. DF26, ein im September veröffentlichter akademischer Benchmark, enthält 2.691 Clips von Menschen, die in die Kamera sprechen; die Autoren fanden, dass Menschen und bestehende Detektoren kaum besser als der Zufall abschneiden. Pangram sagt, Flash 1.0 erreiche dort 98,7 %, 29 Punkte vor dem nächstbesten Detektor. Zusätzlich baute das Unternehmen einen eigenen Vergleich über 1.529 Videos, indem es 129 echte Social-Clips mit 14 Generatoren spiegelte.
Warum Video mehr zählt als Standbilder: Geld bewegt sich in Talking-Head-Fälschungen — Manager-Imitation, gefälschte Werbeaussagen, Anlage- und Liebesbetrug. Die Erkennung stehender Bilder ist seit zwei Jahren ein Massenprodukt. Bild-für-Bild-Analyse als API-Aufruf ist neu, und sie ist teuer, genau so, wie es Wettbewerber fernhält.
Die Einschränkungen sind strukturell, nicht beiläufig. Im August 2026 markierte Pangrams Textdetektor den Gastbeitrag einer Berkeley-Professorin als teilweise KI-geschrieben; sie bestritt das. Tests von Reuters zeigten, dass Metas eigener Bilddetektor zugeschnittene Fälschungen aus dem eigenen Generator in mehr als der Hälfte der Fälle übersah. Ein YouTube-Netzwerk, das echte Schauspieler KI-Skripte vorlesen ließ, schlug die Detektoren der Plattformen. Jedes Beispiel erinnert daran, dass ein Detektor ein probabilistischer Klassifikator ist — und benotet wird am Ende von dem, der die Benotung bezahlt.
Eine technische Änderung schneidet in beide Richtungen: Die minimale Eingangsauflösung sinkt von 512 auf 256 Pixel, unter 512 mit Hinweis auf geringere Konfidenz. Das ist praktisch, weil Social-Bilder komprimiert und klein ankommen — und es vergrößert die Fläche, auf der ein Fehlalarm passieren kann.
Das größere Argument: Erkennung und Herkunftsnachweis ergänzen sich, sie konkurrieren nicht. Signierte Aufnahme im C2PA-Stil funktioniert nur für kooperative Kameras und Editoren; über die unkooperative Mehrheit, die aus der Telefongalerie hochlädt, sagt sie nichts. Für diese Mehrheit bleibt Klassifikation das einzige Werkzeug — und deshalb ein Wettrüsten statt eines gelösten Problems.
Kommerziell sammelte Pangram im Juli 9 Millionen Dollar unter Führung von Menlo Ventures ein, als die Bilderkennung noch Forschungspreview war; der Textdetektor läuft bereits bei Substack. Auch die Plattformen bewegen sich: Snapchat empfiehlt keine KI-Videos mehr auf Spotlight.
Was man mit einem Urteil tun sollte: als ein Signal in einer Kette behandeln, festhalten, welche Modellversion es erzeugt hat — Schwellen verschieben sich zwischen Releases — und niemals einen Score allein über eine Sanktion gegen eine Person entscheiden lassen. Im Streitfall ist die Heatmap das belastbarere Artefakt: Sie zeigt auf eine Region, die ein Mensch prüfen kann.
