Generative KI bezeichnet Modelle, die neue Inhalte erzeugen statt vorhandene nur einzuordnen: Text, Bilder, Audio, Video, Programmcode. Trainiert werden sie auf sehr großen Datenmengen, aus denen sie statistische Muster ableiten, und im Betrieb sagen sie Stück für Stück vorher, was als Nächstes plausibel folgt. Das Ergebnis ist neu in dem Sinne, dass es so nicht in den Trainingsdaten stand, und zugleich abgeleitet in dem Sinne, dass es deren Muster fortschreibt.
Der Begriff hat sich ab 2022 durchgesetzt, als die ersten Bild- und Textmodelle einer breiten Öffentlichkeit zugänglich wurden. Er beschreibt keine einzelne Technik, sondern eine Familie von Verfahren mit einem gemeinsamen Ausgabeverhalten.
Der Unterschied zur klassischen KI
KI gab es lange vorher, sie tat nur etwas anderes. Klassische Verfahren aus dem Machine Learning ordnen ein, bewerten, sagen einen Wert voraus. Sie beantworten geschlossene Fragen: Ist diese Mail Spam? Wie hoch wird der Absatz im Mai? Gehört dieser Kunde in Gruppe A oder B? Die Antwort ist eine Zahl oder ein Etikett, und sie lässt sich gegen die Wirklichkeit prüfen.
| Analytische KI | Generative KI | |
|---|---|---|
| Aufgabe | einordnen, bewerten, vorhersagen | erzeugen |
| Ausgabe | Klasse, Zahl, Wahrscheinlichkeit | Text, Bild, Audio, Code |
| Prüfbarkeit | messbar gegen bekannte Fälle | oft nur beurteilbar |
| Typische Frage | “Welche Kategorie?” | “Schreib mir einen Entwurf” |
| Reproduzierbarkeit | gleiche Eingabe, gleiche Ausgabe | gleiche Eingabe, oft andere Ausgabe |
Die letzten beiden Zeilen sind der Grund, warum sich generative Systeme schwerer betreiben lassen als analytische. Ein Klassifikator hat eine Trefferquote. Ein Textmodell hat einen Eindruck. Wer generative KI in einen Prozess einbaut, muss sich deshalb früh überlegen, woran gute Ausgabe eigentlich erkannt wird.
Technisch teilen sich beide Welten die Grundlagen: neuronale Netze und Deep Learning stecken in beiden. Der Unterschied liegt in Zielsetzung und Trainingsaufbau, nicht in einer völlig anderen Mathematik.
Die Modalitäten
Text
Der bekannteste Fall, getragen von großen Sprachmodellen, siehe Large Language Model. Sie schreiben, fassen zusammen, übersetzen, formulieren um, beantworten Fragen. Weil Sprache in Unternehmen fast überall vorkommt, ist das auch der Bereich mit den meisten realistischen Anwendungen.
Bild
Modelle erzeugen aus einer Beschreibung ein Bild, ändern vorhandene Bilder oder erweitern sie. In der Praxis meistens für Entwürfe, Varianten und Bildbearbeitung genutzt, seltener für die finale Auslieferung, weil Detailkontrolle und Rechtefragen aufwendig bleiben.
Audio
Sprachsynthese, Stimmklone, Musik, Geräusche. Sprachausgabe ist der reifste Teilbereich und wird längst unauffällig eingesetzt, etwa in Telefonsystemen und Hörfassungen von Texten.
Code
Ein Sonderfall des Textes, aber mit einem entscheidenden Vorteil: Code lässt sich ausführen und testen. Damit gibt es eine harte Rückmeldung, die es beim Fließtext nicht gibt. Genau deshalb ist das eines der Felder, in denen generative KI am schnellsten praktisch geworden ist, siehe auch Vibe Coding.
Wo der Nutzen im Unternehmen real ist
Ein brauchbarer Filter: Generative KI lohnt sich dort, wo ein Entwurf viel Zeit spart und ein Fehler früh auffällt.
- Erste Entwürfe. Produkttexte, Angebotsstruktur, Gliederung eines Dokuments. Ein Mensch überarbeitet, aber das leere Blatt entfällt.
- Umformen von Vorhandenem. Aus einem Protokoll eine Zusammenfassung, aus einer Spezifikation eine Testliste, aus einem langen Text eine kurze Fassung. Die Fakten sind da, es geht um die Form.
- Übersetzung und Tonlage. Schnell, brauchbar und für interne Zwecke oft ausreichend. Für veröffentlichte Texte bleibt eine fachliche Durchsicht nötig.
- Wissen erschließen. Fragen an eigene Dokumente, beantwortet mit Verweis auf die Fundstelle. Der übliche Aufbau dafür heißt Retrieval Augmented Generation.
- Entwicklung. Erklären von fremdem Code, Testfälle, Migrationen, Routinearbeit mit klarem Prüfkriterium.
Und wo es nicht trägt: überall dort, wo eine Aussage exakt stimmen muss und die Prüfung genauso lange dauert wie das Selbermachen. Rechtsverbindliche Auskünfte, Zahlen aus Systemen, Diagnosen. Nicht weil die Modelle grundsätzlich zu schlecht wären, sondern weil sich in diesen Fällen kein Aufwand einsparen lässt.
Die bekannten Schwächen
Drei Punkte tauchen in fast jedem Projekt auf.
Erfundene Inhalte. Ein Modell erzeugt, was plausibel klingt, nicht was belegbar ist. Falsche Angaben kommen im selben souveränen Tonfall wie richtige, siehe KI-Halluzination. Das ist keine Kinderkrankheit, sondern eine Eigenschaft des Verfahrens.
Datenschutz und Vertraulichkeit. Was an einen fremden Dienst geht, verlässt das Haus. Das ist eine Frage für den Projektstart, nicht für die Abnahme. Je nach Anwendung kommen Pflichten aus dem EU AI Act dazu.
Rechte an den Ergebnissen. Trainingsdaten, Urheberrecht und die Frage, wem ein erzeugtes Bild gehört, sind längst nicht überall geklärt. Für interne Entwürfe ist das selten ein Problem, für Marketingmaterial in großer Auflage sehr wohl.
Häufige Fragen zu generativer KI
Ist generative KI dasselbe wie KI? Nein, sie ist ein Teilgebiet. Der größte Teil der KI im produktiven Einsatz ist bis heute analytisch: Betrugserkennung, Empfehlungen, Prognosen, Bildprüfung in der Fertigung. Der öffentliche Sprachgebrauch hat den Oberbegriff nur weitgehend an die generative Variante abgetreten.
Denkt so ein Modell? Es sagt Fortsetzungen vorher, auf der Grundlage von Mustern in sehr vielen Beispielen. Ob man das Denken nennen will, ist eine Frage der Definition, für die Praxis wichtiger ist die Folgerung: Ohne Beleg im Kontext ist eine Ausgabe eine Vermutung, egal wie sicher sie klingt.
Brauche ich ein eigenes Modell? Meistens nicht. Der übliche Weg führt über bestehende Modelle, ergänzt um eigene Daten im Kontext. Ein eigenes Training lohnt sich erst bei sehr spezieller Sprache oder harten Anforderungen an den Betriebsort, dann sind Open-Source-LLM der naheliegende Ausgangspunkt.
Wie fange ich sinnvoll an? Mit einem Vorgang, den ihr oft macht, der viel Text erzeugt und dessen Ergebnis jemand ohnehin gegenliest. Dort ist der Zeitgewinn messbar und der Schaden bei einem Fehler klein. Alles, was mit Freigabe und Haftung zu tun hat, kommt später.
Fazit
Generative KI ist weder der Bruch mit allem Bisherigen noch bloße Spielerei. Sie ist eine neue Art von Werkzeug, die dort viel bringt, wo Entwürfe entstehen und Menschen prüfen, und wenig dort, wo eine Aussage ohne Prüfung stimmen muss. Der Unterschied zwischen einem beeindruckenden Versuch und einem tragenden Prozess liegt fast immer in derselben Frage: Woran erkennt jemand, dass die Ausgabe gut genug ist? Was wir davon in Projekten anbieten, vom ersten Prototyp bis zum laufenden Betrieb, fasst unsere Seite als KI-Agentur in Stuttgart zusammen. Wie wir Software bauen und wo solche Prüfschritte hineingehören, steht auf unserer Seite zur Custom-Software-Entwicklung. Was der Einsatz in der Entwicklung wirklich bringt, haben wir im Artikel KI in der Softwareentwicklung beschrieben, und für alles Weitere gibt es das unverbindliche Beratungsgespräch.