Auch genannt: Generative AI
Generative KI ist ein Teilbereich der Künstlichen Intelligenz, der aus einer Eingabe neue Inhalte erzeugt. Das können Texte, Bilder, Audio, Video oder Programmcode sein. Entscheidend ist nicht, dass ein System Informationen nur sucht, sortiert oder klassifiziert, sondern dass es eine neue Ausgabe zusammenstellt. AWS beschreibt generative KI als KI-Art, die neue Inhalte und Ideen wie Gespräche, Geschichten, Bilder, Videos und Musik erstellen kann. AWS IBM fasst die Reaktion auf einen Prompt oder eine Anfrage als weiteres Kennzeichen zusammen. IBM
Ein generatives System bekommt eine Aufgabe und erzeugt dazu eine Ausgabe. Die Aufgabe kann lauten, eine E-Mail zu formulieren, eine Zusammenfassung zu entwerfen, einen Bildvorschlag zu erzeugen oder Code zu vervollständigen. Ein Prompt ist dabei nicht zwingend ein einzelner Satz: Auch Beispiele, hochgeladene Inhalte, strukturierte Angaben oder weitere Kontextinformationen können eine Eingabe bilden.
Die Ausgabe entsteht nicht zwingend durch das Abrufen eines fertigen Textbausteins aus einer Datenbank; Modelle können jedoch Trainingsdaten teilweise memorisieren und in Einzelfällen wörtlich wiedergeben. Ein Modell bildet während des Trainings statistische Muster aus vielen Beispielen ab und verwendet diese Muster bei der Erzeugung. Bei autoregressiven Textmodellen wird vereinfacht gesagt wiederholt geschätzt, welches nächste Textelement zu Eingabe und bisherigem Verlauf passt. Daraus kann ein flüssig klingender Absatz entstehen. Das ist aber kein Beleg dafür, dass jede darin enthaltene Aussage richtig, aktuell oder für den konkreten Zweck geeignet ist.
Generative KI gehört zum maschinellen Lernen, ist aber nicht mit dem gesamten Feld gleichzusetzen. Ein System, das auf einem Foto nur „Hund“ oder „Katze“ erkennt, löst vor allem eine Klassifikationsaufgabe. Ein System, das aus einer Beschreibung ein neues Bild erzeugt, ist generativ. Beide können auf ähnlichen Grundlagen aufbauen, verfolgen jedoch unterschiedliche Aufgaben.
Viele heute verbreitete Anwendungen beruhen auf sogenannten Foundation Models: großen Modellen, die auf breiten Datenbeständen trainiert werden und als Grundlage für mehrere Aufgaben dienen können. IBM unterscheidet bei generativer KI die Phasen Training, Anpassung und Erzeugung mit anschließender Bewertung. IBM Beim Training passt das Modell interne Parameter so an, dass es Muster und Beziehungen in den Trainingsdaten möglichst gut abbildet. Für die spätere Nutzung wird das Modell je nach Aufgabe durch Vorgaben, zusätzliche Beispiele oder andere Verfahren weiter ausgerichtet.
In der Nutzungsphase verarbeitet die Anwendung den Prompt und erzeugt schrittweise eine Antwort. Ein Large Language Model ist auf Sprache spezialisiert und kann etwa einen Entwurf, eine Erklärung oder Code ausgeben. Andere Modelltypen arbeiten mit Bild-, Audio- oder Videodaten; multimodale Systeme können mehrere Datenarten verbinden. Die konkrete Technik unterscheidet sich je nach Modellfamilie, etwa bei Transformern oder Diffusionsmodellen. Für Anwenderinnen und Anwender ist wichtiger: Die Qualität hängt nicht allein vom Prompt ab, sondern auch vom Modell, den bereitgestellten Informationen, den Einstellungen und der anschließenden Prüfung.
Generative Anwendungen lassen sich zusätzlich mit externen Dokumenten verbinden. Bei Retrieval-Augmented Generation werden passende Inhalte zur Anfrage abgerufen und als Kontext übergeben. Das kann Antworten auf aktuelle oder organisationsspezifische Informationen stützen. Es ersetzt jedoch keine Quellenprüfung: Abgerufene Dokumente können unvollständig, veraltet oder unpassend sein, und das Modell kann sie falsch wiedergeben.
Ein Support-Team möchte wiederkehrende Anfragen schneller beantworten. Eine Mitarbeitende gibt die Kundennachricht, die Produktversion und eine interne, geprüfte Problembeschreibung in ein Werkzeug ein. Die generative KI kann daraus einen Antwortentwurf in einem gewünschten Ton formulieren. Sie kann außerdem mehrere Varianten anbieten oder lange Notizen in eine kurze Übergabe zusammenfassen.
Der sinnvolle Arbeitsschritt ist nicht, die Ausgabe ungeprüft zu versenden. Die zuständige Person prüft, ob die Antwort das richtige Produkt betrifft, ob zugesagte Schritte tatsächlich möglich sind und ob keine vertraulichen Angaben enthalten sind. Bei einer fehlenden oder mehrdeutigen Grundlage sollte sie nachfragen oder den Entwurf verwerfen. So dient die KI als Werkzeug für einen ersten Entwurf, nicht als eigenständig verantwortliche Instanz.
Typische Anwendungen sind Entwürfe für Texte, Übersetzungen, Zusammenfassungen, Ideenlisten, Bild- und Audioentwürfe sowie Unterstützung bei Programmieraufgaben. In Unternehmen kommen außerdem Wissenssuche mit Antwortentwürfen, die Aufbereitung von Besprechungsnotizen oder Hilfen bei wiederkehrenden Kommunikationsaufgaben vor. Ob ein Einsatz tatsächlich Zeit spart oder die Qualität verbessert, hängt vom Arbeitsablauf und einer geeigneten Kontrolle ab; solche Wirkungen sollten vor Ort getestet werden.
Für kreative Arbeit kann generative KI Varianten liefern, etwa alternative Gliederungen oder Bildideen. Für technische Teams kann sie Erklärungen und Codevorschläge erzeugen. Bei sensiblen Bereichen sind die Anforderungen höher: Persönliche, vertrauliche oder besonders schutzwürdige Daten gehören nicht ohne Prüfung von Rechtsgrundlage, Vertrag, Konfiguration und Anbieterbedingungen in ein externes System. Auch eine überzeugende Ausgabe ersetzt keine fachliche Freigabe bei Entscheidungen mit erheblichen Folgen.
Generative KI hat kein menschliches Verständnis und keine eigene Gewissheit über die Wahrheit einer Aussage. Sie erzeugt Ausgaben, die zu gelernten Mustern und dem gegebenen Kontext passen. Deshalb können Inhalte plausibel formuliert, aber sachlich falsch, erfunden oder unvollständig sein. Eine solche unbelegte oder erfundene Ausgabe wird im Zusammenhang mit KI häufig als Halluzination (KI) bezeichnet.
Ein zweites Missverständnis ist, ein guter Prompt mache Ergebnisse automatisch verlässlich. Präzisere Eingaben helfen oft, doch sie beheben weder ungeeignete Ausgangsdaten noch fehlenden Kontext oder Modellgrenzen. Ebenso wenig ist generative KI automatisch neutral: Auswahl und Qualität der Trainings- und Kontextdaten, Vorgaben und Auswertung beeinflussen, welche Ergebnisse entstehen und wie sie bewertet werden.
Schließlich bedeutet „generiert“ nicht automatisch „frei nutzbar“ oder „ohne Risiko“. Für Inhalte, die veröffentlicht, geschäftlich verwendet oder in Entscheidungen einbezogen werden, müssen Herkunft, Rechte, Datenschutz, Fehlerfolgen und Zuständigkeiten im jeweiligen Fall geprüft werden. Bei Texten gehören Faktencheck und Quellenkontrolle dazu; bei Bildern und Audio kann zusätzlich die Gefahr irreführender oder täuschender Darstellungen relevant sein.
Künstliche Intelligenz ist der Oberbegriff für unterschiedliche Verfahren und Anwendungen. Generative KI ist ein Teilbereich davon, der neue Ausgaben erzeugt. Maschinelles Lernen bezeichnet Lernverfahren aus Daten und umfasst auch nicht-generative Aufgaben wie Klassifikation oder Prognosen. Ein Large Language Model ist wiederum eine spezielle Modellklasse für sprachbezogene Aufgaben, nicht ein Synonym für sämtliche generative KI.
Auch ein Prompt ist nicht die KI selbst, sondern die Eingabe oder Anweisung, mit der eine Anwendung gesteuert wird. Und Retrieval-Augmented Generation ist eine Architektur zur Einbindung zusätzlicher Quellen, nicht ein Beweis für die Richtigkeit einer Antwort.