Artificial General Intelligence (AGI) bezeichnet ein bisher hypothetisches KI-System, das beliebige geistige Aufgaben mindestens so gut löst wie ein Mensch, und zwar in jedem Themenfeld, ohne dass es für jedes Feld neu trainiert werden muss. Der Begriff grenzt sich von heutiger eng-spezialisierter KI (Narrow AI oder ANI, also Systeme, die genau eine Aufgabe können) ab und wird oft im gleichen Atemzug mit Superintelligenz (ASI, also KI oberhalb menschlicher Fähigkeiten) genannt, ist mit ihr aber nicht identisch.
Was ist AGI?
AGI beschreibt eine theoretische Systemklasse, keine heute existierende Technologie. Vier Eigenschaften machen sie aus: Übertragbarkeit (ein einmal gelerntes System löst neue Aufgaben, ohne dafür neu trainiert zu werden), abstraktes Denken einschließlich Alltagsverstand, selbständiges Verfolgen von Zielen auch in fremden Themenfeldern und Lernen aus wenigen Beispielen. Keine dieser Eigenschaften ist mit den heutigen großen KI-Modellen (den sogenannten Foundation Models wie GPT-4, Claude oder Gemini) vollständig erreicht; zusammen markieren sie das Ziel, auf das die AGI-Forschung hinarbeitet.
Der Term „Artificial General Intelligence" wird 2007 durch den gleichnamigen Sammelband von Ben Goertzel und Cassio Pennachin geprägt, aufbauend auf früheren Diskussionen zu „Strong AI" (John Searle, 1980). Die aktuellste weit rezipierte Systematisierung liefert das [„Levels of AGI"-Framework von DeepMind-Forschern](https://arxiv.org/abs/2311.02462) (Meredith Ringel Morris et al., 2023): Es unterteilt AGI-Kandidaten in fünf Stufen (Emerging, Competent, Expert, Virtuoso, Superhuman) und trennt zwischen enger Kompetenz (Narrow) und Generalität (General). Nach dieser Skala werden heutige Sprachmodelle als „Emerging AGI" eingestuft, weil sie in vielen Domänen anfängliche Kompetenz zeigen, ohne menschliches Referenzniveau zu erreichen.
Der Begriff hat wieder Konjunktur, weil die Fortschritte bei Foundation Models (GPT-4, Claude, Gemini) die Debatte über Zeithorizonte in die Öffentlichkeit tragen. OpenAI führt AGI als Mission-Ziel in seinem [Firmen-Charter](https://openai.com/charter). Anthropic diskutiert AGI-Risiken als Grundlage der Sicherheitsforschung. Der EU AI Act adressiert AGI dagegen nicht direkt; er regelt „General-Purpose AI" (GPAI) als konkrete Modell-Klasse und lässt hypothetische Kategorien bewusst außen vor.
Ein wiederkehrendes Bewertungsproblem: Es existiert kein konsensfähiger AGI-Test. Der Turing-Test gilt als überholt; aktuelle Vorschläge wie der [ARC-AGI-Benchmark von François Chollet](https://arxiv.org/abs/1911.01547) (2019), das Coffee-Test-Framing oder die Stufen aus „Levels of AGI" messen unterschiedliche Fähigkeiten. Die Unschärfe des Begriffs erschwert Prognosen und verwandelt viele Aussagen zu AGI in Meinungen ohne belastbare Messgrundlage.
Abgrenzung zu ANI, ASI, Agentic AI und GPAI
Der Begriff wird im Markt oft synonym mit angrenzenden Konzepten verwendet. Die relevanten Unterschiede:
| Begriff | Rolle | Verhältnis zu AGI |
|---|---|---|
| Narrow AI (ANI) | Aufgaben-spezifische KI, für definierte Domänen trainiert | Gesamter produktiver KI-Bestand heute; keine Übertragbarkeit ohne Retraining |
| AGI | Hypothetische KI auf menschlichem Niveau über alle Domänen | Schwellenpunkt zwischen Narrow AI und Superintelligenz |
| ASI (Artificial Superintelligence) | Hypothetisches System über menschlichem Niveau in allen Domänen | Fortsetzung nach AGI; oft in Sicherheits- und Governance-Diskursen adressiert |
| Agentic AI | Konkrete Systemklasse: Sprachmodell plus Werkzeuge, plant und handelt autonom | Aufgaben-spezifisch, nicht generalistisch; wird im Markt oft mit AGI verwechselt |
| General-Purpose AI (GPAI) | Regulatorischer Begriff aus dem EU AI Act für breit einsetzbare Foundation Models | Beschreibt die Modell-Klasse, nicht die kognitive Zielmarke; ein Foundation Model ist GPAI, aber keine AGI |
Narrow AI umfasst den gesamten produktiven KI-Bestand: Bildklassifikation, Übersetzung, Sprachassistenz, autonome Fahrsysteme, Chatbots, [Retrieval-Augmented-Generation-Systeme](https://arxiv.org/abs/2005.11401). Sie funktionieren in ihrer Zieldomäne, versagen außerhalb. ASI ist die theoretische Fortsetzung über AGI hinaus. Zwischen den beiden liegt AGI als Schwellenpunkt, an dem eine Maschine menschliche kognitive Bandbreite erreicht.
Agentic AI und AGI werden im öffentlichen Diskurs regelmäßig vermischt, weil beide „autonomes Handeln" enthalten. Der Unterschied liegt in der Reichweite. Agentic AI arbeitet innerhalb eines definierten Rahmens (Ziel, Werkzeuge, Regeln); AGI müsste denselben Sprung in eine beliebige unbekannte Domäne schaffen. Die aktuelle Generation agentischer Systeme erfüllt keine der genannten AGI-Eigenschaften.
General-Purpose AI (GPAI) ist ein Begriff aus dem EU AI Act (Artikel 3 Nr. 63, Artikel 51 zu systemischem Risiko). Er beschreibt Modelle mit breiter Einsetzbarkeit über Trainings-Aufgaben hinaus, also die Klasse der Foundation Models. GPAI und AGI sind unterschiedliche Kategorien: GPAI regelt vorhandene Modell-Klassen, AGI bleibt eine Forschungs- und Diskursmarke jenseits heutiger Produkte.
Strong AI ist ein philosophischer Begriff von John Searle (1980) und umgangssprachlich oft synonym zu AGI verwendet. Die philosophische Betonung liegt auf Bewusstsein und Intentionalität, was AGI nicht zwingend voraussetzt. Wer beide Begriffe gleichsetzt, mischt eine kognitive Zielmarke (AGI) mit einer erkenntnistheoretischen Frage (hat eine Maschine ein Innenleben).
Beispiel: die Abwesenheit eines produktiven Einsatzes
AGI hat keinen produktiven Einsatz. Das ist der Kern des Begriffs und der aussagekräftigste Bezugspunkt. Ein aufschlussreiches Beispiel liefert die Abgrenzung an einer typischen Enterprise-Anwendung: Ein Agentic-AI-System, das Vertragsdokumente analysiert, klassifiziert und Handlungsempfehlungen ableitet, funktioniert innerhalb eines definierten Rahmens. Es kennt die relevanten Vertragsarten, die Prüfregeln, die Werkzeug-Registry und die Ablage-Ziele. Bei einer beliebigen anderen Aufgabe (Kundensupport, Code-Debugging, medizinische Diagnose) scheitert dasselbe System, sofern es nicht neu konfiguriert wird.
Ein AGI-System müsste dieselbe Übertragbarkeit haben, die ein Mensch mitbringt. Ohne Retraining, ohne neue Werkzeuge, ohne Fachspezialisierung durch das entwickelnde Team. Dieser Sprung ist mit den heutigen Foundation Models nicht realisiert. Was heute als „AGI-nah" gehandelt wird (Multi-Modal-Modelle, Chain-of-Thought-Reasoning, Agent-Loops), erweitert die Bandbreite von Narrow AI, bleibt aber unterhalb der AGI-Zielmarke.
Der zweite Bezugspunkt ist der regulatorische Rahmen: Der EU AI Act unterscheidet risiko-basiert (verboten, hoch, begrenzt, minimal) und behandelt GPAI mit systemischem Risiko in Artikel 51 gesondert. AGI ist in diesem Rechtsrahmen nicht adressiert. Governance-Fragen in Unternehmen laufen daher über die konkreten Kategorien Narrow AI, GPAI und agentische Systeme; ein AGI-Rahmen kommt darin nicht vor.
Artificial General Intelligence im eigenen Unternehmen umsetzen?
Wir zeigen, wie sich das in deiner Systemlandschaft konkret abbilden lässt.