Generative AI

Generative AI (GenAI, generative Künstliche Intelligenz) bezeichnet eine Gruppe von KI-Systemen, die auf Anweisung neue Inhalte erzeugen: Text, Bild, Audio, Video oder Programmcode. Die Systeme stützen sich auf vortrainierte Basismodelle (Foundation Models, große universell trainierte KI-Modelle) und bilden eine eigene Kategorie neben prädiktiver AI (KI, die Werte vorhersagt, etwa Kreditrisiko oder Absatzmenge) und Agentic AI (KI, die eigenständig Handlungsschritte plant und ausführt).

Was ist Generative AI?

Generative AI ist eine Fähigkeits-Kategorie, keine einzelne Bauform. Der gemeinsame Nenner der zugehörigen Modelle: aus einer Eingabe (Textbefehl, Startbild, Sprachaufnahme oder Kontext) entsteht eine neue Ausgabe, statt einer Vorhersage in Form eines Etiketts oder eines Zahlenwerts. Die Ausgabe ist selbst Inhalt derselben Art (Modalität) wie die Trainingsdaten. Ein Textmodell erzeugt Text, ein Bildmodell erzeugt Bildpunkte (Pixel), ein Audiomodell erzeugt hörbare Signale.

Die technische Basis moderner Generative-AI-Systeme sind Deep-Learning-Modelle mit drei dominierenden Architektur-Familien. Autoregressive Transformer-Modelle mit [Attention-Mechanismus](https://arxiv.org/abs/1706.03762) (Vaswani et al. 2017) sagen im Text- und Code-Bereich das nächste Token vorher und bilden die Grundlage von GPT-4, Claude, Gemini, Llama, Mistral und [DBRX](/insights/glossar/dbrx/). Diffusionsmodelle ([Ho et al. 2020](https://arxiv.org/abs/2006.11239)) lernen einen schrittweisen Entrauschungs-Prozess und tragen die aktuelle Generation der Bild- und Video-Generatoren (Stable Diffusion, DALL-E 3, Midjourney, Sora, Veo). Ältere Ausprägungen wie Generative Adversarial Networks ([Goodfellow et al. 2014](https://arxiv.org/abs/1406.2661)) und Variational Autoencoders spielen in produktiven Bild- und Audio-Systemen 2026 nur noch eine Nebenrolle.

Der Begriff Generative AI hat sich mit dem Release von ChatGPT im November 2022 im Massenmarkt durchgesetzt. Konzeptionell reicht die Linie länger zurück: Sprachmodelle wie GPT-2 (2019) und GPT-3 ([Brown et al. 2020](https://arxiv.org/abs/2005.14165)) zeigten großmaßstäbliches Few-Shot-Learning, der Stanford-CRFM-Bericht ([Bommasani et al. 2021](https://arxiv.org/abs/2108.07258)) prägte die Foundation-Model-Klasse als gemeinsame Grundlage generativer Anwendungen, DALL-E 2 und Stable Diffusion (2022) machten Bild-Generierung breit zugänglich. Seither ist Generative AI die Sammelkategorie für Modelle, die Inhalte quer über Modalitäten und Anbieter erzeugen.

Vier Modalitäts-Familien tragen den Begriff heute. Text-Generierung mit [Large Language Models](/insights/databricks/artificial-intelligence/large-language-models/) (GPT-4, Claude, Llama, DBRX) ist die größte und ökonomisch wichtigste Familie. Bild-Generierung mit Diffusionsmodellen (Stable Diffusion, DALL-E, Midjourney, Imagen) hat den kreativen Anwendungsraum eröffnet. Audio-Generierung (MusicLM, Suno, ElevenLabs für Sprache, MuseNet für Musik) erzeugt Sprache, Musik und Sounddesign. Video-Generierung (Sora, Veo, Runway Gen-3) ist die jüngste Familie und 2026 die technisch anspruchsvollste. Multimodale Modelle wie Gemini, GPT-4o und Claude 3 bedienen mehrere Modalitäten in einem Modell.

Der Anpassungs-Weg zu einer produktiven Anwendung ist meist mehrstufig. Prompt-Engineering und In-Context Learning sind die niedrigschwelligen Verfahren ohne Modell-Änderung. Retrieval-Augmented Generation ([RAG](/insights/glossar/rag/)) verbindet das Modell zur Laufzeit mit einer externen Wissensbasis. Fine-Tuning und Continued Pretraining passen die Modell-Gewichte an domänenspezifische Daten an. Preference-Tuning (RLHF, DPO) richtet das Verhalten an gewünschten Antwort-Mustern aus.

Abgrenzung: Predictive AI, LLM, Foundation Model, Agentic AI

Generative AI wird häufig mit angrenzenden Kategorien vermischt. Die relevanten Trennlinien:

[Predictive AI](/insights/glossar/deep-learning/) (der klassische ML-Zweig) löst Aufgaben mit definiertem Ausgabe-Raum: Klassifikation (Kredit-Scoring, Betrugserkennung), Regression (Nachfrageprognose, Preisvorhersage), Zeitreihen-Forecasting, Anomaly Detection, Clustering. Die Ausgabe ist ein Label, ein Zahlenwert oder eine Zuordnung. Generative Modelle geben ihre Ausgaben dagegen als neue Instanzen derselben Modalität aus wie die Trainings-Daten. Beide Zweige nutzen ähnliche Deep-Learning-Techniken, teilen sich aber weder Ausgabe-Semantik noch typische Evaluations-Metriken (Genauigkeit/AUC vs. Perplexität/BLEU/FID).

[Foundation Models](/insights/glossar/foundation-models/) sind die Modell-Klasse, auf der die meisten produktiven GenAI-Anwendungen aufbauen. Die Klasse ist weiter gefasst: Embedding-Modelle und Reranker sind ebenfalls Foundation Models, erzeugen aber keine Inhalte im generativen Sinn. Umgekehrt gibt es generative Modelle jenseits der Foundation-Model-Größenordnung, etwa spezialisierte Diffusionsmodelle mit unter einer Milliarde Parametern. In der Praxis fällt die Mehrheit produktiver GenAI-Systeme in den Schnittbereich beider Kategorien.

[Large Language Models](/insights/agentic-ai/large-language-models/) sind die Sprach-Modalität von Generative AI. Alle textgenerierenden LLMs sind GenAI-Modelle, aber GenAI umfasst zusätzlich Bild-, Audio- und Video-Modelle. Die häufige Gleichsetzung „GenAI = ChatGPT" verkürzt den Begriff auf eine Modalität und eine Anwendung.

[Agentic AI](/insights/glossar/agentic-ai/) ist die Handlungs-Schicht auf Generative AI. Ein Agent nutzt ein Sprachmodell als Reasoning-Kern, ruft Werkzeuge (APIs, Datenbanken, Function Calls) auf und entscheidet über Zwischenschritte. Ohne generatives Sprachmodell keine Agentic AI. Ein reiner Chatbot ist umgekehrt Generative AI ohne Handlungs-Autonomie. Beide Kategorien basieren auf denselben Foundation Models, unterscheiden sich aber in Betriebs- und Governance-Logik: GenAI-Anwendungen erzeugen Content, den ein Mensch danach prüft; agentische Anwendungen handeln zwischen den Prüfschritten.

Eine letzte Abgrenzung: Artificial General Intelligence (AGI) ist ein hypothetisches Konzept einer allgemeinen Maschinen-Intelligenz. Generative AI ist enger und auf definierte Modalitäten begrenzt. Wer die beiden Begriffe gleichsetzt, überschätzt regelmäßig, was heutige Systeme können.

Beispiel: Wissensassistent im Kundensupport

Ein Wissensassistent für einen technischen Kundensupport zeigt Generative AI im Zusammenspiel mit Retrieval. Eine eingehende Kundenanfrage („Wie konfiguriere ich Feature X in Version 4.2?") wird zunächst in eine Vektor-Repräsentation überführt und gegen einen Index aus Produktdokumentation, Handbuch-Kapiteln und historischen Support-Tickets abgefragt. Die drei bis fünf relevantesten Textabschnitte werden zusammen mit der ursprünglichen Frage an ein Sprachmodell wie Claude, GPT-4 oder Llama übergeben. Das Modell erzeugt daraus eine strukturierte Antwort mit Quellenverweisen.

Die generative Komponente ist das Sprachmodell im letzten Schritt. Der Retrieval-Teil davor ([RAG](/insights/databricks/artificial-intelligence/retrieval-augmented-generation/)) stellt sicher, dass die erzeugte Antwort auf kontrollierte, aktuelle Inhalte gestützt ist und nicht auf reines Modell-Wissen. Betrieblich läuft dieselbe Architektur mit angepassten Bausteinen für Marketing-Content-Erzeugung, Code-Assistenten (der Retrieval-Index enthält interne Code-Repos), medizinische Zusammenfassungen oder juristische Vertrags-Analyse. Die generative Kernfähigkeit ist immer dieselbe, das Umfeld wechselt.

Der Zuschnitt macht auch die Betriebs-Anforderungen sichtbar. Modell-Auswahl (proprietäres Frontier-Modell wie Claude oder GPT-4 vs. selbst betriebenes Open-Weight-Modell wie Llama oder DBRX), Datenintegration (welche Wissensbasis, wie aktuell), Evaluations-Pipeline (menschliche Bewertung, LLM-as-a-Judge, Regressions-Tests), Kosten-Modell (pro Token, pro Anfrage, pro Fine-Tuning-Lauf) und Governance (Prompt-Injection-Schutz, PII-Filter, Audit-Log) sind die Achsen, an denen ein GenAI-System produktiv wird. Ein Prototyp braucht keine dieser Achsen belastbar, ein Betriebssystem alle fünf.