---
title: "Generative KI: Definition und Beispiel – Carl-Uwe Würfel"
description: "Generative KI erklärt: wie Modelle Texte, Bilder und Code erzeugen, Unterschied zu klassischer KI und LLM, typische Fehler, Kennzeichnung nach AI Act."
url: https://carl-wuerfel.de/glossar/generative-ki
author: Carl-Uwe Würfel
---

1. [Start](https://carl-wuerfel.de/)
  2. [Wissen](https://carl-wuerfel.de/wissen)
  3. [Glossar](https://carl-wuerfel.de/glossar)
  4. Generative KI

# Generative KI

Generative KI ist künstliche Intelligenz, die aus gelernten Mustern neue Inhalte erzeugt, etwa Texte, Bilder, Audio, Video oder Programmcode, statt vorhandene Daten nur einzuordnen.

## Auf dieser Seite

  1. So entsteht ein generatives Modell
  2. Klassische und generative KI im Vergleich
  3. Generative KI und LLM sind nicht dasselbe
  4. Wo generative KI im Betrieb trägt und wo nicht
  5. Kennzeichnung, Urheberrecht und Datenschutz
  6. Woran man eine gute Umsetzung erkennt
  7. Die Grenze des Begriffs
  8. Häufige Fragen
  9. Quellen

Ein generiertes Ergebnis kann flüssig, plausibel und trotzdem falsch sein.

_Abbildung: Baum am Beispiel eines Maschinenbauers mit zwei KI-Anwendungen. Ein klassisches Modell sagt aus Sensordaten voraus, welche Bauteile bald ausfallen. Ein Sprachmodell macht aus den Stichpunkten, die Servicetechniker nach einem Einsatz in ein internes Werkzeug sprechen, einen Kundenbericht im Hausstil; vor dem Versand liest der Techniker ihn, korrigiert und gibt ihn frei. Darunter: Beides ist KI, aber nur der Bericht ist generativ._

**Beispiel**

Ein Maschinenbauer lässt Servicetechniker ihre Stichpunkte nach einem Einsatz in ein internes Werkzeug sprechen. Ein Sprachmodell macht daraus einen Kundenbericht im Hausstil, der Techniker korrigiert und gibt ihn frei. Im selben Unternehmen sagt ein klassisches Modell aus Sensordaten voraus, welche Bauteile bald ausfallen. Beides ist KI, aber nur der Bericht ist generativ, und nur dort muss vor dem Versand jemand den Inhalt lesen.

Klassische KI-Systeme erkennen, sortieren und sagen voraus. Sie liefern eine Kategorie („Spam“), eine Zahl (erwarteter Absatz) oder eine Empfehlung. Generative KI liefert etwas, das es vorher nicht gab: einen Textentwurf, ein Bild, eine Zusammenfassung, ein Stück Programmcode. Das US-Standardisierungsinstitut NIST beschreibt sie in seinem Profil für generative KI vom Juli 2024 als Klasse von Modellen, die Struktur und Merkmale ihrer Eingabedaten nachbilden, um daraus abgeleitete synthetische Inhalte zu erzeugen.

Technisch ist generative KI ein Teil des [Machine Learning](https://carl-wuerfel.de/glossar/machine-learning) und beruht heute fast immer auf [Deep Learning](https://carl-wuerfel.de/glossar/deep-learning), also auf großen neuronalen Netzen. Die bekanntesten Vertreter sind große Sprachmodelle ([LLM](https://carl-wuerfel.de/glossar/llm)) für Text, daneben gibt es Modelle für Bilder, Audio, Video und Code und zunehmend Modelle, die mehrere dieser Formen verarbeiten. Forschende der Stanford University prägten 2021 den Begriff [Foundation Model](https://carl-wuerfel.de/glossar/foundation-model) für solche breit trainierten Grundmodelle, auf denen viele Anwendungen aufsetzen. Einem breiten Publikum bekannt wurde generative KI Ende 2022 mit ChatGPT.

Für Führungskräfte zählt vor allem das andere Fehlerbild. Eine klassische Vorhersage liegt messbar daneben. Ein generiertes Ergebnis kann flüssig, plausibel und trotzdem falsch sein. Dazu kommen eigene Rechtsfragen: Kennzeichnung nach dem [AI Act](https://carl-wuerfel.de/ai-act), Urheberrecht an Ein- und Ausgaben und Datenschutz bei allem, was Beschäftigte in ein Werkzeug eingeben.

## So entsteht ein generatives Modell.

Am Anfang steht das Vortraining auf sehr großen Datenmengen. Ein Sprachmodell lernt dabei, in Texten das jeweils nächste Textstück vorherzusagen. Weil die richtige Antwort im Text selbst steht, braucht es dafür keine von Menschen beschrifteten Beispiele. Fachleute nennen das selbstüberwachtes Lernen. Am Ende hat das Modell Milliarden interner Gewichte so eingestellt, dass es Sprache, Wissen und Stil in hohem Maß nachbilden kann.

Danach wird das Modell nachtrainiert, damit es Anweisungen befolgt und hilfreich antwortet. Ein verbreitetes Verfahren ist Reinforcement Learning from Human Feedback (RLHF): Menschen bewerten Antworten, und das Modell lernt, bevorzugte Antworten häufiger zu geben. OpenAI hat das 2022 für InstructGPT beschrieben.

Im Einsatz erzeugt ein Sprachmodell seine Antwort Stück für Stück, jeweils aus der Wahrscheinlichkeit für das nächste [Token](https://carl-wuerfel.de/glossar/token). Bildmodelle arbeiten heute meist anders. Diffusionsmodelle, 2020 von Jonathan Ho und Kollegen in einer viel zitierten Form beschrieben, beginnen mit Rauschen und entfernen es Schritt für Schritt, bis ein Bild entsteht, das zur Beschreibung passt. Ältere Verfahren wie Generative Adversarial Networks (GAN, 2014) spielen heute eine kleinere Rolle. Allen gemeinsam ist: Das Modell bildet Muster nach, es schlägt keine Fakten nach.

## Klassische und generative KI im Vergleich.

Der sichere Unterschied liegt in der Ausgabe. Klassische KI ordnet ein oder rechnet voraus: Diese Mail ist Spam, dieses Bauteil ist fehlerhaft, nächste Woche werden voraussichtlich 400 Stück verkauft. Generative KI formuliert, zeichnet oder programmiert. Beide beruhen auf Machine Learning, und viele Systeme kombinieren sie, etwa wenn eine Klassifizierung entscheidet, welche Anfrage ein Sprachmodell beantworten darf.

Aus dem Unterschied folgt ein anderes Prüfverfahren. Bei klassischer KI gibt es meist eine richtige Antwort. Man misst an Testdaten, wie oft das Modell danebenliegt, und entscheidet, ob diese Quote reicht. Bei generativer KI gibt es viele mögliche gute Antworten. Ob ein Text stimmt, vollständig ist und den richtigen Ton trifft, lässt sich nur mit Prüfkriterien, Stichproben und menschlichem Urteil bewerten.

Auch die Fehler sehen anders aus. Klassische KI sortiert falsch ein. Generative KI erfindet Inhalte, die plausibel klingen: Quellen, Zitate, Zahlen, Paragrafen. NIST nennt das Konfabulation, im Alltag heißt es [Halluzination](https://carl-wuerfel.de/glossar/hallucination). Die Faustregel daraus: Je mehr ein Ergebnis nach außen geht oder Entscheidungen auslöst, desto enger muss die Prüfung vor der Weitergabe sein.

## Generative KI und LLM sind nicht dasselbe.

Ein Large Language Model ist ein generatives Modell für Text. Generative KI ist der größere Begriff und umfasst auch Bild-, Audio-, Video- und Codemodelle. Viele aktuelle Modelle sind multimodal: Sie lesen Text, Bilder und Dokumente und antworten in Text oder erzeugen Bilder. Die Grenzen zwischen den Modellarten verschwimmen deshalb.

Ebenso wichtig ist die Trennung zwischen Modell und Anwendung. ChatGPT, Claude oder Gemini sind Anwendungen, hinter denen jeweils mehrere Modelle stehen. Das Modell selbst hat keine Oberfläche, kein Gedächtnis über das Gespräch hinaus und keinen Zugang zu Unternehmensdaten. Diese Fähigkeiten baut die Anwendung darum herum, etwa durch Suche in Dokumenten ([Retrieval-Augmented Generation](https://carl-wuerfel.de/glossar/rag), RAG) oder durch angebundene Werkzeuge.

[KI-Agenten](https://carl-wuerfel.de/glossar/ki-agenten) gehen einen Schritt weiter. Sie nutzen ein generatives Modell, um Aufgaben in Schritte zu zerlegen, Werkzeuge aufzurufen und auf Ergebnisse zu reagieren. Damit lösen sie zusätzlich Handlungen aus, und das verlangt andere Sicherungen. Wer über generative KI im Unternehmen spricht, sollte deshalb klären, ob ein Modell, eine Anwendung oder ein Agent gemeint ist. Kosten, Risiken und Zuständigkeiten unterscheiden sich je nach Ebene deutlich.

## Wo generative KI im Betrieb trägt und wo nicht.

Generative KI eignet sich für Arbeit, bei der ein guter Entwurf viel Zeit spart und ein Mensch das Ergebnis schnell prüfen kann. Typische Fälle sind Textentwürfe und Übersetzungen, Zusammenfassungen langer Dokumente, Antwortvorschläge im Kundenservice, Recherche in internen Wissensbeständen und Programmcode. Gemeinsam ist ihnen, dass die Fleißarbeit beim Modell liegt und das Urteil beim Menschen bleibt.

Schwach ist generative KI dort, wo es auf exakte Fakten ohne Quelle, auf verlässliches Rechnen oder auf gleichbleibend identische Ergebnisse ankommt. Ein Sprachmodell kann dieselbe Frage zweimal unterschiedlich beantworten. Für Berechnungen, Buchungen oder rechtlich bindende Aussagen ist es deshalb höchstens ein Hilfsmittel, das von festen Regeln oder klassischer Software eingerahmt wird.

In der Praxis bewährt sich eine einfache Prüffrage je Einsatz: Wie teuer ist ein Fehler, und wie schnell fällt er auf? Ein interner Entwurf, den ohnehin jemand überarbeitet, verträgt mehr Unsicherheit als eine automatisch versendete Kundenmail. Daraus ergibt sich, wo eine Freigabe durch einen Menschen Pflicht ist und wo Stichproben genügen. Wer ein Ergebnis weitergibt, verantwortet es, unabhängig davon, wer oder was es geschrieben hat.

## Kennzeichnung, Urheberrecht und Datenschutz.

Der AI Act enthält in Artikel 50 Transparenzpflichten, die seit dem 2. August 2026 gelten. Anbieter generativer Systeme müssen Ausgaben in maschinenlesbarer Form als künstlich erzeugt kennzeichnen, etwa über Metadaten oder Wasserzeichen. Für Systeme, die schon vor diesem Datum auf dem Markt waren, gilt nach der Änderungsverordnung (EU) 2026/1744 eine Übergangsfrist bis zum 2. Dezember 2026. Unternehmen, die generative KI einsetzen, müssen Deepfakes offenlegen. KI-erzeugte Texte, die die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse informieren, sind ebenfalls offenzulegen, außer ein Mensch hat sie geprüft und jemand trägt die redaktionelle Verantwortung (Stand November 2026).

Anbieter von Modellen mit allgemeinem Verwendungszweck müssen seit dem 2. August 2025 unter anderem eine Strategie zur Einhaltung des Urheberrechts vorhalten und eine Zusammenfassung der Trainingsinhalte veröffentlichen. Für die Ausgaben gilt in Deutschland: Das Urheberrechtsgesetz schützt nach § 2 Absatz 2 nur persönliche geistige Schöpfungen. Ein rein maschinell erzeugtes Ergebnis ist deshalb in der Regel nicht geschützt; je größer der gestaltende Anteil eines Menschen, desto eher entsteht Schutz.

Die Datenschutz-Grundverordnung gilt für alles, was Beschäftigte in Prompts eingeben. Vor dem Einsatz sollte geklärt sein, ob der Anbieter Eingaben speichert oder zum Training nutzt und ob ein Vertrag zur Auftragsverarbeitung vorliegt.

## Woran man eine gute Umsetzung erkennt.

Gute Umsetzungen beginnen mit dem Zugang, nicht mit dem Werkzeug. Beschäftigte melden sich mit ihrem Firmenkonto an, Rechte folgen ihrer Rolle, und es gibt einen freigegebenen Weg zur KI. Fehlt dieser Weg, nutzen viele private Konten, und das Unternehmen sieht nicht mehr, welche Daten wohin gehen. Dieses Phänomen heißt [Schatten-KI](https://carl-wuerfel.de/glossar/schatten-ki).

Das zweite Kennzeichen ist Prüfbarkeit. Antworten aus internem Wissen nennen ihre Quelle. Für wiederkehrende Aufgaben gibt es eine Liste echter Beispielfälle mit bekannter guter Lösung, an der jede Änderung getestet wird, ob ein neues Modell, ein geänderter Prompt oder neue Dokumente. Wer nur eine Vorführung bewertet, sieht die Schwächen erst im Betrieb.

Das dritte ist Steuerbarkeit. Jeder Modellaufruf wird mit seinen Kosten erfasst, damit sichtbar bleibt, welche Anwendung welchen Betrag verursacht. Die Anwendung ist nicht fest an ein einziges Modell gebunden, sodass ein Wechsel ohne Neubau möglich ist, wenn Preise, Qualität oder Vertragsbedingungen sich ändern. Und Schulungen arbeiten mit echten Aufgaben aus dem jeweiligen Bereich, denn wer die typischen Fehler im eigenen Ablauf gesehen hat, prüft Ergebnisse wirksamer. Bei Dienstleistern lohnt es sich, nach genau diesen Punkten zu fragen.

## Die Grenze des Begriffs

Generative KI erzeugt plausible Inhalte, keine geprüften Fakten, und sie weiß nicht, ob ihr Ergebnis stimmt. Abzugrenzen ist sie von klassischer KI, die einordnet und vorhersagt, und von regelbasierter Automatisierung wie RPA, die nichts Neues erzeugt. Ein LLM ist eine Form generativer KI für Text, kein Synonym. KI-Agenten nutzen generative Modelle, handeln aber zusätzlich über Werkzeuge.

## Häufige Fragen

Was ist der Unterschied zwischen generativer KI und klassischer KI?

Klassische KI ordnet ein oder sagt voraus, sie liefert eine Kategorie, eine Zahl oder eine Empfehlung. Generative KI erzeugt neue Inhalte wie Texte, Bilder oder Code. Beide beruhen auf Machine Learning, unterscheiden sich aber in Prüfverfahren und Fehlerbild.

Ist ChatGPT generative KI?

Ja. ChatGPT ist eine Anwendung, die generative Sprachmodelle nutzt und daraus Texte, Code und inzwischen auch Bilder erzeugt. Das Modell selbst und die Anwendung mit Oberfläche, Gesprächsverlauf und Werkzeugen sind dabei zwei verschiedene Dinge.

Was ist der Unterschied zwischen generativer KI und einem LLM?

Ein LLM (Large Language Model) ist ein generatives Modell für Text und damit ein Teil generativer KI. Generative KI umfasst auch Modelle für Bilder, Audio, Video und Code. Viele aktuelle Modelle verarbeiten mehrere dieser Formen zugleich.

Warum erfindet generative KI manchmal Fakten?

Weil ein generatives Modell wahrscheinliche Fortsetzungen berechnet und keine Fakten nachschlägt. Fehlt ihm Wissen, erzeugt es trotzdem eine plausibel klingende Antwort. Anbindung an geprüfte Quellen senkt das Risiko, ersetzt aber nicht die Prüfung durch einen Menschen.

Lernt generative KI aus meinen Eingaben?

Das hängt vom Anbieter und vom Vertrag ab, nicht von der Technik. Manche Verbraucherangebote nutzen Eingaben zum Training, viele Geschäftskunden- und Schnittstellenangebote schließen das aus. Vor dem Einsatz im Unternehmen gehört diese Frage schriftlich geklärt.

Müssen KI-generierte Inhalte gekennzeichnet werden?

Teilweise. Nach Artikel 50 AI Act müssen Anbieter Ausgaben maschinenlesbar kennzeichnen, und Unternehmen müssen Deepfakes offenlegen. KI-Texte zu Fragen von öffentlichem Interesse sind offenzulegen, außer sie wurden von einem Menschen geprüft und redaktionell verantwortet.

Wem gehören Inhalte, die generative KI erzeugt?

Rein maschinell erzeugte Inhalte sind in Deutschland in der Regel nicht urheberrechtlich geschützt, weil das Gesetz eine persönliche geistige Schöpfung verlangt. Gestaltet ein Mensch das Ergebnis wesentlich mit, kann Schutz entstehen. Was Nutzer mit den Ausgaben tun dürfen, regeln zusätzlich die Vertragsbedingungen des Anbieters.

## Weiter

  * [**KI-Glossar**](https://carl-wuerfel.de/glossar)
  * [**KI-Automatisierung**](https://carl-wuerfel.de/ki-automatisierung)
  * [**AI Act**](https://carl-wuerfel.de/ai-act)
  * [**LLM: Large Language Model**](https://carl-wuerfel.de/glossar/llm)
  * [**Halluzination**](https://carl-wuerfel.de/glossar/hallucination)
  * [**RAG: Retrieval-Augmented Generation** Begriff](https://carl-wuerfel.de/glossar/rag)
  * [**KI-Agenten** Begriff](https://carl-wuerfel.de/glossar/ki-agenten)
  * [**Künstliche Intelligenz (KI)** Begriff](https://carl-wuerfel.de/glossar/kuenstliche-intelligenz)
  * [**Machine Learning (maschinelles Lernen)** Begriff](https://carl-wuerfel.de/glossar/machine-learning)

## Quellen

  1. [NIST: Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1), 2024](https://doi.org/10.6028/NIST.AI.600-1)
  2. [Rishi Bommasani u. a.: On the Opportunities and Risks of Foundation Models, 2021](https://arxiv.org/abs/2108.07258)
  3. [Long Ouyang u. a.: Training language models to follow instructions with human feedback, 2022](https://arxiv.org/abs/2203.02155)
  4. [Jonathan Ho, Ajay Jain, Pieter Abbeel: Denoising Diffusion Probabilistic Models, 2020](https://arxiv.org/abs/2006.11239)
  5. [Ian Goodfellow u. a.: Generative Adversarial Networks, 2014](https://arxiv.org/abs/1406.2661)
  6. [Europäisches Parlament und Rat: Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 50 und 53, 2024](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32024R1689)
  7. [Europäisches Parlament und Rat: Verordnung (EU) 2026/1744 (Digital-Omnibus-Verordnung zur KI), 2026](https://eur-lex.europa.eu/legal-content/DE/TXT/?uri=CELEX:32026R1744)
  8. [Bundesministerium der Justiz: Urheberrechtsgesetz (UrhG), § 2 Geschützte Werke](https://www.gesetze-im-internet.de/urhg/__2.html)