Generative KI

Generative KI (auch GenAI) bezeichnet Künstliche Intelligenz, die neue Inhalte erzeugt, statt vorhandene Daten nur zu analysieren oder zu klassifizieren. Auf Basis von Mustern, die das Modell im Training aus großen Datenmengen gelernt hat, produziert generative KI Texte, Bilder, Audio, Video oder Programmcode, die es in dieser Form vorher nicht gab. Bekannte Vertreter sind Sprachmodelle wie ChatGPT, Claude oder Gemini sowie Bildmodelle wie Midjourney und DALL-E.

Wie sich generative von klassischer KI unterscheidet

Der Unterschied liegt in der Aufgabe. Klassische, sogenannte diskriminative Verfahren beantworten Entscheidungsfragen: Ist diese E-Mail Spam? Welche Produktkategorie passt zu diesem Artikel? Wie hoch ist die Ausfallwahrscheinlichkeit dieser Maschine? Generative Modelle beantworten dagegen Erzeugungsfragen: Schreibe eine Produktbeschreibung, entwirf ein Logo, fasse dieses Protokoll zusammen. Beide Ansätze beruhen auf maschinellem Lernen – sie lösen aber grundverschiedene Probleme.

Wie generative KI funktioniert

Moderne generative Systeme basieren auf sogenannten Foundation Models: sehr großen neuronalen Netzen, meist mit Transformer-Architektur, die auf breiten Datenbeständen vortrainiert wurden. Ein Large Language Model (LLM) lernt dabei, das jeweils wahrscheinlichste nächste Wortstück (Token) vorherzusagen. Aus dieser scheinbar simplen Aufgabe entsteht bei ausreichender Größe die Fähigkeit, kohärente Texte zu formulieren, Fragen zu beantworten, zu übersetzen und Code zu schreiben.

Gesteuert wird das Modell über den Prompt – die Eingabe, die Aufgabe, Kontext und gewünschtes Format beschreibt. Für den Unternehmenseinsatz wird das Grundmodell typischerweise ergänzt: Retrieval Augmented Generation (RAG) versorgt es mit aktuellem Firmenwissen, Fine-Tuning passt Stil oder Verhalten an, und Werkzeug-Anbindungen machen aus dem reinen Textgenerator einen handelnden KI-Agenten.

Die wichtigsten Modalitäten

• Text: Antworten, Zusammenfassungen, Übersetzungen, Marketing-Texte, strukturierte Auswertungen – das breiteste Einsatzfeld im Geschäftsalltag.
• Bild: Illustrationen, Produktvisualisierungen, Design-Entwürfe aus Textbeschreibungen.
• Audio: Sprachsynthese für Voicebots, Transkription, Übersetzung gesprochener Sprache.
• Video: Kurze generierte Clips und Avatare – technisch am jüngsten, mit schnellen Fortschritten.
• Code: Programmieren mit Assistenz, von der Autovervollständigung bis zum eigenständigen Umsetzen abgegrenzter Aufgaben.

Was generative KI im Mittelstand leistet

Der Nutzen entsteht dort, wo täglich Inhalte entstehen oder verarbeitet werden. Vier Felder tragen in der Praxis am meisten:

Content und Marketing. Produktbeschreibungen, Kategorietexte, Newsletter-Entwürfe und Übersetzungen entstehen in einem Bruchteil der bisherigen Zeit. Wichtig bleibt die menschliche Endkontrolle – generative KI liefert den Rohentwurf, nicht das freigegebene Endprodukt.

Kundenservice. Chatbots und Voicebots beantworten wiederkehrende Anfragen, fassen Vorgänge für Mitarbeitende zusammen und formulieren Antwortvorschläge. In Kombination mit RAG greifen sie dabei auf die echte Wissensbasis des Unternehmens zu, statt zu raten.

Interne Dokumentenarbeit. Verträge zusammenfassen, Protokolle strukturieren, Angebote vorformulieren, E-Mails priorisieren – die unspektakulären Fleißaufgaben summieren sich zum größten Zeitgewinn.

Softwareentwicklung. Coding-Assistenten beschleunigen Routinearbeit, erklären Bestandscode und schreiben Tests. Sie ersetzen kein Engineering-Urteil, verschieben aber die Zeitanteile deutlich Richtung Konzeption und Review.

Ein Beispiel aus der Praxis

Ein typisches Einstiegsprojekt im B2B-Handel: Ein Händler mit einigen zehntausend Artikeln muss Produkttexte in mehreren Sprachen pflegen. Ein generatives Setup erzeugt aus den strukturierten Produktdaten (Attribute, Maße, Zielgruppe) Beschreibungstexte nach definierten Stilvorgaben, übersetzt sie und legt sie zur Freigabe vor. Die Redaktion prüft und korrigiert, statt jeden Text neu zu schreiben. Der Aufwand pro Artikel sinkt spürbar, die Tonalität bleibt konsistent – und weil die Texte aus den eigenen Produktdaten entstehen, bleibt die fachliche Richtigkeit kontrollierbar. Dasselbe Muster – strukturierte Quelldaten, generierter Entwurf, menschliche Freigabe – funktioniert für Angebote, Stellenanzeigen oder Support-Antworten gleichermaßen.

Grenzen und Risiken

Generative KI hat systematische Schwächen, die jedes Einsatzkonzept einplanen muss.

Halluzinationen. Sprachmodelle erzeugen plausibel klingende, aber falsche Aussagen – besonders bei Fakten, Zahlen und Quellenangaben. Gegenmittel sind RAG (Antworten aus geprüften Quellen), enge Aufgabenzuschnitte und menschliche Prüfung überall dort, wo Fehler teuer sind.

Datenschutz. Sobald personenbezogene Daten in Prompts oder Trainingsdaten fließen, gelten die DSGVO-Pflichten: Auftragsverarbeitungsvertrag mit dem Anbieter, Ausschluss der Nutzung eigener Eingaben für das Modelltraining, klare interne Richtlinien. Business-Varianten der großen Anbieter sehen das standardmäßig vor, private Gratis-Accounts nicht.

Urheberrecht und Kennzeichnung. Die Rechtslage zu KI-generierten Inhalten entwickelt sich weiter. Der EU AI Act sieht in Artikel 50 Transparenzpflichten vor – etwa die Kennzeichnung von KI-Interaktionen und bestimmter generierter Inhalte; die allgemeinen Transparenzpflichten gelten planmäßig ab dem 2. August 2026 (Stand: Juli 2026). Wer generative KI produktiv einsetzt, sollte Kennzeichnungs- und Dokumentationsfragen früh mitdenken.

Qualitäts- und Kompetenzfrage. Ergebnisse sind nur so gut wie Aufgabenstellung und Prüfung. Deshalb gehören Prompt Engineering und der Aufbau von KI-Kompetenz im Team zu jedem ernsthaften Rollout.

Generative KI verändert auch die Sichtbarkeit im Netz

Generative KI ist nicht nur Werkzeug, sondern auch neuer Vertriebskanal – oder Konkurrenz um Aufmerksamkeit. Wenn ChatGPT, Perplexity und Googles AI Overviews Fragen direkt beantworten, entscheidet sich Sichtbarkeit zunehmend darin, ob die eigenen Inhalte in diesen generierten Antworten zitiert werden. Für Unternehmen heißt das: Die klassische Suchmaschinenoptimierung bekommt eine zweite Disziplin zur Seite, die Generative Engine Optimization (GEO) – Inhalte so strukturieren und belegen, dass Sprachmodelle sie als zitierwürdige Quelle erkennen. Wer generative KI im Unternehmen einführt, sollte diese Außenperspektive mitdenken: Dieselbe Technologie, die intern Texte produziert, bestimmt extern, welche Anbieter in KI-Antworten überhaupt noch vorkommen.

Zusammengefasst lohnt der Blick auf generative KI also in beide Richtungen – als Produktivitätswerkzeug in den eigenen Prozessen und als Verschiebung der Spielregeln in Marketing und Vertrieb. Beides lässt sich gestalten, und beides bestraft Abwarten auf dieselbe Weise: Der Vorsprung derer, die früh systematisch lernen, wächst mit jedem Quartal.

Modellwahl und Betrieb: API, EU-Cloud oder eigenes Hosting

Für den Unternehmenseinsatz stellt sich früh die Frage, wo das Modell läuft. Drei Betriebsmodelle haben sich etabliert, jedes mit eigenem Profil.

Anbieter-API. Der Zugriff auf Modelle von OpenAI, Anthropic oder Google über deren Schnittstellen ist der schnellste Weg zu hoher Qualität: kein Infrastrukturaufwand, sofortiger Zugang zu aktuellen Modellgenerationen, nutzungsbasierte Abrechnung. Voraussetzung für den seriösen Einsatz sind die Business-Konditionen des Anbieters – Auftragsverarbeitungsvertrag, kein Training auf eigenen Eingaben, idealerweise EU-Datenregion.

Cloud-Plattformen. Dieselben oder vergleichbare Modelle lassen sich über Hyperscaler-Plattformen in definierten Regionen betreiben. Das erleichtert die Integration in bestehende Cloud-Verträge, Berechtigungs- und Audit-Strukturen – oft der pragmatische Mittelweg für regulierte Branchen.

Eigenes Hosting offener Modelle. Open-Weights-Modelle wie Llama oder Mistral laufen auf eigener oder gemieteter Hardware. Maximale Datenkontrolle und planbare Kosten bei hoher Last stehen gegen spürbaren Betriebsaufwand und – je nach Modellgröße – Qualitätsabstriche gegenüber den Spitzenmodellen. Sinnvoll, wenn Datenschutzanforderungen oder Volumen es rechtfertigen, selten als erster Schritt.

In der Praxis entscheidet der Anwendungsfall: Unkritische Textaufgaben vertragen den schnellsten Weg, Anwendungen auf sensiblen Daten verlangen die kontrollierteste Variante. Viele Unternehmen fahren deshalb zweigleisig.

So startest du: vom Pilotprojekt zum Rollout

Die Unternehmen, bei denen generative KI messbar wirkt, gehen selten mit einem Großprojekt los. Das wiederkehrende Erfolgsmuster hat vier Schritte:

1. Anwendungsfälle priorisieren. Gesucht sind Aufgaben mit hohem Zeitanteil, klarem Qualitätsmaßstab und geringem Schadenspotenzial – Textentwürfe, Zusammenfassungen, interne Suche. Nicht: die vollautomatische Kundenkommunikation als erster Wurf.
2. Pilot mit Messgrößen. Ein Team, ein Prozess, vier bis acht Wochen, vorher definierte Kennzahlen (Bearbeitungszeit, Korrekturaufwand, Zufriedenheit). Ohne Messung lässt sich später weder Erfolg belegen noch Skalierung begründen.
3. Richtlinie und Schulung. Spätestens jetzt braucht es Regeln: welche Daten in welche Tools dürfen, wie Ergebnisse geprüft werden, wer verantwortlich bleibt. Das ist zugleich der Kern der KI-Kompetenz, die der EU AI Act einfordert.
4. Skalieren, was trägt. Erfolgreiche Piloten werden in den Regelbetrieb überführt – mit Zuständigkeiten, Kostenkontrolle und regelmäßiger Überprüfung der Modell- und Anbieterwahl. Gescheiterte Piloten werden dokumentiert beendet; auch das ist ein Ergebnis.

Woran Projekte scheitern: an Tool-Einführungen ohne Prozessbezug („wir haben jetzt Lizenzen"), an fehlender Endkontrolle, die Vertrauen zerstört, sobald der erste Fehler öffentlich wird – und an der Erwartung, das Modell ersetze die fachliche Verantwortung. Generative KI verstärkt gute Prozesse und entblößt schlechte.

Verwandte Begriffe kurz erklärt

Foundation Model: das breit vortrainierte Grundmodell, auf dem konkrete Anwendungen aufsetzen – ein Modell, viele Einsatzzwecke. Halluzination: eine flüssig formulierte, aber sachlich falsche Modellausgabe; sie verschwindet nicht durch bessere Modelle, sondern durch bessere Absicherung. Token: die Grundeinheit, in der Modelle Text verarbeiten und Anbieter abrechnen – grob ein Wortbestandteil. Kontextfenster: die Textmenge, die das Modell gleichzeitig berücksichtigen kann; sie begrenzt, wie viel Material ein einzelner Durchlauf verarbeitet. Multimodalität: die Fähigkeit eines Modells, mehrere Medienarten zu verstehen oder zu erzeugen – etwa ein Foto interpretieren und dazu Text schreiben. Und die wichtigste Unterscheidung für Projekte: RAG holt aktuelles Wissen zur Laufzeit in die Antwort, Fine-Tuning verändert das Verhalten des Modells selbst – wer Faktenfragen mit Fine-Tuning lösen will, wählt fast immer das falsche Werkzeug.

Häufige Fragen zu generativer KI

Ist generative KI dasselbe wie ein Large Language Model?

Nein. Ein LLM ist die derzeit wichtigste Ausprägung generativer KI für Text und Code. Generative KI umfasst darüber hinaus Bild-, Audio- und Videomodelle. Jedes LLM ist generative KI, aber nicht jede generative KI ist ein LLM.

Welche Daten braucht generative KI im Unternehmen?

Für den Start meist weniger als gedacht: Ein sauber formulierter Anwendungsfall und Zugriff auf die relevanten Dokumente oder Produktdaten reichen für erste Piloten. Eigenes Training oder Fine-Tuning lohnt erst, wenn Standardmodelle plus RAG nachweislich nicht ausreichen.

Ersetzt generative KI Mitarbeitende?

In der Praxis verschiebt sie Tätigkeitsprofile: Routineanteile (erster Entwurf, Zusammenfassung, Recherche) schrumpfen, Prüf-, Steuerungs- und Fachanteile wachsen. Die Unternehmen mit den besten Ergebnissen behandeln generative KI als Werkzeug im Prozess, nicht als Ersatz für Verantwortung.

Weiterführende Definition: Generative künstliche Intelligenz bei Wikipedia.