Was ist generative KI? Wie sie funktioniert, konkrete Beispiele und warum das wichtig ist.

KI gibt es zwar schon seit Jahrzehnten, aber generative KI in ihrer heutigen Form ist erst vor relativ kurzer Zeit entstanden.

Während frühere KI-Systeme Daten klassifizierten, Muster erkannten oder Vorhersagen trafen, baut generative KI auf diesen Grundlagen auf. Allerdings geht die Technologie noch einen Schritt weiter. Sie erzeugt Text, Bilder, Audio, Code und Videos als Reaktion auf Eingaben in natürlicher Sprache. Daher ist sie zu einer der am meisten diskutierten und am schnellsten verbreiteten Technologien dieses Jahrzehnts geworden.

Der nachfolgende Leitfaden behandelt die Definition von generativer KI und erklärt, wie sie im Hintergrund funktioniert. Zudem werfen wir einen Blick auf die Modelltypen, die dahinterstecken. Wir sehen und praktische Anwendungsbeispiele, beliebte Tools und die wichtigsten Risiken an, die Du kennen solltest.

Was ist generative KI?

Generative KI ist eine Art von KI, die neue Inhalte erstellt. Normalerweise geschieht das als Reaktion auf eine Anfrage eines Nutzers in natürlicher Sprache. Dazu lernt sie Muster aus riesigen Mengen bestehender Daten. Sie generiert dann anhand dieser Muster neue Ergebnisse.

Der Begriff „generative KI“ wurde 2022 im Mainstream-Diskurs populär. Damals brachte OpenAI ChatGPT auf den Markt. Das Unternehmen hat damit eine Welle von Investitionen und Einführungen ausgelöst, die bisher nicht nachgelassen hat.

Generative KI unterscheidet sich von früheren KI-Technologien bei der Ausrichtung der Aufgabe. Herkömmliche Systeme nehmen eine Eingabe entgegen und ordnen sie einer bekannten Kategorie oder Vorhersage zu. Generative KI erzeugt hingegen neue Ergebnisse. Dafür werden zugrunde liegende Muster in den Daten modelliert. Die Ergebnisse werden anhand einer Eingabeaufforderung oder einer Eingabebeschreibung erstellt.

So funktioniert generative KI

Generative KI erzeugt Ergebnisse, indem sie eine Eingabe verarbeitet. Sie lässt den Input durch Milliarden von gelernten Parametern laufen und generiert die statistisch am wahrscheinlichsten Lösung.

Wie Modelle anhand von Daten trainiert werden

Generative KI basiert auf Grundmodellen. Das sind große, universell einsetzbare Modelle, die umfassend trainiert wurden. Sie lassen sich an viele verschiedene Folgeaufgaben anpassen. Anstatt für jede Anwendung ein neues Modell zu entwickeln, gehen Entwickler von einer vortrainierten Grundlage aus. Sie wird dann an ihren spezifischen Anwendungsfall angepasst.

Die entsprechenden Modelle werden anhand umfangreicher Datensätze trainiert, die sich aus einer Mischung aus öffentlich zugänglichen, lizenzierten und kuratierten Daten zusammensetzen. Dazu gehören Texte, Bilder, Videos sowie Code. Weil das Modell mehrmals mit den entsprechenden Daten konfrontiert wird, lernt es statistische Muster und Strukturen innerhalb der Daten.

Das Training selbst besteht normalerweise aus mehreren Phasen. Das sind etwa Vortraining, Feinabstimmung sowie verstärkendes Lernen anhand von menschlichem Feedback (RLHF). In der Vortrainingsphase wird anhand eines großen Datensatzes ein breites Allgemeinwissen aufgebaut. Während die Feinabstimmung wird das Verhalten des Modells mithilfe kleinerer, aufgabenspezifischer, genauer Beispiele verfeinert. Bei RLHF werden dann menschliche Aspekte einbezogen. Die Menschen bewerten die Ergebnisse. Das Modell lernt also, Antworten zu generieren, die Menschen als nützlich und zutreffend empfinden.

Wie generative KI neue Inhalte erstellt

Zum Zeitpunkt der Auswertung nimmt das Modell eine Eingabe entgegen und generiert eine Antwort. Dabei greift es auf die codierten Muster zu, die es während des Trainings gelernt hat. Bei Sprachmodellen geschieht das durch die Vorhersage des nächsten Tokens: Dabei berechnet das Modell die Wahrscheinlichkeit jedes möglichen nächsten Wortes unter Berücksichtigung aller vorangegangenen Wörter. Es wählt eines aus und wiederholt den Vorgang, bis die Antwort vollständig ist.

Basismodelle generieren ihre Ergebnisse rein aus den gelernten Parametern. Sie schlagen dabei nichts nach. Moderne KI-Systeme werden häufig mit Abruf-Tools wie der Websuche oder Retrieval-Augmented Generation (RAG) kombiniert, um Fakten zu überprüfen. Doch selbst mit diesen Ergänzungen bleibt der zugrunde liegende Prozess wahrscheinlichkeitsbasiert. Daher kann dieselbe Eingabe bei verschiedenen Durchläufen unterschiedliche Ergebnisse liefern. Das erklärt auch, warum Modelle manchmal plausibel klingende Antworten generieren, die sachlich allerdings falsch sind.

Moderne Bildmodelle nutzen häufig Diffusionsmodelle. Dabei wird das Modell trainiert, indem indem echte Bilder schrittweise in zufälliges visuelles Rauschen umgewandelt werden. Das Modell lernt anschließend, diesen Vorgang umzukehren. Bei der Generierung eines neuen Bildes orientiert sich das Modell an Mustern, die es aus großen Bilddatensätzen in Verbindung mit Textbeschreibungen gelernt hat. So kann das Modell Wörter in einer Eingabe mit visuellen Merkmalen wie Objekten, Farben und Stilen verknüpfen. Das Rauschen wird nach und nach zu einem zusammenhängenden Bild geformt, das der Beschreibung entspricht.

Diffusionsmodelle sind derzeit die meisten weitverbreiteten Bildgeneratoren. Das gilt auch für die Open-Source-Modelle. Allerdings erforschen Wissenschaftler auch alternative Ansätze, darunter autoregressive Bildmodelle.

Die Rolle von maschinellem Lernen und neuronalen Netzen

Maschinelles Lernen (ML) ist das übergeordnete Gebiet, in dem generative KI angesiedelt ist. Generative Modelle stützen sich insbesondere auf Deep Learning. Es basiert auf übereinander geschichteten neuronalen Netzen, die in etwa von der Art und Weise inspiriert sind, wie Neuronen im Gehirn miteinander verbunden sind.

Jede Schicht im Netzwerk nimmt eine Darstellung der Daten auf und wandelt sie in eine etwas abstraktere um. Tiefer liegende Schichten erkennen zunehmend komplexere Muster. Daher können etwa frühe Schichten grundlegende Syntax erkennen, während spätere Schichten Schlussfolgerungen und Zusammenhänge erfassen.

Die Parameter, die diese Transformationen steuern, werden während des Trainings optimiert. Sie stellen das erlernte Wissen des Modells dar. GPT-3 hat beispielsweise über 175 Milliarden davon.

Arten von generativen KI-Modellen

Generative KI ist keine einzelne Technologie, sondern vielmehr eine Sammlung verschiedener Architekturen, von denen jede eine eigene Funktion hat.

Transformer-Modelle

Die Transformer-Architektur wurde erstmals in der bahnbrechenden Veröffentlichung „Attention Is All You Need“ aus dem Jahr 2017 von Google-Entwicklern vorgestellt. Der Kern des Durchbruchs lag dabei im Mechanismus für die Selbstaufmerksamkeit.

Frühere Architekturen verarbeiteten Texte Wort für Wort nacheinander. Im Gegensatz dazu lesen Transformer die gesamte Eingabe auf einmal und schätzen ein, wie stark jeder Teil die anderen Teile beeinflussen soll. Dadurch können sie weitaus besser mit weitreichendem Kontext umgehen.

Moderne große Sprachmodelle (LLMs) wie ChatGPT basieren auf der Transformer-Architektur. Solche Modelle nutzen sogenanntes Self-Attention (Selbstaufmerksamkeit), um den Kontext über ganze Sätze oder Dokumente hinweg zu verstehen. Dadurch sind sie in der Lage, kohärenten, menschenähnlichen Text zu generieren. Sie können damit auf komplexe Eingabeaufforderungen reagieren.

Diffusionsmodelle

Die Technik, die Diffusionsmodelle inspirierte, wurde 2015 vorgestellt . Sie stammt von Sohl-Dickstein et al. aus der Arbeit mit dem Titel „Deep Unsupervised Learning using Nonequilibrium Thermodynamics“. Beim Training werden die Daten schrittweise mit Rauschen verzerrt, bis sie nicht mehr erkennbar sind. Anschließend wird dem Modell beigebracht, diesen Prozess umzukehren. Das Rauschen wird dann „diffundiert“, um das gewünschte Ergebnis zu erzielen.

Diffusionsmodelle werden häufig bei der Bilderzeugung eingesetzt. Dabei ist Stable Diffusion ein bekanntes Beispiel. Einige frühere Bildsysteme von OpenAI, etwa DALL-E 2, nutzten ebenfalls diffusionsbasierte Techniken. Aktuelle kommerzielle Systeme zur Bilderzeugung kombinieren allerdings ältere Ansätze häufig oder ersetzen sie.

Generative Adversarial Networks (GANs)

Generative Adversarial Networks (GANs), die 2014 von Forschern der Universität Montreal eingeführt wurden, lassen zwei neuronale Netze gegeneinander antreten. Ein Generator versucht dabei, realistische Ergebnisse zu erzeugen. Ein sogenannter Diskriminator versucht hingegen, die gefälschten Ergebnisse zu erkennen. Während die beiden Modelle gegeneinander antreten, verbessern sich beide. Der Generator lernt schließlich, Ergebnisse zu erzeugen, die der Diskriminator nicht ohne Weiteres von echten Daten unterscheiden kann.

Obwohl sie in erster Linie zur Bild- und Videogenerierung eingesetzt werden, eignen sie sich auch hervorragend für andere Aufgaben. Damit ist etwa ein Stiltransfer (zum Beispiel die Umwandlung eines Bildes von einem Kunststil in einen anderen) gemeint.

Variational Autoencoder (VAEs)

Variational Autoencoder (VAEs) wurden 2013 von Diederik P. Kingma und Max Welling eingeführt. Sie nutzen eine Encoder-Decoder-Struktur. Dabei komprimiert der Encoder eine Eingabe in eine kompakte numerische Darstellung. Der Decoder lernt hingegen, aus solchen Darstellungen neue Beispiele zu rekonstruieren.

VAEs werden bei vielen KI-Anwendungen eingesetzt. Das reicht von der Generierung großer Molekülstrukturen bis hin zur Synthese neuer Daten auf der Grundlage der Eingabedaten, mit denen sie trainiert wurden.

Generative KI vs. traditionelle KI

KI ist ein Begriff, der ein breites Spektrum an Systemen mit unterschiedlichen Fähigkeiten abdeckt. Das geht von traditionellen ML-Modellen bis hin zu den heute beliebten generativen KI-Systemen.

Wesentliche Unterschiede in der Funktionsweise

Der erste wesentliche Unterschied zwischen traditioneller (diskriminativer) KI und generativer KI ist der Zweck. Traditionelle KI-Systeme sind normalerweise darauf ausgelegt, spezifische, diskriminative Aufgaben auszuführen. Das sind etwa Spam filtern, Vorhersagen treffen, betrügerische Transaktionen kennzeichnen, Gesichter erkennen oder Produkte empfehlen. Solche Modelle lernen Muster aus Daten und nutzen sie, um Eingaben bestimmten Ausgaben zuzuordnen. Das sind etwa Labels, Bewertungen oder Entscheidungen.

Generative KI ist hingegen darauf ausgelegt, neue Inhalte zu erstellen. Das sind etwa Texte, Bilder, Videos, Musik oder Code. Anstatt eine Ausgabe nur zu klassifizieren oder vorherzusagen, lernt sie in ihren Trainingsdaten Muster und nutzt sie, um neue Ausgaben zu erzeugen. Dabei ähnelt der Output der Struktur, dem Stil oder der Logik der entsprechenden Daten.

Wann wird generative KI eingesetzt?

Generative KI wird für Aufgaben eingesetzt, bei denen neue Inhalte erstellt werden müssen. Dabei ist es egal, ob man neue Produktbeschreibungen erstellen, natürliche Sprache in funktionierenden Code umwandeln, Grafiken für das Marketing entwerfen oder synthetische Datensätze generieren will. Generative KI ist allgemein ein nützliches Werkzeug.

Handlungsfähige KI vs. generative KI

Ein weiterer Begriff, der immer beliebter wird, ist agentische KI oder handlungsfähige KI. Agentische KI ist ein verwandtes Konzept, das auf generativen Modellen aufbaut. Generative KI reagiert normalerweise auf Eingabeaufforderungen. Agentische KI-Systeme sind hingegen darauf ausgelegt, Ziele in mehreren Schritten zu verfolgen. Sie können planen, Werkzeuge einsetzen, den Kontext im Blick behalten und Handlungsabläufe ausführen. Das können sie mit relativ wenig direkter menschlicher Anleitung. Das darunterliegende Modell ist dabei weniger der Unterschied. Es liegt vielmehr daran, wie das System aufgebaut ist und funktioniert.

Praktische Anwendungen generativer KI

Die Anwendungsbereiche generativer KI sind vielfältig und verteilen sich über diverse Branchen und Funktionen. Das sind von der kreativen Produktion bis hin zur wissenschaftlichen Forschung.

Erstellung von Inhalten

Die Erstellung von Inhalten ist wohl einer der häufigsten Anwendungsfälle generativer KI. Textbasierte Modelle können binnen weniger Sekunden Entwürfe für Artikel, Berichte, Marketingtexte oder Dokumentationen erstellen. Modelle wie DALL-E können anhand einer einzigen Eingabe detaillierte und fotorealistische Bilder erzeugen. Modelle wie Googles Veo können sogar sehr detaillierte Videos mit realistischer Physik und Soundeffekten durch einen einfachen Input in natürlicher Sprache generieren.

Tools für Business und Produktivität

Unternehmen integrieren generative KI zunehmend in ihre digitalen Kernprozesse. Sie erledigen damit Aufgaben wie das Zusammenfassen langer Dokumente, das Erstellen von Berichtsentwürfen, die Personalisierung der Kundenkommunikation sowie die Automatisierung von Support-Antworten. Der KI-Index-Bericht 2026 der Stanford University sagt aus, dass der Einsatz von KI in den befragten Unternehmen 88 % erreichte. Generative KI wurde dabei in 70 % der Unternehmen in mindestens einem Geschäftsbereich genutzt.

Softwareentwicklung

Die Erstellung von Code ist einer der deutlichsten Produktivitätsschübe, die generative KI bietet. Tools wie Claude Code und OpenAI Codex erstellen aus Beschreibungen in natürlicher Sprache funktionierenden Code in Python, JavaScript, C# und anderen Sprachen. Entwickler können KI-Tools nutzen, um Standard-Code extrem schnell zu schreiben. Zudem ist das Debuggen effizienter und die Entwickler können Testfälle generieren, ohne das manuell erledigen zu müssen.

Gesundheitswesen und Forschung

Generative KI beschleunigt die Arzneimittelforschung. Sie hilft Forschern dabei, neue molekulare Wirkstoffkandidaten effizienter zu entwerfen und zu screenen. Dabei müssen sie nicht jede mögliche Verbindung manuell testen. Forscher können hingegen generative Modelle nutzen, um Moleküle mit gewünschten Eigenschaften vorzuschlagen. Das ist etwa die Fähigkeit, an ein bestimmtes Zielmolekül zu binden oder bestimmte toxische Wirkungen zu vermeiden.

Beliebte generative KI-Tools

Seit der Verbreitung von generativer KI sind viele Tools aufgetaucht. Davon sind einige weiter verbreitet als andere. Nachfolgend findest Du einige der beliebtesten generativen KI-Tools, die es derzeit gibt.

ChatGPT

ChatGPT ist der KI-Assistent von OpenAI für Verbraucher und Unternehmen. Er basiert auf der GPT-Familie von Transformer-LLMs. Seit seiner Einführung im November 2022 hat er etwa drei Viertel des Marktes für generative KI-Chatbots erobert.

Claude

Claude ist der generative KI-Assistent von Anthropic. Der Fokus liegt hierbei stark auf Sicherheit, logisches Denken sowie das Verständnis langer Kontexte. Er wird häufig für Aufgaben wie das Verfassen von Texten, das Programmieren, die Dokumentenanalyse und KI-Workflows in Unternehmen eingesetzt.

Google Gemini

Gemini ist Googles multimodale generative KI, die Text, Bilder, Audio und Video in einem einzigen Modell verarbeiten kann. Sein Wachstum wurde durch die enge Integration in das Google-Ökosystem und Services wie Workspace vorangetrieben.

Microsoft Copilot

Copilot ist das KI-Angebot von Microsoft. Es ist in die gesamte Office-365-Suite integriert. Dazu gehören Word, Excel, Outlook sowie Teams. Herausragend ist hier die tiefgehende Integration in Unternehmensprozesse. Das Tool kann ein Meeting etwa zusammenfassen, während es stattfindet. Es kann zudem Notizen für anstehende Besprechungen vorbereiten, vollständige Präsentationen anhand von Daten aus internen Dokumenten erstellen und so weiter.

DALL-E und Midjourney

DALL-E von OpenAI hat dazu beigetragen, die Text-zu-Bild-Generierung populär zu machen. Midjourney ist hingegen eine unabhängige Plattform zur Bilderzeugung. Sie ist für stilisierte, hochwertige visuelle Ergebnisse bekannt. Die Landschaft der Bilderzeugung verändert sich allerdings schnell. Die aktuelle API-Dokumentation von OpenAI verweist Nutzer nun auf GPT-Image-Modelle zur Bilderzeugung. Einige ältere DALL-E-Implementierungen wurden zudem eingestellt oder ersetzt.

Neben den gängigen KI-Plattformen tauchen auch neuere Tools auf, die auf Datenschutz fokussiert sind. ExpressAI ist etwa der KI-Assistent von ExpressVPN. Er bietet generative KI-Funktionen mit Schwerpunkt auf privaten und sicheren Interaktionen. Hier sind mehrere KI-Modelle nutzbar. Dazu gehört auch Gemma 4 31B. Es ist ein multimodales Modell, das Texte, Bilder und hochgeladene Videos analysieren kann. Das Tool ist im Pro-Paket von ExpressVPN verfügbar und schützt alle Unterhaltungen durch sogenannte Zero-Access-Verschlüsselung.

Vorteile der generativen KI

Generative KI bietet viele Vorteile. Sie reichen von gesteigerter Produktivität bis hin zur Unterstützung bei kreativen Aufgaben.

Extrem schnelle Erstellung von Inhalten und Arbeitsabläufe

Einer der herausragendsten Vorteile generativer KI ist, dass sie bestimmte Arbeitsabläufe beschleunigen kann. Das gilt insbesondere für Aufgaben, die sich häufig wiederholen oder viel Text beinhalten. Eine vom US-amerikanischen National Bureau of Economic Research veröffentlichte Studie zeigte etwa, dass der Einsatz eines generativen KI-Assistenten die Produktivität von Mitarbeitern des Kundenservice um 14 % steigerte. Zugrunde lag hier die Anzahl der pro Stunde gelösten Probleme. Die Zuwächse waren bei weniger erfahrenen Mitarbeitern besonders stark. Das deutet darauf hin, dass generative KI besonders nützlich sein kann, wenn Menschen vorhandenes Wissen damit schneller oder konsistenter anwenden.

Für Content-Teams könnte sich das in schnellerem Verfassen, Zusammenfassen, Gliedern, Brainstorming, Bearbeiten und Wiederverwenden von Inhalten auswirken. Der Effekt hängt jedoch stark von der jeweiligen Aufgabe, der Qualität des KI-Tools und dem Umfang der menschlichen Überprüfung im Arbeitsablauf ab.

Mehr Kreativität und Ideen oder Entwürfe

Dank generativer KI kann man Ideen viel einfacher erkunden. Anstatt bei einer leeren Seite anzufangen, können Autoren, Designer und Produktteams innerhalb von Sekunden einen Entwurf oder eine Reihe visueller Konzepte generieren. Sie lassen sich als Ausgangspunkt nutzen. Sowohl Unternehmen als auch Einzelpersonen können damit Prototypen innerhalb definierter Rahmenbedingungen erstellen und von dort aus weiterentwickeln.

Code generieren und Fehler beheben

Generative KI-Modelle können große Code-Abschnitte generieren und damit den Entwicklungsprozess von Software optimieren. Sie können auch Tests für denselben Code erstellen und damit sicherstellen, dass er in verschiedenen Szenarien funktioniert. Auch bei der Fehlerbehebung sind die Tools effektiv. Entwickler füttern die KI mit fehlerhaftem Code und wollen erklärt haben, wo das Problem liegt.

Verfügbarkeit rund um die Uhr

Ein bemerkenswerter Vorteil generativer KI-Systeme ist, dass sie rund um die Uhr und ohne Ermüdung arbeiten. Das ist besonders wertvoll in Umgebungen, die eine konstante Echtzeit-Verfügbarkeit erfordern (etwa beim Kundenservice).

Herausforderungen und Grenzen der generativen KI

Generative KI hat zwar viele Vorteile, es gibt aber auch einige Einschränkungen. Viele davon sind nicht spezifisch für generative KI. Probleme wie Voreingenommenheit und Qualitätsprobleme bei den Daten betreffen den Bereich des maschinellen Lernens insgesamt.

Genauigkeit und Halluzinationen

Eine Halluzination tritt in der generativen KI auf, wenn ein Modell Inhalte generiert, die zwar richtig klingen, es allerdings nicht sind. Das National Institute of Standards and Technology (NIST) stuft diese als „Konfabulationen“ oder „Geschichten“ ein. Sie sind eine Folge, wenn Texte nach dem Wahrscheinlichkeitsprinzip generiert werden. Das Modell sagt anhand von Mustern voraus, was als Nächstes kommt. Dabei werden die Fakten anhand einer verifizierten Quelle allerdings nicht überprüft.

Voreingenommenheit und Probleme mit der Datenqualität

Voreingenommenheit in der generativen KI kommt von Daten, mit denen das Modell trainiert wurde. Trainingsdatensätze aus dem Internet weisen zwangsläufig dieselben Ungleichgewichte, Stereotypen und Lücken auf, die sich in solchen Daten befinden. Generative KI-Modelle können solche Voreingenommenheiten umfassend reproduzieren und verstärken. Die Auswirkungen sind umfassend. Sie reichen von Rekrutierungs-Tools bis hin zu medizinischen Zusammenfassungen.

Sicherheitsrisiken

Generative KI hat sowohl für Unternehmen als auch für Einzelpersonen eine neue Angriffsfläche geschaffen.
Bei der sogenannten Prompt-Injection betten Angreifer versteckte Anweisungen in Eingaben ein, um das Verhalten eines Modells zu übersteuern. Solche Angriffe werden vom Open Worldwide Application Security Project (OWASP) als eines der größten Risiken für LLM-Anwendungen aufgeführt. Forscher haben etwa gezeigt, dass Angreifer die Art und Weise manipulieren können, wie ein KI-System den Kontext interpretiert. Damit wird erreicht, dass es die Quelle oder Absicht von Daten missinterpretiert und bösartige Inhalte ignoriert.

Im Bereich Social Engineering lassen sich KI-gestütztes Phishing und KI-Betrug schwerer erkennen. Angreifer können schließlich grammatikalisch einwandfreie, kontextuell überzeugende Nachrichten erstellen. Dadurch verschwinden bisher wichtige Warnsignale zum Erkennen von Phishing-Versuchen. Zudem hat die auf generativen Modellen basierende Deepfake-Technologie Audio- und Videofälschungen so realistisch gemacht, dass sie viele Menschen an der Nase herumführen können.

Ethische Überlegungen

Die rechtlichen und ethischen Fragen rund um generative KI sind nach wie vor weitgehend ungeklärt. Dabei entscheiden laufende Rechtsstreitigkeiten darüber, wie diese Aspekte in künftig gehandhabt werden. In Fällen wie Getty Images gegen Stability AI behaupteten die Kläger, dass KI-Systeme das Urheberrecht verletzen. In den Ergebnissen würden angeblich sogar geschützte Elemente wie Wasserzeichen reproduziert.

Andere Klagen konzentrieren sich auf die Verwendung urheberrechtlich geschützter Nachrichteninhalte in KI-Systemen. Dazu gehört auch Dow Jones & Company, Inc. gegen Perplexity AI, Inc.. Zusammen verdeutlichen solche Fälle ungelöste Fragen rund um das Urheberrecht, die faire Nutzung und die Verantwortung von KI-Entwicklern.

Der Datenschutz ist ein weiteres Thema, das zunehmend Anlass zur Sorge gibt. Da entsprechende Modelle mit riesigen, aus dem Internet gesammelten Datensätzen trainiert werden, können sie unbeabsichtigt personenbezogene Daten speichern und wiedergeben. Laut dem 2025 TrustArc Global Privacy Benchmarks Report war KI im vergangenen Jahr weltweit die größte Herausforderung für Unternehmen in Sachen Datenschutz.

Schließlich gibt es erhebliche Bedenken bezüglich Verluste von Arbeitsplätzen. Die Internationale Arbeitsorganisation schätzt, dass weltweit jeder vierte Arbeitnehmer in einer Position tätig ist, in der er in gewissem Maße mit generativer KI zu tun hat. Allerdings wird auch darauf hingewiesen, dass in den meisten Fällen weiterhin menschliches Eingreifen nötig ist.

An Datensätze gebundene Kreativität

Generative KI kann kreative Prozesse natürllich unterstützen. Allerdings darf man nicht vergessen, dass das Niveau an Kreativität, das eine generative KI erreichen kann, von den Daten abhängt, mit denen sie trainiert wurde. Es ist unwahrscheinlich, dass sie etwas erstellt, das nicht in ihren ursprünglichen Trainingsparametern enthalten war. Anders gesagt kann sie nicht wirklich etwas Originelles generieren.

Betriebskosten

Das Trainieren und Betreiben generativer KI-Systeme kann teuer sein. Das gemeinnützige Forschungsinstitut Epoch AI hat geschätzt, dass die Kosten für das Training von Sprachmodellen der neuesten Generation seit 2020 jährlich um etwa das 3,5-Fache gestiegen sind.

Nach dem Training haben die Kosten allerdings noch nicht das Ende der Fahnenstange erreicht. Der Prozess, bei dem ein Modell ausgeführt wird, um Ergebnisse für Nutzer zu generieren, kann bei großem Umfang teuer werden. Das ist insbesondere bei Systemen der Fall, die Modelle mehrfach ausführen. Ebenso gilt das für die Nutzung langer und umfassender Kontextfenster oder handlungsfähiger Arbeitsabläufe. Deloitte hat gewarnt, dass einige Unternehmen bereits monatliche KI-Kosten in Höhe von mehreren zehn Millionen Dollar haben.

Hinzu kommen Umweltkosten, die mit dem Energiebedarf für den Betrieb von Rechenzentren verbunden sind. Laut Pew Research Center, das sich auf Schätzungen der Internationalen Energieagentur (IEA) stützt, verbrauchten US-Rechenzentren im Jahr 2024 183 TWh Strom. Das entspricht mehr als 4 % des gesamten Stromverbrauchs in den USA. Pew geht davon aus, dass der Wert bis 2030 auf 426 TWh steigen wird. Das ist ein Anstieg um 133 %. Allerdings lässt sich schwer einschätzen, wie viel davon speziell auf KI zurückzuführen ist.

Die Zukunft der generativen KI

KI entwickelt sich rasant weiter. Daher könnten die nächsten Jahre ganz anders aussehen als heute.

Für Privatpersonen wird generative KI wahrscheinlich weniger ein eigenständiges Tool sein. Vielmehr wird es zu einer Standardkomponente in Software, die bereits täglich benutzt wird. Die KI-Ergebnisse und Zusammenfassungen der Google-Suche erreichen mittlerweile monatlich 2 Milliarden Nutzer. Das bedeutet, dass ein großer Teil der Welt bereits mit generativer KI interagiert. Explizit entschieden haben sie sich allerdings nicht dafür. Zudem hat jeder, der Software entwickeln möchte, mittlerweile Zugang zu verschiedenen KI-gestützten integrierten Entwicklungsumgebungen (IDEs). Damit lässt sich die Entwicklung insgesamt optimieren.

In Unternehmen wird generative KI zunehmend eingesetzt, um Arbeitsabläufe zu beschleunigen. Ferner werden Routineaufgaben automatisiert, der Kundenservice unterstützt, die Programmierung optimiert und das interne Wissensmanagement verbessert. Die Auswirkungen sind jedoch uneinheitlich. Manche Unternehmen nutzen KI hauptsächlich, um bestehende Arbeitsabläufe zu beschleunigen. Andere fangen jedoch damit an, Produkte, Dienstleistungen oder Kernprozesse darauf auszurichten. Die Deloitte-Umfrage zur KI in Unternehmen 2026 ergab, dass Steigerungen für Produktivität und Effizienz die am häufigsten genannten Vorteile waren. Tiefgreifendere geschäftliche Transformationen waren allerdings noch weniger verbreitet.

FAQ: Häufige Fragen zum Thema generative KI