Was ist generative KI? Definition, Nutzen und Grenzen

Generative KI in Kürze: Definition und Funktionsweise

Generative KI bezeichnet Modelle, die neue, plausible Inhalte erzeugen, statt nur bestehende Daten zu analysieren. Sie werden auf sehr grossen Datenmengen trainiert und lernen dabei die statistische Struktur von Sprache, Bildern oder Tönen. Aus einer Eingabe, dem sogenannten Prompt, berechnet das Modell Schritt für Schritt die wahrscheinlichste Fortsetzung und setzt so ein neues Ergebnis zusammen.

Die meisten heutigen Systeme basieren auf der Transformer-Architektur. Bei Text zerlegt das Modell Eingaben in Tokens und sagt jeweils das nächste Token voraus; bei Bildern kommen häufig Diffusionsmodelle zum Einsatz, die aus zufälligem Rauschen schrittweise ein Bild formen. Solche breit trainierten Grundmodelle heissen Foundation Models und lassen sich für viele Aufgaben wiederverwenden.

Generative KI vs. prädiktive KI: der zentrale Unterschied

Beide gehören zum maschinellen Lernen, verfolgen aber unterschiedliche Ziele. Prädiktive KI beantwortet Fragen wie -Was wird passieren?- oder -Zu welcher Kategorie gehört dieser Datensatz?-. Generative KI beantwortet -Erstelle etwas Neues-. In der Praxis werden beide oft kombiniert.

• Ziel: Prädiktive KI prognostiziert oder klassifiziert; generative KI erzeugt neue Inhalte.
• Ausgabe: Prädiktiv liefert Zahlen, Wahrscheinlichkeiten oder Labels; generativ liefert Text, Bild, Audio oder Code.
• Typische Fälle: Prädiktiv für Betrugserkennung, Nachfrageprognose, Scoring; generativ für Entwürfe, Zusammenfassungen, Assistenz.
• Bewertung: Prädiktive Modelle misst man an Genauigkeit gegen bekannte Wahrheit; generative Ergebnisse brauchen zusätzlich menschliche Qualitäts- und Faktenprüfung.

Was generative KI erzeugt: Text, Bild, Audio, Video, Code

• Text: Entwürfe, Zusammenfassungen, Übersetzungen, Q&A und strukturierte Auszüge aus Dokumenten.
• Bilder: Illustrationen, Produktvisualisierungen, Varianten und Bildbearbeitung nach Textbeschreibung.
• Audio: Sprachsynthese, Voice-Overs, Transkription und Musik- oder Sounddesign-Skizzen.
• Video: kurze Clips, Animationen und Storyboards aus Text- oder Bildvorgaben.
• Code: Codegenerierung, Erklärung, Refactoring und Testentwürfe als Assistenz für Entwicklerinnen und Entwickler.
• Multimodal: moderne Modelle verarbeiten und verbinden mehrere Formate, etwa Bild plus Frage zu einer Textantwort.

Business-Anwendungen mit klarem Nutzen

Den grössten Nutzen bringt generative KI dort, wo viel Text und Wissen bewegt wird und ein Mensch das Ergebnis prüft. Sinnvoll ist der Einsatz als Assistenz, die Entwürfe liefert und Routine beschleunigt, nicht als unkontrollierte Automatik.

• Marketing und Content: erste Entwürfe, Varianten und mehrsprachige Lokalisierung.
• Kundendienst: Antwortvorschläge, Wissensdatenbank-Suche und Gesprächszusammenfassungen.
• Wissensarbeit: Recherche, Zusammenfassen langer Dokumente und Frage-Antwort auf eigenen Daten via Retrieval-Augmented Generation.
• Software-Entwicklung: Coding-Assistenz, Dokumentation und Testerstellung.
• Interne Prozesse: Formulare, Berichte und Protokolle strukturieren und vorbereiten.

Grenzen, Risiken und typische Fehler

• Halluzinationen: Modelle formulieren auch Falsches überzeugend. Fakten immer gegen verlässliche Quellen prüfen.
• Verzerrungen: Trainingsdaten enthalten Bias, der sich in Ausgaben fortsetzen kann.
• Aktualität: Modelle kennen Ereignisse nach ihrem Trainingsstand nur, wenn aktuelle Daten angebunden sind.
• Urheberrecht und Vertraulichkeit: Herkunft von Trainings- und Eingabedaten sowie Rechte an Ergebnissen klären.
• Reproduzierbarkeit: gleiche Eingabe kann unterschiedliche Ausgaben liefern; das erschwert Audits ohne feste Einstellungen.

Verantwortungsvoller Einsatz aus Schweizer Sicht

In der Schweiz gilt für Personendaten das revidierte Datenschutzgesetz (revDSG, auch nFADP), beaufsichtigt vom EDOEB. Wer generative KI mit Personendaten nutzt, sollte Zweck, Rechtsgrundlage, Datenminimierung und Transparenz klären und prüfen, wo die Verarbeitung stattfindet. Unternehmen mit EU-Bezug berührt zusätzlich der EU AI Act.

Praktisch bewährt sich ein Human-in-the-Loop: Menschen prüfen Ergebnisse vor Veröffentlichung oder Entscheidung. Klare Richtlinien, geeignete Verträge mit Anbietern und Schulung der Mitarbeitenden senken Risiken, ohne den Nutzen zu verlieren.