Zurück zum Glossar

Generative KI (GenAI): Definition, Modelle und Einsatz in der Praxis

Generative KI (GenAI) ist ein Teilbereich der Künstlichen Intelligenz, der darauf ausgerichtet ist, neue Inhalte zu erzeugen – von Text und Fotos über Musik und Audio bis hin zu Filmen und 3D-Repräsentationen. Laut HPE erlernen diese Modelle komplexe Muster und Strukturen aus Trainingsdaten und produzieren anschließend eigenständig neues Material mit vergleichbaren Eigenschaften. GenAI ist damit kein einzelner Anwendungstyp, sondern eine Klasse von Verfahren und Modellen. Für Unternehmen, die Prozesse automatisieren wollen, ist das Verständnis dieser Klasse eine Grundvoraussetzung.

‍

Was ist Generative KI?

GenAI-Modelle synthetisieren neue Ausgaben aus gelernten Zusammenhängen. HPE beschreibt als technische Basis den Einsatz fortgeschrittener Algorithmen und neuronaler Netzwerke. Diese Grundlage ermöglicht kreative Inhaltsproduktion in Bereichen wie Robotik, Design, kreative Künste und Unterhaltung. Der Begriff umfasst dabei eine breite Palette an Verfahren – nicht nur Sprachmodelle.

Wie funktioniert Generative KI?

Auf Modell- und Methodenebene unterscheidet HPE mehrere Kategorien generativer Verfahren

  • Generative Adversarial Networks (GANs): Zwei neuronale Netze – ein „Generator" und ein „Discriminator" – arbeiten gegeneinander, um realistische Ausgaben zu erzeugen.
    •  
  • Variational Autoencoders (VAEs): Sie lernen eine komprimierte Darstellung der Daten und erzeugen durch probabilistische Elemente vielfältige Ausgaben.
    •  
  • Autoregressive Modelle: Sie modellieren bedingte Wahrscheinlichkeiten und sagen – wie bei GPT – das jeweils nächste Wort vorher.
    •  
  • Transformer-basierte Modelle: Relevant für Übersetzung, Zusammenfassung und Textproduktion.
    •  
  • Rekurrente neuronale Netze (RNNs): Arbeiten mit Rückkopplungsverbindungen für sequenzielle Daten.
    •  
  • Reinforcement Learning: Wird ebenfalls für generative Aufgaben eingesetzt.

Zur Abgrenzung nennt HPE regelbasierte Systeme („rule-based systems"), die auf vorgegebenen Regeln und logischem Schlussfolgern beruhen – und damit nicht auf dem lernbasierten Generieren aus Trainingsmustern.

Generative KI in der Praxis

Viele Organisationen setzen GenAI zunächst als Chatbot-Interface ein – etwa in Form von ChatGPT als Gesprächs- und Antwortwerkzeug. Laut einem Deloitte TechPulse-Beitrag bildet das jedoch nur einen Teil des tatsächlichen Potenzials ab. Das Problem: Die meisten GenAI-Interaktionen sind aktuell promptbasiert. Das Schreiben und Nachschärfen von Prompts ist zeitaufwändig und kompetenzintensiv, besonders bei repetitiven Aufgaben.

Der Gegenentwurf ist ein systematischer Ansatz: GenAI-Anwendungen werden als wiederverwendbare „Blueprint"-Implementierungen aufgebaut – erstellbar über no-code/low-code-Tools. Vordefinierte Prompts und Aufgabenlogiken sind so vorbereitet, dass Nutzerinnen und Nutzer typischerweise nur noch relevante Daten eingeben. Das System arbeitet dann auf Basis dieser Struktur, ohne dass manuell nachgeprompted werden muss.

Deloitte beschreibt außerdem den Einsatz von Feedback Loops: Fachbereiche geben nach dem Go-live Rückmeldungen, und Prompt-Engineering wird im Hintergrund iterativ angepasst. Zusätzlich können Integrationen mit externen Quellen und internen Systemen umgesetzt werden, um Ausgaben besser zu verankern.

Praxisbeispiele und Anwendungsfälle

Deloitte nennt ein Lebenswissenschaftsunternehmen als konkretes Beispiel. Dort wird GenAI genutzt, um Dokumente für IT, Legal und HR zu erstellen – jeweils zugeschnitten auf die spezifischen Workflows und Daten der Abteilung:

  • IT: Compliance-bezogene Code-Reports
    •  
  • Legal: Vertragsentwürfe mit Policy-Prüfungen
    •  
  • HR: Validierte Offer Letters

Diese Anwendungsfälle zeigen, dass GenAI nicht als generisches Werkzeug, sondern als fachlich vorkonfiguriertes System eingesetzt wird.

Fazit

Generative KI bezeichnet KI-Modelle, die durch das Erlernen komplexer Muster aus Daten neue Inhalte erzeugen. Der öffentliche Fokus liegt oft auf Chatbots – der größere Nutzen entsteht jedoch durch wiederverwendbare, fachlich vorkonfigurierte Anwendungen mit iterativem Prompt-Engineering und Systemintegration. Wer GenAI strukturiert in Geschäftsprozesse einbindet, kann den Aufwand für manuelle Prompt-Arbeit deutlich reduzieren.