Ob in der Bildbearbeitung, beim Schreiben von Texten oder im Code-Editor: KI ist nicht mehr wegzudenken. Besonders viel Aufmerksamkeit erhält aktuell die sogenannte Generative KI (Gen AI) – etwa in Form von Tools wie ChatGPT, Midjourney oder GitHub Copilot. Doch was genau verbirgt sich hinter dem Begriff „generativ“? Und worin unterscheidet sich diese KI-Form von traditioneller KI?
Generative KI: Neue Inhalte statt reiner Analyse
Während klassische KI-Modelle vor allem zur Analyse von Daten und zur Vorhersage bestimmter Ereignisse eingesetzt werden – etwa zur Erkennung von Spam-Mails oder zur Anomalie-Erkennung in der IT-Sicherheit – geht Generative KI einen Schritt weiter: Sie erzeugt neue Inhalte.
Das können beispielsweise sein:
- Texte (z. B. mit ChatGPT, Gemini, Claude)
- Bilder (z. B. mit DALL·E oder Midjourney)
- Code (z. B. mit GitHub Copilot)
- Musik (z. B. mit Suno AI)
Generative KI simuliert damit kreative Prozesse – also genau die Fähigkeit, die früher allein dem Menschen vorbehalten war.
Wie funktioniert Generative KI?
Im Textbereich basiert Generative KI auf sogenannten Transformer-Modellen, wie z. B. GPT (Generative Pre-trained Transformer) oder BERT (Bidirectional Encoder Representations from Transformers). Diese Modelle wurden auf riesigen Textmengen trainiert – darunter Bücher, Websites und wissenschaftlichen Artikel – und sind darauf spezialisiert, Muster in Sprache zu erkennen.
Das Grundprinzip ist einfach erklärt: Die KI sagt das wahrscheinlichste nächste Wort, den nächsten Satz oder Token vorher, basierend auf dem bisherigen Kontext.
Dazu verarbeitet das Sprachmodell die Nutzeranfrage, gleicht diese mit dem Training ab und erzeugt daraus eine Antwort. Dieses Prinzip erklärt auch, warum die Ergebnisse oft sinnvoll wirken, aber manchmal auch falsch sein können (siehe unten).
Grenzen und Risiken: Warum Generative KI mit Vorsicht zu genießen ist
Trotz ihrer beeindruckenden Fähigkeiten bringt Generative KI auch einige Schwächen mit sich, die man kennen sollte. Vor allem im wissenschaftlichen oder beruflichen Umfeld ist daher Vorsicht angebracht.
1. Fehlende Fachtiefe
Generative KI produziert Inhalte auf Basis wahrscheinlicher Wortfolgen, aber nicht auf Basis von echtem Verständnis. Das führt zu verallgemeinerten oder oberflächlichen Aussagen.
2. Veraltete Informationen
Sprachmodelle basieren auf Trainingsdaten, die zu einem bestimmten Zeitpunkt gesammelt wurden. Wird die KI nicht regelmäßig aktualisiert, kann sie veraltete Fakten wiedergeben.
3. Bias (Voreingenommenheit)
KI kann gesellschaftliche Vorurteile und Diskriminierungen aus Trainingsdaten übernehmen und verstärken. Ein bekanntes Beispiel ist der Tay-Bot von Microsoft (2016), der innerhalb weniger Stunden rassistische Aussagen verbreitete.
4. Halluzinationen
Besonders gravierend: KI kann Fakten oder Quellen einfach erfinden. Diese sogenannten Halluzinationen entstehen durch die stochastische Natur der Modelle: Es wird „plausibel“ formuliert, nicht „wahrheitsgetreu“. Das kann in wissenschaftlichen Arbeiten schnell zum Problem werden.
Generative vs. klassische KI
| Klassische KI |
Generative KI |
|
Analysiert Daten, erkennt Muster |
Erstellt neue Inhalte (Text, Bild, Code) |
|
Trifft Vorhersagen (z. B. Wetter, Spam-Erkennung) |
Simuliert Kreativität |
|
Einsatz z. B. in Bildüberwachung, IT-Security |
Einsatz z. B. beim Schreiben, Coden, Design |
|
Fokus: Genauigkeit & Effizienz |
Fokus: Natürlichkeit & Ausdruck |
Fazit
Generative KI ist kein „Magier“, sondern ein vielseitiges Werkzeug mit Stärken und Schwächen. Wer sie nutzt, sollte ihre Funktionsweise verstehen und sich der Risiken bewusst sein. Besonders in wissenschaftlichen Kontexten gilt: Ergebnisse immer prüfen, Quellen verifizieren und bei Unsicherheit lieber nochmal selbst recherchieren.
Gleichzeitig bietet Gen AI großes Potenzial. Ob beim ersten Entwurf, zur Ideenfindung oder als Unterstützung im Schreibprozess. Richtig eingesetzt, kann sie wertvolle Hilfe leisten. Doch der menschliche Blick bleibt unersetzlich. Denn Kreativität braucht nicht nur Worte – sondern auch Urteilskraft.
