Generative AI: How It Works and Where It Fits | AI Hackathons

Kurzdefinition (zitierfähig, 47 Wörter)

Generative KI ist eine Klasse von Modellen, die neue Inhalte erzeugen, Text, Code, Bilder, Audio oder strukturierte Daten, indem sie wahrscheinliche Fortsetzungen vorhersagen, gelernt aus großen Trainingskorpora. Im Unternehmen treibt sie Assistenten, Entwürfe und Automatisierung, und ihr Nutzen hängt weniger vom Modell selbst ab als vom Kontext und den Leitplanken, die du gibst.

Woher der Begriff kommt und wie er sich verschoben hat

Maschinelles Lernen war jahrzehntelang meist diskriminativ. Modelle klassifizierten oder sagten vorher: ist diese Mail Spam, kündigt dieser Kunde, wie hoch ist die Nachfrage nächsten Monat. Generative Modelle drehen die Aufgabe um. Statt einen Input zu etikettieren, erzeugen sie einen Output, der den Input plausibel fortsetzt, weshalb dieselbe Architektur eine Mail schreiben, Code entwerfen oder einen Vertrag zusammenfassen kann.

Der Begriff wanderte in die Alltagssprache der Wirtschaft, nachdem transformerbasierte große Sprachmodelle die Generierung zuverlässig genug für den Nutzen machten. Die für ein Unternehmen entscheidende Verschiebung ist nicht die Wissenschaft, sondern die Zugänglichkeit. Generierung läuft nun über natürliche Sprache, sodass eine Finanzanalystin oder ein Operations-Lead ein Modell ohne Programmieren steuern kann, und genau das macht praktische Formate wie einen Hackathon für Nicht-Entwickler möglich.

Der Mechanismus, Vorhersage, Kontext und Erdung

Ein Sprachmodell ruft keine Antworten ab, es sagt das nächste Token vorher, dann das nächste, bedingt durch alles davor. Diese eine Tatsache erklärt Stärke und Fehlermodi zugleich. Weil es plausiblen Text vorhersagt, ist es flüssig selbst wenn es falsch liegt, was man Halluzination nennt. Die praktische Lösung im Unternehmen ist keine bessere Vermutung, sondern Erdung, das Modell mit deinen freigegebenen Dokumenten zu speisen, sodass der Output an echten Quellen verankert ist.

Prompt (Anweisung + Kontext)
        |
        v
   [ Modell sagt nächstes Token vorher, wiederholt ]
        |
   ungeerdet  ------------------>  flüssig, kann aber erfinden
        |
   + Retrieval (RAG)
        |
   geerdet  --------------------->  Antwort zitiert freigegebene Quellen
        |
   + Tools / Aktionen (agentisch)
        |
   geerdet + handelnd  ---------->  entwirft, dann echte Aufgabe

Die drei Stufen, einfache Generierung, retrieval-geerdete Generierung und werkzeugnutzende Agenten, sind das praktische Vokabular generativer KI im Unternehmen. Der meiste Geschäftswert sitzt auf der geerdeten und agentischen Stufe, weil dort Output an echte Daten und echte Aktionen andockt statt an einen plausibel klingenden Absatz.

Ein durchgerechnetes Mini-Beispiel (illustratives Modell)

Ein Support-Team entwirft Antworten auf Produktfragen. Vergleiche ein ungeerdetes und ein geerdetes Setup an denselben 100 Fragen pro Woche.

• Ungeerdetes Modell: der Assistent schreibt flüssige Antworten aus Allgemeinwissen, aber angenommen 15 Prozent enthalten ein Detail, das nicht zu den aktuellen Produktdokumenten passt, also brauchen 15 Antworten pro Woche schwere Korrektur.
• Geerdetes Modell: derselbe Assistent antwortet nur aus einer freigegebenen Produkt-Wissensbasis und nennt die Quelle, angenommen Abweichungen sinken auf 3 Prozent, also brauchen 3 pro Woche Korrektur.
• Ergebnis in diesem Modell: die Korrekturlast fällt von 15 auf 3 pro Woche in dieser einen Queue, und jede Antwort trägt eine Quelle, die ein Mensch prüfen kann.

Diese Zahlen sind ein illustratives Modell, kein gemessenes Kundenergebnis. Die strukturelle Lehre ist, dass im Unternehmen selten das Modell die wichtigste Variable ist. Erdung, Quellenangabe und eine menschliche Prüfung machen aus generativer Flüssigkeit etwas, dem du in einem echten Prozess vertrauen kannst.

Anwendungsfälle nach Funktion

Funktion	Generative Aufgabe	Erdung, die sie sicher macht
Marketing	Content entwerfen und in Menge anpassen	Marken- und Faktenquellen, menschliches Freigabe-Gate
Vertrieb	Angebote und Antworten zuschneiden	freigegebene Produkt- und Preisdokumente
Operations	interne Prozessfragen beantworten	aktuelle Richtlinien- und SOP-Wissensbasis
Finance	Reports zusammenfassen und entwerfen	Quell-Ledger mit Kontrollschritt
Recht und Compliance	Dokumenten-Erstprüfung	Klauselbibliothek, Mensch-Entscheidung beibehalten
Engineering	Code generieren und prüfen	Repo-Kontext, Tests und Review beibehalten

Branchen und wie generative KI angewendet wird

Anwendungsmuster unterscheiden sich je Branche, weil Erdungsquelle und Risikotoleranz variieren. In Softwarefirmen landet generative KI zuerst in Code-Generierung und internem Tooling, wo Tests Fehler billig fangen. In Finanzen und Versicherung wird sie vorsichtig mit starker Erdung und Audit-Trails eingesetzt, weil eine flüssige falsche Antwort regulatorisches Gewicht trägt. In Industrie und Engineering hebt sie Wissen aus technischer Dokumentation. In Marketing und Medien beschleunigt sie Content, gegated durch menschliche Freigabe. Das gemeinsame Unternehmensmuster ist überall gleich: Generierung mit Erdung und einer am Risiko bemessenen menschlichen Prüfung koppeln.

Abgrenzung zu verwandten Begriffen

Begriff	Was er tut	Kernunterschied
Generative KI	erzeugt neue Inhalte	sagt vorher und erzeugt Output
Prädiktive KI	klassifiziert oder prognostiziert	etikettiert oder bewertet vorhandenen Input
Großes Sprachmodell	ein Modelltyp hinter Textgenerierung	die Maschine, nicht die ganze Anwendung
RAG	erdet Generierung in abgerufenen Quellen	ein Muster, das Halluzination senkt
KI-Agent	Generierung plus Werkzeugnutzung	er handelt, schreibt nicht nur

Generative KI ist die breite Klasse, ein Sprachmodell ist eine Maschine darin, RAG ist, wie man es erdet, und ein Agent ist, was es wird, wenn es handeln kann. Diese als einen Brei zu behandeln ist, wo Unternehmenserwartungen schiefgehen.

Wann es passt und wann nicht

Es passt, wenn die Aufgabe eine menschliche Prüfung verträgt, wenn du das Modell in freigegebenen Quellen erden kannst und wenn ein flüssiger Entwurf einen echten Prozess beschleunigt. Es passt nicht als ungeprüfte Faktenquelle, wo Halluzination zur Haftung wird, oder für Aufgaben, die exakte, deterministische Berechnung brauchen, wo klassische Software das richtige Werkzeug ist. Generative KI entwirft und beschleunigt, sie ersetzt nicht das System of Record oder den Menschen, der für die Entscheidung verantwortlich ist.

Generative KI und der EU AI Act

Seit dem 2. Februar 2025 verlangt Artikel 4 der KI-Verordnung von Anbietern und Betreibern ausreichende KI-Kompetenz der Mitarbeiter, rollen- und kontextbezogen, und generelle sowie generative KI tragen an anderer Stelle im Gesetz weitere Pflichten. Praktische Kompetenz darin, wie generative Modelle vorhersagen, wo sie scheitern und wie Erdung hilft, ist genau die Art Kompetenz, auf die Artikel 4 zielt. Ein Hackathon kann eine solche Maßnahme stützen und dokumentieren, ist aber kein behördliches Zertifikat und garantiert keine Compliance, und die Organisation prüft ihr Gesamtprogramm selbst.

FAQ

Warum erfindet generative KI manchmal etwas? Weil sie plausiblen Text vorhersagt statt Fakten abzurufen. Flüssigkeit und Genauigkeit sind getrennt, also kann ein Modell selbstsicher klingen und falsch liegen. Es in freigegebenen Quellen zu erden und Zitate zu verlangen ist, wie Unternehmen das steuern.

Ist generative KI dasselbe wie ein Sprachmodell? Nein. Ein großes Sprachmodell ist eine Maschine, die Text erzeugt. Generative KI ist die breitere Klasse, die auch Bilder, Audio, Code und strukturierte Daten umfasst, und eine volle Anwendung umgibt das Modell meist mit Erdung, Tools und Kontrollen.

Was ist RAG und warum ist es für uns wichtig? Retrieval-augmented Generation speist das Modell vor der Antwort mit deinen freigegebenen Dokumenten, sodass Output an echten Quellen verankert ist, die es zitieren kann. Es ist das Standard-Unternehmensmuster, um Halluzination zu senken und Antworten prüfbar zu halten.

Müssen unsere Teams programmieren können, um es zu nutzen? Nein. Generierung läuft nun über natürliche Sprache, weshalb Nicht-Entwickler es direkt steuern können. Diese Zugänglichkeit macht einen praktischen Hackathon für Finance, Operations, Marketing und HR machbar.

Ist diese Seite eine Rechtsberatung? Nein. Regulatorische Fragen unter dem AI Act brauchen die Prüfung der konkreten Rechtslage durch qualifizierte Beratung.

Verwandte Begriffe im Glossar

AI Hackathon · AI Enablement · KI-Readiness-Check · Enterprise AI Hackathon · Corporate AI Hackathon · AI-Hackathon-ROI

Quellen und technischer Kontext

• EU-Verordnung 2024/1689 (AI Act), EUR-Lex
• Europäische Kommission, Fragen und Antworten zur KI-Kompetenz
• NIST AI Risk Management Framework