Generative KI
Generative KI ist eine Klasse von Machine-Learning-Modellen, die neue Inhalte wie Text, Bilder, Audio, Code oder Video erzeugen, indem sie Muster aus großen Trainingsdatensätzen lernen und Ausgaben produzieren, die zu einem Prompt oder einer Eingabe passen.
Was ist generative KI?
Generative Modelle erzeugen neue Ausgaben; frühere, überwiegend prädiktive Modelle klassifizierten oder bewerteten vorhandene Daten. Ein Spamfilter sagt ein Label vorher; ein generatives Modell schreibt die E-Mail.
Die wichtigsten Modellfamilien:
Large Language Models für Text und Code, aufgebaut auf der Transformer-Architektur, die 2017 im Paper Attention Is All You Need vorgestellt wurde; siehe Large Language Model.
Diffusionsmodelle für Bilder und Video, die lernen, zufälliges Rauschen Schritt für Schritt in ein Bild zu verwandeln, etwa Stable Diffusion.
Sprach- und Audiomodelle für Text-to-Speech, Transkription und Musik.
Multimodale Modelle, die mehrere Datentypen gleichzeitig verarbeiten und erzeugen, etwa GPT-4o und Gemini.
Unternehmen nutzen diese meist über APIs von OpenAI, Anthropic oder Google oder als Open-Weight-Modelle wie Llama und Mistral, statt eigene Modelle zu trainieren.
Wie funktioniert generative KI?
Ein Sprachmodell erzeugt Text Token für Token und sagt dabei jeweils das wahrscheinlichste nächste Stück auf Basis alles Vorherigen vorher. Ein Token ist ein Wortfragment, im Durchschnitt etwa drei Viertel eines englischen Wortes.
Pretraining: Das Modell lernt Muster aus einem sehr großen Korpus von Texten oder Bildern.
Instruction Tuning und Feedback-Training: Es lernt, Anfragen zu befolgen und hilfreiche, sichere Antworten zu bevorzugen.
Prompting: Zur Laufzeit füllen Ihre Anweisungen und Daten sein Kontextfenster.
Grounding: RAG fügt dem Prompt Ihre eigenen Dokumente hinzu, sodass Antworten aktuelle, interne Fakten widerspiegeln.
Anpassung: Fine-Tuning mit Beispielen verändert Stil oder Format, wenn Prompting nicht ausreicht.
Einstellungen wie die Temperatur steuern die Zufälligkeit; niedrige Werte liefern konsistentere Ergebnisse für geschäftliche Aufgaben.
Wie sieht generative KI in der Praxis aus?
Die schnellsten Erfolge kommen bei Aufgaben, bei denen ein Entwurf leicht zu prüfen, aber aufwendig zu schreiben ist. Nehmen wir ein B2B-Softwareunternehmen mit 70 Mitarbeitenden, dessen Supportteam wiederkehrende Fragen anhand einer 400-seitigen Wissensdatenbank beantwortet. Angenommen, die Mitarbeitenden verbringen einen Großteil jedes Tickets damit, Dokumentation zu durchsuchen, bevor sie eine Antwort tippen.
Das Team indexiert die Wissensdatenbank mit Embeddings in pgvector.
Bei jedem neuen Ticket ruft das System die fünf relevantesten Passagen ab und lässt ein Modell eine Antwort mit Links zu den Quellen entwerfen.
Der Mitarbeitende bearbeitet und versendet; Versand, Bearbeitungen und Ablehnungen werden protokolliert.
Wöchentlich prüft das Team schlecht bewertete Entwürfe und korrigiert die Dokumentation oder den Prompt, die sie verursacht haben.
In diesem Beispiel zeigt sich die Verbesserung in kürzerer Bearbeitungszeit und besserer Dokumentation, da vom Modell aufgedeckte Lücken schriftlich geschlossen werden.
Welche Risiken und Grenzen hat generative KI?
Generative Modelle erzeugen flüssigen Text, ob er nun stimmt oder nicht – jeder produktive Einsatz braucht daher eine Möglichkeit, Ausgaben zu prüfen.
Halluzination: erfundene Fakten, Quellenangaben oder Zahlen.
Datenschutz und Vertraulichkeit: personenbezogene oder Kundendaten an einen Anbieter senden, ohne Auftragsverarbeitungsvertrag und passende Aufbewahrungseinstellungen.
Urheberrechts- und Lizenzfragen zu Trainingsdaten und Ausgaben, über die noch vor Gericht gestritten wird.
Kosten und Latenz im großen Maßstab, die mit der Prompt-Länge wachsen.
Regulierung: Der EU AI Act legt Transparenzpflichten fest, etwa die Kennzeichnung KI-generierter Inhalte in bestimmten Fällen.
Verzichten Sie darauf bei exakten Berechnungen, deterministischen Regeln oder Entscheidungen, die einen vollständigen Audit-Trail erfordern; setzen Sie dort Code oder klassische Modelle ein, und ergänzen Sie Guardrails, wo Generierung bleibt.
Worin unterscheidet sich generative KI von klassischem Machine Learning?
Klassisches Machine Learning sagt aus strukturierten Eingaben ein Label oder eine Zahl vorher; generative KI erzeugt aus Prompts offene Inhalte. Churn-Prognose, Betrugs-Scoring und Nachfrageprognosen sind klassisches ML; Entwerfen, Zusammenfassen und Extrahieren aus Dokumenten sind generative Aufgaben.
Beides wird oft kombiniert: Ein generatives Modell kann für die Dokumentenverarbeitung Felder aus Rechnungen extrahieren, und ein klassisches Modell bewertet sie anschließend. Typische Stack-Entscheidungen: Modelle von OpenAI, Anthropic oder Google per API; LangChain oder LlamaIndex für die Orchestrierung; Pinecone, Weaviate oder pgvector für das Retrieval; und ein Evaluations-Harness, bevor irgendetwas live geht.
Generative KI vs. prädiktives Machine Learning
Generative KI | Prädiktives Machine Learning | |
|---|---|---|
Ausgabe | Neuer Text, Bilder, Audio, Code | Ein Label, Score oder eine Zahl |
Typische Eingabe | Prompts und Dokumente | Strukturierte Feature-Tabellen |
Beispiel | Eine Support-Antwort entwerfen | Vorhersagen, welche Kunden abwandern |
Wie geprüft wird | Evals, menschliche Prüfung, Quellenangaben | Accuracy, Precision, Recall auf Testdaten |
Häufigster Fehler | Selbstsichere, aber falsche Ausgabe | Verzerrte oder veraltete Trainingsdaten |
Wie baut VIZIO AI Produkte mit generativer KI?
VIZIO AI setzt generative KI dort ein, wo sie für eine klar definierte Nutzergruppe einen echten Engpass beseitigt, und liefert sie als schnell testbares MVP aus. Für Qurio LLC hat das Venture Studio Briefio AI gebaut, eine Mobile-first-App, die mit OpenAI-Modellen wissenschaftliche Fachartikel zusammenfasst und die Zusammenfassungen in Audio umwandelt, ausgeliefert als MVP in 3 Monaten.
Für ein auf Südostasien fokussiertes Beratungsunternehmen hat das DX Studio eine mehrsprachige Plattform für Finanzanalysen mit einem Chatbot gebaut, der auf geprüften Quellen und einer Vektordatenbank basiert, und damit den Zeitaufwand für Finanzrecherchen um 65 % reduziert. So fangen Sie an: Listen Sie drei Aufgaben auf, bei denen Ihr Team jede Woche ähnliche Texte schreibt, und testen Sie bei einer davon einen Ablauf aus Entwurf und Prüfung.
Generative KI in Fallstudien von VIZIO AI
- Briefio AI ›OpenAI-gestützte Zusammenfassung plus Audio-Umwandlung machte aus dichten wissenschaftlichen Fachartikeln hörbare Zusammenfassungen, ausgeliefert als MVP in 3 Monaten.
- AI-Driven Financial Insights Platform for SMEs ›Ein auf geprüften Finanzquellen und einer Vektordatenbank basierender Chatbot reduzierte den Rechercheaufwand für KMU um 65 %.