Kurzdefinition (zitierfähig, 47 Wörter)
Generative KI bezeichnet Modelle, die aus einer Eingabe neue Inhalte erzeugen, etwa Text, Bilder, Code, Audio oder Tabellen. Sie sagen auf Basis großer Trainingsmengen das jeweils wahrscheinlich passende nächste Element vorher. Anders als klassische Software mit festen Regeln produziert generative KI variable, kontextabhängige Ausgaben, die geprüft werden müssen, weil sie plausibel, aber falsch sein können.
Woher der Begriff kommt und wie er sich verschoben hat
Der Begriff generative Modelle ist alt und stammt aus der Statistik, wo er Verfahren meint, die Daten erzeugen statt nur zu klassifizieren. Bekannt wurde die Idee 2014 mit Generative Adversarial Networks, die realistische Bilder erzeugten.
Zum Alltagswort wurde generative KI Ende 2022, als ein breit verfügbarer Chat-Assistent Text auf Kommando schrieb. Damit verschob sich die Bedeutung von einem Forschungsthema zu einer Werkzeugkategorie, die jeder Fachbereich bedienen kann. Der Kern blieb, nämlich Inhalte erzeugen statt nur auswerten. Neu war die Bedienbarkeit über natürliche Sprache, die den Kreis der Nutzer von Data Scientists auf Marketing, Vertrieb, HR und Operations erweiterte. Genau diese Bedienbarkeit macht generative KI zum Rohstoff für Hackathon-Prototypen ohne klassisches Programmieren.
Der Mechanismus: warum ein Modell Inhalte erzeugt
Ein Sprachmodell zerlegt Text in Token, kleine Bausteine, und lernt aus riesigen Mengen, welches Token nach welchem wahrscheinlich folgt. Bei der Ausgabe wählt es Schritt für Schritt das nächste Token, geleitet vom Kontext der Eingabe.
Eingabe (Prompt)
|
Tokenisierung ---> Zerlegung in Bausteine
|
Wahrscheinlichkeit ---> nächstes Token vorhersagen
|
Schleife <-------- Ausgabe wächst Token für Token
|
Ausgabe (Text/Code/Bild) ---> muss geprüft werden
Daraus folgen zwei praktische Wahrheiten. Erstens, das Modell versteht nicht im menschlichen Sinn, es rechnet Wahrscheinlichkeiten, deshalb kann es überzeugend und trotzdem falsch antworten, was man Halluzination nennt. Zweitens, gute Ergebnisse hängen stark von Eingabe und Kontext ab, weshalb Prompting, Beispiele und angebundene Firmendaten (Retrieval) den Unterschied machen. Im Hackathon nutzt man genau diesen Hebel, indem man das Modell mit freigegebenen Daten und klaren Prüfschritten in einen echten Prozess einbindet.
Ein durchgerechnetes Mini-Beispiel
Ein illustratives Rechenmodell. Ein Marketing-Team schreibt pro Woche 30 Produkttexte, je 25 Minuten, also 12,5 Stunden. Challenge: ein Assistent, der aus strukturierten Produktdaten einen Rohtext erzeugt, den ein Mensch nur noch redigiert.
- Ausgangslage: 12,5 Stunden pro Woche für Rohtexte.
- Prototyp mit generativer KI: Entwurf in Sekunden, menschliche Redaktion geschätzt 8 Minuten je Text.
- Neuer Aufwand: rund 4 Stunden pro Woche. Ersparnis: rund 8,5 Stunden pro Woche in diesem Prozess.
Die Zahlen sind ein Modell, keine Kundenzahl. Wichtig ist die Grenze, denn der Mensch bleibt für Fakten, Marke und Rechtliches verantwortlich. Generative KI liefert den Rohstoff, nicht die Freigabe.
Tool-Familien und wofür sie gut sind
Generative KI ist keine einzelne Anwendung, sondern eine Familie. Im Hackathon wählt man pro Challenge das passende Werkzeug.
| Modalität | Typische Werkzeuge | Guter Anwendungsfall |
|---|---|---|
| Text und Chat | Sprachmodelle, Custom GPTs | Recherche, Entwürfe, Zusammenfassungen |
| Code | Cursor, Claude Code, Codex | Prototypen, Skripte, Automatisierung |
| App und UI | Lovable, Figma Make | klickbare Tools ohne klassisches Coden |
| Bild | Bildmodelle | Visuals, Mockups, Varianten |
| Audio und Stimme | ElevenLabs | Sprachausgaben, Voice-Agenten |
| Workflow und Doku | n8n, Gamma, NotebookLM | Automatisierung, Präsentationen, Wissensarbeit |
Anwendungsfälle nach Funktion
| Funktion | Wofür generative KI dort eingesetzt wird | Ergebnis |
|---|---|---|
| Marketing | Content aus Produktdaten, Kanal-Reporting | Content-Pipeline mit Review |
| Vertrieb | Angebote, Ausschreibungen, Recherche | Extraktions- und Entwurfshelfer |
| HR | Stellentexte, Bewerbervorsortierung | Entwurfsgenerator mit Mensch-Review |
| Finance | Reports aus mehreren Quellen | automatisiertes Report-Modell mit Prüfschritt |
| Operations | verstreutes Wissen | internes Frage-Antwort-Tool |
| Kundenservice | wiederkehrende Anfragen | Antwort-Assistent mit geprüften Bausteinen |
Branchen, die generative KI einsetzen
Der Nutzen ist überall dort hoch, wo viel Text, Bild oder Daten wiederkehrend entstehen. Marketing-Agenturen, unser erster ICP, setzen generative KI direkt in der Leistung am Kunden ein, brauchen aber einen Freigabepfad für Qualität und Marke. In Finanzen und Versicherung steht die Prüfbarkeit der Ausgaben im Vordergrund, weil Regulierung nachvollziehbare Ergebnisse verlangt. Maschinenbau und Industrie nutzen generative KI oft an Dokumentation und Angebotsprozessen. In IT und SaaS beschleunigt sie Prototypen und interne Tools. Handel und E-Commerce erzeugen damit Produkttexte und Kundenkommunikation in Serie. Der gemeinsame Nenner ist eine wiederkehrende Inhaltsproduktion, die ein Mensch danach prüft.
Abgrenzung zu verwandten Begriffen
| Begriff | Bedeutung | Verhältnis zu generativer KI |
|---|---|---|
| Künstliche Intelligenz | Oberbegriff aller KI | generative KI ist ein Teilbereich |
| Maschinelles Lernen | Modelle lernen aus Daten | Grundlage generativer Modelle |
| Klassische KI | Regeln, Klassifikation, Vorhersage | wertet aus, erzeugt nicht |
| Agenten | KI, die Schritte selbst ausführt | nutzt generative Modelle als Baustein |
Der häufigste Fehler ist, generative KI mit KI insgesamt gleichzusetzen. Sie ist der erzeugende Teil, nicht das ganze Feld.
Wann sich generative KI lohnt, und wann nicht
Sie lohnt sich, wenn Ausgaben variabel und sprachlich sind, wenn ein Mensch die Ergebnisse prüfen kann und wenn ein wiederkehrender Prozess dahinter steht. Sie lohnt sich nicht für Aufgaben, die deterministisch und regelfest sein müssen, etwa exakte Buchungslogik, und nicht dort, wo keine Prüfung möglich ist. Für harte Rechenregeln bleibt klassische Software die bessere Wahl.
Generative KI und der EU AI Act
Generative KI-Systeme unterliegen je nach Einsatz besonderen Transparenzpflichten der KI-Verordnung, etwa der Kennzeichnung KI-erzeugter Inhalte. Unabhängig davon verlangt Artikel 4 seit dem 2. Februar 2025 ein ausreichendes Maß an KI-Kompetenz bei den Mitarbeitenden. Ein Hackathon, in dem Teams generative KI verantwortlich anwenden lernen, kann eine solche Kompetenzmaßnahme dokumentieren. Er ist kein Zertifikat und garantiert keine automatische Compliance. Die konkrete Rechtslage prüft das Unternehmen selbst.
Nächster Schritt
Zwei Wege, je nachdem wie weit ihr seid.
- Direkt buchen: Discovery Call buchen. 30 Minuten, wir schauen, welcher generative KI-Anwendungsfall bei euch am schnellsten Wirkung zeigt.
- Erst mitlesen: Trag deine E-Mail ein und bekomme den KI-Hackathon-Playbook-Guide plus echte Fallbeispiele. Kein Spam, jederzeit abbestellbar.
Verwandte Begriffe im Glossar
KI-Hackathon · KI-Prototyp · AI Enablement · AI-Hackathon · KI-Readiness-Check · KI-Hackathon-Anbietervergleich
FAQ
Was ist der Unterschied zwischen KI und generativer KI? KI ist der Oberbegriff für Systeme, die Aufgaben lösen, die sonst menschliche Intelligenz brauchen. Generative KI ist der Teilbereich, der neue Inhalte erzeugt, statt nur zu klassifizieren oder vorherzusagen. Jede generative KI ist KI, aber nicht jede KI ist generativ.
Warum sind die Ausgaben manchmal falsch? Weil das Modell Wahrscheinlichkeiten rechnet, nicht Fakten prüft. Es kann plausibel klingen und trotzdem daneben liegen, was man Halluzination nennt. Deshalb gehört zu jedem produktiven Einsatz ein menschlicher Prüfschritt oder eine Anbindung an geprüfte Datenquellen.
Muss man programmieren können, um generative KI zu nutzen? Nein. Werkzeuge wie Custom GPTs, Lovable, n8n oder Gamma werden über Sprache und Oberflächen bedient. Genau deshalb können in einem Hackathon auch Fachteams ohne Coding-Kenntnisse funktionierende Prototypen bauen.
Wie hält man Firmendaten sicher? Über freigegebene Zugänge, dokumentierte Grenzen und Werkzeuge, die vertraglich zusagen, Eingaben nicht fürs Training zu verwenden. Was das Modell sieht, wird im Vorlauf mit IT und Datenschutz geklärt, nicht spontan im Sprint entschieden.
