Agentic KI vs. generative KI: Die Brücke zwischen Kreation und Handeln

Agentische KI vs. generative KI: Kreativität und Handeln verbinden

Die letzten zwei Jahre haben künstliche Intelligenz von einer Kuriosität zu einem täglichen Produktivitätswerkzeug gemacht. Wenn du die offiziellen Nachrichtenkanäle der großen KI-Anbieter verfolgst – OpenAI, Microsoft, NVIDIA und Anthropic –, fällt dir ein klares Muster auf. Die Diskussion hat sich von „Was kann ein Modell generieren?“ zu „Was kann ein Modell tatsächlich erreichen?“ verschoben. Dieser Wandel ist der Unterschied zwischen generativer KI und agentischer KI. Die eine erschafft. Die andere handelt. Beides zu verstehen ist wichtig, aber die Verbindung zwischen beiden ist der Ort, an dem der echte Wert liegt.

Der Stand der KI: Von Chatbots zu digitalen Arbeitern

Generative KI wurde mit dem Aufkommen großer Sprachmodelle zum Mainstream, die Essays schreiben, Code erzeugen und beeindruckende Bilder erstellen konnten. OpenAIs News-Seiten, Microsofts KI-Blog und Anthropics Updates spiegeln alle diese Welle wider. Das ursprüngliche Versprechen war einfach: Gib einen Prompt ein, erhalte eine hochwertige Ausgabe.

Aber ein Prompt allein erledigt keine Aufgabe. Den Entwurf eines Berichts zu schreiben ist nicht dasselbe wie einen fertigen Bericht zu erstellen, ihn im richtigen Ordner zu speichern, ihn an die richtigen Personen zu senden und einen Projekt-Tracker zu aktualisieren. Deshalb hat sich die Branche in Richtung agentischer KI bewegt. NVIDIAs Entwickler-Blog zum Beispiel hat viel Zeit darauf verwendet zu erklären, wie generative Modelle in autonome Systeme verwandelt werden, die mit Tools, APIs und Umgebungen interagieren.

Agentische KI ist kein Ersatz für generative KI. Sie ist die nächste Ebene. Wenn generative KI das Gehirn ist, das denkt, dann ist agentische KI der Körper, der handelt. Dieser Artikel untersucht den Unterschied, zeigt dir, warum beide wichtig sind, und bietet einen praktischen Weg, um dein erstes agentisches System aufzubauen.

Was ist generative KI?

Generative KI bezieht sich auf Modelle, die neue Inhalte erstellen. Auf einen Prompt hin erzeugt ein generatives Modell Text, Code, Audio, Bilder oder Video. Das entscheidende Merkmal ist, dass das Modell Muster aus Trainingsdaten gelernt hat und statistisch plausible Fortsetzungen generieren kann.

Beispiele sind:

• Eine E-Mail aus ein paar Stichpunkten schreiben
• Python-Code aus einem Kommentar entwerfen
• Ein Marketingbild aus einer Textbeschreibung erstellen
• Ein langes Dokument zusammenfassen

Generative Modelle sind typischerweise **zustandslos**. Sie erhalten Eingaben, erzeugen Ausgaben und vergessen die Interaktion, sofern du nicht manuell einen Gesprächsverlauf führst. Die Ausgabe ist das Produkt. Du nimmst sie, überprüfst sie und entscheidest, was als Nächstes passiert.

Praktisch gesehen ist generative KI ein unglaublicher **Assistent**. Sie kann dich schneller machen, indem sie qualitativ hochwertige Entwürfe erzeugt. Aber sie kann von sich aus keine Schleife schließen. Sie kann nicht überprüfen, ob ihre Ausgabe korrekt ist, nicht mit externen Systemen integrieren und sich nicht von unerwarteten Fehlern erholen.

Was ist agentische KI?

Agentische KI baut auf generativer KI auf, verlagert den Fokus jedoch vom Erzeugen einer Ausgabe auf das Erreichen eines Ziels. Ein Agent ist ein System, das planen, argumentieren, Werkzeuge nutzen und mehrstufige Arbeitsabläufe ausführen kann. Das generative Modell spielt weiterhin eine zentrale Rolle – es dient als Denk-Engine des Agenten –, aber die Ausgabe ist nicht länger das Endprodukt. Das erreichte Ziel ist es.

Betrachte den Unterschied:

• **Generative KI** schreibt eine Zusammenfassung der heutigen Marktnachrichten.
• **Agentische KI** liest die heutigen Marktnachrichten, schreibt eine Zusammenfassung, durchsucht eine Finanzdatenbank, aktualisiert ein Dashboard und sendet dir eine Benachrichtigung mit einem Link zu den Ergebnissen.

Ein Agent entscheidet, was passieren muss, in welcher Reihenfolge und mit welchen Werkzeugen. Wenn der erste Ansatz fehlschlägt, kann der Agent einen anderen versuchen. Wenn ein Werkzeug unerwartete Daten zurückgibt, kann der Agent seinen Plan anpassen. Das nennen Ingenieure eine **geschlossene Schleife**.

Microsofts KI-Blog hat dieses Framing wiederholt hervorgehoben: Agenten sind nicht nur Modelle, sondern „Systeme des Handelns“. Sie kombinieren ein Modell mit Speicher, Werkzeugen und einer Ausführungsschleife. Anthropics News haben ebenfalls „Tool-Nutzung“ als Kernfähigkeit diskutiert, bei der Modelle lernen, wann und wie sie externe Funktionen aufrufen.

Die wichtigsten Unterschiede auf einen Blick

| Aspekt | Generative KI | Agentische KI | |---|---|---| | Primäre Ausgabe | Inhalt (Text, Code, Bild) | Abgeschlossene Aufgabe | | Zustand | Zustandslos pro Aufruf | Behält Speicher und Kontext | | Ablauf | Einzelner Prompt → Antwort | Mehrstufiger Plan → Ausführen → Verifizieren | | Werkzeuge | Optional, meist manuell | Essenziell, automatisch | | Fehlerbehandlung | Keine von sich aus | Kann wiederholen und anpassen | | Beispielhafte Nutzung | Einen Blog-Post-Entwurf schreiben | Den Post veröffentlichen und teilen |

Die Tabelle ist vereinfacht, erfasst aber den Kernunterschied. Bei generativer KI geht es um **Kreation**. Bei agentischer KI geht es um **Handeln**, ermöglicht durch Kreation.

Warum die Unterscheidung in der echten Arbeit wichtig ist

Denk an den typischen Arbeitsablauf eines Softwareentwicklers. Ein generatives Modell kann eine Funktion schreiben, die E-Mail-Adressen validiert. Das ist hilfreich. Aber ein echter Agent könnte:

1. Die Codebasis lesen, um die vorhandene Validierungslogik zu verstehen 2. Inkonsistenzen zwischen Modulen identifizieren 3. Die neue Validierungsfunktion schreiben 4. Die vorhandene Testsuite ausführen 5. Fehlgeschlagene Tests beheben 6. Einen Pull-Request erstellen 7. Einen Reviewer markieren

Jeder Schritt beinhaltet Generierung, aber das Gesamtsystem ist agentisch. Der Wert liegt nicht im einzelnen Code-Schnipsel. Der Wert liegt darin, dass ein mehrstufiger Prozess ohne einen Menschen bei jedem Schritt ablief.

Deshalb sind Unternehmen so an agentischen Systemen interessiert. Laut der laufenden Berichterstattung auf NVIDIAs Entwickler-Blog ebnen Werkzeuge wie Retrieval-Augmented Generation (RAG) und Funktionsaufrufe den Weg für Agenten, die sich auf echte Daten stützen und echte Aktionen ausführen können. Die praktische Konsequenz ist, dass KI von einer Vorschlags-Engine zu einer Ausführungs-Engine wird.

Voraussetzungen

Bevor wir starten, hier, was du für den praktischen Teil dieses Artikels benötigst.

• **Python 3.10 oder neuer**: Die meisten modernen KI-Frameworks erfordern aktuelle Python-Versionen.
• **pip**: Pythons Paketmanager, bei den meisten Python-Installationen enthalten.
• **Einen API-Schlüssel**: Zum Beispiel einen OpenAI-API-Schlüssel oder einen Anthropic-API-Schlüssel. Viele Frameworks unterstützen standardmäßig OpenAI-kompatible Endpunkte.
• **Ein Terminal**: macOS-Terminal, Windows PowerShell oder eine beliebige Linux-Shell.
• **Internetzugang**: Zum Installieren von Paketen und Aufrufen entfernter Modelle.

Optional erleichtert ein Code-Editor wie VS Code das Bearbeiten der Skripte, die wir erstellen.

Schritt-für-Schritt-Installation

Ich führe dich durch die Installation der Werkzeuge, die zum Erstellen sowohl einer generativen Anwendung als auch einer kleinen agentischen Crew benötigt werden.

Schritt 1: Eine virtuelle Umgebung erstellen

Eine virtuelle Umgebung hält die Abhängigkeiten deines Projekts vom Rest deines Systems isoliert. Führe in deinem Terminal aus:

python3 -m venv ai-env

Das erstellt einen Ordner namens `ai-env`, der eine isolierte Python-Installation enthält. Als Nächstes aktiviere sie:

source ai-env/bin/activate

Unter Windows ist der Aktivierungsbefehl etwas anders:

ai-env\Scripts\activate

Schritt 2: pip aktualisieren

Aktualisiere zuerst pip, um sicherzustellen, dass du die neuesten Paketversionen erhältst:

pip install --upgrade pip

Schritt 3: Die Kernpakete installieren

Wir werden zwei Bibliotheken installieren. Das Paket `openai` ermöglicht direkte Aufrufe an generative Modelle. Das Paket `crewai` ermöglicht die Orchestrierung mehrerer Agenten, die auf ein gemeinsames Ziel hinarbeiten.

pip install openai crewai

Dieser Befehl lädt die Bibliotheken und ihre Abhängigkeiten herunter. Je nach Netzwerkgeschwindigkeit kann es ein oder zwei Minuten dauern.

Schritt 4: Deinen API-Schlüssel festlegen

Die meisten agentischen Frameworks benötigen einen API-Schlüssel, um das zugrunde liegende Modell aufzurufen. Exportiere ihn als Umgebungsvariable:

export OPENAI_API_KEY="dein-api-schluessel-hier"

Wenn du stattdessen Anthropic-Modelle verwendest, würdest du `ANTHROPIC_API_KEY` exportieren. Für dieses Tutorial bleiben wir bei OpenAI. Stelle sicher, dass du `dein-api-schluessel-hier` durch einen echten Schlüssel von der OpenAI-Plattform ersetzt.

Schritt 5: Die Installation überprüfen

Führe nun eine schnelle Prüfung aus, um zu bestätigen, dass alles korrekt installiert ist:

python -c "import openai, crewai; print('Alle Pakete erfolgreich installiert.')"

Wenn du die Erfolgsmeldung siehst, bist du bereit.

Anwendungsbeispiele

Lass uns zwei kleine Programme bauen, um den Unterschied zwischen generativen und agentischen Ansätzen in Aktion zu sehen.

Beispiel 1: Ein reiner generativer KI-Aufruf

Dieses Skript verwendet das OpenAI SDK direkt. Es sendet einen einzelnen Prompt und gibt die Antwort aus. Mehr nicht.

from openai import OpenAI

client = OpenAI(api_key="DEIN_API_SCHLUESSEL")

response = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {
            "role": "system",
            "content": "Du bist ein präziser technischer Redakteur."
        },
        {
            "role": "user",
            "content": "Erkläre den Unterschied zwischen generativer und agentischer KI in drei Sätzen."
        }
    ]
)

print(response.choices[0].message.content)

Bevor du dieses Skript ausführst, speichere es als `generative_example.py`. Führe in deinem Terminal aus:

python generative_example.py

Du wirst eine kurze KI-generierte Erklärung sehen. Sie ist nützlich, aber es ist eine einzelne Interaktion. Die KI recherchiert nichts, verifiziert nichts und ergreift keine weitere Aktion. Die Erstellung und die Verantwortung für die nächsten Schritte liegen vollständig bei dir.

Beispiel 2: Eine kleine agentische Crew

Jetzt lasse uns etwas Anspruchsvolleres bauen. Wir definieren zwei Agenten. Einer recherchiert aktuelle KI-Themen auf den offiziellen Nachrichtenseiten der großen Anbieter. Der andere nimmt diese Recherche und schreibt eine Notiz in eine Markdown-Datei.

Speichere den folgenden Code als `agentic_example.py`:

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="KI-Rechercheanalyst",
    goal="Aktuelle KI-Trends aus den Nachrichtenseiten großer KI-Anbieter identifizieren.",
    backstory=(
        "Du bist ein erfahrener Analyst, der OpenAI News, "
        "den Microsoft AI Blog, den NVIDIA AI Blog und Anthropic News beobachtet. "
        "Du fasst Trends zusammen, ohne Details zu erfinden."
    ),
    verbose=True
)

writer = Agent(
    role="Technischer Notizenschreiber",
    goal="Recherchenotizen in eine prägnante Notiz verwandeln und in einer Datei speichern.",
    backstory=(
        "Du bist ein technischer Redakteur, der klare, umsetzbare Notizen erstellt. "
        "Du speicherst alle Ausgaben als Markdown-Dateien."
    ),
    verbose=True
)

research_task = Task(
    description=(
        "Überprüfe die neuesten Themen, die auf den Nachrichtenseiten von OpenAI, Microsoft, "
        "NVIDIA und Anthropic diskutiert werden. Berichte die allgemeinen Themen, "
        "die du beobachtest. Erfinde keine spezifischen Behauptungen oder Statistiken."
    ),
    expected_output="Eine Liste mit Aufzählungspunkten der beobachteten Themen.",
    agent=researcher
)

writing_task = Task(
    description=(
        "Verwende die Recherchenotizen, um eine kurze Markdown-Notiz mit dem Titel "
        "'ai_provider_updates.md' zu schreiben. Füge eine Einleitung und eine Aufzählung "
        "der Themen hinzu. Die Datei muss im aktuellen Verzeichnis gespeichert werden."
    ),
    expected_output="Eine Markdown-Datei namens ai_provider_updates.md.",
    agent=writer
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process=Process.sequential
)

result = crew.kickoff()
print(result)

Führe das Skript aus:

python agentic_example.py

Du solltest sehen, wie die beiden Agenten abwechselnd arbeiten. Der Researcher identifiziert Themen aus den Nachrichtenseiten. Der Writer verwandelt diese Themen in eine Markdown-Datei. Wenn das Skript beendet ist, sollte eine neue Datei namens `ai_provider_updates.md` im aktuellen Verzeichnis vorhanden sein.

Beachte, was gerade passiert ist. Das System hat nicht nur Text erzeugt. Es hat eine mehrstufige Aufgabe ausgeführt:

• Es hat externe Quellen konsultiert,
• über die Ergebnisse nachgedacht,
• ein strukturiertes Dokument geschrieben,
• und dieses Dokument auf der Festplatte gespeichert.

Das ist der Kern agentischen Verhaltens: nicht nur zu generieren, sondern zu **handeln**, wobei mehrere Schritte auf ein Ziel hin orchestriert werden.

Beispiel 3: Ein generatives Modell in einer Agenten-Schleife

Wenn du die Brücke tiefer verstehen willst, stell dir vor, du baust selbst eine einfache Agenten-Schleife. Die Idee ist, ein generatives Modell mehrmals aufzurufen, die Ausgabe zu verwenden, um zu entscheiden, welches Werkzeug aufgerufen werden soll, und dies zu wiederholen, bis das Ziel abgeschlossen ist.

Hier ist ein Grundgerüst in Python:

import json
from openai import OpenAI

client = OpenAI(api_key="DEIN_API_SCHLUESSEL")

def calculate_sum(a, b):
    return a + b

def run_agent(task):
    tool_schema = {
        "name": "calculate_sum",
        "description": "Addiert zwei Zahlen.",
        "parameters": {
            "type": "object",
            "properties": {
                "a": {"type": "number"},
                "b": {"type": "number"}
            }
        }
    }

    messages = [
        {"role": "system", "content": "Du bist ein Agent, der Werkzeuge verwendet."},
        {"role": "user", "content": task}
    ]

    for _ in range(5):
        response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=messages,
            tools=[{"type": "function", "function": tool_schema}],
            tool_choice="auto"
        )
        message = response.choices[0].message

        if message.tool_calls:
            for call in message.tool_calls:
                args = json.loads(call.function.arguments)
                result = calculate_sum(args["a"], args["b"])
                messages.append({
                    "role": "tool",
                    "tool_call_id": call.id,
                    "content": json.dumps({"result": result})
                })
        else:
            return message.content

    return "Agent hat die Aufgabe nicht beendet."

print(run_agent("Was ist 12 plus 34? Bitte verwende das verfügbare Werkzeug."))

Dieses Beispiel zeigt die Schleife: Modell → Werkzeugaufruf → Werkzeugergebnis → wieder Modell. Das generative Modell entscheidet, welche Aktion ausgeführt werden soll, die Aktion geschieht, und das Ergebnis fließt zurück ins Modell. Genau so arbeiten Produktionsagenten.

Die beiden verbinden: Praktische Hinweise

Die Grenze zwischen generativer und agentischer KI ist keine Mauer. In der Praxis enthält jeder Agent generative Komponenten. Die Frage ist, wie du das System um diese Komponenten herum architektonisch gestaltest. Hier sind einige wichtige Prinzipien, die du im Hinterkopf behalten solltest.

Generative Modelle für das Denken nutzen, nicht für das Gedächtnis

Generative Modelle sind großartig darin, über einen Kontextfenster hinweg zu argumentieren. Sie sind weniger gut darin, sich alles über eine länger laufende Aufgabe hinweg zu merken. Überlasse externem Speicher die Zustandsverwaltung. Datenbanken, Vektor-Store und Dateien sollten das Gedächtnis sein. Das Modell ist einfach der Entscheider.

Validierung in der realen Welt hinzufügen

Ein Agent sollte seine eigene Arbeit überprüfen. Wenn er Code generiert, sollte er die Tests ausführen. Wenn er eine Kunden-E-Mail generiert, sollte er sie gegen Tonfall-Richtlinien prüfen. Wenn er eine Zusammenfassung schreibt, sollte er sie mit Quellenbeschränkungen vergleichen. Generative KI erzeugt selbstbewusste Ausgaben. Agentische Systeme müssen Skepsis hinzufügen.

Bei risikoreichen Aktionen einen Menschen in der Schleife behalten

Nicht jede Aktion sollte vollständig autonom sein. Für agentische Systeme, die E-Mails senden, Einkäufe genehmigen oder Datenbanken ändern, ist ein menschlicher Genehmigungsschritt erforderlich. Microsofts KI-Blog hat verantwortungsvolles KI-Design betont. Ein gut gestalteter Agent weiß, wann er anhalten und um Bestätigung fragen muss.

Klein anfangen

Baue nicht beim ersten Versuch einen Schwarm aus zwanzig Agenten. Beginne mit einem einzelnen Agenten, der zwei oder drei Werkzeuge aufrufen kann. Miss seine Leistung. Füge einen zweiten Agenten erst hinzu, wenn der erste zuverlässig ist. Die Architektur sollte mit deinem Vertrauen mitwachsen.

Fazit

Generative KI und agentische KI sind zwei Seiten derselben Medaille. Generative KI liefert den kreativen Kern – die Fähigkeit, Text, Code, Bilder und Pläne zu erzeugen. Agentische KI umhüllt diesen Kern mit einem System des Handelns: Werkzeuge, Gedächtnis, Iteration und Ausführung. Erstere erzeugt Inhalte. Letztere erzeugt Ergebnisse.

Wie die offiziellen Kanäle von OpenAI, Microsoft, NVIDIA und Anthropic weiterhin zeigen, bewegt sich die Branche entschieden in Richtung des agentischen Paradigmas. Das macht generative KI jedoch nicht überflüssig. Jeder Agent, den du baust, wird sich auf generative Modelle stützen, um zu denken, zu planen und zu kommunizieren. Die eigentliche Fähigkeit liegt in der Architektur: ein leistungsfähiges Modell mit den richtigen Werkzeugen und dem richtigen Arbeitsablauf zu verbinden.

Die Beispiele in diesem Artikel haben dir einen Ausgangspunkt gegeben. Ein einzelner API-Aufruf ist generativ. Eine Crew von Agenten, die recherchiert, schreibt und eine Datei speichert, ist agentisch. Die Brücke zwischen Kreation und Handeln ist keine Technologie – sie ist ein Entwurfsmuster. Mit dem richtigen Setup, ein paar Zeilen Python und einem klaren Ziel kannst du diese Brücke noch heute überqueren.

Ressourcen

Für weiterführende Hintergründe zu diesen Themen verweise ich direkt auf die offiziellen Quellen:

• NVIDIA AI Blog: https://developer.nvidia.com/blog/category/generative-ai/
• OpenAI News: https://openai.com/news/
• Microsoft AI Blog: https://www.microsoft.com/en-us/ai/blog/
• Anthropic News: https://www.anthropic.com/news