Agentische KI vs Generative KI: Der Wandel vom Schaffen zum Handeln

Agentic AI vs Generative AI: Der Wandel vom Erschaffen zum Handeln

Künstliche Intelligenz durchläuft einen grundlegenden Wandel. In den letzten Jahren dominierten generative KI-Modelle die Schlagzeilen – Modelle, die auf Basis riesiger Datensätze Texte, Bilder, Code und Musik erzeugen. Systeme wie GPT-4, DALL·E und Stable Diffusion sind Meister der Inhaltsgenerierung. Aber ein neues Paradigma zeichnet sich ab: **Agentic AI**. Statt nur Ergebnisse zu produzieren, ergreifen agentische KI-Systeme bewusste Aktionen, nutzen Werkzeuge, treffen Entscheidungen und verfolgen Ziele mit minimalem menschlichen Eingriff.

Der Wandel vom Erschaffen zum Handeln ist nicht nur eine semantische Änderung – er repräsentiert eine neue Denkweise darüber, was KI leisten kann. Wo generative KI die Frage beantwortet: „Was kannst du schreiben oder zeichnen?“, fragt agentische KI: „Was kannst du tun oder erreichen?“ Dieser Artikel beleuchtet die Unterschiede, die praktischen Auswirkungen und wie Sie noch heute beide Systemtypen aufbauen können.

Voraussetzungen

Bevor wir in den Code eintauchen, benötigen Sie einige grundlegende Komponenten.

• **Python 3.9+** – die primäre Sprache für die KI-Entwicklung.
• **pip** – Pythons Paketmanager.
• **Ein OpenAI-API-Schlüssel** – wird für die generativen KI-Beispiele benötigt (Anmeldung unter platform.openai.com).
• **Optional: Ein SerpAPI-Schlüssel** – für die Suchfunktionen der agentischen KI (Anmeldung unter serpapi.com).
• **Ein Terminal oder eine Eingabeaufforderung** – die Befehle sind für macOS/Linux geschrieben; Windows-Benutzer sollten Pfade und Befehle für virtuelle Umgebungen anpassen.

Wir werden die folgenden Python-Pakete installieren:

• `openai` – die offizielle OpenAI-Bibliothek.
• `langchain` – Framework zum Aufbau agentischer Workflows.
• `langchain-community` – Community-Tools, einschließlich Suche und Mathematik.
• `python-dotenv` – zum Verwalten von Umgebungsvariablen.

Schritt-für-Schritt-Installation

Erstellen Sie zunächst eine saubere virtuelle Umgebung, um Abhängigkeitskonflikte zu vermeiden.

# Projektverzeichnis erstellen
mkdir ki-vergleich
cd ki-vergleich

# Virtuelle Umgebung erstellen
python3 -m venv venv

# Aktivieren
source venv/bin/activate   # Unter Windows: venv\Scripts\activate

# pip aktualisieren
pip install --upgrade pip

Installieren Sie nun die erforderlichen Pakete.

# OpenAI-Bibliothek installieren
pip install openai

# LangChain und Community-Tools installieren
pip install langchain langchain-community

# dotenv für sichere API-Schlüssel-Verwaltung installieren
pip install python-dotenv

Konfigurieren Sie Ihre Umgebungsvariablen. Erstellen Sie eine `.env`-Datei im Projektstammverzeichnis und fügen Sie Ihre Schlüssel hinzu:

OPENAI_API_KEY=sk-ihr-schlüssel-hier
SERPAPI_API_KEY=ihr-serpapi-schlüssel-hier   # falls Websuche verwendet wird

Um diese Schlüssel in Ihren Python-Skripten zu laden, verwenden Sie `load_dotenv()` wie später gezeigt.

Generative KI in der Praxis

Generative KI ist der einfachere Einstieg. Sie geben einen Prompt vor und erhalten eine Vervollständigung. Das folgende Beispiel verwendet das GPT-4o-Modell von OpenAI, um ein kurzes Gedicht zu erstellen.

Erstellen Sie eine Datei `generate_poem.py`:

import os
from dotenv import load_dotenv
from openai import OpenAI

# API-Schlüssel aus .env-Datei laden
load_dotenv()
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "user", "content": "Schreibe ein kurzes Gedicht über künstliche Intelligenz im Stil eines Haiku."}
    ],
    max_tokens=80,
    temperature=0.7
)

gedicht = response.choices[0].message.content
print("Generiertes Gedicht:\n")
print(gedicht)

Führen Sie es aus:

python generate_poem.py

Die Ausgabe wird ein kreatives, kontextbewusstes Haiku sein. Das ist reine Generierung – das Modell hat keine Erinnerung an frühere Interaktionen, es sei denn, Sie liefern sie, und es hat keine Möglichkeit, die Außenwelt zu beeinflussen. Es erzeugt und dann stoppt es.

Agentic AI in der Praxis

Agentic AI geht einen Schritt weiter. Ein Agent kann seine Umgebung wahrnehmen (über Werkzeuge), über eine Aufgabe nachdenken, Aktionen beschließen, sie ausführen und aus den Ergebnissen lernen. LangChain bietet eine einfache Möglichkeit, solche Agenten zu bauen. In diesem Beispiel erstellen wir einen Agenten, der Websuchen durchführen und Arithmetik anwenden kann, um eine Benutzerfrage zu beantworten.

Erstellen Sie eine Datei `agent_question.py`:

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, AgentType
from langchain_community.tools import WikipediaQueryRun, DuckDuckGoSearchRun
from langchain_community.utilities import WikipediaAPIWrapper
from langchain_core.tools import Tool
from langchain_core.tools import tool

load_dotenv()

# Sprachmodell initialisieren
llm = ChatOpenAI(model="gpt-4o", temperature=0, api_key=os.getenv("OPENAI_API_KEY"))

# Werkzeuge definieren: Wikipedia-Suche und einfacher Taschenrechner
wikipedia = WikipediaQueryRun(api_wrapper=WikipediaAPIWrapper())
search = DuckDuckGoSearchRun()

@tool
def taschenrechner(ausdruck: str) -> str:
    """Wertet einen mathematischen Ausdruck aus und gibt das Ergebnis zurück."""
    try:
        ergebnis = eval(ausdruck)
        return f"Das Ergebnis ist {ergebnis}"
    except Exception as e:
        return f"Fehler: {e}"

werkzeuge = [
    Tool(
        name="Wikipedia",
        func=wikipedia.run,
        description="Nützlich, um sachliche Informationen von Wikipedia nachzuschlagen."
    ),
    Tool(
        name="DuckDuckGo-Suche",
        func=search.run,
        description="Nützlich für allgemeine Websuchen, wenn aktuelle Informationen benötigt werden."
    ),
    Tool(
        name="Taschenrechner",
        func=taschenrechner,
        description="Wertet einen mathematischen Ausdruck aus wie '2 + 3 * 4'."
    )
]

# Agenten mit dem Typ "zero-shot-react-description" initialisieren
agent = initialize_agent(
    tools=werkzeuge,
    llm=llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
    handle_parsing_errors=True
)

# Eine Frage stellen, die die Werkzeuge erfordert
frage = "Wie hoch ist die Bevölkerung Japans im Jahr 2023? Dann addiere 5 Millionen."
antwort = agent.invoke({"input": frage})
print("\nEndgültige Antwort:\n", antwort["output"])

Führen Sie das Skript aus:

python agent_question.py

Sie werden die Gedankengänge des Agenten sehen (weil `verbose=True`). Zuerst sucht er nach der Bevölkerung Japans 2023, dann verwendet er das Taschenrechner-Werkzeug, um 5 Millionen zu addieren, und am Ende gibt er eine einzige Antwort aus. Das ist Handeln: Die KI hat nicht nur Text produziert, sondern auch externe Werkzeuge orchestriert und ein überprüfbares Ergebnis geliefert.

Vergleich der beiden

Was sie tun

• **Generative KI** produziert statische Ausgaben: Text, Bilder, Audio. Sie eignet sich gut für die Erstellung von Inhalten, Zusammenfassungen, Übersetzungen und Brainstorming.
• **Agentic AI** führt dynamische Prozesse aus: Sie kann Datenbanken abfragen, Code ausführen, E-Mails senden oder Geräte steuern. Sie eignet sich für Aufgabenautomatisierung, Recherche, Kundenservice und Entscheidungsunterstützung.

Wie sie funktionieren

Generative Modelle sind typischerweise große Transformer-Netzwerke, die darauf trainiert sind, den nächsten Token vorherzusagen. Sie haben keine eingebaute Fähigkeit, mit der Welt zu interagieren. Agentische Systeme hingegen kombinieren ein Sprachmodell mit einer Denkschleife (wie ReAct – Reasoning + Acting) und einem Satz von Werkzeugen. Das Modell entscheidet basierend auf dem aktuellen Zustand, welches Werkzeug verwendet werden soll, beobachtet die Ausgabe des Werkzeugs und fährt fort, bis das Ziel erreicht ist.

Zusammenarbeit, nicht Konkurrenz

Die beiden Paradigmen ergänzen sich. Ein agentisches System enthält oft ein generatives Modell als sein „Gehirn“. Das generative Modell versteht die Absicht des Benutzers, erstellt den Plan und interpretiert die Werkzeugausgaben. Die agentische Schicht fügt die „Hände“ hinzu, um Aktionen auszuführen. Wie in Diskussionen in den OpenAI News und dem Microsoft AI Blog festgestellt wird, wird die Zukunft der KI diese Ansätze wahrscheinlich kombinieren. Ein Kundendienst-Agent könnte zum Beispiel generative KI nutzen, um eine höfliche Antwort zu formulieren, aber agentische Fähigkeiten, um den Bestellstatus in einer Datenbank zu überprüfen.

Einschränkungen und Überlegungen

Kein Paradigma ist perfekt.

• **Generative KI** leidet unter Halluzinationen – sie kann selbstbewusst klingende, aber falsche Informationen produzieren. Außerdem hat sie keinen dauerhaften Speicher (es sei denn, Sie implementieren ihn extern).
• **Agentic AI** ist komplexer zu debuggen. Unsachgemäße Werkzeugnutzung oder Endlosschleifen können auftreten. Sie erfordert auch eine sorgfältige Berechtigungsverwaltung: Wenn ein Agent auf das Dateisystem schreiben oder E-Mails senden kann, steigen die Sicherheitsrisiken. Unternehmen wie Anthropic und NVIDIA haben an sicheren agentischen Frameworks geforscht und betonen die Notwendigkeit von Aufsicht und Einschränkungen.

Darüber hinaus können agentische Systeme langsamer sein, da jede Aktion eine Hin- und Rückfrage zum LLM und zum Werkzeug erfordert. Die Kosten steigen ebenfalls mit mehreren API-Aufrufen. Entwickler müssen den Wert autonomer Aktionen gegen Latenz und Kosten abwägen.

Der Weg nach vorn

Der Wandel vom Erschaffen zum Handeln wird durch neue Frameworks (LangChain, AutoGPT, Microsoft Copilot) und durch Foundation-Modelle beschleunigt, die die Werkzeugnutzung nativ unterstützen (GPT-4 mit Funktionsaufrufen, Claudes Tool-Use-Fähigkeit). Sobald diese Modelle zuverlässiger werden, werden wir agentische KI von experimentellen Demos zu Produktionssystemen sehen, die Kalender verwalten, Reisen buchen, Recherchen durchführen und mit anderen Software-Agenten koordinieren.

In vielerlei Hinsicht war die Explosion generativer KI die Phase des „Sprechenlernens“ der künstlichen Intelligenz. Agentic AI repräsentiert das „Laufenlernen“ – und schließlich das Rennen. Das wahre Potenzial der KI liegt nicht in ihrer Fähigkeit, ein perfektes Gedicht zu erzeugen, sondern in ihrer Fähigkeit, in der Welt zu handeln, Probleme zu lösen und ein echter Partner in unseren täglichen Aufgaben zu werden.

Fazit

Generative KI gab Maschinen eine Stimme; agentische KI gibt ihnen Hände. Beide sind mächtig, jede mit unterschiedlichen Stärken. Generative KI glänzt bei der Erstellung, Kreativität und Kommunikation. Agentic AI glänzt bei der Ausführung, Autonomie und dem Erzielen greifbarer Ergebnisse. Zu verstehen, wann man welche einsetzt – und wie man sie kombiniert – ist der Schlüssel zum Bau wirkungsvoller KI-Anwendungen heute.

Ob Sie mit einem einfachen API-Aufruf Marketingtexte generieren oder einen autonomen Forschungsassistenten bauen, der sucht, berechnet und berichtet – die Werkzeuge liegen jetzt in Ihren Händen. Der Wandel vom Erschaffen zum Handeln ist nicht nur ein Trend – es ist der logische nächste Schritt auf unserer Reise, KI wirklich nützlich zu machen.