Die Typologien der künstlichen Intelligenz überlappen sich, je nachdem, ob man einen technischen, funktionalen oder regulatorischen Blickwinkel einnimmt. Die Klassifizierung von KI-Systemen nach Fähigkeiten (schwach, allgemein, Superintelligenz) ist nach wie vor gängig, aber dieses Raster reicht nicht mehr aus, um die aktuelle Landschaft zu beschreiben. Seit dem schrittweisen Inkrafttreten der europäischen Verordnung über KI und dem Auftreten autonomer Systeme, die in der Lage sind, vollständige Workflows zu orchestrieren, hat sich auch die Art und Weise, wie diese Technologien kategorisiert werden, geändert.
Agentische KI: der funktionale Typ, den die Klassifikationen ignorieren
Die meisten Leitfäden unterscheiden zwischen prädiktiver KI, generativer KI und überwachten oder unüberwachten maschinellen Lernen. Seit 2025 identifiziert Gartner eine zusätzliche Kategorie: agentische KI. Diese Systeme beschränken sich nicht darauf, eine Antwort oder eine Vorhersage zu liefern. Sie nehmen eine Umgebung wahr, treffen Entscheidungen und führen autonom oder semi-autonom Aktionen aus, um ein definiertes Ziel zu erreichen.
Auch lesenswert : Zazie Web: So erkunden Sie die verschiedenen Kategorien und Inhalte
Konkret kann ein KI-Agent einen gesamten logistischen Prozess steuern, mehrere spezialisierte Sprachmodelle orchestrieren oder eine Datenpipeline ohne menschliches Eingreifen in jedem Schritt verwalten. Der Unterschied zu einem Chatbot oder einem klassischen generativen Modell liegt in dieser Fähigkeit zur autonomen Handlung in einer realen Umgebung, sei sie digital oder physisch.
Was diese Kategorie strukturell macht, ist, dass sie die üblichen Typologien durchdringt. Ein KI-Agent kann überwachte Lernmethoden mobilisieren, um Daten zu analysieren, generative KI, um einen Bericht zu erstellen, und prädiktive KI, um einen Vorfall vorherzusagen, alles in einer einzigen Sequenz. Die Grenze zwischen den “Typen” wird somit durchlässig, und das Verständnis der verschiedenen Arten von künstlicher Intelligenz erfordert nun, diese agentische Dimension zu integrieren.
Ebenfalls empfehlenswert : Entdeckung des Marktes von Porto Torres: Atmosphäre und typische Aromen Sardiniens
Regulatorische Klassifizierung des AI Act: vier Risikoniveaus
Die europäische Verordnung über KI (AI Act, Verordnung (EU) 2024/1689), die am 1. August 2024 in Kraft trat und schrittweise anwendbar ist, hat ein Lesegerüst eingeführt, das weder auf der zugrunde liegenden Technik noch auf dem Grad der Autonomie basiert, sondern auf dem Risikoniveau für Personen. Dieser Ansatz verändert die Art und Weise, wie Unternehmen über ihre KI-Systeme nachdenken müssen.
Die vier vom Text definierten Niveaus sind:
- Unacceptable risk: rein verbotene Praktiken, wie soziale Bewertung oder Manipulation von vulnerablen Personen durch subliminale Techniken.
- High risk: Systeme, die in Gesundheit, Sicherheit, Rekrutierung oder kritischen Funktionen eingesetzt werden, unterliegen strengen Anforderungen an Risikomanagement, technischer Dokumentation und menschlicher Aufsicht.
- Transparency obligations: Systeme, die mit Menschen interagieren (Chatbots, Deepfakes) und ihre künstliche Natur melden müssen.
- Minimal risk: die große Mehrheit der gängigen Anwendungen, ohne spezifische Verpflichtungen über das allgemeine Recht hinaus.
Für europäische Unternehmen hat diese Risikoklassifizierung Vorrang vor der technischen Unterscheidung zwischen generativer und prädiktiver KI. Ein generatives Modell, das zur Erstellung von Werbebildern verwendet wird, fällt unter das minimale Risiko. Dasselbe Modell, angewendet auf die Erstellung medizinischer Berichte, fällt in die Kategorie hohes Risiko mit schweren Compliance-Anforderungen.
Anwendungszeitplan und konkrete Anforderungen
Die Verbote im Zusammenhang mit inakzeptablem Risiko gelten zuerst. Die Verpflichtungen für Systeme mit hohem Risiko folgen einem schrittweisen Zeitplan. Unternehmen, die allgemeine KI-Modelle einsetzen, müssen technische Dokumentationen bereitstellen und die Urheberrechtsvorschriften einhalten.
Die Rückmeldungen aus der Praxis variieren hinsichtlich der Fähigkeit von KMU, diese neuen Compliance-Anforderungen zu erfüllen, insbesondere wenn sie Drittmodelle verwenden, die außerhalb der Europäischen Union gehostet werden. Die Frage der Haftung in der Kaskade (Modellanbieter, Integrator, Endnutzer) bleibt ein rechtlicher Streitpunkt.
Generative KI und Sprachmodelle: Stand der Dinge 2026
Generative KI hat in den letzten zwei Jahren die meiste mediale Aufmerksamkeit auf sich gezogen. Sprachmodelle (LLM) wie die, die ChatGPT, Claude oder Gemini antreiben, erzeugen Text, Code, Bilder und Videos aus Eingabeaufforderungen. Ihr Anwendungsbereich hat sich weit über die automatisierte Texterstellung hinaus erweitert.
In Unternehmen konzentrieren sich die Anwendungen auf Dokumentensynthese, Codegenerierung, Kundenassistenz und Erstellung von Marketinginhalten. Die verfügbaren Daten lassen nicht den Schluss zu, dass generative KI in diesem Stadium ganze Stellen ersetzt, aber sie verteilt eindeutig die Aufgaben innerhalb der Teams neu.
Persistierende technische Grenzen
Halluzinationen (faktisch falsche, aber selbstbewusst formulierte Antworten) bleiben ein strukturelles Problem der LLM. Kein generatives Modell garantiert die faktische Genauigkeit seiner Ausgaben, was ihren Einsatz in regulierten Bereichen ohne menschliche Überprüfung einschränkt.
Der Energieverbrauch beim Training und bei der Inferenz stellt ein weiteres offenes Thema dar. Vergleiche zwischen Modellen zeigen signifikante Leistungsunterschiede je nach Aufgabe, was die Auswahl für Unternehmen, die einen spezifischen Anwendungsfall industrialisieren möchten, erschwert.
Maschinelles Lernen und prädiktive KI: die ausgereiften Anwendungen
Vor dem Aufkommen der generativen KI war maschinelles Lernen bereits die technische Grundlage der meisten in Produktion eingesetzten KI-Systeme. Prädiktive KI, die historische Daten analysiert, um Trends oder Ereignisse vorherzusagen, bleibt die am weitesten verbreitete Art von KI in den Industriebranchen.
Prädiktive Wartung, Betrugserkennung, Kreditbewertung: Diese Anwendungen basieren auf überwachten Modellen, die auf gekennzeichneten Datensätzen trainiert wurden. Ihre Zuverlässigkeit hängt direkt von der Qualität und Repräsentativität der Trainingsdaten ab, ein Punkt, der oft bei der Produktion unterschätzt wird.
Unüberwachtes Lernen findet seinen Platz in der Kundensegmentierung, der Erkennung von Netzwerk-Anomalien oder der explorativen Analyse großer Datenbanken. Im Gegensatz zum überwachten Lernen identifiziert es Strukturen in den Daten ohne vorherige Etikettierung, was es nützlich macht, wenn die Kategorien im Voraus nicht bekannt sind.
Wo prädiktive KI und agentische KI konvergieren
Die fortschrittlichsten Systeme kombinieren mittlerweile ein prädiktives Modul (das ein Ereignis vorhersagt), ein Entscheidungsmodul (das eine Aktion auswählt) und ein Ausführungsmodul (das auf die Umgebung einwirkt). Diese Konvergenz verwischt die Grenzen zwischen den Arten von KI und macht die starren Klassifikationen zunehmend weniger wirksam.
Der europäische regulatorische Rahmen drängt in die gleiche Richtung: Was zählt, ist nicht mehr so sehr die verwendete Technik, sondern die endgültige Nutzung und das damit verbundene Risiko. Für Organisationen, die KI-Systeme implementieren, kombiniert das relevante Lesegerüst nun die technische Natur des Modells, seinen Grad an Autonomie und sein regulatorisches Risikoniveau. Keine dieser drei Dimensionen allein reicht aus, um zu beschreiben, was ein KI-System tatsächlich tut.