Generative KI vs. agentische KI: was ist der Unterschied?

Definition im Detail

Die beiden Begriffe ähneln sich und werden oft verwechselt, beschreiben aber nicht dasselbe. IBM formuliert es einfach: Generative KI erzeugt neue Inhalte, Text, Bild, Video, Audio oder Code, als Antwort auf eine Anfrage. Das Modell hat Muster aus riesigen Datenmengen gelernt und reproduziert sie in einer neuen, statistisch plausiblen Form. Der gemeinsame Nenner aller generativen Anwendungen: Sie stellen eine Frage oder geben eine Anweisung, das Modell antwortet einmal und endet dort.

Agentische KI hingegen zielt auf die Erreichung eines Ziels durch eine Abfolge von Entscheidungen und Aktionen ab, nicht durch eine einzelne Antwort. Auf seiner Vergleichsseite fasst IBM den Unterschied so zusammen: Generative KI erzeugt neue Inhalte, agentische KI konzentriert sich darauf, Ziele zu erreichen, indem sie mehrstufige Workflows plant, entscheidet und ausführt. Für Details zu diesem zweiten Begriff siehe die Seite Agentische KI.

Interessant wird es bei der Überschneidung. IBM sagt es ausdrücklich, die beiden Kategorien "funktionieren in der Praxis häufig zusammen". Ein agentisches System hat keine eigene Sprache oder Schreibfähigkeit: Es leiht sich die eines generativen Modells, das zu seiner internen Reasoning-Engine wird. Anders gesagt, fast jeder heute gebaute agentische Agent enthält irgendwo ein generatives Modell, aber nicht jede generative Nutzung ist deshalb ein Agent. Das ist eine partielle Einschlussbeziehung, kein frontaler Gegensatz, und die beiden Begriffe überschneiden sich, ohne sich vollständig zu decken.

So funktioniert es

Das generative Modell allein arbeitet in einer kurzen Schleife: eine Eingabe, ein Durchlauf durch das Modell, eine Ausgabe, fertig. Es hat kein Gedächtnis zwischen zwei Aufrufen, es sei denn, man liefert es ihm jedes Mal explizit im Prompt, und es wirkt auf nichts außerhalb des Gesprächs, es sei denn, ein externes System interpretiert seine Antwort und löst eine Aktion aus.

Ein agentisches System fügt vier Schichten über diesem gleichen generativen Modell hinzu. Microsoft beschreibt die vierstufige Schleife: Wahrnehmung von Daten und Signalen, Reasoning zum Aufbau eines Plans (hier kommt das generative Modell ins Spiel), Aktion über Werkzeuge und APIs, dann Reflexion zur Bewertung des Ergebnisses und Anpassung der Fortsetzung. Google Cloud beschreibt eine ähnliche Schleife, Wahrnehmung, Entscheidung, Aktion, mit einer Rückkopplung zum nächsten Schritt. Konkret bringt die agentische Schicht:

• Die Planung, die ein Ziel in Schritte zerlegt und den Plan unterwegs überarbeiten kann, eine Fähigkeit, die das generative Modell allein nicht von Natur aus hat.
• Den Werkzeugaufruf, oder Tool-Calling, der es dem System erlaubt, tatsächlich zu handeln (eine Nachricht senden, eine Datei erstellen, eine Datenbank abfragen), statt die Aktion nur in Text zu beschreiben.
• Das persistente Gedächtnis, kurz- und langfristig, um den Faden eines Ziels über mehrere Sitzungen hinweg zu behalten.
• Ein einstellbares Autonomieniveau, vom Copilot, der eine zu validierende Aktion vorschlägt, bis zum autonomen Agenten, der ohne systematische Validierung ausführt.

Am Markt überschneidet sich diese Unterscheidung mit einer weiteren nützlichen Trennlinie: der zwischen asynchronem autonomem Agenten, der ein langfristiges Ziel erhält, seinen Weg wählt und dauerhaft in seiner eigenen Umgebung läuft, und ausgelöstem Workflow-Agenten, gebaut auf Werkzeugen wie Make, n8n, Zapier, Lindy, Copilot Studio oder Agentforce, bei denen ein Ereignis eine weitgehend vordefinierte Sequenz startet. Beide können intern auf demselben generativen Modell aufbauen; was sich ändert, ist der Spielraum, den das System hat, um selbst seine Schrittfolge zu wählen.

Konkretes Beispiel bei Atako

Ein bei Atako erstellter Agent veranschaulicht gut, wo die Grenze verläuft. Bei der Erstellung wählt man ein KI-Modell aus einer kuratierten Liste (oder einen Schlüssel über BYOK, falls das Unternehmen es aktiviert hat): Das ist die generative Komponente, die Anweisungen versteht und Antworten verfasst. Allein in einer Chat-Konversation genutzt, bleibt dieser Agent in einem Register nahe der klassischen Generierung, eine Frage, eine Antwort.

Was den Agenten auf die agentische Seite kippen lässt, sind die Schichten, die die Plattform um dieses Modell herum hinzufügt. Der Agent läuft dauerhaft in seiner eigenen isolierten Umgebung, nicht nur für die Dauer einer Anfrage. Er erhält Anfragen über vier Kanäle (Chat, E-Mail, Webhooks, Cron), die alle dasselbe persistente Gedächtnis speisen. Er kann selbst eine Cron-Aufgabe erstellen, wenn er urteilt, dass eine regelmäßige Prüfung Teil seines Plans ist, ohne dass ein Mensch diesen Zeitplan an seiner Stelle konfiguriert. Bei einer Teilaufgabe kann er an einen kurzlebigen Unteragenten delegieren, dessen Arbeit in seiner Aktivitäts-Timeline erscheint. Und jeder tatsächliche Aufruf an ein externes Werkzeug (Slack, GitHub, Notion) läuft über einen expliziten Grant, eine präzise, diesem Agenten für diese Aktion gewährte Berechtigung, sonst standardmäßig abgelehnt.

Das bei der Erstellung gewählte generative Modell bleibt vom Anfang bis zum Ende dasselbe. Was das Ganze agentisch macht, ist also kein anderes Modell, sondern die Planung, das Gedächtnis, die Werkzeuge und die Autonomie, die die Plattform darum herum aufbaut.

Häufige Fehler

Der verbreitetste Fehler besteht darin, die beiden Begriffe als austauschbare Synonyme zu behandeln, oder schlimmer, als Rivalen, zwischen denen man wählen muss. Ein Projekt muss nicht zwischen generativer und agentischer KI "wählen": Die relevante Frage ist, wie weit man die agentische Schicht über einem generativen Modell ausbaut, nicht, auf das eine zugunsten des anderen zu verzichten.

Zweite Falle: glauben, ein Werkzeug werde allein dadurch agentisch, dass es "KI nutzt" oder in einer Marketingbroschüre so dargestellt wird. Ohne echte mehrstufige Planung und tatsächliches Handeln auf externen Systemen bleibt es generative KI, auch wenn sie in ein agentisches Vokabular gekleidet ist.

Dritter Fehler: die Abhängigkeit des Agentischen von der Qualität des zugrunde liegenden generativen Modells unterschätzen. Ein schlecht ausgestattetes agentisches System, das aber auf einem exzellenten Reasoning-Modell aufbaut, liefert bessere Pläne als ein mit Werkzeugen vollgepacktes System, das auf einem schwachen generativen Modell beruht. Die agentische Schicht verstärkt die Stärken und Schwächen des Modells, das sie steuert, sie korrigiert sie nicht.

Weiterführend

Unser Blogartikel Generative KI vs. autonome Agenten, die wahren Unterschiede greift diesen Vergleich mit einem breiteren Blick auf den Markt auf, über den reinen Fall Atako hinaus. Wer beim Vokabular tiefer einsteigen möchte, findet auf der Seite Agentische KI das Paradigma im Detail, und die Seite KI-Agent geht vom Grundbaustein aus, dem Agenten, bevor sie Planung und die Orchestrierung mehrerer Agenten behandelt.