Artificial General Intelligence (AGI)
Was ist Artificial General Intelligence (AGI)?
AGI bezeichnet eine theoretische Form von künstlicher Intelligenz, die in der Lage ist, jede intellektuelle Aufgabe zu bewältigen, die ein Mensch lösen kann – also Reasoning, Lernen, Planen und Problemlösen, ohne für jede neue Aufgabe separat trainiert zu werden. Der entscheidende Unterschied zur heute dominanten Artificial Narrow Intelligence (ANI): ANI-Systeme wie aktuelle Large Language Models (LLMs) exzellieren in spezifischen Domänen, scheitern aber, sobald sie nahtlos zwischen verschiedenen intellektuellen Bereichen wechseln sollen. AGI wäre kognitiv flexibel – über alle Domänen hinweg. Davon klar abzugrenzen ist Artificial Superintelligence (ASI), die eine hypothetische Steigerung über menschliche Intelligenz hinaus beschreibt und nicht Teil der AGI-Definition ist. Ebenso wenig gehört Sentience – also Bewusstsein – technisch zur AGI-Definition: Es geht ausschließlich um intellektuelle Leistungsfähigkeit.
Wie funktioniert Artificial General Intelligence (AGI)?
Ein praxistaugliches Funktionsmodell beschreibt AGI als Zusammenspiel von drei Säulen. Erstens: Baseline-Wissen durch umfangreiches Pre-Training – das leisten heutige LLMs bereits. Zweitens: Inference-Time-Reasoning, also die Fähigkeit, zur Laufzeit schrittweise durch komplexe Probleme zu denken, statt nur Muster abzurufen. Diesen Sprung haben Systeme wie OpenAI o1 (2024) und DeepSeek R1 (2025) demonstriert. Drittens: Long-Horizon-Agenten-Fähigkeit – autonomes Arbeiten über längere Zeiträume, inklusive Selbstkorrektur, eigenständiger Priorisierung nächster Schritte und Problemlösung unter realen, mehrdeutigen Bedingungen. Genau an dieser dritten Säule arbeiten seit Early 2026 Systeme wie Claude Code von Anthropic und Manus. Erst die Kombination aller drei Säulen würde ein System hervorbringen, das als vollständige AGI gelten könnte. Der Knackpunkt: Kein System hat diese Kombination bislang vollständig realisiert.
Artificial General Intelligence (AGI) in der Praxis
AGI existiert heute noch nicht als fertiges Produkt – aber die Anwendungsszenarien, auf die die Forschung hinarbeitet, sind konkret. Im medizinischen Bereich würde eine AGI nicht nur Röntgenbilder auswerten, sondern Diagnosen domänenübergreifend stellen: Symptome interpretieren, aktuelle Studienlage einbeziehen, Wechselwirkungen prüfen – alles in einem Prozess, ohne spezialisierte Einzelmodelle. In der Softwareentwicklung zeigen Long-Horizon-Agenten wie Claude Code bereits Vorstufen davon: Sie übernehmen mehrstufige Coding-Tasks autonom, debuggen eigenständig und iterieren ohne menschliche Zwischenkorrektur. Ein drittes Szenario betrifft Robotik: AGI-fähige Systeme würden nicht mehr für jede neue Umgebung neu programmiert, sondern erlernen autonom neue motorische und kognitive Fähigkeiten – ein Szenario, das in der industriellen Automatisierung erhebliche Implikationen hätte.
Vorteile und Grenzen
Das Potenzial von AGI liegt in seiner Generalität: Ein einziges System, das flexibel zwischen Domänen wechselt, würde den heutigen Zoo aus spezialisierten Einzelmodellen überflüssig machen und Komplexprobleme lösen, die heute noch menschliche Expertenkombinationen erfordern. Die Grenzen sind aktuell fundamental: AGI existiert nicht – weder als Produkt noch als klar definierter Standard. Schon die Frage, woran man AGI erkennen würde, ist unter Experten umstritten. Hinzu kommen ungelöste Fragen zu Alignment und Sicherheit: Ein System mit menschenähnlicher kognitiver Breite, das falsch kalibriert ist, wäre ungleich schwieriger zu kontrollieren als ein spezialisiertes Modell. Die Debatte um AGI leidet außerdem unter definitorischer Unschärfe – was als AGI gilt, hängt stark davon ab, wer die Messlatte setzt. Das ist kein akademisches Problem, sondern ein praktisches: Ohne Konsens über die Zieldefinition ist auch der Fortschritt kaum objektiv messbar.