AGI steht für „Artificial General Intelligence”, auf Deutsch allgemeine künstliche Intelligenz: ein System, das jede geistige Aufgabe bewältigen könnte, die auch ein Mensch bewältigt – und nicht nur die, für die es gebaut wurde. Ein solches System existiert nicht, und es gibt keine allgemein anerkannte Definition dafür, woran man es erkennen würde.
Der Unterschied zu heutiger KI
Alles, was heute im Einsatz ist, gilt als „schmale” KI: hervorragend in einem Bereich, hilflos außerhalb. Ein Schachprogramm spielt Schach und kann keinen Brief schreiben. Ein Sprachmodell schreibt Briefe, kann aber nicht sehen, wo eine Kaffeetasse steht.
Die Grenze ist allerdings unscharf geworden. Moderne Sprachmodelle übersetzen, programmieren, fassen zusammen, analysieren Bilder und steuern als Agent Werkzeuge – das sind sehr viele verschiedene Aufgaben in einem System. Genau diese Breite hat die AGI-Debatte aus der Fachwelt in die Öffentlichkeit getragen.
Warum es keine brauchbare Definition gibt
Jeder vorgeschlagene Prüfstein hat sich bisher als untauglich erwiesen – meist deshalb, weil Maschinen ihn bestanden haben, ohne dass jemand das Ergebnis als „menschenähnliche Intelligenz” akzeptieren wollte.
- Der Turing-Test: Kann ein System einen Menschen im Gespräch täuschen? Heutige Chatmodelle schaffen das regelmäßig. Als Intelligenznachweis akzeptiert das trotzdem kaum jemand – der Test misst Überzeugungskraft, nicht Verstehen.
- Prüfungen und Fachtests: Modelle bestehen Examen, an denen Menschen jahrelang arbeiten. Da sie aber vergleichbare Aufgaben im Training gesehen haben, ist unklar, ob sie lösen oder erinnern.
- Wirtschaftliche Definitionen: Manche Anbieter definieren AGI als System, das den Großteil wirtschaftlich wertvoller Arbeit übernehmen kann. Das ist messbar, hat aber mit Intelligenz wenig zu tun – und ist im Zweifel eine Aussage über Arbeitsmärkte.
Dieses Muster hat einen Namen: Sobald eine Maschine etwas kann, gilt es nicht mehr als Beweis für Intelligenz. Die Messlatte wandert mit.
Was heutigen Systemen nachweislich fehlt
Statt über Definitionen zu streiten, lohnt der Blick auf konkrete Lücken – die sind unstrittig:
- Dauerhaftes Lernen: Ein Modell lernt beim Benutzen nichts dazu. Training und Anwendung sind getrennte Phasen; was im Kontextfenster steht, ist nach der Sitzung weg.
- Verlässlichkeit über lange Ketten: Bei Aufgaben mit vielen aufeinander aufbauenden Schritten summieren sich kleine Fehler. Deshalb funktionieren Agenten bei kurzen Abläufen und scheitern bei langen.
- Wissen über das eigene Nichtwissen: Ein Modell kann eine falsche Antwort mit derselben Sicherheit vortragen wie eine richtige – die Ursache jeder Halluzination.
- Handeln in der physischen Welt: Alles, was Körper, Tasten und Ausprobieren erfordert, liegt weit hinter den sprachlichen Fähigkeiten zurück.
Wie du Ankündigungen einordnest
„AGI steht kurz bevor” ist selten eine wissenschaftliche Aussage und häufig eine geschäftliche. Der Begriff taucht besonders zuverlässig dort auf, wo Kapital eingesammelt wird. Zwei Rückfragen helfen:
- Welche Definition wird benutzt? Wenn keine genannt wird, ist die Aussage nicht überprüfbar.
- Woran würde man das Gegenteil erkennen? Eine Behauptung, die durch nichts widerlegt werden kann, sagt nichts aus.
Das gilt in beide Richtungen. Auch „diese Systeme sind nur Autovervollständigung” ist eine Behauptung ohne Prüfstein – und wird der Bandbreite dessen, was heutige Modelle leisten, ebenso wenig gerecht.
Was daraus für die Praxis folgt
Für die tägliche Nutzung ist die AGI-Frage folgenlos. Ob ein System „wirklich versteht”, ändert nichts daran, wie du damit arbeitest: Aufgabe klar formulieren, Ergebnis prüfen, Verantwortung behalten.
Praktisch relevant ist die Debatte an einer einzigen Stelle: bei der Regulierung. Das europäische KI-Recht reguliert deshalb bewusst keine „Intelligenz”, sondern Anwendungsfälle und Risiken – wo ein System eingesetzt wird und was schiefgehen kann. Das ist überprüfbar, während die Frage nach der AGI es bisher nicht ist.