--- title: "Agentic AI vs Generative AI: Wo die Grenze wirklich liegt" description: "Agentic AI ist generative AI plus Tools, Memory und ein Loop. Die Grenze zwischen LLM, generative AI, AI Agent und agentic AI, und wann du was davon brauchst." type: "guide" locale: "de-CH" category: "Agentic Engineering" canonical: "https://agenticschool.dev/de/ratgeber/agentic-ai-vs-generative-ai" datePublished: "2026-09-11" dateModified: "2026-08-28" --- # Agentic AI vs Generative AI: Wo die Grenze wirklich liegt - Kategorie: Agentic Engineering - Keywords: agentic ai vs generative ai, generative ai vs agentic ai, agentic vs generative ai, ai agent vs agentic ai, agentic ai vs ai agents, gen ai vs agentic ai, difference between generative ai and agentic ai, what is agentic ai vs generative ai, agentic ai vs llm, agentic ai vs generative ai vs predictive ai, rag vs agentic ai - Kanonische URL: https://agenticschool.dev/de/ratgeber/agentic-ai-vs-generative-ai - Sprache: de-CH > Agentic AI ist generative AI plus Tools, Memory und ein Loop. Die Grenze zwischen LLM, generative AI, AI Agent und agentic AI, und wann du was davon brauchst. Generative AI liefert einen Output, wenn du sie promptest; agentic AI nimmt ein Ziel und läuft in einem Loop aus Model Calls und Tool Calls, bis dieses Ziel erreicht ist. Agentic AI ist kein anderes Modell. Es ist dasselbe generative Modell, eingepackt in Tools, Memory und einen Loop, damit es handeln, das Ergebnis lesen und es erneut versuchen kann. Der Unterschied zwischen agentic AI und generative AI ist deshalb eine Architekturfrage, keine Modellfrage, und genau darum kann ein Agent eine Rückerstattung auslösen, während ein Chatbot nur die Mail darüber entwerfen kann. Dieser Guide zieht die Grenze zwischen den vier Begriffen, die alle durcheinanderwerfen, LLM, generative AI, AI Agent und agentic AI, und sagt dir, welchen davon dein Problem wirklich braucht. ## Die vier Begriffe in einer Taxonomie Vier Begriffe werden austauschbar benutzt und meinen vier verschiedene Dinge: ein LLM ist das Modell, generative AI ist das, was dieses Modell tut, ein AI Agent ist ein einzelnes System, das ein Modell in Tools und einen Loop einpackt, und agentic AI ist die breitere Klasse von Systemen, die so gebaut sind. Sie stecken ineinander, statt zu konkurrieren. Jeder AI Agent enthält ein generatives Modell, und jedes generative Modell ist ein LLM oder ein naher Verwandter davon, also ersetzt nichts auf dieser Liste etwas anderes darauf. Teuer wird die Verwechslung, weil die vier auf verschiedenen Ebenen sitzen: eines ist eine Datei mit Gewichten, eines ist eine Fähigkeit, eines ist ein System, das du deployen kannst, und eines ist ein Design-Pattern, um das herum du eine Firma bauen kannst. Verwechselst du die Ebene, kaufst du entweder einen Chatbot und erwartest Autonomie, oder du baust ein autonomes System für eine Aufgabe, die einen einzigen Prompt gebraucht hätte. Agentic vs generative AI ist kein Kampf zwischen zwei Technologien; es ist eine Frage nach zwei dieser vier Ebenen, und sie löst sich in dem Moment auf, in dem du alle vier benennen kannst. - LLM: das Modell selbst, ein Satz Gewichte, der das nächste Token vorhersagt. Du erkennst es daran, dass es allein nichts kann, ausser Text zurückgeben. - Generative AI: die Fähigkeit, aus einem Prompt neue Inhalte zu erzeugen, Text, Bilder, Audio oder Code. Du erkennst sie daran, dass die Interaktion in dem Moment endet, in dem der Output da ist. - AI Agent: ein konkretes System, das einem Modell Tools gibt und es in einem Loop auf ein Ziel hin laufen lässt. Du erkennst ihn daran, dass er Aktionen ausführt, die du nicht einzeln freigegeben hast. - Agentic AI: die Klasse von Systemen, die auf diesem Agent-Pattern aufbauen, oft mehrere Agents plus Orchestrierung. Du erkennst sie daran, dass die Arbeitseinheit ein Ergebnis ist und keine Antwort. Jede auf dieser Seite zitierte Anbieterdefinition wurde im August 2026 gelesen, und das Vokabular bewegt sich schneller als die Technologie. Anthropic, AWS und Red Hat veröffentlichen alle leicht unterschiedliche Formulierungen für dieselbe Grenze, und Gartner warnt seit seiner Pressemitteilung vom Juni 2025 vor "agent washing", definiert als das Umetikettieren bestehender Produkte wie AI Assistants, Robotic Process Automation und Chatbots ohne substanzielle agentische Fähigkeiten. Behandle jedes einzelne Anbieter-Glossar als eine Lesart, nicht als die Definition. ## Agentic AI vs generative AI: der Unterschied, der zählt Der Unterschied, der zählt, ist, wer den Loop schliesst: Bei generative AI nimmt ein Mensch den Output und handelt danach, bei agentic AI handelt das System selbst, beobachtet das Ergebnis und entscheidet den nächsten Schritt. Andersherum gefragt, was ist der Unterschied zwischen generative AI und agentic AI: Das generative System hört beim Output auf, das agentische läuft weiter, bis das Ziel erreicht ist. Red Hat zieht auf einer zuletzt im April 2026 aktualisierten Seite dieselbe Grenze als proaktiv gegen reaktiv: Generative AI sei reaktiv und müsse mit einer konkreten Anfrage geprompted werden, bevor sie eine Antwort erzeugt, während agentic AI Aufgaben erledigen könne, indem sie Schritte erstellt und sie autonom ausführt. AWS beschreibt agentic AI als ein autonomes AI-System, das eigenständig handeln kann, um vorher festgelegte Ziele zu erreichen. Keine dieser Definitionen erwähnt ein anderes Modell, weil es keins gibt. Drei Dinge kommen rund um das Modell dazu, und diese drei Ergänzungen sind der ganze Unterschied. - Tools: die Fähigkeit, etwas ausserhalb des Modells aufzurufen, eine API, eine Datenbank, eine Shell, einen Browser. Ohne Tools kann das System eine Aktion beschreiben, aber nie ausführen. - Ein Loop: der Output eines Schritts wird zum Input des nächsten, damit das System auf das reagieren kann, was tatsächlich passiert ist, statt auf das, was es vorhergesagt hat. - State: ein Ort für das, was bisher getan wurde, und genau der sorgt dafür, dass Schritt neun auf Schritt zwei aufbauen kann, statt bei null anzufangen. Der praktische Test ist eine einzige Frage: Passiert nach dem Text des Modells irgendetwas automatisch? Ein Zusammenfasser ist generative AI, weil du die Zusammenfassung liest und dann entscheidest. Ein Support-System, das eine Bestellung liest, den Lagerbestand prüft und eine Rückerstattung auslöst, ist agentic AI, weil die Rückerstattung ohne menschliche Entscheidung passiert. Gen AI vs agentic AI und GenAI vs agentic AI sind dieselbe Frage mit kürzerem Namen: Der Unterschied zwischen GenAI und agentic AI sind exakt die drei Ergänzungen oben, Tools, ein Loop und State. ## Ist agentic AI einfach generative AI mit Tools? Nah dran an ja, und die ehrliche Antwort ist mehr wert als die diplomatische: Agentic AI ist generative AI plus Tools, plus ein Loop, plus ein Ort für den State, ganz ohne neue Modellarchitektur. Anthropic hat genau das in seinem Engineering-Post vom Dezember 2024 über den Bau effektiver Agents gesagt und Agents als typischerweise einfach LLMs beschrieben, die Tools auf Basis von Feedback aus ihrer Umgebung in einem Loop nutzen. Agentische Systeme umfassen dort beides: Workflows, in denen LLMs und Tools über vordefinierte Code-Pfade orchestriert werden, und Agents, in denen LLMs ihre eigenen Prozesse und ihre Tool-Nutzung dynamisch steuern. Dieselbe Modelldatei, die deine Marketing-Texte schreibt, steckt in deinem Agent. Was sich ändert, ist das Harness drumherum. Anthropics Post vom September 2025 zum Claude Agent SDK presst das ganze Pattern in vier Worte, endlos wiederholt: Kontext sammeln, handeln, Arbeit verifizieren, wiederholen. Was das Wort "einfach" verdeckt: Diese drei Ergänzungen ändern den Failure Mode komplett. Ein generatives System, das danebenliegt, produziert einen schlechten Absatz, den du löschst. Ein agentisches System, das danebenliegt, produziert eine falsche Aktion, die du rückgängig machen musst, und weil jeder Schritt in den nächsten fliesst, verstärkt sich ein kleiner früher Fehler über den ganzen Loop, statt eingesperrt zu bleiben. Deshalb ist die interessante Engineering-Arbeit in agentischen Systemen nicht das Prompting, sondern Permissions, Verifikation und zu wissen, wann Schluss ist. Genau diesen Loop gut zu steuern ist das ganze Thema von Agentic Engineering, und das ist es, was dieser Campus unterrichtet. ## AI Agent vs agentic AI: System gegen Pattern Ein AI Agent ist ein konkretes System, auf das du zeigen, das du deployen und für das du eine Rechnung stellen kannst; agentic AI ist die Eigenschaft, die solche Systeme haben, und die breitere Kategorie, zu der sie gehören. Frag "wie viele davon hast du", und der Unterschied wird offensichtlich: AI Agents kannst du zählen, agentic AI kannst du so wenig zählen wie generative AI. Im Alltag setzt fast niemand die Unterscheidung zwischen AI Agent und agentic AI durch, und fast nichts geht dabei kaputt. Wichtig wird sie in dem Moment, in dem du über einen einzelnen Agent hinausgehst. - Ein Agent: ein Modell, ein Satz Tools, Instruktionen und ein Loop. Das ist die Einheit. OpenAI beschreibt sie in seinem Praxisleitfaden zum Bau von Agents als ein Modell, das die Ausführung eines Workflows mit Tools und Guardrails steuert. - Mehrere Agents: ein Koordinator, der Teile einer Aufgabe an spezialisierte Agents verteilt, jeder mit eigenen Tools und eigenem Kontext. Das ist ein Multi-Agent-System, und es ist immer noch agentic AI, nur mehr davon. - Subagents: dieselbe Idee innerhalb eines Produkts, vor allem dazu da, laute Nebenarbeit aus dem Hauptkontext herauszuhalten, und nicht dazu, Autonomie hinzuzufügen. - Agentic AI: der Schirm über allen dreien, plus die Workflows, die eine Stufe unter voller Autonomie auf vordefinierten Code-Pfaden sitzen. AI Agents vs agentic AI und agentic AI vs AI Agents sind dieselbe Frage aus beiden Richtungen, und die Antwort kippt nicht: Das eine benennt die Dinge, das andere die Kategorie. Für einen Founder ist die praktische Übersetzung brutal einfach. Wenn dir jemand "agentic AI" verkauft, frag, wie viele Agents es sind, welche Tools jeder davon hält und welche Aktionen ohne Menschen laufen. Ist die Antwort ein Chatbot mit einer Wissensdatenbank, hast du generative AI mit besserem Branding gekauft. ## Wo LLMs, RAG und predictive AI hineinpassen Ein LLM ist der Motor unter allem, RAG ist ein Retrieval-Schritt, der verbessert, was eines dieser Systeme weiss, und predictive AI ist eine eigene, ältere Familie, die bewertet oder prognostiziert, statt zu generieren. Keines der drei ist ein Konkurrent von agentic AI, und deshalb löst sich jeder dieser Vergleiche in eine Frage nach Ebenen auf statt in ein Gegeneinander. Agentic AI vs LLM ist der klarste Fall: Das LLM ist eine Komponente des Agents, die beiden zu vergleichen ist also wie einen Motor mit einem Auto zu vergleichen. - Agentic AI vs LLM: Das LLM ist die Reasoning-Komponente; der Agent ist das LLM plus Tools, ein Loop und die Erlaubnis zu handeln. Ohne Modell darunter läuft kein Agent. - RAG vs agentic AI: RAG holt relevante Dokumente in den Prompt, bevor das Modell antwortet, und verbessert damit, was es weiss, aber nicht, was es kann. Ein RAG-Chatbot bleibt generative AI. - RAG vs agentic RAG: Bei agentic RAG entscheidet das Modell, wann und was es abruft, und kann mehrfach abrufen. Diese Entscheidungsschleife macht es agentisch, nicht das Retrieval. - Agentic AI vs generative AI vs predictive AI: Agentische Systeme liefern fertige Arbeit, generative Modelle liefern Inhalte, predictive Modelle liefern einen Score oder ein Label, das ein Agent als Tool nutzen kann. Das Model Context Protocol, der offene Standard, den Anthropic für die Anbindung von AI-Anwendungen an externe Systeme veröffentlicht hat, gehört hierhin, weil es die Verkabelung ist, die aus der mittleren Spalte die rechte macht. MCP macht ein System nicht von allein agentisch; es standardisiert, wie die Tools angebunden werden, die ein Agent braucht, damit dasselbe Tool in Claude, ChatGPT, VS Code und Cursor funktioniert, statt pro Client neu gebaut zu werden. ## Ein durchgerechnetes Beispiel: dieselbe Rückerstattung, zweimal Nimm eine echte Aufgabe, eine Kundin will Geld zurück für eine verspätete Bestellung, und lass sie durch beide Architekturen laufen: Die generative Version kostet einen Model Call und lässt fünf Schritte beim Menschen, die agentische Version kostet sechs Model Calls und vier Tool Calls und lässt einen Schritt beim Menschen. Nichts hier braucht ein besseres Modell, denn beide Versionen nutzen dasselbe. Was sich ändert, ist nur, was das Modell anfassen darf, und die Rechnung unten ist das ganze Argument agentic AI versus generative AI an einem einzigen Ort. - Generative Version, Model Calls: einer. Du kopierst die Bestelldaten und die Rückerstattungsrichtlinie in einen Chat und bittest um eine Antwort an die Kundin. - Generative Version, Tool Calls: null. Das Modell hat keinen Zugriff auf das Bestellsystem, es kann also nur mit dem arbeiten, was du eingefügt hast. - Generative Version, menschliche Schritte: fünf. Bestellung nachschlagen, Sendungsstatus prüfen, Richtlinie prüfen, Rückerstattung im Zahlungssystem auslösen, Nachricht senden. - Agentische Version, Tool Calls: vier. Bestelldatensatz lesen, Sendungsverfolgung lesen, Rückerstattungsrichtlinie lesen, Rückerstattung ins Zahlungssystem schreiben. - Agentische Version, Model Calls: sechs. Einer zum Planen, einer nach jedem der vier Tool-Ergebnisse, einer für die finale Nachricht an die Kundin. - Agentische Version, menschliche Schritte: einer. Freigeben oder ablehnen, bevor das Zahlungs-Tool läuft, denn das ist der einzige Schritt, an dem eine falsche Aktion echtes Geld kostet. Unterm Strich: Aus fünf menschlichen Entscheidungen wird eine, aus null Schreibzugriffen des Systems wird einer, und der Preis sind fünf zusätzliche Model Calls plus die Arbeit, dem Modell vier Tools sicher zu geben. Bei tausend Rückerstattungen im Monat lohnt sich der Tausch offensichtlich, bei drei offensichtlich nicht. Anthropic sagt dasselbe allgemeiner und merkt an, dass agentische Systeme Latenz und Kosten gegen bessere Ergebnisse tauschen und dass es meist genügt, einzelne Model Calls mit Retrieval und guten Beispielen zu optimieren. Das Volumen, ab dem der Tausch kippt, ist die Zahl, die du ausrechnen solltest, bevor du irgendetwas baust. ## Wann generative AI die richtige Antwort ist, nicht agentic AI Generative AI ist die richtige Antwort, wann immer die Aufgabe ein Schritt ist, der Output Text ist, den ohnehin ein Mensch gelesen hätte, und eine falsche Aktion mehr kosten würde als ein falscher Entwurf. Das deckt weit mehr echte Arbeit ab, als die aktuelle Ankündigungswelle vermuten lässt, und generative vs agentic AI ist eine Frage von Volumen und Überprüfbarkeit, kein Wettbewerb in Raffinesse. Anthropics eigene Empfehlung lautet, die einfachste mögliche Lösung zu finden und die Komplexität nur bei Bedarf zu erhöhen, und sie sagt klar, dass das heissen kann, gar keine agentischen Systeme zu bauen. Gartner sagte in einer Pressemitteilung vom Juni 2025 voraus, dass mehr als 40 Prozent der agentic-AI-Projekte bis Ende 2027 abgebrochen werden, und nannte steigende Kosten, unklaren Geschäftsnutzen und unzureichende Risikokontrollen. Überdehnung, nicht fehlende Fähigkeit, ist der Failure Mode, den die meisten Builder wirklich treffen. - Bleib generativ, wenn es keinen zuverlässigen Weg gibt, das Ergebnis automatisch zu prüfen. Ein Agent ohne Verifikationsschritt ist ein Loop, der seine eigenen Fehler selbstbewusst wiederholt. - Bleib generativ, wenn die Aktion unumkehrbar und von Hand billig ist. Geld senden, Daten löschen und Kunden anschreiben sind schlechte erste Kandidaten für Autonomie. - Bleib generativ, wenn das Volumen klein ist. Sechs Model Calls und eine Tool-Integration, um vier Minuten pro Woche zu sparen, sind ein Hobby und keine Automatisierung. - Bleib generativ, wenn der Prozess nicht aufgeschrieben ist. Du kannst einem Agent keine Definition of Done geben, die du selbst nicht formulieren kannst, und ein unklares Ziel ist genau der Ort, an dem Agents Tokens ins Leere verbrennen. - Geh agentisch, wenn die Aufgabe sich wiederholt, die Systeme APIs haben, die Definition of Done von einem Skript prüfbar ist und der Schaden einer falschen Aktion klein oder umkehrbar ist. Coding ist der klarste Fall, in dem alle vier Bedingungen gleichzeitig gelten, und genau deshalb sind Coding Agents zuerst reif geworden: Die Tools sind Dateien und eine Shell, die Definition of Done ist eine grüne Testsuite, und eine schlechte Änderung ist ein git revert entfernt. Wenn du den Unterschied zwischen den beiden Architekturen spüren willst, statt darüber zu lesen, ist das der günstigste Startpunkt. ## Was du bauen solltest Bau generative AI, wenn das Ergebnis ein Entwurf ist, den ein Mensch prüft, und bau agentic AI nur dann, wenn die Aufgabe eine prüfbare Definition of Done hat, Tools jedes beteiligte System erreichen und der Schaden im Fehlerfall tragbar ist. Diese drei Bedingungen sind die ganze Entscheidung, und der Vergleich unten enthält keine Tatsache, die nicht schon darüber steht. - Generative AI: für Entwürfe, Zusammenfassungen, Code-Schnipsel und Antworten. Failure Mode: ein falscher Absatz. Rolle des Menschen: den Output lesen und danach handeln. - AI Agent: für eine wiederkehrende mehrstufige Aufgabe mit Tools und prüfbarem Ergebnis. Failure Mode: eine falsche Aktion, die sich fortpflanzt. Rolle des Menschen: riskante Schritte freigeben und das Ergebnis verifizieren. - Agentic AI: wenn mehrere solcher Aufgaben über Systeme hinweg koordiniert werden müssen. Failure Mode: Kosten und Abbruch, das 40-Prozent-Risiko von Gartner. Rolle des Menschen: Ziele, Tools und Guardrails entwerfen. - Predictive AI: für Scoring und Prognosen aus strukturierten Daten. Failure Mode: eine falsche Zahl. Rolle des Menschen: nach dem Score handeln, oder ihn einem Agent als Tool geben. Wenn du Solo-Founder mit einem laufenden Produkt bist, gib einem einzigen engen Workflow Tools, den du heute jeden Tag von Hand machst, und behalte den Freigabeschritt; das ist ein AI Agent und das reicht. Wenn du ein kleines Operations-Team führst, fang mit dem Prozess an, der schon als Checkliste aufgeschrieben ist, denn eine Checkliste ist eine Definition of Done, an der ein Agent gemessen werden kann. Wenn du einen Anbieter bewertest, ignoriere das Wort agentisch komplett und frag, welche Aktionen ohne Menschen laufen, was diese Aktionen erreichen können und was passiert, wenn eine davon falsch ist. Die kostenlosen Kurse an der Agentic School nehmen genau diesen Loop, Ziel, Tools, Verifikation, und führen dich durch das Bauen. ## Häufige Fragen ### Was ist der Unterschied zwischen agentic AI und generative AI? Generative AI erzeugt Inhalte als Reaktion auf einen Prompt und hört dort auf, ein Mensch nimmt den Output und handelt danach. Agentic AI nimmt ein Ziel und läuft in einem Loop, ruft Tools auf, liest die Ergebnisse und wählt den nächsten Schritt, bis das Ziel erreicht ist, das System handelt also statt des Menschen. Es ist kein anderes Modell: generative AI vs agentic AI ist ein Architekturunterschied, denn agentic AI ist ein generatives Modell plus Tools, ein Loop und State. ### Was ist der Unterschied zwischen einem AI Agent und agentic AI? Ein AI Agent ist ein konkretes System, ein Modell mit Tools, das in einem Loop auf ein Ziel hin läuft, und du kannst zählen, wie viele du davon hast. Agentic AI ist die breitere Kategorie und das Design-Pattern, das diese Systeme teilen, von einzelnen Agents über Multi-Agent-Systeme bis zu orchestrierten Workflows. Umgangssprachlich werden beide Begriffe synonym benutzt, und die Unterscheidung wird erst wichtig, sobald du mehr als einen Agent koordinierst. ### Ist agentic AI einfach generative AI mit Tools? Fast. Agentic AI ist generative AI plus Tools, plus ein Loop, plus ein Ort für den State, ganz ohne neue Modellarchitektur. Anthropic beschrieb Agents im Dezember 2024 als typischerweise einfach Sprachmodelle, die Tools auf Basis von Feedback aus ihrer Umgebung in einem Loop nutzen. Das Wort "einfach" untertreibt allerdings eines: Ein generativer Fehler ist ein schlechter Absatz, ein agentischer Fehler ist eine echte Aktion, die sich in den nächsten Schritt fortpflanzt. ### Was ist der Unterschied zwischen agentic AI und einem LLM? Ein LLM ist das Modell, ein Satz Gewichte, der Text vorhersagt und allein sonst nichts kann. Agentic AI ist ein System um so ein Modell herum, das Tools ergänzt, damit es handeln kann, einen Loop, damit es auf Ergebnisse reagieren kann, und State, damit es sich merkt, was es schon getan hat. LLM vs agentic AI ist eigentlich gar kein Vergleich: Das eine steckt im anderen, so wie ein Motor in einem Auto sitzt. ### Ist agentic AI besser als generative AI? Nein, sie lösen verschiedene Probleme, und agentic AI ist das teurere der beiden. Agentische Systeme tauschen Latenz, Kosten und Risiko gegen die Fähigkeit, eine Aufgabe ohne Menschen in jedem Schritt abzuschliessen, und das lohnt sich nur bei Volumen und nur, wenn das Ergebnis automatisch prüfbar ist. Gartner sagte im Juni 2025 voraus, dass mehr als 40 Prozent der agentic-AI-Projekte bis Ende 2027 abgebrochen werden, vor allem wegen Kosten, unklarem Nutzen und schwachen Risikokontrollen. ### Wann solltest du agentic AI statt generative AI nutzen? Nutze agentic AI, wenn die Aufgabe sich oft wiederholt, jedes beteiligte System eine API hat, die Definition of Done von einem Skript prüfbar ist und eine falsche Aktion klein oder umkehrbar ist. Nutze generative AI, wenn die Aufgabe ein Schritt ist, der Output Text ist, den ohnehin ein Mensch liest, oder der Prozess nicht klar genug aufgeschrieben ist, um zu sagen, wie fertig aussieht. Coding passt am besten auf die agentischen Kriterien, und genau deshalb sind Coding Agents zuerst reif geworden. ### Was kommt nach generative AI? Agentic AI ist das, was der grösste Teil der Branche mit dem nächsten Schritt meint, aber es ist eine Schicht auf generative AI und kein Ersatz dafür. Das generative Modell bleibt genau da, wo es ist; dazu kommen Tool-Zugriff, ein Loop, Memory und die Rechte zu handeln. Erwarte, dass sich die interessante Arbeit vom Prompten des Modells hin zum Entwurf der Tools, der Verifikation und der Guardrails drumherum verschiebt.