GenAI vs. Agentic AI vs. KI-Agenten vs. LLM: Was ist der echte Unterschied?

Vier Begriffe werden verwendet, als bedeuteten sie dasselbe: LLM, GenAI, KI-Agent und Agentic AI. Anbieter verwischen sie absichtlich — „agentic“ verkauft sich besser als „ein Chatbot mit einem API-Aufruf“. Aber wenn du etwas Echtes baust, kostet dich diese Verwechslung Geld, Latenz und ein System, das weit komplexer ist, als die Aufgabe verlangt.

Hier also die klare, ingenieurmäßige Version — was jeder Begriff wirklich bedeutet, wie sie zusammenpassen und wie du erkennst, welchen du brauchst.

Die eine Erkenntnis, die alles entwirrt

Die meisten Erklärungen reihen diese vier auf, als wären sie vier Punkte auf einer einzigen Leiter. Sind sie nicht. Hier verstecken sich zwei verschiedene Achsen, und sobald du sie siehst, löst sich die Verwirrung auf:

• „Was erzeugt Inhalte?“ → auf dieser Achse liegen GenAI (die Kategorie) und LLM (ein Mitglied davon).
• „Was handelt autonom?“ → auf dieser Achse liegen das LLM (kann nicht handeln), der KI-Agent (handelt allein) und Agentic AI (Agenten, die zusammen handeln).

Das LLM taucht auf beiden Achsen auf — es ist die textgenerierende Art von GenAI und der Motor, den du in einen Agenten einsetzt. Deshalb verheddert sich alles. Halte die zwei Achsen getrennt, und jeder Begriff fällt an seinen Platz.

LLM — Das Modell (das Gehirn im Glas)

Ein LLM (Large Language Model) ist genau eine Sache: ein neuronales Netz, trainiert, um das nächste Token vorherzusagen. Text rein, Text raus. Das ist die ganze Aufgabe.

Was es von allein nicht kann, ist der wichtige Teil:

• Es hat kein Gedächtnis über das Kontextfenster hinaus, das du ihm jedes Mal übergibst.
• Es kann nicht handeln — keine API aufrufen, keine Datenbank abfragen, keinen Code ausführen.
• Es kann seine eigene Arbeit nicht gegen die reale Welt prüfen.

Ein LLM ist ein Gehirn im Glas: brillant im Denken über Text, aber ohne Hände und ohne dauerhaftes Gedächtnis. Gemini, GPT, Claude und Llama sind LLMs. Wenn du eines als einfachen Chatbot nutzt, nutzt du es als LLM — mehr nicht.

GenAI — Die Familie, zu der das LLM gehört

GenAI (generative KI) ist keine Komponente, mit der du baust; es ist eine Kategorie. Sie umfasst jedes Modell, das neue Inhalte erzeugt:

• Text und Code → LLMs
• Bilder → Diffusionsmodelle
• Audio und Sprache → TTS- und Audiomodelle
• Video → Videogenerierungsmodelle

Ein LLM ist also GenAI — das textgenerierende Mitglied der Familie. Aber ein Text-to-Image-Modell ist auch GenAI und kein LLM. Deshalb stolpert man bei „ist GenAI dasselbe wie ein LLM?“: Es ist eine Kategorie-gegen-Mitglied-Frage, wie zu fragen, ob „Fahrzeug” dasselbe ist wie „Auto“.

Der entscheidende Punkt: GenAI und LLM beantworten „was erzeugt Inhalte.“ Sie sagen nichts darüber, ob das Ding handeln kann. Das ist die andere Achse.

KI-Agent — Das LLM plus Hände plus Schleife

Hier beginnt das „Handeln“. Ein KI-Agent nimmt ein LLM und umgibt es mit drei Dingen, die das Modell von allein nicht hat:

1. Tools — Funktionen, die er aufrufen kann: eine API durchsuchen, eine Datenbank abfragen, Code ausführen, eine E-Mail senden.
2. Eine Schleife — der denken → handeln → beobachten-Zyklus. Das Modell entscheidet, was zu tun ist, tut es, sieht das Ergebnis und entscheidet den nächsten Schritt.
3. Autonomie und Zustand — es verfolgt ein Ziel über mehrere Schritte, trägt Kontext weiter, ohne dass ein Mensch jede Runde steuert.

Diese Schleife ist der ganze Unterschied zwischen einem Chatbot und einem Agenten. Frag ein LLM „buch mir einen Flug unter 500 €“, und es schreibt dir eine Anleitung. Gib einem Agenten dieselbe Anfrage, und er sucht Flüge (Tool-Aufruf), vergleicht sie und bucht einen (Tool-Aufruf) — in einer Schleife, bis das Ziel erreicht ist.

Entscheidend: Das Modell hat sich nicht geändert — dasselbe Gemini oder GPT kann ein einfaches LLM oder der Motor eines Agenten sein. Hinzugekommen sind die Schleife, die Tools und die Befugnis zu handeln. Das Gehirn bekam Hände.

Agentic AI — Agenten als System

Agentic AI ist das Paradigma eine Ebene höher: mehrere Agenten (oder ausgefeilte Planungsagenten), die koordinieren, um ein Ziel zu erreichen, das für einen zu komplex ist. Ist ein KI-Agent ein Arbeiter, ist Agentic AI das ganze Team plus der Manager.

Es fügt hinzu:

• Planung — ein großes Ziel in Teilaufgaben zerlegen.
• Delegation — jede Teilaufgabe an einen spezialisierten Agenten leiten (einen Recherche-Agenten, einen Coding-Agenten, einen QA-Agenten).
• Orchestrierung — zwischen Agenten übergeben, sie parallel laufen lassen und Ergebnisse kombinieren.

Hier leben die Frameworks: Googles Agent Development Kit (ADK), LangGraph, CrewAI, AutoGen. Sie existieren, um Agenten zu definieren, ihre Tools zu verdrahten und die Übergaben zu orchestrieren. Agenten sind die Bausteine; Agentic AI ist die Architektur, die sie zusammensetzt.

Das Gesamtbild, eine Tabelle

Lies die Zeile „kann es handeln“ von oben nach unten — das ist der echte Verlauf: LLM (nein) → Agent (ja) → agentic (ja, im großen Maßstab). GenAI steht ganz außerhalb dieses Verlaufs, weil es eine Kategorie ist, keine Fähigkeitsstufe.

Was brauchst du wirklich?

Der teuerste Fehler 2026 ist, zu „agentic“ zu greifen, wenn ein Prompt gereicht hätte. Mehr Maschinerie heißt mehr Kosten, mehr Latenz und mehr Wege zu scheitern. Hier der ehrliche Entscheidungspfad.

• Nur Inhalte erzeugen oder über sie nachdenken? Ein LLM mit gutem Prompt. Am günstigsten, schnellsten, am einfachsten zu debuggen.
• Muss handeln — APIs aufrufen, Systeme abfragen, Code ausführen, über Schritte anpassen? Ein KI-Agent. Jetzt brauchst du die Schleife und Tools.
• Braucht mehrere spezialisierte Agenten zur Koordination eines wirklich komplexen Workflows? Agentic AI. Jetzt machst du Orchestrierung.

Und die unbequeme Wahrheit, die es wert ist, zu wiederholen: ein großer Teil der „Agenten“ in Produktion ist nur ein LLM plus Prompt mit schickerem Etikett. Das ist kein Versagen — meist ist es die richtige Wahl. Füge Schleife, Tools und Multi-Agenten-Orchestrierung erst hinzu, wenn die Aufgabe wirklich handeln oder koordinieren muss, denn jede Ebene, die du hinzufügst, ist eine Ebene, die du absichern, debuggen und bezahlen musst.

Wo das auf Google Cloud landet

Wenn du auf GCP baust, bilden sich die Ebenen sauber ab:

• Modellebene (LLM / GenAI): Vertex AI mit Gemini und anderen Foundation-Modellen.
• Agentenebene: das Open-Source Agent Development Kit (ADK), um Agenten, Tools und die Schleife zu definieren.
• Agentische Ebene: Multi-Agenten-Orchestrierung mit ADK, betrieben auf einer verwalteten Laufzeit — Vertex AI Agent Engine, Cloud Run oder GKE.

Dasselbe mentale Modell, konkrete Produkte: Das Modell ist das LLM, ADK gibt ihm Hände und eine Schleife, und Orchestrierung macht daraus ein System.

Das ehrliche Fazit

Nimm das Marketing weg, und es ist einfach. Ein LLM ist das Gehirn. GenAI ist die Familie, zu der dieses Gehirn gehört. Ein KI-Agent ist dieses Gehirn mit Händen und einer Schleife, sodass es handeln kann. Agentic AI ist ein Team dieser Agenten, koordiniert auf ein Ziel hin.

Zwei Achsen, keine einzelne Leiter: GenAI und LLM beantworten was erzeugt Inhalte; LLM, Agent und agentic beantworten was handelt autonom. Halte sie getrennt, wähle das kleinste Werkzeug, das die Aufgabe löst, und du baust Systeme, die günstiger, schneller und weit vertrauenswürdiger sind als das „voll agentische“ Ding, das dir die Folie verkaufen wollte.

Weiterführend: wie KI-Coding-Agenten wirklich funktionieren und benutzerbezogene Zugriffskontrolle für KI-Tools — denn sobald ein LLM Hände bekommt, wird die eigentliche Arbeit, zu steuern, was es anfassen darf.