AGI vs ASI: Hauptunterschiede und warum das wichtig ist

Inhalt

• Was ist AGI
• Was ist ASI
• Worin unterscheidet sich AGI von modernen LLMs
• Warum ASI als nächste Entwicklungsstufe gilt
• Wie AGI mit der Singularität zusammenhängt
• Existiert AGI heute
• Welche Unternehmen sind der Schaffung von AGI am nächsten
• Häufig gestellte Fragen

Was ist AGI

AGI, Künstliche Allgemeine Intelligenz, ist ein hypothetisches System der künstlichen Intelligenz, das praktisch jede intellektuelle Aufgabe auf menschlichem Niveau ausführen kann, nicht nur eine enge Bandbreite von Aufgaben, für die es speziell trainiert wurde. Im Gegensatz zu heutigen Sprachmodellen, die im Wesentlichen hochentwickelte Vorhersager des nächsten Tokens sind, muss AGI ein gemeinsames Weltverständnis (common sense), die Fähigkeit zu abstraktem Denken und die Übertragung von Wissen von einem Bereich in einen anderen haben – zum Beispiel die Logik einer Schachpartie zur Planung der Logistik anwenden.

Wir werden hier bewusst nicht die gesamte Analyse der technischen Hürden auf dem Weg zu AGI wiederholen – das Problem des Weltmodells, Einschränkungen bei Speicher und Planung, rechnerische Grenzen sowie die Debatte zwischen Optimisten und Skeptikern über die Zeitpläne. All dies haben wir bereits in einem separaten Artikel ausführlich behandelt: AGI-Perspektiven: Stehen wir wirklich am Rande der Schaffung von KI, die dem menschlichen Verstand gleichkommt? Hier ist unser Ziel ein anderes – zu verstehen, was nach AGI kommt und warum dieses „Danach“ bei Forschern sogar noch mehr Besorgnis hervorruft als AGI selbst.

Was ist ASI

ASI, Künstliche Superintelligenz, ist bereits eine prinzipiell andere Kategorie und nicht nur eine „verbesserte Version von AGI“. Während AGI bestrebt ist, dem Menschen gleichzukommen, wird ASI als ein System beschrieben, das die kombinierten intellektuellen Fähigkeiten der gesamten Menschheit gleichzeitig in jedem einzelnen Bereich übertrifft – Wissenschaft, strategisches Denken, Kreativität und sogar soziale und emotionale Intelligenz (LatentView).

Der Begriff selbst wurde durch den Philosophen Nick Bostrom und sein Buch „Superintelligence: Paths, Dangers, Strategies“ aus dem Jahr 2014, das erstmals systematisch mögliche Wege zur Superintelligenz und die damit verbundenen Risiken darlegte, wirklich populär. Innerhalb eines Jahrzehnts hat sich die Diskussion von einer rein philosophischen Ebene zu einer praktischen entwickelt: Heute ist das Thema ASI bereits ein aktiver Forschungsschwerpunkt führender KI-Labore und keine abstrakte Futuristik mehr.

Es ist wichtig zu verstehen: ASI ist bisher ein rein hypothetisches Konzept. Keine Forschungsorganisation oder kein Unternehmen auf der Welt hat bis 2026 ein System demonstriert oder erklärt, das dieser Definition entspricht (LatentView). Gleichzeitig wird gerade deshalb die Diskussion über die potenziellen Folgen seiner Entstehung bereits jetzt geführt und nicht aufgeschoben, bis es tatsächlich geschaffen ist – die Kosten für eine verspätete Vorbereitung gelten als zu hoch.

Beispiel: Wie sich der ASI-Ansatz praktisch vom AGI-Ansatz unterscheidet

Damit der Unterschied nicht abstrakt, sondern konkret spürbar wird, betrachten wir die gleiche Anfrage – „Finden Sie ein Heilmittel für eine aggressive Krebsart“ – und wie verschiedene Intelligenzniveaus theoretisch damit umgehen würden.

Ein AGI-System würde diese Aufgabe ungefähr so bewältigen, wie es ein Team sehr starker menschlicher Forscher tun würde, nur schneller: Es würde die vorhandene wissenschaftliche Literatur studieren, mehrere Hypothesen auf der Grundlage bekannter Mechanismen vorschlagen, Experimente zu deren Überprüfung entwerfen und möglicherweise einen Kandidatenwirkstoff synthetisieren – all dies im Rahmen bereits bestehender wissenschaftlicher Modelle und Theorien.

ASI würde per Definition anders vorgehen. Sie ist nicht durch bestehende wissenschaftliche Theorien als Ausgangspunkt eingeschränkt – sie ist in der Lage, völlig neue biologische Hypothesen zu generieren, die menschliche Wissenschaftler noch nicht einmal formuliert haben, und gleichzeitig Millionen von Molekülinteraktionsvarianten zu berechnen und Lösungen zu finden, die außerhalb des aktuellen wissenschaftlichen Konsenses liegen. Nach optimistischen Schätzungen würde dies theoretisch die Möglichkeit eröffnen, jahrzehntelange medizinische Forschung auf Jahre zu komprimieren – nicht, weil ASI im wörtlichen Sinne „schneller denkt“, sondern weil sie in der Lage ist, um Größenordnungen mehr Variablen gleichzeitig im Auge zu behalten und zu verknüpfen als jeder Mensch oder jedes Team von Menschen (LatentView).

Was AGI von modernen LLMs unterscheidet

Wir haben diesen Unterschied bereits in einem früheren Artikel ausführlich behandelt, daher werden wir hier nur eine kompakte Zusammenfassung geben – hauptsächlich für den Kontext, der für den Übergang zu ASI erforderlich ist.

Eine vollständige Analyse der ersten Spalte – warum LLMs AGI noch nicht erreichen und welche spezifischen technischen Hürden überwunden werden müssen – finden Sie im Artikel "AGI-Perspektiven".

Warum ASI als nächste Entwicklungsstufe gilt

Meiner Meinung nach liegt der Schlüssel zum Verständnis der Logik "AGI führt unweigerlich zu ASI" nicht im Optimismus oder Pessimismus gegenüber KI im Allgemeinen, sondern in einem spezifischen technischen Mechanismus: der rekursiven Selbstverbesserung. Wenn ein System das AGI-Niveau erreicht hat, ist es per Definition in der Lage, intellektuelle Aufgaben auf menschlichem Niveau auszuführen – und damit auch die Aufgabe der Verbesserung der künstlichen Intelligenzarchitektur, da dies genauso eine intellektuelle Aufgabe ist wie jede andere (Netguru).

Hier liegt der Phasenübergang, nicht eine schrittweise Verbesserung. Ein AGI-System, das seine eigenen Gewichte, Trainingsverfahren und architektonischen Entscheidungen ändern kann, kann im Prinzip einen Nachfolger schaffen, der intelligenter ist als es selbst. Dieser Nachfolger kann wiederum die nächste Iteration noch effektiver verbessern – und so weiter. Deshalb beschreiben Forscher den Übergang von AGI zu ASI nicht als lineare Verbesserung der Leistung in Benchmarks, sondern als einen qualitativen Sprung in eine völlig andere Systemkategorie (Netguru).

Warum dies ein "Phasenübergang" und nicht nur ein schnellerer Fortschritt ist

Der Unterschied sollte anhand einer einfachen Analogie aus der Physik erklärt werden: das Erhitzen von Wasser von 20 °C auf 90 °C ist eine schrittweise Änderung, jeder Grad ist ungefähr gleich schwierig zu erreichen. Aber der Übergang von 99 °C zu Dampf bei 100 °C ist bereits eine qualitative Zustandsänderung der Materie, nicht nur "ein weiterer Grad". Forscher beschreiben den Übergang AGI → ASI genau so: solange das System sich mit menschlicher Beteiligung verbessert, ist der Fortschritt auf die Geschwindigkeit des menschlichen Teams beschränkt. Aber in dem Moment, in dem AGI selbst zu einem vollwertigen Teilnehmer dieses Prozesses wird, verschwindet die Beschränkung durch menschliche Geschwindigkeit – und das System geht in einen prinzipiell anderen Betriebsmodus über, anstatt nur "etwas schneller zu arbeiten".

Dies überschneidet sich direkt mit der Unterscheidung, die Vernor Vinge bereits 1993 einführte, als er von "Hard Takeoff" und "Soft Takeoff" Szenarien der Singularität sprach: ersteres dauert Stunden oder Tage, letzteres erstreckt sich über Jahre. Die Frage "wie scharf wird der Übergang AGI → ASI sein" ist im Wesentlichen dieselbe Frage, nur angewendet auf diesen einen Schritt der technologischen Entwicklung. Mehr über die Geschichte des Begriffs selbst erfahren Sie in unserem Leitfaden Technologische Singularität: Ein vollständiger Leitfaden in einfachen Worten.

Wo die Schwachstelle in dieser Logik liegt

Ehrlich gesagt, halte ich es für notwendig, sofort die Schwachstelle dieser Argumentation zu nennen: sie beruht auf der Annahme, dass die Verbesserung der KI-Architektur eine Aufgabe desselben Typs ist wie andere intellektuelle Aufgaben, die AGI bereits lösen kann. Das ist nicht selbstverständlich. Das Design von neuronalen Netzen, die Auswahl von Hyperparametern und architektonische Entscheidungen können sich als Aufgaben mit prinzipiell anderen Eigenschaften erweisen – zum Beispiel als solche, bei denen empirische Tests auf realer "Hardware" und Zeit eine ebenso wichtige Ressource sind wie der Verstand selbst, der die Lösungen entwirft. Wie diese Hypothese bereits durch die Praxis bestätigt wurde – und welche spezifischen Einschränkungen die Forscher von Anthropic und OpenAI in realen Experimenten festgestellt haben – wird im technischen Review ausführlich behandelt: Rekursive Selbstverbesserung: Wie künstliche Intelligenz beginnt, sich selbst zu verbessern.

Wie AGI mit der Singularität zusammenhängt

Wenn man alle Teile dieses Puzzles zusammensetzt, ergibt sich folgende logische Abfolge: moderne LLMs → AGI → rekursive Selbstverbesserung → ASI → technologische Singularität. AGI tritt in diesem Modell nicht als die Singularität selbst auf, sondern als ihr wahrscheinlicher Auslöser – der Moment, in dem die komplexe intellektuelle Arbeit der Schaffung noch leistungsfähigerer KI erstmals nicht nur dem Menschen, sondern auch der KI selbst zugänglich wird.

Beispiel: Warum AGI ein "Auslöser" und kein "Ergebnis" ist

Der Unterschied zwischen "Auslöser" und "Ergebnis" wird gut durch die Domino-Analogie veranschaulicht. Stellen Sie sich eine lange Reihe von Dominosteinen vor, bei der jeder folgende Stein größer ist als der vorherige – genauso wie jede nächste Generation von KI theoretisch leistungsfähiger ist als die vorherige. AGI ist in dieser Analogie nicht der letzte, größte Stein (das ist die Rolle von ASI oder der Singularität selbst), sondern der erste Stein, der überhaupt mit einer menschenähnlichen Kraft gestoßen werden kann. Vor dem Erscheinen von AGI steht die gesamte Reihe von Dominosteinen einfach still, egal wie lang und potenziell leistungsfähig sie auch sein mag: kein vorheriges, schwächeres Modell ist in der Lage, den nächsten Stein selbstständig, ohne menschliche Beteiligung, zu stoßen. Deshalb ist AGI in der Logik des Singularitätsclusters nicht das Endziel der Diskussion, sondern die Bedingung, unter der die oben beschriebene Kettenreaktion überhaupt physikalisch möglich wird.

Mehr über die Herkunft des Begriffs Singularität, die Geschichte des Begriffs von Vernor Vinge bis Ray Kurzweil und das gesamte Spektrum der Vorhersagen von Forschern erfahren Sie in unserem Basisleitfaden des Clusters: Technologische Singularität: Ein vollständiger Leitfaden in einfachen Worten.

Existiert AGI heute

Die ehrlichste Antwort: nein, und nach keiner strengen Definition. Selbst die fortschrittlichsten Modelle des Jahres 2026 bleiben eine "enge" KI – sie sind beeindruckend effektiv bei spezifischen, messbaren Aufgaben, zeigen aber nicht den universellen Wissenstransfer und das kausale Verständnis der Welt, die die Definition von AGI erfordert (LatentView).

Ein aussagekräftiger Richtwert sind die Ergebnisse des ARC-AGI Semi-Private Eval von der ARC Prize Foundation: das OpenAI-Modell o3 erzielte 87,5 % in diesem Benchmark, der speziell zur Messung des allgemeinen, nicht auswendig gelernten Denkens entwickelt wurde. Dies ist ein bedeutender Sprung im Vergleich zu früheren Modellen, aber das Ergebnis liegt immer noch unter der Schwelle, die Forscher als Indikator für AGI betrachten (Netguru).

Ein weiterer interessanter organisatorischer Aspekt: gemäß der Partnerschaftsvereinbarung zwischen OpenAI und Microsoft muss ein unabhängiges Expertengremium die Erreichung von AGI offiziell bestätigen – und nach Einschätzungen von Brancheninsidern wird ein solches Ergebnis selbst im optimistischsten Szenario kaum vor 2030 erwartet. Wer derzeit am nächsten an dieser Schwelle ist und nach welchen Kriterien dies bewertet wird, wird im nächsten Abschnitt behandelt. Das breitere Bild der Debatte zwischen Optimisten (Musk, Altman) und Skeptikern (Marcus, LeCun) über die Zeitpläne für AGI haben wir bereits im Artikel "AGI-Perspektiven" behandelt.

Welche Unternehmen sind der Schaffung von AGI am nächsten?

Es ist nicht möglich, die „Entfernung zu AGI“ direkt zu bewerten – es gibt keinen klaren und allgemein anerkannten Test. Aber man kann sich an indirekten Indikatoren orientieren: Umfang der Investitionen in Forschung, Ergebnisse auf spezialisierten Benchmarks und eigene öffentliche Aussagen der Labore über ihre Ambitionen.

Quellen: TLDL, AI Company Rankings 2026, Überblick über führende KI-Labore 2026.

Es ist bezeichnend, dass keines dieser Unternehmen öffentlich die Schaffung von AGI selbst verkündet – selbst die CEOs, die laute Erklärungen über die Nähe der Singularität abgeben (mehr dazu in unserem analytischen Artikel des Clusters: Welle von Erklärungen zur Singularität 2026: Was Experten wirklich denken). Dies ist eine bezeichnende Lücke zwischen der Marketingrhetorik und der formellen Anerkennung eines bestimmten technischen Schwellenwerts.

Häufig gestellte Fragen

Was ist der Hauptunterschied zwischen AGI und ASI?

AGI ist künstliche Intelligenz auf menschlichem Niveau bei den meisten Aufgaben. ASI ist eine Intelligenz, die die kollektiven Fähigkeiten der gesamten Menschheit in jedem einzelnen Bereich gleichzeitig übertrifft. Dies ist keine quantitative, sondern eine qualitativ andere Kategorie von Systemen.

Meiner Meinung nach ist der häufigste Fehler in populären Erklärungen, den Unterschied als einfache Skala von „intelligenter / noch intelligenter“ zu betrachten, als ob ASI eine AGI mit verbesserten Eigenschaften wäre. Persönlich erkläre ich diesen Unterschied gerne anhand des Schachbeispiels. AGI kann mit einem Großmeister verglichen werden, der nicht nur auf höchstem Niveau Schach spielen kann, sondern auch sein strategisches Denken auf andere Bereiche – Wirtschaft, Verhandlungen, Planung – übertragen kann. Das ist beeindruckend, aber es ist immer noch ein Verstand, der auf ein Gehirn und eine Erfahrung beschränkt ist. ASI hingegen wäre, als ob derselbe Großmeister gleichzeitig der Autor aller Schach-Theorien wäre, die jemals existierten und noch entdeckt werden, der Trainer aller anderen Großmeister der Welt, und gleichzeitig jede mögliche Partie gleichzeitig und in Echtzeit analysieren könnte. Das ist kein „stärkerer Spieler“ mehr, sondern ein Spieler einer ganz anderen Ordnung.

Existiert ASI heute?

Nein. Zum Zeitpunkt 2026 hat keine Forschungsorganisation oder kein Unternehmen ein System dieses Niveaus demonstriert oder dessen Schaffung angekündigt – dies ist ein rein hypothetisches Konzept.

Ich würde hier eine wichtige Nuance hinzufügen, die in den Schlagzeilen oft verloren geht: Selbst die Erklärungen von CEOs über das „Eintreten der Singularität“ (wie in der Juli-Erklärung von Sam Altman) sind keine Erklärungen über die Existenz von ASI – dies sind grundlegend unterschiedliche Aussagen. Singularität ist per Definition, wie wir sie in diesem Artikelcluster verwenden, der Moment der Beschleunigung des Wandels, nicht die Tatsache der Existenz eines bestimmten Superintelligenzsystems. Daher sprechen selbst die lautesten Schlagzeilen von 2026, die den Eindruck erwecken könnten, dass „Superintelligenz bereits da ist“, nicht wirklich darüber – und meiner Meinung nach ist es wichtig, diesen Unterschied im Hinterkopf zu behalten, wenn man Nachrichten zu diesem Thema liest.

Wird AGI zwangsläufig zu ASI führen?

Dies ist eine verbreitete Theorie, kein bewiesener Fakt. Die Logik basiert auf dem Mechanismus der rekursiven Selbstverbesserung: Wenn ein AGI-System die KI-Architektur genauso gut verbessern kann wie ein Mensch, kann es theoretisch einen Nachfolger schaffen, der intelligenter ist als es selbst – und dieser Zyklus kann sich mit zunehmender Geschwindigkeit wiederholen.

Persönlich würde ich diese Unsicherheit mit der Situation vor dem ersten menschlichen Flug ins All vergleichen: Die physikalischen Gesetze erlaubten theoretisch den Ausbruch aus der Atmosphäre lange bevor dies technisch realisiert werden konnte. So ist es auch hier: Nur weil der Mechanismus der rekursiven Selbstverbesserung theoretisch möglich ist, bedeutet das nicht automatisch, dass er in der Praxis so reibungslos funktioniert wie auf dem Papier. Zum Beispiel ist ein Szenario durchaus möglich, in dem AGI-Systeme auf reale Einschränkungen stoßen – Mangel an Rechenleistung, Energiekosten, physikalische Grenzen der „Hardware“ – lange bevor der Zyklus der Selbstverbesserung das Niveau von ASI erreichen kann. Wie ernst diese Einschränkungen bereits in der Praxis sind, wird im Artikel Recursive Self-Improvement detailliert behandelt.

Wer ist derzeit der Schaffung von AGI am nächsten?

Am häufigsten werden in diesem Zusammenhang OpenAI, Anthropic und Google DeepMind genannt – aufgrund des Umfangs der Investitionen, der Ergebnisse auf spezialisierten Benchmarks und der öffentlichen Forschungsambitionen. Allerdings erklärt keines von ihnen offiziell die tatsächliche Erreichung von AGI.

Meiner Meinung nach ist es bezeichnender als die Rankings selbst, wie vorsichtig diese Unternehmen ihre eigenen Erklärungen zu AGI formulieren, im Gegensatz dazu, wie frei dieselben CEOs in den Medien über „Singularität“ oder „Superintelligenz“ sprechen. Zum Beispiel sieht die Partnerschaft zwischen OpenAI und Microsoft ausdrücklich vor, dass die Tatsache der Erreichung von AGI von einem unabhängigen Expertengremium bestätigt werden muss, nicht vom Unternehmen selbst – das heißt, selbst der Spitzenreiter hat freiwillig auf das Recht verzichtet, den Sieg selbst zu verkünden. Ich würde dies als indirektes, aber aussagekräftiges Signal betrachten: Innerhalb der Branche wird die Schwelle von AGI viel ernster und vorsichtiger wahrgenommen, als es in den Schlagzeilen über die Singularität den Anschein hat.