[{"data":1,"prerenderedAt":813},["ShallowReactive",2],{"/de-de/blog/what-is-generative-ai":3,"navigation-de-de":38,"banner-de-de":452,"footer-de-de":462,"blog-post-authors-de-de-GitLab Germany Team":698,"blog-related-posts-de-de-what-is-generative-ai":713,"blog-promotions-de-de":751,"next-steps-de-de":803},{"id":4,"title":5,"authorSlugs":6,"authors":8,"body":10,"category":11,"categorySlug":11,"config":12,"content":16,"date":20,"description":17,"extension":23,"externalUrl":24,"featured":14,"heroImage":19,"isFeatured":14,"meta":25,"navigation":26,"path":27,"publishedDate":20,"rawbody":28,"seo":29,"slug":13,"stem":33,"tagSlugs":34,"tags":36,"template":15,"updatedDate":24,"__hash__":37},"blogPosts/de-de/blog/what-is-generative-ai.yml","Was ist Generative KI?",[7],"gitlab-germany-team",[9],"GitLab Germany Team","# Was ist Generative KI?\nGenerative KI ist eine revolutionäre Technologie, die über die reine Analyse bestehender Daten hinausgeht und eigenständig neue Inhalte wie Texte, Bilder, Musik oder Code erstellt. Sie unterstützt kreative Prozesse und treibt Innovationen in unterschiedlichsten Branchen voran.\n\nAber wie funktioniert diese fortschrittliche Technologie, was macht sie so einzigartig und welche Modelle stecken dahinter? In diesem Artikel erhältst du umfassende Antworten auf diese Fragen sowie praxisnahe Beispiele und spannende Anwendungsfälle.\n\n## Generative KI: Definition\nGenerative künstliche Intelligenz ist ein spezieller Bereich der künstlichen Intelligenz, der nicht nur bestehende Daten analysiert oder kategorisiert, sondern eigenständig neue Inhalte erschafft.\n\nMithilfe komplexer Algorithmen und neuronaler Netzwerke entstehen Texte, Bilder, Musik oder andere Inhalte, die so realistisch wirken sollen, dass sie zukünftig kaum von menschlich erstellten Werken zu unterscheiden sind. Die Technologie lernt aus vorhandenen Mustern und wendet dieses Wissen an, um innovative und kreative Ergebnisse zu erzielen.\n\n## Wie unterscheidet sich generative KI von KI?\nDer Begriff „künstliche Intelligenz“ umfasst viele Technologien, doch generative KI ist ein spezifischer Teilbereich davon. Klassische KI-Modelle erkennen Muster, treffen Entscheidungen oder automatisieren Prozesse, während generative KI auf die Erzeugung neuer Inhalte spezialisiert ist.\n\n### KI und generative KI: Unterschiede im Überblick:\n**Klassische KI** wird vor allem für Analyse, Vorhersagen und Automatisierung eingesetzt. Typische Technologien sind Entscheidungsbäume, Regressionsmodelle oder Klassifikatoren. Anwendungen finden sich zum Beispiel in Chatbots, Sprachassistenten oder Empfehlungssystemen.\n\n**Generative KI** hingegen geht einen Schritt weiter: Sie kann eigenständig neue Inhalte erzeugen. Möglich machen das fortschrittliche Modelle wie GANs (Generative Adversarial Networks), Transformer oder Diffusionsmodelle. So entstehen KI-generierte Texte, Bilder, Musik oder Videos – etwa mit Tools wie ChatGPT oder DALL-E.\n\n**Die beiden KI-Formen verfolgen also unterschiedliche Ziele: Während klassische KI auf Analyse basiert, steht bei generativer KI die kreative Inhaltserstellung im Fokus.**\n\n### Warum ist der Unterschied wichtig?\nGenerative KI eröffnet neue Anwendungsfelder: Statt nur zu reagieren oder Aufgaben zu automatisieren, können nun innovative und kreative Prozesse unterstützt werden. Das hat auch Auswirkungen auf kreative Berufe, Produktentwicklung oder auch die Art, wie wir miteinander kommunizieren.\n\n## Wie funktioniert generative KI?\nDie Funktionsweise generativer KI basiert auf komplexen mathematischen Modellen, die von neuronalen Netzwerken trainiert werden. Diese Netzwerke analysieren riesige Datenmengen und lernen, Muster und Beziehungen innerhalb dieser Daten zu erkennen.\n\n### Grundlagen der Funktionsweise generativer KI\nGenerative KI ist ein faszinierendes Feld, das sich auf die Erstellung neuer Inhalte aus bestehenden Daten konzentriert. \n\nHier sind die wesentlichen Grundlagen, wie diese Technologien arbeiten und welche Modelle dabei eine Rolle spielen.\n\n1. **Training mit Daten:** Das Modell wird mit großen Mengen an Daten, wie Texte, Bilder oder Videos, gefüttert. Ziel ist es, Muster und Zusammenhänge in diesen Daten zu erkennen.\n\n2. **Modelltypen:** Die häufigsten Modelle, die in der generativen KI verwendet werden, sind:\n\n- **GANs (Generative Adversarial Networks):** Zwei Netzwerke arbeiten gegeneinander – eines generiert Inhalte, das andere bewertet deren Qualität.\n\n- **Transformermodelle:** Diese Modelle, wie GPT, setzen auf Kontextverständnis, um kohärente und logische Inhalte zu erstellen.\n\n- **Diffusionsmodelle:** Sie erstellen Inhalte, indem sie Rauschen schrittweise reduzieren und werden häufig in der Bildgenerierung eingesetzt.\n\n3. **Generierung neuer Inhalte:** Nach dem Training kann das Modell auf neue Eingaben reagieren und basierend auf gelernten Mustern neue Inhalte erstellen.\n\nMit diesen Modellen kann generative KI erstaunliche Inhalte erzeugen, die in vielen Bereichen Anwendung finden – von der Texterstellung bis hin zur Kunst- und Bildproduktion.\n\n## Wie Deep Learning die generative KI vorantreibt\nDeep Learning ist die treibende Kraft hinter generativer KI. Als Teilgebiet des maschinellen Lernens setzt es auf neuronale Netzwerke mit mehreren Schichten, um komplexe Muster in Daten zu erkennen und darauf aufbauend neue Inhalte zu generieren. Diese Methode ist besonders leistungsfähig, da sie in der Lage ist, tiefere Zusammenhänge in Daten zu verstehen. Dadurch werden qualitativ hochwertige Ergebnisse erzielt.\n\n### Was ist Deep Learning?\nDeep Learning ist eine Technologie, die künstliche neuronale Netzwerke verwendet, um Daten Schritt für Schritt zu analysieren. Jede Schicht des Netzwerks verarbeitet spezifische Merkmale der Daten und übergibt die Ergebnisse an die nächste Ebene.\nDieser schichtweise Ansatz ermöglicht es, sowohl einfache als auch komplexe Muster zu erkennen, was für die Generierung neuer Inhalte essenziell ist.\n\n### Die Rolle von Deep Learning\nDeep Learning ist für generative KI unverzichtbar, weil es:\nSkalierbar ist und große Datenmengen effizient verarbeiten kann.\nFlexibel für verschiedene Datentypen wie Text, Bilder und Audio einsetzbar ist.\nLeistungsstark durch Fortschritte in Algorithmen und Rechenleistung immer präzisere Ergebnisse liefert.\n\n### Warum ist Deep Learning entscheidend?\nOffensichtlich beeinflusst Deep Learning generative KI grundlegend. Ohne Deep Learning wäre sie in ihrer heutigen Form nicht möglich. Es ermöglicht nicht nur die Erstellung realistischer Inhalte, sondern treibt auch die Weiterentwicklung von Modellen voran. \nDadurch kann generative KI in immer mehr Bereichen eingesetzt werden und liefert innovative Lösungen für kreative und technische Herausforderungen.\n\n## Generative KI – Modelle\nGenerative KI stützt sich auf verschiedene Modelltypen, die jeweils für unterschiedliche Anwendungen optimiert sind. Jedes Modell hat eigene Stärken und Schwächen und wird je nach Anwendungsfall eingesetzt.\n\n### GANs (Generative Adversarial Networks)\nGANs bestehen aus zwei miteinander konkurrierenden neuronalen Netzwerken:\n\n**Der Generator** erstellt neue Inhalte.\n\n**Der Diskriminator** bewertet, ob die Inhalte echt oder künstlich sind.\nDieser Wettbewerb zwischen den Netzwerken verbessert die Qualität der generierten Inhalte kontinuierlich, was GANs besonders für die Erstellung von Bildern, Videos und anderen visuellen Medien prädestiniert.\n\n### Transformermodelle\nTransformermodelle wie GPT (Generative Pre-trained Transformer) basieren auf der Fähigkeit, den Kontext von Wörtern und Sätzen zu verstehen. Sie sind besonders effektiv bei der Verarbeitung und Erstellung von Texten. Transformermodelle analysieren Daten in Sequenzen, um sinnvolle und kohärente Inhalte zu generieren.\n\n### Variational Autoencoders (VAEs)\nVAEs komprimieren Daten in ein kompaktes Format, um sie später zu rekonstruieren. Sie erzeugen neue Inhalte, indem sie Variationen innerhalb eines Datensatzes erstellen. VAEs werden häufig in der Bild- und Tondatenverarbeitung eingesetzt und eignen sich gut für Aufgaben, bei denen Variationen auf Basis bestehender Muster benötigt werden.\n\n### Diffusionsmodelle\nDiffusionsmodelle entfernen schrittweise Rauschen aus einer Pixelmatrix, um realistische Bilder zu erstellen. Diese Modelle sind besonders beliebt in der Bildgenerierung, da sie detaillierte und hochqualitative Ergebnisse liefern können.\n\n## Generative KI-Anwendungen in unterschiedlichen Bereichen\nGenerative KI hat das Potenzial, Branchen zu transformieren, Arbeitsprozesse zu vereinfachen und zu automatisieren und große Datenmengen schneller zu verarbeiten. \n\n### Generative KI in Marketing und Kommunikation\nIn Marketing und Kommunikation wird generative KI wie ChatGPT vor allem für die automatisierte Erstellung von Inhalten wie Blogbeiträgen, Social-Media-Posts oder Produktbeschreibungen genutzt. Sie kann auch personalisierte Anzeigen generieren, die gezielt auf die Interessen der Zielgruppe zugeschnitten sind.\n\nAllerdings gibt es Herausforderungen: KI-generierte Inhalte wirken oft unpersönlich, können kulturelle Feinheiten übersehen und dadurch Missverständnisse auslösen. Zudem kann die Authentizität fehlen, was die Markenbindung negativ beeinflusst.\n\n### Generative KI in der Bildung\nIn der Bildung wird generative KI eingesetzt, um personalisierte Lernmaterialien zu erstellen, die sich an den individuellen Fortschritt der Lernenden anpassen. Auch virtuelle Simulationen werden immer häufiger genutzt, um praxisnahes Lernen zu fördern, etwa in der Medizin oder Technik.\n\nVorteile sind die Anpassungsfähigkeit und die interaktive Gestaltung des Lernens. Allerdings müssen generierte Inhalte überprüft werden, um Fehler zu vermeiden, und die Implementierung solcher Technologien kann kostenintensiv sein.\n\n### Generative KI in der Forschung und Entwicklung\nGenerative KI unterstützt die Forschung und Entwicklung, indem sie neue Prototypen und Designs generiert und komplexe Daten analysiert. Dadurch werden Innovationsprozesse beschleunigt und neue Zusammenhänge schneller erkannt.\n\nWährend die Effizienz dadurch deutlich steigt, bleibt die Abhängigkeit von der Datenqualität ein Schwachpunkt. Fehlerhafte Daten können die Ergebnisse negativ beeinflussen, und der hohe Rechenaufwand macht die Nutzung oft teuer.\n\n## Beispiele für Generative-KI-Anwendungen in der Arbeitswelt\nGenerative KI hat ihren Weg in zahlreiche Branchen gefunden und bietet eine Vielzahl von Anwendungsmöglichkeiten.\n\n## Kreative Anwendungen\n**Texterstellung:** Tools wie ChatGPT oder Jasper AI erstellen Artikel, Blogbeiträge oder Produktbeschreibungen.\n\n**Bildgenerierung:** Mit Tools wie DALL-E oder MidJourney können Benutzer(innen) Bilder auf Basis einfacher Texteingaben erzeugen.\n\n**Musikproduktion:** Plattformen wie Amper Music oder AIVA komponieren Musikstücke für Filme oder Podcasts.\n\n### Industrie und Technologie\n**Code-Generierung:** Entwickler(innen) nutzen Tools wie [GitLab Duo](https://about.gitlab.com/de-de/gitlab-duo-agent-platform/), um automatisiert Codevorschläge zu erhalten.\n\n**Prototypen-Design:** Generative KI hilft Entwickler(inn)en und Designer(innen) bei der Entwicklung neuer Produkte.\n\n**Automatisierte Tests:** Softwaretests können durch KI schneller und effizienter gestaltet werden.\n\n### Gesundheit und Wissenschaft\n**Medikamentenentwicklung:** KI-Modelle wie [AlphaFold](https://alphafold.ebi.ac.uk/) haben die Vorhersage von Proteinstrukturen revolutioniert.\n\n**Diagnostik:** Generative KI analysiert medizinische Bilder und erkennt Krankheiten wie Tumore oder Anomalien.\n\n### Unterhaltung und Gaming\n**Spieldesign:** Generative KI erschafft neue Level, Charaktere oder Szenarien für Videospiele.\n\n**Filmproduktion:** Erstellung von Drehbüchern oder visuellen Effekten, die durch KI unterstützt werden.\n\n## Best Practices für den Einsatz von Generativer KI\nDer erfolgreiche Einsatz von generativer KI erfordert durchdachte Ansätze, um Qualität, Sicherheit und Effektivität zu gewährleisten.\n\n**Definierte Ziele setzen:** Bevor ein KI-Modell eingesetzt wird, sollte klar definiert sein, welche spezifischen Aufgaben oder Probleme es lösen soll. Eine präzise Zielsetzung verhindert Fehlentwicklungen und verbessert die Ergebnisse.\n\n**Kontext berücksichtigen:** Die generierten Inhalte müssen immer mit ihrem Einsatzzweck übereinstimmen. Dies umfasst die Berücksichtigung kultureller, sozialer oder geschäftlicher Anforderungen, um relevante und angemessene Ergebnisse zu erzielen.\n\n**Vielfältige Evaluation:** Die Leistung von KI-Modellen sollte mit verschiedenen Methoden überprüft werden. Neben technischen Metriken ist auch qualitatives Feedback von Expert(inn)en und Nutzer(inne)n entscheidend, um die Anwendbarkeit und Qualität sicherzustellen.\n\n**Kontinuierliche Optimierung:** KI-Modelle sollten regelmäßig überprüft und weiterentwickelt werden, um auf veränderte Daten, Anforderungen oder Technologien reagieren zu können.\n\n## Herausforderungen und ethische Aspekte von generativer KI\nNeben den zahlreichen Vorteilen bringt der Einsatz generativer KI auch einige Herausforderungen mit sich:\n\n**Urheberrechtsfragen:** Es bleibt unklar, wem die Rechte an KI-generierten Inhalten gehören – den Entwicklern, den Nutzern oder sogar den Datengrundlagen?\n\n**Verzerrungen in den Ergebnissen:** Wenn die zugrunde liegenden Trainingsdaten voreingenommen sind, können die generierten Inhalte diese Vorurteile widerspiegeln und verstärken.\n\n**Potenzial für Missbrauch:** Generative KI kann für negative Zwecke eingesetzt werden, etwa zur Verbreitung von Fehlinformationen oder zur Durchführung von Cyberangriffen.\n\nUm die Herausforderungen im Umgang mit generativer KI zu bewältigen, ist es entscheidend, mehr Transparenz bei der Entwicklung und Nutzung von KI-Modellen zu schaffen. Darüber hinaus sollten klare ethische Standards sowie gesetzliche Regelungen eingeführt und konsequent eingehalten werden, um potenzielle Risiken zu minimieren und einen verantwortungsvollen Einsatz sicherzustellen.\n\n## Wie setzt GitLab generative KI ein\n[GitLab](https://about.gitlab.com/de-de/) integriert generative KI umfassend in seine DevSecOps-Plattform, um den gesamten Softwareentwicklungsprozess zu optimieren. Durch die Partnerschaft mit Unternehmen wie Anthropic nutzt GitLab fortschrittliche KI-Modelle, um Entwickler(innen) bei verschiedenen Aufgaben zu unterstützen.\n\n**Code-Vorschläge:** Die Funktion [Code Suggestions](https://about.gitlab.com/blog/gitlab-uses-anthropic-for-smart-safe-ai-assisted-code-generation/) bietet während des Tippens kontextbezogene Code-Vorschläge, was die Effizienz beim [Code Refactoring](https://about.gitlab.com/de-de/blog/refactor-code-into-modern-languages-with-ai-powered-gitlab-duo/) erhöht. \n\n**Automatische Reviewer-Zuweisung:** Mit [Suggested Reviewers](https://about.gitlab.com/blog/gitlab-ai-assisted-features/) identifiziert die KI geeignete Personen für die Überprüfung von Merge Requests, was den Review-Prozess beschleunigt. \n\n**Zusammenfassungen von Merge Requests:** Die KI generiert prägnante Zusammenfassungen von Änderungen in Merge Requests, um die Kommunikation zwischen Teammitgliedern zu erleichtern. \n\n**Erklärung von Schwachstellen:** Die Funktion „Explain This Vulnerability” hilft Entwickler(innen), Sicherheitslücken besser zu verstehen und effizienter zu beheben. \n\n**Testgenerierung in Merge Requests:** Die KI kann automatisch Tests für neuen Code generieren, um die Qualitätssicherung zu unterstützen.\n\n### GitLab Duo – weiter hilfreiche KI-Funktionen\nDurch diese erweiterten KI-Funktionen fördert GitLab eine effizientere, sicherere und innovativere Softwareentwicklung.\n\n**[GitLab Duo Chat:](https://docs.gitlab.com/development/ai_features/duo_chat/)** Ein KI-gestützter Chatbot, der Fragen beantwortet und bei der Navigation durch die Plattform hilft, um den Lernprozess zu unterstützen.\n\n**Refactoring von Code in moderne Sprachen:** GitLab Duo unterstützt Entwickler(innen) dabei, bestehenden Code in moderne Programmiersprachen zu überführen. Dies erleichtert die Modernisierung von Anwendungen und das Erlernen neuer Sprachfunktionen. \n\n**Sicheres Testen von KI-generiertem Code:** Durch die Kombination von GitLab Duo mit GitLab Pages können Entwickler(innen) KI-generierten Code gründlich testen und Sicherheitslücken identifizieren. Dies gewährleistet die Zuverlässigkeit und Sicherheit des Codes. \n\n**Automatisierte Entwicklung mit GitLab Duo Workflow:** [GitLab Duo Workflow](https://about.gitlab.com/de-de/blog/meet-gitlab-duo-workflow-the-future-of-ai-driven-development/) transformiert die Softwareentwicklung, indem es repetitive Aufgaben automatisiert und Entwickler(innen) ermöglicht, sich auf innovative Problemlösungen zu konzentrieren. \n\n[Teste GitLab Duo jetzt kostenlos!](https://about.gitlab.com/de-de/gitlab-duo-agent-platform/) \n\n## FAQs - Generative KI\n### Was ist der Unterschied zwischen AI und KI?\nEs gibt keinen Unterschied zwischen AI und KI. „AI” steht für „Artificial Intelligence”, „KI” steht für „Künstliche Intelligenz” und ist der deutsche Begriff für AI. Häufig werden beide Begriffe verwendet – die Bedeutung ist jedoch immer dieselbe. \n\n### Wo wird generative KI angewendet?\nGenerative KI findet Anwendung in der Content-Erstellung, bei Designprozessen, in der Medizin zur Analyse und Modellierung, in der Softwareentwicklung für automatisierte Codegenerierung und in der Unterhaltungsindustrie zur Erstellung von Filmen, Musik und Spielen.\n\n### Was unterscheidet generative KI von klassischer KI?\nKlassische KI verarbeitet und analysiert Daten, um Entscheidungen zu treffen oder Prozesse zu automatisieren. Generative KI hingegen erschafft eigenständig neue Inhalte, die sich an den erlernten Daten orientieren, aber originell und innovativ sind.\n\n### Welche Arten von generativer KI gibt es?\nZu den gängigen Modellen gehören GANs, Transformermodelle, Variational Autoencoders und Diffusionsmodelle. Jedes Modell ist auf spezifische Anwendungen wie die Generierung von Texten, Bildern oder Audio spezialisiert. \n\n### Wie sicher ist generative KI?\nDie Sicherheit generativer KI hängt stark von ihrem Einsatz ab. Während sie viele positive Anwendungen hat, können Risiken wie die Erstellung von Falschinformationen oder urheberrechtliche Konflikte auftreten, wenn sie nicht verantwortungsvoll genutzt wird.\n\n### Welche Herausforderungen gibt es bei generativer KI?\nHerausforderungen umfassen den hohen Rechenaufwand, die Qualität der Trainingsdaten, ethische Fragen wie Bias in Modellen und mögliche Missbrauchsrisiken, etwa durch die Generierung manipulativer Inhalte.\n\n### Wie wird generative KI bei GitLab eingesetzt?\nGitLab nutzt generative KI, um Entwicklungsprozesse zu optimieren. Sie wird unter anderem für automatisierte Code-Vorschläge, Dokumentationserstellung und Fehlerbehebung eingesetzt, wodurch Entwickler(innen) Zeit sparen und effizienter arbeiten können.","ai-ml",{"slug":13,"featured":14,"template":15},"what-is-generative-ai",false,"BlogPost",{"title":5,"description":17,"authors":18,"heroImage":19,"date":20,"body":10,"category":11,"tags":21},"Erfahre, was generative KI ist, wie sie sich von klassischer KI unterscheidet, welche Modelle es gibt und wie GitLab mit generativer KI arbeitet.",[9],"https://res.cloudinary.com/about-gitlab-com/image/upload/v1749663009/Blog/Hero%20Images/ESA_case_study_image.jpg","2025-04-16",[22],"AI/ML","yml",null,{},true,"/de-de/blog/what-is-generative-ai","seo:\n  title: Was ist Generative KI?\n  description: >-\n    Erfahre, was generative KI ist, wie sie sich von klassischer KI\n    unterscheidet, welche Modelle es gibt und wie GitLab mit generativer KI\n    arbeitet.\n  ogTitle: Was ist Generative KI?\n  ogDescription: >-\n    Erfahre, was generative KI ist, wie sie sich von klassischer KI\n    unterscheidet, welche Modelle es gibt und wie GitLab mit generativer KI\n    arbeitet.\n  noIndex: false\n  ogImage: >-\n    https://res.cloudinary.com/about-gitlab-com/image/upload/v1749663009/Blog/Hero%20Images/ESA_case_study_image.jpg\n  ogUrl: https://about.gitlab.com/blog/what-is-generative-ai\n  ogSiteName: https://about.gitlab.com\n  ogType: article\n  canonicalUrls: https://about.gitlab.com/blog/what-is-generative-ai\ncontent:\n  title: Was ist Generative KI?\n  description: >-\n    Erfahre, was generative KI ist, wie sie sich von klassischer KI\n    unterscheidet, welche Modelle es gibt und wie GitLab mit generativer KI\n    arbeitet.\n  authors:\n    - GitLab Germany Team\n  heroImage: >-\n    https://res.cloudinary.com/about-gitlab-com/image/upload/v1749663009/Blog/Hero%20Images/ESA_case_study_image.jpg\n  date: '2025-04-16'\n  body: >-\n    # Was ist Generative KI?\n\n    Generative KI ist eine revolutionäre Technologie, die über die reine Analyse\n    bestehender Daten hinausgeht und eigenständig neue Inhalte wie Texte,\n    Bilder, Musik oder Code erstellt. Sie unterstützt kreative Prozesse und\n    treibt Innovationen in unterschiedlichsten Branchen voran.\n\n\n    Aber wie funktioniert diese fortschrittliche Technologie, was macht sie so\n    einzigartig und welche Modelle stecken dahinter? In diesem Artikel erhältst\n    du umfassende Antworten auf diese Fragen sowie praxisnahe Beispiele und\n    spannende Anwendungsfälle.\n\n\n    ## Generative KI: Definition\n\n    Generative künstliche Intelligenz ist ein spezieller Bereich der künstlichen\n    Intelligenz, der nicht nur bestehende Daten analysiert oder kategorisiert,\n    sondern eigenständig neue Inhalte erschafft.\n\n\n    Mithilfe komplexer Algorithmen und neuronaler Netzwerke entstehen Texte,\n    Bilder, Musik oder andere Inhalte, die so realistisch wirken sollen, dass\n    sie zukünftig kaum von menschlich erstellten Werken zu unterscheiden sind.\n    Die Technologie lernt aus vorhandenen Mustern und wendet dieses Wissen an,\n    um innovative und kreative Ergebnisse zu erzielen.\n\n\n    ## Wie unterscheidet sich generative KI von KI?\n\n    Der Begriff „künstliche Intelligenz“ umfasst viele Technologien, doch\n    generative KI ist ein spezifischer Teilbereich davon. Klassische KI-Modelle\n    erkennen Muster, treffen Entscheidungen oder automatisieren Prozesse,\n    während generative KI auf die Erzeugung neuer Inhalte spezialisiert ist.\n\n\n    ### KI und generative KI: Unterschiede im Überblick:\n\n    **Klassische KI** wird vor allem für Analyse, Vorhersagen und\n    Automatisierung eingesetzt. Typische Technologien sind Entscheidungsbäume,\n    Regressionsmodelle oder Klassifikatoren. Anwendungen finden sich zum\n    Beispiel in Chatbots, Sprachassistenten oder Empfehlungssystemen.\n\n\n    **Generative KI** hingegen geht einen Schritt weiter: Sie kann eigenständig\n    neue Inhalte erzeugen. Möglich machen das fortschrittliche Modelle wie GANs\n    (Generative Adversarial Networks), Transformer oder Diffusionsmodelle. So\n    entstehen KI-generierte Texte, Bilder, Musik oder Videos – etwa mit Tools\n    wie ChatGPT oder DALL-E.\n\n\n    **Die beiden KI-Formen verfolgen also unterschiedliche Ziele: Während\n    klassische KI auf Analyse basiert, steht bei generativer KI die kreative\n    Inhaltserstellung im Fokus.**\n\n\n    ### Warum ist der Unterschied wichtig?\n\n    Generative KI eröffnet neue Anwendungsfelder: Statt nur zu reagieren oder\n    Aufgaben zu automatisieren, können nun innovative und kreative Prozesse\n    unterstützt werden. Das hat auch Auswirkungen auf kreative Berufe,\n    Produktentwicklung oder auch die Art, wie wir miteinander kommunizieren.\n\n\n    ## Wie funktioniert generative KI?\n\n    Die Funktionsweise generativer KI basiert auf komplexen mathematischen\n    Modellen, die von neuronalen Netzwerken trainiert werden. Diese Netzwerke\n    analysieren riesige Datenmengen und lernen, Muster und Beziehungen innerhalb\n    dieser Daten zu erkennen.\n\n\n    ### Grundlagen der Funktionsweise generativer KI\n\n    Generative KI ist ein faszinierendes Feld, das sich auf die Erstellung neuer\n    Inhalte aus bestehenden Daten konzentriert. \n\n\n    Hier sind die wesentlichen Grundlagen, wie diese Technologien arbeiten und\n    welche Modelle dabei eine Rolle spielen.\n\n\n    1. **Training mit Daten:** Das Modell wird mit großen Mengen an Daten, wie\n    Texte, Bilder oder Videos, gefüttert. Ziel ist es, Muster und Zusammenhänge\n    in diesen Daten zu erkennen.\n\n\n    2. **Modelltypen:** Die häufigsten Modelle, die in der generativen KI\n    verwendet werden, sind:\n\n\n    - **GANs (Generative Adversarial Networks):** Zwei Netzwerke arbeiten\n    gegeneinander – eines generiert Inhalte, das andere bewertet deren Qualität.\n\n\n    - **Transformermodelle:** Diese Modelle, wie GPT, setzen auf\n    Kontextverständnis, um kohärente und logische Inhalte zu erstellen.\n\n\n    - **Diffusionsmodelle:** Sie erstellen Inhalte, indem sie Rauschen\n    schrittweise reduzieren und werden häufig in der Bildgenerierung eingesetzt.\n\n\n    3. **Generierung neuer Inhalte:** Nach dem Training kann das Modell auf neue\n    Eingaben reagieren und basierend auf gelernten Mustern neue Inhalte\n    erstellen.\n\n\n    Mit diesen Modellen kann generative KI erstaunliche Inhalte erzeugen, die in\n    vielen Bereichen Anwendung finden – von der Texterstellung bis hin zur\n    Kunst- und Bildproduktion.\n\n\n    ## Wie Deep Learning die generative KI vorantreibt\n\n    Deep Learning ist die treibende Kraft hinter generativer KI. Als Teilgebiet\n    des maschinellen Lernens setzt es auf neuronale Netzwerke mit mehreren\n    Schichten, um komplexe Muster in Daten zu erkennen und darauf aufbauend neue\n    Inhalte zu generieren. Diese Methode ist besonders leistungsfähig, da sie in\n    der Lage ist, tiefere Zusammenhänge in Daten zu verstehen. Dadurch werden\n    qualitativ hochwertige Ergebnisse erzielt.\n\n\n    ### Was ist Deep Learning?\n\n    Deep Learning ist eine Technologie, die künstliche neuronale Netzwerke\n    verwendet, um Daten Schritt für Schritt zu analysieren. Jede Schicht des\n    Netzwerks verarbeitet spezifische Merkmale der Daten und übergibt die\n    Ergebnisse an die nächste Ebene.\n\n    Dieser schichtweise Ansatz ermöglicht es, sowohl einfache als auch komplexe\n    Muster zu erkennen, was für die Generierung neuer Inhalte essenziell ist.\n\n\n    ### Die Rolle von Deep Learning\n\n    Deep Learning ist für generative KI unverzichtbar, weil es:\n\n    Skalierbar ist und große Datenmengen effizient verarbeiten kann.\n\n    Flexibel für verschiedene Datentypen wie Text, Bilder und Audio einsetzbar\n    ist.\n\n    Leistungsstark durch Fortschritte in Algorithmen und Rechenleistung immer\n    präzisere Ergebnisse liefert.\n\n\n    ### Warum ist Deep Learning entscheidend?\n\n    Offensichtlich beeinflusst Deep Learning generative KI grundlegend. Ohne\n    Deep Learning wäre sie in ihrer heutigen Form nicht möglich. Es ermöglicht\n    nicht nur die Erstellung realistischer Inhalte, sondern treibt auch die\n    Weiterentwicklung von Modellen voran. \n\n    Dadurch kann generative KI in immer mehr Bereichen eingesetzt werden und\n    liefert innovative Lösungen für kreative und technische Herausforderungen.\n\n\n    ## Generative KI – Modelle\n\n    Generative KI stützt sich auf verschiedene Modelltypen, die jeweils für\n    unterschiedliche Anwendungen optimiert sind. Jedes Modell hat eigene Stärken\n    und Schwächen und wird je nach Anwendungsfall eingesetzt.\n\n\n    ### GANs (Generative Adversarial Networks)\n\n    GANs bestehen aus zwei miteinander konkurrierenden neuronalen Netzwerken:\n\n\n    **Der Generator** erstellt neue Inhalte.\n\n\n    **Der Diskriminator** bewertet, ob die Inhalte echt oder künstlich sind.\n\n    Dieser Wettbewerb zwischen den Netzwerken verbessert die Qualität der\n    generierten Inhalte kontinuierlich, was GANs besonders für die Erstellung\n    von Bildern, Videos und anderen visuellen Medien prädestiniert.\n\n\n    ### Transformermodelle\n\n    Transformermodelle wie GPT (Generative Pre-trained Transformer) basieren auf\n    der Fähigkeit, den Kontext von Wörtern und Sätzen zu verstehen. Sie sind\n    besonders effektiv bei der Verarbeitung und Erstellung von Texten.\n    Transformermodelle analysieren Daten in Sequenzen, um sinnvolle und\n    kohärente Inhalte zu generieren.\n\n\n    ### Variational Autoencoders (VAEs)\n\n    VAEs komprimieren Daten in ein kompaktes Format, um sie später zu\n    rekonstruieren. Sie erzeugen neue Inhalte, indem sie Variationen innerhalb\n    eines Datensatzes erstellen. VAEs werden häufig in der Bild- und\n    Tondatenverarbeitung eingesetzt und eignen sich gut für Aufgaben, bei denen\n    Variationen auf Basis bestehender Muster benötigt werden.\n\n\n    ### Diffusionsmodelle\n\n    Diffusionsmodelle entfernen schrittweise Rauschen aus einer Pixelmatrix, um\n    realistische Bilder zu erstellen. Diese Modelle sind besonders beliebt in\n    der Bildgenerierung, da sie detaillierte und hochqualitative Ergebnisse\n    liefern können.\n\n\n    ## Generative KI-Anwendungen in unterschiedlichen Bereichen\n\n    Generative KI hat das Potenzial, Branchen zu transformieren, Arbeitsprozesse\n    zu vereinfachen und zu automatisieren und große Datenmengen schneller zu\n    verarbeiten. \n\n\n    ### Generative KI in Marketing und Kommunikation\n\n    In Marketing und Kommunikation wird generative KI wie ChatGPT vor allem für\n    die automatisierte Erstellung von Inhalten wie Blogbeiträgen,\n    Social-Media-Posts oder Produktbeschreibungen genutzt. Sie kann auch\n    personalisierte Anzeigen generieren, die gezielt auf die Interessen der\n    Zielgruppe zugeschnitten sind.\n\n\n    Allerdings gibt es Herausforderungen: KI-generierte Inhalte wirken oft\n    unpersönlich, können kulturelle Feinheiten übersehen und dadurch\n    Missverständnisse auslösen. Zudem kann die Authentizität fehlen, was die\n    Markenbindung negativ beeinflusst.\n\n\n    ### Generative KI in der Bildung\n\n    In der Bildung wird generative KI eingesetzt, um personalisierte\n    Lernmaterialien zu erstellen, die sich an den individuellen Fortschritt der\n    Lernenden anpassen. Auch virtuelle Simulationen werden immer häufiger\n    genutzt, um praxisnahes Lernen zu fördern, etwa in der Medizin oder Technik.\n\n\n    Vorteile sind die Anpassungsfähigkeit und die interaktive Gestaltung des\n    Lernens. Allerdings müssen generierte Inhalte überprüft werden, um Fehler zu\n    vermeiden, und die Implementierung solcher Technologien kann kostenintensiv\n    sein.\n\n\n    ### Generative KI in der Forschung und Entwicklung\n\n    Generative KI unterstützt die Forschung und Entwicklung, indem sie neue\n    Prototypen und Designs generiert und komplexe Daten analysiert. Dadurch\n    werden Innovationsprozesse beschleunigt und neue Zusammenhänge schneller\n    erkannt.\n\n\n    Während die Effizienz dadurch deutlich steigt, bleibt die Abhängigkeit von\n    der Datenqualität ein Schwachpunkt. Fehlerhafte Daten können die Ergebnisse\n    negativ beeinflussen, und der hohe Rechenaufwand macht die Nutzung oft\n    teuer.\n\n\n    ## Beispiele für Generative-KI-Anwendungen in der Arbeitswelt\n\n    Generative KI hat ihren Weg in zahlreiche Branchen gefunden und bietet eine\n    Vielzahl von Anwendungsmöglichkeiten.\n\n\n    ## Kreative Anwendungen\n\n    **Texterstellung:** Tools wie ChatGPT oder Jasper AI erstellen Artikel,\n    Blogbeiträge oder Produktbeschreibungen.\n\n\n    **Bildgenerierung:** Mit Tools wie DALL-E oder MidJourney können\n    Benutzer(innen) Bilder auf Basis einfacher Texteingaben erzeugen.\n\n\n    **Musikproduktion:** Plattformen wie Amper Music oder AIVA komponieren\n    Musikstücke für Filme oder Podcasts.\n\n\n    ### Industrie und Technologie\n\n    **Code-Generierung:** Entwickler(innen) nutzen Tools wie [GitLab\n    Duo](https://about.gitlab.com/de-de/gitlab-duo-agent-platform/), um automatisiert\n    Codevorschläge zu erhalten.\n\n\n    **Prototypen-Design:** Generative KI hilft Entwickler(inn)en und\n    Designer(innen) bei der Entwicklung neuer Produkte.\n\n\n    **Automatisierte Tests:** Softwaretests können durch KI schneller und\n    effizienter gestaltet werden.\n\n\n    ### Gesundheit und Wissenschaft\n\n    **Medikamentenentwicklung:** KI-Modelle wie\n    [AlphaFold](https://alphafold.ebi.ac.uk/) haben die Vorhersage von\n    Proteinstrukturen revolutioniert.\n\n\n    **Diagnostik:** Generative KI analysiert medizinische Bilder und erkennt\n    Krankheiten wie Tumore oder Anomalien.\n\n\n    ### Unterhaltung und Gaming\n\n    **Spieldesign:** Generative KI erschafft neue Level, Charaktere oder\n    Szenarien für Videospiele.\n\n\n    **Filmproduktion:** Erstellung von Drehbüchern oder visuellen Effekten, die\n    durch KI unterstützt werden.\n\n\n    ## Best Practices für den Einsatz von Generativer KI\n\n    Der erfolgreiche Einsatz von generativer KI erfordert durchdachte Ansätze,\n    um Qualität, Sicherheit und Effektivität zu gewährleisten.\n\n\n    **Definierte Ziele setzen:** Bevor ein KI-Modell eingesetzt wird, sollte\n    klar definiert sein, welche spezifischen Aufgaben oder Probleme es lösen\n    soll. Eine präzise Zielsetzung verhindert Fehlentwicklungen und verbessert\n    die Ergebnisse.\n\n\n    **Kontext berücksichtigen:** Die generierten Inhalte müssen immer mit ihrem\n    Einsatzzweck übereinstimmen. Dies umfasst die Berücksichtigung kultureller,\n    sozialer oder geschäftlicher Anforderungen, um relevante und angemessene\n    Ergebnisse zu erzielen.\n\n\n    **Vielfältige Evaluation:** Die Leistung von KI-Modellen sollte mit\n    verschiedenen Methoden überprüft werden. Neben technischen Metriken ist auch\n    qualitatives Feedback von Expert(inn)en und Nutzer(inne)n entscheidend, um\n    die Anwendbarkeit und Qualität sicherzustellen.\n\n\n    **Kontinuierliche Optimierung:** KI-Modelle sollten regelmäßig überprüft und\n    weiterentwickelt werden, um auf veränderte Daten, Anforderungen oder\n    Technologien reagieren zu können.\n\n\n    ## Herausforderungen und ethische Aspekte von generativer KI\n\n    Neben den zahlreichen Vorteilen bringt der Einsatz generativer KI auch\n    einige Herausforderungen mit sich:\n\n\n    **Urheberrechtsfragen:** Es bleibt unklar, wem die Rechte an KI-generierten\n    Inhalten gehören – den Entwicklern, den Nutzern oder sogar den\n    Datengrundlagen?\n\n\n    **Verzerrungen in den Ergebnissen:** Wenn die zugrunde liegenden\n    Trainingsdaten voreingenommen sind, können die generierten Inhalte diese\n    Vorurteile widerspiegeln und verstärken.\n\n\n    **Potenzial für Missbrauch:** Generative KI kann für negative Zwecke\n    eingesetzt werden, etwa zur Verbreitung von Fehlinformationen oder zur\n    Durchführung von Cyberangriffen.\n\n\n    Um die Herausforderungen im Umgang mit generativer KI zu bewältigen, ist es\n    entscheidend, mehr Transparenz bei der Entwicklung und Nutzung von\n    KI-Modellen zu schaffen. Darüber hinaus sollten klare ethische Standards\n    sowie gesetzliche Regelungen eingeführt und konsequent eingehalten werden,\n    um potenzielle Risiken zu minimieren und einen verantwortungsvollen Einsatz\n    sicherzustellen.\n\n\n    ## Wie setzt GitLab generative KI ein\n\n    [GitLab](https://about.gitlab.com/de-de/) integriert generative KI umfassend\n    in seine DevSecOps-Plattform, um den gesamten Softwareentwicklungsprozess zu\n    optimieren. Durch die Partnerschaft mit Unternehmen wie Anthropic nutzt\n    GitLab fortschrittliche KI-Modelle, um Entwickler(innen) bei verschiedenen\n    Aufgaben zu unterstützen.\n\n\n    **Code-Vorschläge:** Die Funktion [Code\n    Suggestions](https://about.gitlab.com/blog/gitlab-uses-anthropic-for-smart-safe-ai-assisted-code-generation/)\n    bietet während des Tippens kontextbezogene Code-Vorschläge, was die\n    Effizienz beim [Code\n    Refactoring](https://about.gitlab.com/de-de/blog/refactor-code-into-modern-languages-with-ai-powered-gitlab-duo/)\n    erhöht. \n\n\n    **Automatische Reviewer-Zuweisung:** Mit [Suggested\n    Reviewers](https://about.gitlab.com/blog/gitlab-ai-assisted-features/)\n    identifiziert die KI geeignete Personen für die Überprüfung von Merge\n    Requests, was den Review-Prozess beschleunigt. \n\n\n    **Zusammenfassungen von Merge Requests:** Die KI generiert prägnante\n    Zusammenfassungen von Änderungen in Merge Requests, um die Kommunikation\n    zwischen Teammitgliedern zu erleichtern. \n\n\n    **Erklärung von Schwachstellen:** Die Funktion „Explain This Vulnerability”\n    hilft Entwickler(innen), Sicherheitslücken besser zu verstehen und\n    effizienter zu beheben. \n\n\n    **Testgenerierung in Merge Requests:** Die KI kann automatisch Tests für\n    neuen Code generieren, um die Qualitätssicherung zu unterstützen.\n\n\n    ### GitLab Duo – weiter hilfreiche KI-Funktionen\n\n    Durch diese erweiterten KI-Funktionen fördert GitLab eine effizientere,\n    sicherere und innovativere Softwareentwicklung.\n\n\n    **[GitLab Duo\n    Chat:](https://docs.gitlab.com/development/ai_features/duo_chat/)** Ein\n    KI-gestützter Chatbot, der Fragen beantwortet und bei der Navigation durch\n    die Plattform hilft, um den Lernprozess zu unterstützen.\n\n\n    **Refactoring von Code in moderne Sprachen:** GitLab Duo unterstützt\n    Entwickler(innen) dabei, bestehenden Code in moderne Programmiersprachen zu\n    überführen. Dies erleichtert die Modernisierung von Anwendungen und das\n    Erlernen neuer Sprachfunktionen. \n\n\n    **Sicheres Testen von KI-generiertem Code:** Durch die Kombination von\n    GitLab Duo mit GitLab Pages können Entwickler(innen) KI-generierten Code\n    gründlich testen und Sicherheitslücken identifizieren. Dies gewährleistet\n    die Zuverlässigkeit und Sicherheit des Codes. \n\n\n    **Automatisierte Entwicklung mit GitLab Duo Workflow:** [GitLab Duo\n    Workflow](https://about.gitlab.com/de-de/blog/meet-gitlab-duo-workflow-the-future-of-ai-driven-development/)\n    transformiert die Softwareentwicklung, indem es repetitive Aufgaben\n    automatisiert und Entwickler(innen) ermöglicht, sich auf innovative\n    Problemlösungen zu konzentrieren. \n\n\n    [Teste GitLab Duo jetzt\n    kostenlos!](https://about.gitlab.com/de-de/gitlab-duo-agent-platform/) \n\n\n    ## FAQs - Generative KI\n\n    ### Was ist der Unterschied zwischen AI und KI?\n\n    Es gibt keinen Unterschied zwischen AI und KI. „AI” steht für „Artificial\n    Intelligence”, „KI” steht für „Künstliche Intelligenz” und ist der deutsche\n    Begriff für AI. Häufig werden beide Begriffe verwendet – die Bedeutung ist\n    jedoch immer dieselbe. \n\n\n    ### Wo wird generative KI angewendet?\n\n    Generative KI findet Anwendung in der Content-Erstellung, bei\n    Designprozessen, in der Medizin zur Analyse und Modellierung, in der\n    Softwareentwicklung für automatisierte Codegenerierung und in der\n    Unterhaltungsindustrie zur Erstellung von Filmen, Musik und Spielen.\n\n\n    ### Was unterscheidet generative KI von klassischer KI?\n\n    Klassische KI verarbeitet und analysiert Daten, um Entscheidungen zu treffen\n    oder Prozesse zu automatisieren. Generative KI hingegen erschafft\n    eigenständig neue Inhalte, die sich an den erlernten Daten orientieren, aber\n    originell und innovativ sind.\n\n\n    ### Welche Arten von generativer KI gibt es?\n\n    Zu den gängigen Modellen gehören GANs, Transformermodelle, Variational\n    Autoencoders und Diffusionsmodelle. Jedes Modell ist auf spezifische\n    Anwendungen wie die Generierung von Texten, Bildern oder Audio\n    spezialisiert. \n\n\n    ### Wie sicher ist generative KI?\n\n    Die Sicherheit generativer KI hängt stark von ihrem Einsatz ab. Während sie\n    viele positive Anwendungen hat, können Risiken wie die Erstellung von\n    Falschinformationen oder urheberrechtliche Konflikte auftreten, wenn sie\n    nicht verantwortungsvoll genutzt wird.\n\n\n    ### Welche Herausforderungen gibt es bei generativer KI?\n\n    Herausforderungen umfassen den hohen Rechenaufwand, die Qualität der\n    Trainingsdaten, ethische Fragen wie Bias in Modellen und mögliche\n    Missbrauchsrisiken, etwa durch die Generierung manipulativer Inhalte.\n\n\n    ### Wie wird generative KI bei GitLab eingesetzt?\n\n    GitLab nutzt generative KI, um Entwicklungsprozesse zu optimieren. Sie wird\n    unter anderem für automatisierte Code-Vorschläge, Dokumentationserstellung\n    und Fehlerbehebung eingesetzt, wodurch Entwickler(innen) Zeit sparen und\n    effizienter arbeiten können.\n  category: ai-ml\n  tags:\n    - AI/ML\nconfig:\n  slug: what-is-generative-ai\n  featured: false\n  template: BlogPost\n",{"title":5,"description":17,"ogTitle":5,"ogDescription":17,"noIndex":14,"ogImage":19,"ogUrl":30,"ogSiteName":31,"ogType":32,"canonicalUrls":30},"https://about.gitlab.com/blog/what-is-generative-ai","https://about.gitlab.com","article","de-de/blog/what-is-generative-ai",[35],"aiml",[22],"5Kvc_TdX3cB1Nwu5KNh07Q3LnHO2FowZYdvrlhuod6Y",{"data":39},{"logo":40,"freeTrial":45,"sales":50,"login":55,"items":60,"search":370,"minimal":404,"duo":422,"switchNav":431,"pricingDeployment":442},{"config":41},{"href":42,"dataGaName":43,"dataGaLocation":44},"/de-de/","gitlab logo","header",{"text":46,"config":47},"Kostenlose Testversion anfordern",{"href":48,"dataGaName":49,"dataGaLocation":44},"https://gitlab.com/-/trial_registrations/new?glm_source=about.gitlab.com/de-de&glm_content=default-saas-trial/","free trial",{"text":51,"config":52},"Vertrieb kontaktieren",{"href":53,"dataGaName":54,"dataGaLocation":44},"/de-de/sales/","sales",{"text":56,"config":57},"Anmelden",{"href":58,"dataGaName":59,"dataGaLocation":44},"https://gitlab.com/users/sign_in/","sign in",[61,88,185,190,291,351],{"text":62,"config":63,"cards":65},"Plattform",{"dataNavLevelOne":64},"platform",[66,72,80],{"title":62,"description":67,"link":68},"Die intelligente Orchestrierungsplattform für DevSecOps",{"text":69,"config":70},"Die Plattform erkunden",{"href":71,"dataGaName":64,"dataGaLocation":44},"/de-de/platform/",{"title":73,"description":74,"link":75},"GitLab Duo Agent Platform","Agentische KI für den gesamten Software-Lebenszyklus",{"text":76,"config":77},"Lerne GitLab Duo kennen",{"href":78,"dataGaName":79,"dataGaLocation":44},"/de-de/gitlab-duo-agent-platform/","gitlab duo agent platform",{"title":81,"description":82,"link":83},"Warum GitLab?","Erfahre, warum sich Unternehmen für GitLab entscheiden",{"text":84,"config":85},"Mehr erfahren",{"href":86,"dataGaName":87,"dataGaLocation":44},"/de-de/why-gitlab/","why gitlab",{"text":89,"left":26,"config":90,"link":92,"lists":96,"footer":167},"Produkt",{"dataNavLevelOne":91},"solutions",{"text":93,"config":94},"Alle Lösungen anzeigen",{"href":95,"dataGaName":91,"dataGaLocation":44},"/de-de/solutions/",[97,122,145],{"title":98,"description":99,"link":100,"items":105},"Automatisierung","CI/CD und Automatisierung zur Beschleunigung der Bereitstellung",{"config":101},{"icon":102,"href":103,"dataGaName":104,"dataGaLocation":44},"AutomatedCodeAlt","/de-de/solutions/delivery-automation/","automated software delivery",[106,110,113,118],{"text":107,"config":108},"CI/CD",{"href":109,"dataGaLocation":44,"dataGaName":107},"/de-de/solutions/continuous-integration/",{"text":73,"config":111},{"href":78,"dataGaLocation":44,"dataGaName":112},"gitlab duo agent platform - product menu",{"text":114,"config":115},"Quellcodeverwaltung",{"href":116,"dataGaLocation":44,"dataGaName":117},"/de-de/solutions/source-code-management/","Source Code Management",{"text":119,"config":120},"Automatische Softwarebereitstellung",{"href":103,"dataGaLocation":44,"dataGaName":121},"Automated software delivery",{"title":123,"description":124,"link":125,"items":130},"Sicherheit","Entwickle Code schneller ohne Abstriche bei der Sicherheit",{"config":126},{"href":127,"dataGaName":128,"dataGaLocation":44,"icon":129},"/de-de/solutions/application-security-testing/","security and compliance","ShieldCheckLight",[131,135,140],{"text":132,"config":133},"Anwendungssicherheitstests",{"href":127,"dataGaName":134,"dataGaLocation":44},"Application security testing",{"text":136,"config":137},"Schutz der Software-Lieferkette",{"href":138,"dataGaLocation":44,"dataGaName":139},"/de-de/solutions/supply-chain/","Software supply chain security",{"text":141,"config":142},"Software-Compliance",{"href":143,"dataGaName":144,"dataGaLocation":44},"/de-de/solutions/software-compliance/","software compliance",{"title":146,"link":147,"items":152},"Auswertung",{"config":148},{"icon":149,"href":150,"dataGaName":151,"dataGaLocation":44},"DigitalTransformation","/de-de/solutions/visibility-measurement/","visibility and measurement",[153,157,162],{"text":154,"config":155},"Sichtbarkeit und Auswertung",{"href":150,"dataGaLocation":44,"dataGaName":156},"Visibility and Measurement",{"text":158,"config":159},"Wertstrommanagement",{"href":160,"dataGaLocation":44,"dataGaName":161},"/de-de/solutions/value-stream-management/","Value Stream Management",{"text":163,"config":164},"Analysen und Einblicke",{"href":165,"dataGaLocation":44,"dataGaName":166},"/de-de/solutions/analytics-and-insights/","Analytics and insights",{"title":168,"items":169},"GitLab für",[170,175,180],{"text":171,"config":172},"Enterprise",{"href":173,"dataGaLocation":44,"dataGaName":174},"/de-de/enterprise/","enterprise",{"text":176,"config":177},"Kleinunternehmen",{"href":178,"dataGaLocation":44,"dataGaName":179},"/de-de/small-business/","small business",{"text":181,"config":182},"Öffentlicher Sektor",{"href":183,"dataGaLocation":44,"dataGaName":184},"/de-de/solutions/public-sector/","public sector",{"text":186,"config":187},"Preise",{"href":188,"dataGaName":189,"dataGaLocation":44,"dataNavLevelOne":189},"/de-de/pricing/","pricing",{"text":191,"config":192,"link":194,"lists":198,"feature":278},"Ressourcen",{"dataNavLevelOne":193},"resources",{"text":195,"config":196},"Alle Ressourcen anzeigen",{"href":197,"dataGaName":193,"dataGaLocation":44},"/de-de/resources/",[199,232,250],{"title":200,"items":201},"Erste Schritte",[202,207,212,217,222,227],{"text":203,"config":204},"Installieren",{"href":205,"dataGaName":206,"dataGaLocation":44},"/de-de/install/","install",{"text":208,"config":209},"Kurzanleitungen",{"href":210,"dataGaName":211,"dataGaLocation":44},"/de-de/get-started/","quick setup checklists",{"text":213,"config":214},"Lernen",{"href":215,"dataGaLocation":44,"dataGaName":216},"https://university.gitlab.com/","learn",{"text":218,"config":219},"Produktdokumentation",{"href":220,"dataGaName":221,"dataGaLocation":44},"https://docs.gitlab.com/","product documentation",{"text":223,"config":224},"Best-Practice-Videos",{"href":225,"dataGaName":226,"dataGaLocation":44},"/de-de/getting-started-videos/","best practice videos",{"text":228,"config":229},"Integrationen",{"href":230,"dataGaName":231,"dataGaLocation":44},"/de-de/integrations/","integrations",{"title":233,"items":234},"Entdecken",[235,240,245],{"text":236,"config":237},"Kundenerfolge",{"href":238,"dataGaName":239,"dataGaLocation":44},"/de-de/customers/","customer success stories",{"text":241,"config":242},"Blog",{"href":243,"dataGaName":244,"dataGaLocation":44},"/de-de/blog/","blog",{"text":246,"config":247},"Remote",{"href":248,"dataGaName":249,"dataGaLocation":44},"https://handbook.gitlab.com/handbook/company/culture/all-remote/","remote",{"title":251,"items":252},"Vernetzen",[253,258,263,268,273],{"text":254,"config":255},"GitLab Services",{"href":256,"dataGaName":257,"dataGaLocation":44},"/de-de/services/","services",{"text":259,"config":260},"Community",{"href":261,"dataGaName":262,"dataGaLocation":44},"/community/","community",{"text":264,"config":265},"Forum",{"href":266,"dataGaName":267,"dataGaLocation":44},"https://forum.gitlab.com/","forum",{"text":269,"config":270},"Veranstaltungen",{"href":271,"dataGaName":272,"dataGaLocation":44},"/events/","events",{"text":274,"config":275},"Partner",{"href":276,"dataGaName":277,"dataGaLocation":44},"/de-de/partners/","partners",{"background":279,"textColor":280,"text":281,"image":282,"link":286},"#2f2a6b","#fff","Perspektiven für die Softwareentwicklung der Zukunft",{"altText":283,"config":284},"The Source Promo-Karte",{"src":285},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758208064/dzl0dbift9xdizyelkk4.svg",{"text":287,"config":288},"Aktuelles",{"href":289,"dataGaName":290,"dataGaLocation":44},"/de-de/the-source/","the source",{"text":292,"config":293,"lists":295},"Unternehmen",{"dataNavLevelOne":294},"company",[296],{"items":297},[298,303,309,311,316,321,326,331,336,341,346],{"text":299,"config":300},"Über",{"href":301,"dataGaName":302,"dataGaLocation":44},"/de-de/company/","about",{"text":304,"config":305,"footerGa":308},"Karriere",{"href":306,"dataGaName":307,"dataGaLocation":44},"/jobs/","jobs",{"dataGaName":307},{"text":269,"config":310},{"href":271,"dataGaName":272,"dataGaLocation":44},{"text":312,"config":313},"Geschäftsführung",{"href":314,"dataGaName":315,"dataGaLocation":44},"/company/team/e-group/","leadership",{"text":317,"config":318},"Team",{"href":319,"dataGaName":320,"dataGaLocation":44},"/company/team/","team",{"text":322,"config":323},"Handbuch",{"href":324,"dataGaName":325,"dataGaLocation":44},"https://handbook.gitlab.com/","handbook",{"text":327,"config":328},"Investor Relations",{"href":329,"dataGaName":330,"dataGaLocation":44},"https://ir.gitlab.com/","investor relations",{"text":332,"config":333},"Trust Center",{"href":334,"dataGaName":335,"dataGaLocation":44},"/de-de/security/","trust center",{"text":337,"config":338},"AI Transparency Center",{"href":339,"dataGaName":340,"dataGaLocation":44},"/de-de/ai-transparency-center/","ai transparency center",{"text":342,"config":343},"Newsletter",{"href":344,"dataGaName":345,"dataGaLocation":44},"/company/contact/#contact-forms","newsletter",{"text":347,"config":348},"Presse",{"href":349,"dataGaName":350,"dataGaLocation":44},"/press/","press",{"text":352,"config":353,"lists":354},"Kontakt",{"dataNavLevelOne":294},[355],{"items":356},[357,360,365],{"text":51,"config":358},{"href":53,"dataGaName":359,"dataGaLocation":44},"talk to sales",{"text":361,"config":362},"Support-Portal",{"href":363,"dataGaName":364,"dataGaLocation":44},"https://support.gitlab.com","support portal",{"text":366,"config":367},"Kundenportal",{"href":368,"dataGaName":369,"dataGaLocation":44},"https://customers.gitlab.com/customers/sign_in/","customer portal",{"close":371,"login":372,"suggestions":379},"Schließen",{"text":373,"link":374},"Um Repositorys und Projekte zu durchsuchen, melde dich an bei",{"text":375,"config":376},"gitlab.com",{"href":58,"dataGaName":377,"dataGaLocation":378},"search login","search",{"text":380,"default":381},"Vorschläge",[382,384,389,391,396,401],{"text":73,"config":383},{"href":78,"dataGaName":73,"dataGaLocation":378},{"text":385,"config":386},"Codevorschläge (KI)",{"href":387,"dataGaName":388,"dataGaLocation":378},"/de-de/solutions/code-suggestions/","Code Suggestions (AI)",{"text":107,"config":390},{"href":109,"dataGaName":107,"dataGaLocation":378},{"text":392,"config":393},"GitLab auf AWS",{"href":394,"dataGaName":395,"dataGaLocation":378},"/de-de/partners/technology-partners/aws/","GitLab on AWS",{"text":397,"config":398},"GitLab auf Google Cloud",{"href":399,"dataGaName":400,"dataGaLocation":378},"/de-de/partners/technology-partners/google-cloud-platform/","GitLab on Google Cloud",{"text":81,"config":402},{"href":86,"dataGaName":403,"dataGaLocation":378},"Why GitLab?",{"freeTrial":405,"mobileIcon":410,"desktopIcon":415,"secondaryButton":418},{"text":406,"config":407},"Kostenlos testen",{"href":408,"dataGaName":49,"dataGaLocation":409},"https://gitlab.com/-/trials/new/","nav",{"altText":411,"config":412},"GitLab-Symbol",{"src":413,"dataGaName":414,"dataGaLocation":409},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758203874/jypbw1jx72aexsoohd7x.svg","gitlab icon",{"altText":411,"config":416},{"src":417,"dataGaName":414,"dataGaLocation":409},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1758203875/gs4c8p8opsgvflgkswz9.svg",{"text":200,"config":419},{"href":420,"dataGaName":421,"dataGaLocation":409},"https://gitlab.com/-/trial_registrations/new?glm_source=about.gitlab.com/de-de/get-started/","get started",{"freeTrial":423,"mobileIcon":427,"desktopIcon":429},{"text":424,"config":425},"Mehr über GitLab Duo erfahren",{"href":78,"dataGaName":426,"dataGaLocation":409},"gitlab duo",{"altText":411,"config":428},{"src":413,"dataGaName":414,"dataGaLocation":409},{"altText":411,"config":430},{"src":417,"dataGaName":414,"dataGaLocation":409},{"button":432,"mobileIcon":437,"desktopIcon":439},{"text":433,"config":434},"/Option",{"href":435,"dataGaName":436,"dataGaLocation":409},"#contact","switch",{"altText":411,"config":438},{"src":413,"dataGaName":414,"dataGaLocation":409},{"altText":411,"config":440},{"src":441,"dataGaName":414,"dataGaLocation":409},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1773335277/ohhpiuoxoldryzrnhfrh.png",{"freeTrial":443,"mobileIcon":448,"desktopIcon":450},{"text":444,"config":445},"Zurück zur Preisübersicht",{"href":188,"dataGaName":446,"dataGaLocation":409,"icon":447},"back to pricing","GoBack",{"altText":411,"config":449},{"src":413,"dataGaName":414,"dataGaLocation":409},{"altText":411,"config":451},{"src":417,"dataGaName":414,"dataGaLocation":409},{"title":453,"button":454,"config":459},"Sieh dir an, wie agentische KI die Softwarebereitstellung transformiert",{"text":455,"config":456},"GitLab Transcend jetzt ansehen",{"href":457,"dataGaName":458,"dataGaLocation":44},"/de-de/events/transcend/virtual/","transcend event",{"layout":460,"icon":461,"disabled":26},"release","AiStar",{"data":463},{"text":464,"source":465,"edit":471,"contribute":476,"config":481,"items":486,"minimal":689},"Git ist eine Marke von Software Freedom Conservancy und unsere Verwendung von „GitLab“ erfolgt unter Lizenz.",{"text":466,"config":467},"Quelltext der Seite anzeigen",{"href":468,"dataGaName":469,"dataGaLocation":470},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/","page source","footer",{"text":472,"config":473},"Diese Seite bearbeiten",{"href":474,"dataGaName":475,"dataGaLocation":470},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/content/","web ide",{"text":477,"config":478},"Beteilige dich",{"href":479,"dataGaName":480,"dataGaLocation":470},"https://gitlab.com/gitlab-com/marketing/digital-experience/about-gitlab-com/-/blob/main/CONTRIBUTING.md/","please contribute",{"twitter":482,"facebook":483,"youtube":484,"linkedin":485},"https://x.com/gitlab","https://www.facebook.com/gitlab","https://www.youtube.com/channel/UCnMGQ8QHMAnVIsI3xJrihhg","https://www.linkedin.com/company/gitlab-com",[487,532,585,627,654],{"title":186,"links":488,"subMenu":503},[489,493,498],{"text":490,"config":491},"Tarife anzeigen",{"href":188,"dataGaName":492,"dataGaLocation":470},"view plans",{"text":494,"config":495},"Vorteile von Premium",{"href":496,"dataGaName":497,"dataGaLocation":470},"/de-de/pricing/premium/","why premium",{"text":499,"config":500},"Vorteile von Ultimate",{"href":501,"dataGaName":502,"dataGaLocation":470},"/de-de/pricing/ultimate/","why ultimate",[504],{"title":352,"links":505},[506,508,510,512,517,522,527],{"text":51,"config":507},{"href":53,"dataGaName":54,"dataGaLocation":470},{"text":361,"config":509},{"href":363,"dataGaName":364,"dataGaLocation":470},{"text":366,"config":511},{"href":368,"dataGaName":369,"dataGaLocation":470},{"text":513,"config":514},"Status",{"href":515,"dataGaName":516,"dataGaLocation":470},"https://status.gitlab.com/","status",{"text":518,"config":519},"Nutzungsbedingungen",{"href":520,"dataGaName":521,"dataGaLocation":470},"/terms/","terms of use",{"text":523,"config":524},"Datenschutzerklärung",{"href":525,"dataGaName":526,"dataGaLocation":470},"/de-de/privacy/","privacy statement",{"text":528,"config":529},"Cookie-Einstellungen",{"dataGaName":530,"dataGaLocation":470,"id":531,"isOneTrustButton":26},"cookie preferences","ot-sdk-btn",{"title":89,"links":533,"subMenu":542},[534,538],{"text":535,"config":536},"DevSecOps-Plattform",{"href":71,"dataGaName":537,"dataGaLocation":470},"devsecops platform",{"text":539,"config":540},"KI-unterstützte Entwicklung",{"href":78,"dataGaName":541,"dataGaLocation":470},"ai-assisted development",[543],{"title":544,"links":545},"Themen",[546,550,555,560,565,570,575,580],{"text":107,"config":547},{"href":548,"dataGaName":549,"dataGaLocation":470},"/de-de/topics/ci-cd/","cicd",{"text":551,"config":552},"GitOps",{"href":553,"dataGaName":554,"dataGaLocation":470},"/de-de/topics/gitops/","gitops",{"text":556,"config":557},"DevOps",{"href":558,"dataGaName":559,"dataGaLocation":470},"/de-de/topics/devops/","devops",{"text":561,"config":562},"Versionskontrolle",{"href":563,"dataGaName":564,"dataGaLocation":470},"/de-de/topics/version-control/","version control",{"text":566,"config":567},"DevSecOps",{"href":568,"dataGaName":569,"dataGaLocation":470},"/de-de/topics/devsecops/","devsecops",{"text":571,"config":572},"Cloud-nativ",{"href":573,"dataGaName":574,"dataGaLocation":470},"/de-de/topics/cloud-native/","cloud native",{"text":576,"config":577},"KI für das Programmieren",{"href":578,"dataGaName":579,"dataGaLocation":470},"/de-de/topics/devops/ai-for-coding/","ai for coding",{"text":581,"config":582},"Agentische KI",{"href":583,"dataGaName":584,"dataGaLocation":470},"/de-de/topics/agentic-ai/","agentic ai",{"title":586,"links":587},"Lösungen",[588,591,593,598,602,605,608,611,613,615,617,622],{"text":132,"config":589},{"href":127,"dataGaName":590,"dataGaLocation":470},"Application Security Testing",{"text":119,"config":592},{"href":103,"dataGaName":104,"dataGaLocation":470},{"text":594,"config":595},"Agile Entwicklung",{"href":596,"dataGaName":597,"dataGaLocation":470},"/de-de/solutions/agile-delivery/","agile delivery",{"text":599,"config":600},"SCM",{"href":116,"dataGaName":601,"dataGaLocation":470},"source code management",{"text":107,"config":603},{"href":109,"dataGaName":604,"dataGaLocation":470},"continuous integration & delivery",{"text":158,"config":606},{"href":160,"dataGaName":607,"dataGaLocation":470},"value stream management",{"text":551,"config":609},{"href":610,"dataGaName":554,"dataGaLocation":470},"/de-de/solutions/gitops/",{"text":171,"config":612},{"href":173,"dataGaName":174,"dataGaLocation":470},{"text":176,"config":614},{"href":178,"dataGaName":179,"dataGaLocation":470},{"text":181,"config":616},{"href":183,"dataGaName":184,"dataGaLocation":470},{"text":618,"config":619},"Bildungswesen",{"href":620,"dataGaName":621,"dataGaLocation":470},"/de-de/solutions/education/","education",{"text":623,"config":624},"Finanzdienstleistungen",{"href":625,"dataGaName":626,"dataGaLocation":470},"/de-de/solutions/finance/","financial services",{"title":191,"links":628},[629,631,633,635,638,640,642,644,646,648,650,652],{"text":203,"config":630},{"href":205,"dataGaName":206,"dataGaLocation":470},{"text":208,"config":632},{"href":210,"dataGaName":211,"dataGaLocation":470},{"text":213,"config":634},{"href":215,"dataGaName":216,"dataGaLocation":470},{"text":218,"config":636},{"href":220,"dataGaName":637,"dataGaLocation":470},"docs",{"text":241,"config":639},{"href":243,"dataGaName":244,"dataGaLocation":470},{"text":236,"config":641},{"href":238,"dataGaName":239,"dataGaLocation":470},{"text":246,"config":643},{"href":248,"dataGaName":249,"dataGaLocation":470},{"text":254,"config":645},{"href":256,"dataGaName":257,"dataGaLocation":470},{"text":259,"config":647},{"href":261,"dataGaName":262,"dataGaLocation":470},{"text":264,"config":649},{"href":266,"dataGaName":267,"dataGaLocation":470},{"text":269,"config":651},{"href":271,"dataGaName":272,"dataGaLocation":470},{"text":274,"config":653},{"href":276,"dataGaName":277,"dataGaLocation":470},{"title":292,"links":655},[656,658,660,662,664,666,668,673,678,680,682,684],{"text":299,"config":657},{"href":301,"dataGaName":294,"dataGaLocation":470},{"text":304,"config":659},{"href":306,"dataGaName":307,"dataGaLocation":470},{"text":312,"config":661},{"href":314,"dataGaName":315,"dataGaLocation":470},{"text":317,"config":663},{"href":319,"dataGaName":320,"dataGaLocation":470},{"text":322,"config":665},{"href":324,"dataGaName":325,"dataGaLocation":470},{"text":327,"config":667},{"href":329,"dataGaName":330,"dataGaLocation":470},{"text":669,"config":670},"Nachhaltigkeit",{"href":671,"dataGaName":672,"dataGaLocation":470},"/sustainability/","Sustainability",{"text":674,"config":675},"Vielfalt, Inklusion und Zugehörigkeit",{"href":676,"dataGaName":677,"dataGaLocation":470},"/de-de/diversity-inclusion-belonging/","Diversity, inclusion and belonging",{"text":332,"config":679},{"href":334,"dataGaName":335,"dataGaLocation":470},{"text":342,"config":681},{"href":344,"dataGaName":345,"dataGaLocation":470},{"text":347,"config":683},{"href":349,"dataGaName":350,"dataGaLocation":470},{"text":685,"config":686},"Transparenzerklärung zu moderner Sklaverei",{"href":687,"dataGaName":688,"dataGaLocation":470},"https://handbook.gitlab.com/handbook/legal/modern-slavery-act-transparency-statement/","modern slavery transparency statement",{"items":690},[691,693,696],{"text":518,"config":692},{"href":520,"dataGaName":521,"dataGaLocation":470},{"text":694,"config":695},"Cookies",{"dataGaName":530,"dataGaLocation":470,"id":531,"isOneTrustButton":26},{"text":523,"config":697},{"href":525,"dataGaName":526,"dataGaLocation":470},[699],{"id":700,"title":701,"body":24,"config":702,"content":704,"description":24,"extension":23,"meta":708,"navigation":26,"path":709,"seo":710,"stem":711,"__hash__":712},"blogAuthors/en-us/blog/authors/gitlab-germany-team.yml","Gitlab Germany Team",{"template":703},"BlogAuthor",{"name":9,"config":705},{"headshot":706,"ctfId":707},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1749659488/Blog/Author%20Headshots/gitlab-logo-extra-whitespace.png","6tNquF8jQeRRRi8k3ZXpvS",{},"/en-us/blog/authors/gitlab-germany-team",{},"en-us/blog/authors/gitlab-germany-team","vGs9BT_ji6dORS29vl80DKX6mSputlQV2W7-4vW2hL8",[714,727,740],{"content":715,"config":725},{"title":716,"description":717,"authors":718,"heroImage":720,"date":721,"body":722,"category":11,"tags":723},"GitLab und Anthropic: Governed AI für die Unternehmensentwicklung","GitLab vertieft die Anthropic-Integration – KI-Governance, Auditierbarkeit und Cloud-Flexibilität für regulierte Unternehmen und den öffentlichen Sektor.",[719],"Stuart Moncada","https://res.cloudinary.com/about-gitlab-com/image/upload/v1776457632/llddiylsgwuze0u1rjks.png","2026-04-28","Für Führungskräfte in Unternehmen und im öffentlichen Sektor ist die Spannung\nvertraut: Softwareteams müssen mit KI schneller werden, während Sicherheits-,\nCompliance- und regulatorische Anforderungen weiter steigen. GitLab vertieft\ndie Integration mit Anthropic Claude, sodass Unternehmen Zugang zu neu\nveröffentlichten Claude-Modellen innerhalb von GitLabs intelligenter\nOrchestrierungsplattform erhalten – dort, wo Governance, Compliance und\nAuditierbarkeit bereits verankert sind.\n\nClaude treibt Funktionen der gesamten GitLab Duo Agent Platform als\nStandardmodell an – für Anwendungsfälle von Code-Generierung und -Review bis\nhin zu agentischem Chat und Vulnerability Resolution. Wer GitLab Duo bereits\nnutzt, hat bereits erlebt, wie Duo-Agenten Workflows über den gesamten Software\nDevelopment Lifecycle (SDLC) automatisieren.\n\nDas beschleunigt die Integration von Claudes Fähigkeiten in GitLab, erweitert\ndie Deployment-Optionen für Unternehmen und unterstreicht, was GitLab als\nPlattform für Softwareentwicklung grundlegend unterscheidet: Governance,\nCompliance und Auditierbarkeit, die in jede KI-Interaktion eingebaut sind.\n\n> \"GitLab Duo hat beschleunigt, wie unsere Teams Software planen, bauen und\n> ausliefern. Die Kombination aus Anthropics Claude und GitLabs Plattform\n> bedeutet, dass wir leistungsfähigere KI erhalten, ohne zu ändern, wie wir\n> arbeiten oder wie sie kontrolliert wird.\"\n>\n> – Mans Booijink, Operations Manager, Cube\n\n\n## Der entscheidende Unterschied: Governed AI\n\nBei GitLab sind Governance-Kontrollen und Auditing in den SDLC eingebaut. Wenn\nClaude über die GitLab Duo Agent Platform eine Codeänderung vorschlägt, durchläuft\ndieser Vorschlag denselben Merge-Request-Prozess, dieselben Freigaberegeln,\ndasselbe Security Scanning und denselben Audit-Trail wie jede andere Änderung.\nKI erhält keine Ausnahme von den bestehenden Kontrollen. Sie operiert innerhalb\ndieser Kontrollen.\n\nJe weiter GitLab in die agentische Softwareentwicklung vordringt – bei der KI\nklar definierte Aufgaben autonom übernimmt – desto wichtiger wird die\nGovernance-Schicht. Ein KI-Agent, der einen Merge Request öffnen, eine\nSchwachstelle beheben oder einen Service refaktorieren kann, muss auditierbar\nund zuordenbar sein und denselben Richtliniendurchsetzungen unterliegen wie ein\nmenschlicher Entwickler. Diese Anforderung ist eine architektonische Entscheidung,\ndie GitLab von Beginn an getroffen hat – und die umso bedeutsamer wird, je mehr\nVerantwortung KI-Agenten übernehmen.\n\n\n## Deployment-Flexibilität für Unternehmen\n\nDie Integration erweitert auch, wie Unternehmen über GitLab auf die neuesten\nClaude-Modelle zugreifen. Claude ist innerhalb von GitLab über Google Cloud\nVertex AI und AWS Bedrock verfügbar – Unternehmen können KI-Workloads über die\nHyperscaler-Commitments und Cloud-Governance-Frameworks leiten, die bereits\nbestehen. Kein separater Anbietervertrag, keine neuen Fragen zur Datenresidenz.\nDie bestehende GCP- oder AWS-Beziehung ist der Einstiegspunkt.\n\nGitLab ist jetzt auch im [Claude Marketplace](https://claude.com/platform/marketplace)\nverfügbar. Kunden können dort GitLab Credits erwerben und auf bestehende\nAnthropic-Ausgaben-Commitments anrechnen – KI-Ausgaben konsolidieren und die\nBeschaffung von GitLab neben Anthropic-Investitionen vereinfachen.\n\n\n## Auf dem Weg in eine agentische Zukunft\n\nGitLabs Vision für agentische Softwareentwicklung – bei der KI definierte\nAufgaben autonom über Planung, Coding, Testing, Security und Deployment hinweg\nübernimmt – setzt Modelle mit starkem Reasoning, Zuverlässigkeit und\nSicherheitseigenschaften voraus. Und sie setzt eine Plattform voraus, auf der\ndiese autonomen Aktionen vollständig kontrolliert werden.\n\nAgentische Workflows erfordern Modelle mit starkem Reasoning, Zuverlässigkeit\nund Sicherheitseigenschaften – Kriterien, die die Auswahl und Integration von\nKI-Modellpartnern bei GitLab leiten. GitLabs Governance-Framework stellt sicher,\ndass Unternehmen bei zunehmendem KI-Einsatz in der Entwicklung vollständige\nTransparenz und Kontrolle darüber behalten, was diese Agenten tun, wann sie es\ntun und wie Änderungen nachverfolgt werden.\n\n\n## Was das für GitLab-Kunden bedeutet\n\nWer GitLab Duo Agent Platform bereits einsetzt, erhält Zugang zu Claude-Modellen\nund tieferer KI-Unterstützung über den gesamten Software Development Lifecycle –\ninnerhalb des Governance-Frameworks, auf das bereits vertraut wird.\n\nWer KI-gestützte Softwareentwicklungsplattformen evaluiert, sollte nicht zwischen\nfortschrittlichen KI-Fähigkeiten und Unternehmenskontrolle wählen müssen. Diese\nstrategische Integration ist darauf ausgelegt, beides zu liefern.\n\n> Mehr über GitLab Duo Agent Platform erfahren?\n> [Demo anfragen oder kostenlose Testversion starten](https://about.gitlab.com/de-de/gitlab-duo-agent-platform/).\n",[22,724,277],"product",{"featured":26,"template":15,"slug":726},"gitlab-and-anthropic-governed-ai-for-enterprise-development",{"content":728,"config":738},{"title":729,"description":730,"authors":731,"heroImage":733,"date":734,"body":735,"category":11,"tags":736},"glab CLI: Strukturierter GitLab-Zugriff für KI-Agenten","Das GitLab CLI (glab) gibt KI-Agenten strukturierten Zugriff auf Projekte via MCP. Tutorial: Code-Reviews und Issue-Triage mit glab beschleunigen.",[732],"Kai Armstrong","https://res.cloudinary.com/about-gitlab-com/image/upload/v1776347152/unw3mzatkd5xyfbzcnni.png","2026-04-27","Wenn Teams GitLab Duo, Claude, Cursor und andere KI-Assistenten einsetzen,\nläuft ein wachsender Teil des Entwicklungs-Workflows über einen KI-Agenten,\nder im eigenen Auftrag handelt – Issues liest, Merge Requests prüft, Pipelines\nausführt und dabei hilft, schneller zu liefern. Die meisten Entwickler(innen) nutzen\n`glab` bereits vom Terminal aus, um mit GitLab zu interagieren. Beides zu\nkombinieren ist der naheliegende nächste Schritt.\n\nDas Problem: Ohne die richtigen Werkzeuge rät ein KI-Agent im Wesentlichen,\nwenn es um GitLab-Projekte geht. Er könnte die Details eines Issues\nhalluzinieren, den er nie gesehen hat, einen Merge Request auf Basis veralteter\nTrainingsdaten zusammenfassen statt anhand seines tatsächlichen Zustands – oder\nverlangen, dass Kontext manuell aus einem Browser-Tab kopiert und in ein\nChat-Fenster eingefügt wird, bevor überhaupt begonnen werden kann. Jede dieser\nUmgehungslösungen ist Reibung: Sie verlangsamt die Arbeit, eröffnet\nFehlermöglichkeiten und setzt eine harte Obergrenze dafür, was der Agent\ntatsächlich leisten kann. Das GitLab CLI (`glab`) ändert das, indem es Agenten\neine direkte, zuverlässige Schnittstelle zu Projekten gibt.\n\nMit `glab` ruft der Agent das Benötigte direkt von GitLab ab, handelt darauf\nund meldet das Ergebnis zurück – sodass weniger Zeit damit verbracht wird,\nInformationen weiterzugeben, und mehr Zeit für die eigentliche Arbeit bleibt.\n\nIn diesem Tutorial wird gezeigt, wie `glab` KI-Agenten strukturierten,\nzuverlässigen Zugriff auf GitLab-Projekte ermöglicht – und wie das einen\nschnelleren, leistungsfähigeren Entwicklungs-Workflow freischaltet.\n\n\n## KI-Agent über MCP mit GitLab verbinden\n\nDer direkteste Weg, KI-Workflows deutlich leistungsfähiger zu machen, besteht\ndarin, dem KI-Agenten nativen Zugriff auf `glab` über das Model Context\nProtocol ([MCP](https://about.gitlab.com/topics/ai/model-context-protocol/))\nzu geben.\n\nMCP ist ein offener Standard, der KI-Werkzeugen ermöglicht, externe Fähigkeiten\nzur Laufzeit zu entdecken und zu nutzen. Nach der Verbindung kann der\nKI-Assistent Issues lesen, Merge Requests kommentieren, Pipeline-Status prüfen\nund zurück in GitLab schreiben – ohne etwas aus der UI zu kopieren oder auch\nnur einen einzigen API-Aufruf selbst zu schreiben.\n\nEinstieg mit:\n\n```shell\n# MCP-Server von glab starten\nglab mcp serve\n```\n\nSobald der MCP-Client konfiguriert ist, kann die KI Fragen wie *„Was ist der\nStatus meiner offenen MRs?\"* oder *„Gibt es fehlgeschlagene Pipelines auf\nmain?\"* beantworten, indem sie GitLab direkt abfragt – nicht durch Scraping der\nWeb-UI, nicht durch veraltete Trainingsdaten. Die\n[vollständige Setup-Dokumentation](https://docs.gitlab.com/cli/) enthält\nKonfigurationsschritte für Claude Code, Cursor und andere Editoren.\n\nEin wichtiges Detail: `glab` fügt automatisch `--output json` hinzu, wenn es\nüber MCP aufgerufen wird – für jeden Befehl, der das unterstützt. Der Agent\nerhält saubere, strukturierte Daten, ohne dass über Ausgabeformate nachgedacht\nwerden muss. Und da `glab` das offizielle MCP SDK verwendet, bleibt es\nkompatibel, wenn sich das Protokoll weiterentwickelt.\n\nWir haben bewusst entschieden, *welche* Befehle über MCP zugänglich sind.\nBefehle, die interaktive Terminalausgabe erfordern, sind absichtlich\nausgeschlossen – der Agent bleibt nie in einem Wartezustand für Eingaben, die\nnie kommen. Was zugänglich ist, funktioniert zuverlässig im Agenten-Kontext.\n\n\n## KI am Code-Review beteiligen\n\nDie meisten Entwickler(innen) haben einen Rückstand an MRs, die auf Review warten.\nDas ist einer der zeitintensivsten Teile der Arbeit – und einer der besten\nAnsatzpunkte für KI. Mit `glab` beobachtet der Agent die Review-Queue nicht\nnur, sondern arbeitet sie gemeinsam durch.\n\n### Genau sehen, was noch offen ist\n\nEinstieg mit:\n\n```shell\nglab mr view 2677 --comments --unresolved --output json\n```\n\nDieser Befehl gibt den vollständigen MR zurück: Metadaten, Beschreibung und\njede ungelöste Diskussion als einzelnes strukturiertes JSON-Payload. Das gibt\nder KI alles, was sie braucht: welche Threads offen sind, was der Reviewer\nangefragt hat und in welchem Kontext. Kein Tab-Wechsel, kein manuelles Kopieren\neinzelner Kommentare.\n\n```json\n{\n  \"id\": 2677,\n  \"title\": \"feat: add OAuth2 support\",\n  \"state\": \"opened\",\n  \"author\": { \"username\": \"jdwick\" },\n  \"labels\": [\"backend\", \"needs-review\"],\n  \"blocking_discussions_resolved\": false,\n  \"discussions\": [\n    {\n      \"id\": \"3107030349\",\n      \"resolved\": false,\n      \"notes\": [\n        {\n          \"author\": { \"username\": \"dmurphy\" },\n          \"body\": \"This error handling will swallow panics — consider wrapping with recover()\",\n          \"created_at\": \"2026-03-14T09:23:11.000Z\"\n        }\n      ]\n    },\n    {\n      \"id\": \"3107030412\",\n      \"resolved\": false,\n      \"notes\": [\n        {\n          \"author\": { \"username\": \"sreeves\" },\n          \"body\": \"Token refresh logic needs a test for the expired token case\",\n          \"created_at\": \"2026-03-14T10:05:44.000Z\"\n        }\n      ]\n    }\n  ]\n}\n```\n\nStatt jeden Thread selbst durchzulesen, lässt sich der Agent fragen:\n*„Was muss ich in MR 2677 noch beheben?\"* – und erhält eine priorisierte\nZusammenfassung mit Änderungsvorschlägen. Das alles aus einem einzigen Befehl.\n\n### Den Kreislauf programmatisch schließen\n\nSobald der KI geholfen hat, das Feedback zu adressieren, kann sie Diskussionen\nauflösen:\n\n```shell\n# Alle Diskussionen auflisten – strukturiert, bereit für den Agenten\nglab mr note list 456 --output json\n\n# Diskussion auflösen, sobald das Feedback adressiert wurde\nglab mr note resolve 456 3107030349\n\n# Wieder öffnen, wenn etwas erneut geprüft werden muss\nglab mr note reopen 456 3107030349\n```\n\n```json\n[\n  {\n    \"id\": 3107030349,\n    \"body\": \"This error handling will swallow panics — consider wrapping with recover()\",\n    \"author\": { \"username\": \"dmurphy\" },\n    \"resolved\": false,\n    \"resolvable\": true\n  },\n  {\n    \"id\": 3107030412,\n    \"body\": \"Token refresh logic needs a test for the expired token case\",\n    \"author\": { \"username\": \"sreeves\" },\n    \"resolved\": false,\n    \"resolvable\": true\n  }\n]\n```\n\nNote-IDs sind direkt in der GitLab-UI und der API sichtbar – kein zusätzlicher\nLookup nötig. Der Agent kann die vollständige Liste durcharbeiten, jeden Fix\nprüfen und dabei auflösen.\n\n\n## Mit der KI effektiver über Code sprechen\n\nAuch ohne laufenden MCP-Server gibt es eine einfachere Umstellung, die einen\ngroßen Unterschied macht: `glab` einsetzen, um der KI bessere Informationen zu\nliefern.\n\nBeim letzten Mal, als ein KI-Assistent bei der Issue-Triage oder beim Debuggen\neiner fehlgeschlagenen Pipeline geholfen hat, wurde wahrscheinlich etwas Text\naus der GitLab-UI kopiert und in den Chat eingefügt. Das ist es, womit der\nAgent tatsächlich arbeitet:\n\n```text\nopen issues: 12 • milestone: 17.10 • label: bug, needs-triage ...\n```\n\nIm Vergleich dazu, was er mit `glab` erhält:\n\n```json\n[\n  {\n    \"iid\": 902,\n    \"title\": \"Pipeline fails on merge to main\",\n    \"labels\": [\"bug\", \"needs-triage\"],\n    \"milestone\": { \"title\": \"17.10\" },\n    \"assignees\": []\n  },\n  ...\n]\n```\n\nStrukturiert, typisiert, vollständig – keine Mehrdeutigkeit, kein\nInterpretationsaufwand beim Parsen. Das ist der Unterschied zwischen einem\nAgenten, der handeln kann, und einem, der Rückfragen stellen muss.\n\nMit dem MCP-Server passiert das automatisch: `glab` fügt `--output json` für\njeden Befehl hinzu, der das unterstützt. Beim direkten Arbeiten im Terminal\neinfach das Flag selbst ergänzen:\n\n```shell\n# Offene Issues für Triage abrufen\nglab issue list --label \"needs-triage\" --output json\n\n# Pipeline-Status prüfen\nglab ci status --output json\n\n# Vollständige MR-Details abrufen\nglab mr view 456 --output json\n```\n\nDie JSON-Ausgabe wurde in letzten Releases erheblich erweitert. Sie deckt jetzt\nCI-Status, Milestones, Labels, Releases, Schedules, Cluster-Agenten, Work\nItems, MR-Genehmiger, Repository-Mitwirkende und mehr ab. Was `glab` abrufen\nkann, kann die KI sauber verarbeiten.\n\n### Ein echter Workflow\n\n```shell\n$ glab issue list --label \"needs-triage\" --milestone \"17.10\" \\\n--output json\n```\n\n```text\nAgent: I found 2 unassigned bugs in the 17.10 milestone that need triage:\n1. #902 — Pipeline fails on merge to main (opened 5 days ago)\n2. #903 — Auth token not refreshing on expiry (opened 4 days ago)\nBoth are unassigned. Want me to draft triage notes and suggest assignees based on recent commit history?\n```\n\n\n## Der Agent ist keineswegs auf eingebaute Befehle beschränkt\n\nDie nativen Befehle von `glab` decken die gängigsten Workflows ab – aber der\nAgent ist nicht darauf beschränkt. Über `glab api` hat er authentifizierten\nZugriff auf die vollständige GitLab REST- und GraphQL-API-Oberfläche, mit\nderselben Session, ohne zusätzliche Credentials oder Konfiguration.\n\nDas ist ein wesentlicher Unterschied. Die meisten CLI-Werkzeuge beschränken\nsich auf das, was ihre Befehle abbilden. Mit `glab` gilt: Wenn GitLabs API es\nunterstützt, kann der Agent es tun – immer aus einem vertrauenswürdigen,\nauthentifizierten Kontext heraus.\n\nEin praktisches Beispiel: nur die Liste der geänderten Dateien in einem MR\nabrufen, bevor entschieden wird, welche Diffs vollständig geladen werden:\n\n```shell\n# Geänderte Dateipfade abrufen – leichtgewichtig, noch kein Diff-Inhalt\nglab api \"/projects/$CI_PROJECT_ID/merge_requests/$CI_MERGE_REQUEST_IID/diffs?per_page=100\" \\\n| jq '.[].new_path'\n\n# Dann nur die spezifische Datei laden, die der Agent benötigt\nglab api \"/projects/$CI_PROJECT_ID/merge_requests/$CI_MERGE_REQUEST_IID/diffs?per_page=100\" \\\n| jq '.[] | select(.new_path == \"path/to/file.go\")'\n```\n\n```text\n\"internal/auth/token.go\"\n\"internal/auth/token_test.go\"\n\"internal/oauth/refresh.go\"\n```\n\nFür alles, was die REST API nicht abdeckt (Epics, bestimmte Work-Item-Abfragen,\nkomplexe projektübergreifende Daten), bietet `glab api graphql` die vollständige\nGraphQL-Schnittstelle:\n\n```shell\nglab api graphql -f query='\n{\n  project(fullPath: \"gitlab-org/gitlab\") {\n    mergeRequest(iid: \"12345\") {\n      title\n      reviewers { nodes { username } }\n    }\n  }\n}'\n```\n\n```json\n{\n  \"data\": {\n    \"project\": {\n      \"mergeRequest\": {\n        \"title\": \"feat: add OAuth2 support\",\n        \"reviewers\": {\n          \"nodes\": [\n            { \"username\": \"dmurphy\" },\n            { \"username\": \"sreeves\" }\n          ]\n        }\n      }\n    }\n  }\n}\n```\n\nEin einziger, authentifizierter Einstiegspunkt zu allem, was GitLab\nbereitstellt – ohne Token-Jonglieren, separate API-Clients oder\nKonfigurationsaufwand.\n\n\n## Was als Nächstes kommt – und Feedback\n\nZwei Verbesserungen, an denen aktiv gearbeitet wird, werden `glab` für\nAgenten-Workflows noch nützlicher machen:\n\n**Auf Agenten abgestimmter Hilfetext.** Heute ist die `--help`-Ausgabe für\nMenschen am Terminal geschrieben. Sie wird aktualisiert, um für jeden\ninteraktiven Befehl die nicht-interaktive Alternative anzuzeigen, Befehle mit\n`--output json`-Unterstützung zu kennzeichnen und Hilfe generell zu einer\nnützlichen Ressource für Agenten zu machen, die Fähigkeiten zur Laufzeit\nentdecken – nicht nur für Menschen.\n\n**Besser maschinenlesbare Fehlermeldungen.** Wenn heute etwas schiefläuft,\nerhalten Agenten dieselben menschenlesbaren Fehlermeldungen wie\nTerminal-Nutzende. Das wird geändert: Fehler im JSON-Modus geben strukturierte\nAusgaben zurück, die dem Agenten die Informationen liefern, die er braucht, um\nFehler sauber zu behandeln, intelligent zu wiederholen oder den richtigen\nKontext zurückzugeben.\n\nBeide Punkte sind in aktiver Entwicklung. Wer `glab` bereits mit einem\nKI-Werkzeug einsetzt, ist genau die Zielgruppe, deren Erfahrungen uns\ninteressieren.\n\n* **Welche Reibungspunkte gibt es?** Befehle, die sich in Agenten-Kontexten\n  nicht gut verhalten, Fehlermeldungen ohne Handlungsanleitung, Lücken in der\n  JSON-Ausgabe. Feedback ist willkommen.\n\n* **Welche Workflows wurden erschlossen?** Reale Nutzungsmuster helfen dabei,\n  Prioritäten für die weitere Entwicklung zu setzen.\n\nDie Diskussion findet im\n[Feedback-Issue](https://gitlab.com/gitlab-org/cli/-/issues/8177) statt –\ndort wird die Roadmap für Agenten-Freundlichkeit gestaltet, und Beiträge haben\ndort den direktesten Einfluss. Wer eine spezifische Lücke gefunden hat,\nkann ein [Issue öffnen](https://gitlab.com/gitlab-org/cli/-/issues/new). Wer\neinen Fix im Sinn hat: Beiträge sind willkommen. Details unter\n[CONTRIBUTING.md](https://gitlab.com/gitlab-org/cli/-/blob/main/CONTRIBUTING.md).\n\nDas GitLab CLI stand schon immer dafür, Entwickler(inne)n mehr Kontrolle über ihren\nWorkflow zu geben. Da KI ein immer größerer Teil der täglichen Arbeit wird,\nbedeutet das, `glab` zur bestmöglichen Schnittstelle zwischen KI-Werkzeugen\nund GitLab-Projekten zu machen. Wir stehen am Anfang – und freuen uns darauf,\nden nächsten Teil gemeinsam zu gestalten.\n",[22,724,737],"tutorial",{"featured":26,"template":15,"slug":739},"give-your-ai-agent-direct-structured-gitlab-access-with-glab-cli",{"content":741,"config":749},{"title":742,"description":743,"authors":744,"heroImage":733,"date":746,"body":747,"category":11,"tags":748},"GitHubs neue Copilot-Richtlinie: Was regulierte Unternehmen jetzt prüfen müssen","Warum GitLabs Datenverwaltungsansatz strukturell anders ist – und was GitHubs neue Copilot-Richtlinie für regulierte Unternehmen bedeutet.",[745],"Allie Holland","2026-04-20","GitHub hat kürzlich angekündigt, wie Interaktionsdaten von Copilot-Nutzenden\nkünftig verwendet werden. Ab dem 24. April 2026 werden Daten aus Copilot Free,\nPro und Pro+ standardmäßig zum Training von KI-Modellen genutzt, sofern\nNutzende nicht aktiv widersprechen. Betroffen sind Eingaben, Ausgaben,\nCode-Snippets und zugehöriger Kontext. Copilot Business und Enterprise sind\naufgrund bestehender Vertragskonditionen ausgenommen.\n\nFür Unternehmen in regulierten Branchen wirft diese Änderung Fragen auf, die\nüber individuelle Entwicklerpräferenzen weit hinausgehen. Sie zwingt zu einer\ngrundlegenden Prüfung, die Führungskräfte aus Engineering und IT-Sicherheit\njedem KI-Anbieter in ihrem Stack stellen sollten: Werden unsere Daten für\nKI-Training verwendet?\n\nGitLabs Antwort lautet: Nein. GitLab trainiert KI-Modelle nicht mit\nKundendaten – auf keiner Preisstufe. KI-Anbieter sind vertraglich verpflichtet,\nKundeneingaben und -ausgaben nicht für eigene Zwecke zu verwenden. Das\n[GitLab AI Transparency Center](https://about.gitlab.com/de-de/ai-transparency-center/)\nmacht diese Zusage prüfbar. Eine zentrale Dokumentation zeigt, welche Modelle\nwelche Funktionen betreiben, wie Daten verarbeitet werden, welche\nUnterauftragsverarbeiter beteiligt sind und wie lange Daten gespeichert werden.\nDas AI Transparency Center dokumentiert außerdem den Compliance-Status jeder\nFunktion – einschließlich der Bestätigung, dass GitLabs aktuelle KI-Funktionen\nnicht als Hochrisikosysteme im Sinne des EU AI Act eingestuft werden. Diesen\nStandard hat GitLab-CEO Bill Staples\n[wiederholt bekräftigt](https://www.linkedin.com/posts/williamstaples_gitlab-1810-agentic-ai-now-open-to-even-activity-7443280763715985408-aHxf)\n– er spiegelt GitLabs Unternehmensmission und das\n[Trust Center](https://trust.gitlab.com/) wider.\n\n\n## Was die Richtlinienänderung tatsächlich bedeutet\n\nGitHub gibt zudem an, dass die Daten mit verbundenen Unternehmen – darunter\nMicrosoft – für KI-Entwicklungszwecke geteilt werden können.\n\nQuellcode zählt häufig zum sensibelsten geistigen Eigentum eines Unternehmens.\nEr kann proprietäre Geschäftslogik abbilden, interne Systemarchitekturen\noffenlegen oder Datenflüsse berühren, die strengen Aufbewahrungs- und\nZugriffsrichtlinien unterliegen. Wenn dieser Code einen KI-Assistenten\ndurchläuft und zum Training von Modellen verwendet wird, die auch Wettbewerbern\ndienen, werden Anbieterdatenpraktiken zu einem konkreten IP-Risiko. Regulierte\nBranchen weltweit – von Finanzdienstleistungen über Gesundheitswesen bis zum\nöffentlichen Sektor – operieren unter Compliance-Anforderungen, die genau\ndiesen Punkt adressieren: dokumentierte, prüfbare Kontrolle über den Umgang\nDritter mit sensiblen Daten.\n\nEine Anbieterrichtlinie, die Datenstandardeinstellungen ändert, ein aktives\nWiderspruchsrecht erfordert und je nach Vertragsstufe unterschiedliche\nSchutzstandards bietet, erzeugt genau die Art unkontrollierbarer Variablen,\ndie Compliance-Teams nicht akzeptieren können. Der\n[Digital Operational Resilience Act (DORA)](https://eur-lex.europa.eu/eli/reg/2022/2554/oj/eng)\n– seit Januar 2025 für europäische Finanzinstitute verbindlich – macht dies\nexplizit: Wesentliche Änderungen an IT-Drittanbieterbeziehungen erfordern\ndokumentierte Bewertung und Nachverfolgung.\n\n\n## Was regulierte Unternehmen von KI-Anbietern tatsächlich benötigen\n\nRegulierte Unternehmen diskutieren nicht mehr grundsätzlich, ob KI in\nEntwicklungs-Workflows eingesetzt werden soll. Der Fokus liegt darauf, dies so\nzu tun, dass es gegenüber Aufsichtsbehörden, Vorständen und Kunden vertretbar\nist. Dabei sind branchenübergreifend konsistente Anforderungen sichtbar\ngeworden.\n\n**Vertragliche Klarheit.** Regulierte Unternehmen benötigen spezifische,\ndokumentierte und bedingungslose Zusagen darüber, was mit ihren Daten geschieht\n– nicht etwas, das je nach Vertragsstufe variiert oder eine Handlung vor einem\nStichtag erfordert.\n\n**Prüfbarkeit.** IT-Risikomanagement-Frameworks verlangen von Unternehmen, die\neingesetzten KI-Systeme zu verstehen und zu validieren: die Trainingsdaten\nhinter diesen Modellen und die beteiligten Drittparteien. Anbieter, die diese\nFragen nicht beantworten können, erzeugen Dokumentationsrisiken für die\nOrganisationen, die sich auf sie stützen.\n\n**Trennung von Anbieterinteressen.** Wenn ein KI-Anbieter Modelle auf Basis\nvon Kundennutzungsdaten trainiert, werden Code und Workflows zu Eingaben für\nein System, das auch Wettbewerbern dient. Für Institutionen mit proprietären\nHandelsalgorithmen, Underwriting-Modellen oder Betrugserkennungssystemen ist\ndas ein konkretes IP-Risiko.\n\n\n## GitLabs Position zur KI-Datenverwaltung\n\nGitLab verwendet Kundendaten nicht zum Training von KI-Modellen. Diese Zusage\ngilt auf jeder Preisstufe; KI-Anbieter sind vertraglich verpflichtet, Eingaben\nund Ausgaben, die mit GitLab-Kunden verbunden sind, nicht für eigene Zwecke zu\nverwenden.\n\nDies ist eine bewusste architektonische und richtlinienbezogene Entscheidung –\nkein Merkmal einer bestimmten Preisstufe. Wie GitLabs\n[Beitrag zur Enterprise-Unabhängigkeit](https://about.gitlab.com/de-de/blog/why-enterprise-independence-matters-more-than-ever-in-devsecops/)\nfesthält, ist Datenverwaltung zu einem \"zunehmend kritischen Faktor bei\nUnternehmensentscheidungen\" geworden – getrieben durch nationale und regionale\nDatenschutzgesetze und wachsende Bedenken hinsichtlich der Kontrolle über\nsensibles geistiges Eigentum.\n\nGitLab ist cloud-neutral und modell-neutral und unterstützt\nSelf-Hosted-Deployments ohne kommerzielle Bindung an einen einzelnen\nCloud-Anbieter oder ein Large Language Model. Diese Unabhängigkeit ist für\nregulierte Unternehmen relevant, die Risiken durch Anbieterkonzentration\nbewerten. Der\n[AI Continuity Plan](https://handbook.gitlab.com/handbook/product/ai/continuity-plan/)\ndokumentiert, wie Anbieterveränderungen gehandhabt werden – einschließlich\nwesentlicher Änderungen daran, wie KI-Anbieter Kundendaten behandeln. Er ist\neine direkte Antwort auf die Governance-Anforderungen unter Frameworks wie\n[DORA](https://handbook.gitlab.com/handbook/legal/dora/).\n\n\n## Die Governance-Lücke, die KI-Teams schließen müssen\n\nGitHubs Richtlinienaktualisierung macht deutlich: Für Unternehmen in\nregulierten Branchen ist das genaue Verständnis des Datenumgangs eines\nKI-Werkzeugs eine Voraussetzung für dessen Einsatz. Das bedeutet, Anbietern\nklare, dokumentierte Antworten auf folgende Fragen abzuverlangen:\n\n1. Werden unsere Daten zum Training von KI-Modellen verwendet?\n2. Wer sind Ihre KI-Modell-Unterauftragsverarbeiter?\n3. Was geschieht, wenn ein Anbieter seine Datenpraktiken ändert?\n4. Lässt sich ein Deployment realisieren, das alle KI-Verarbeitung innerhalb\n   der eigenen Infrastruktur hält?\n5. Welche Haftungsübernahme wird für KI-generierte Ausgaben angeboten?\n\nAnbieter, die diese Fragen klar beantworten und die Antworten in prüfbarer\nForm dokumentieren, sind Anbieter, auf die sich aufbauen lässt.\n**Wer das nicht kann, schafft Compliance-Risiken bei jedem Policy-Update.**\nWenn ein Anbieter Datenpraktiken mit 30 Tagen Ankündigungsfrist ändern kann,\nist das kein partnerschaftlicher Rahmen für regulierte Unternehmen – das ist\nein strukturelles Compliance-Risiko.\n\n> Mehr zu GitLabs Ansatz für KI-Governance im\n> [GitLab AI Transparency Center](https://about.gitlab.com/de-de/ai-transparency-center/).\n",[22,724],{"featured":14,"template":15,"slug":750},"github-copilots-new-policy-for-ai-training-is-a-governance-wake-up-call",{"promotions":752},[753,766,777,789],{"id":754,"categories":755,"header":756,"text":757,"button":758,"image":763},"ai-modernization",[11],"Is AI achieving its promise at scale?","Quiz will take 5 minutes or less",{"text":759,"config":760},"Get your AI maturity score",{"href":761,"dataGaName":762,"dataGaLocation":244},"/assessments/ai-modernization-assessment/","modernization assessment",{"config":764},{"src":765},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138786/qix0m7kwnd8x2fh1zq49.png",{"id":767,"categories":768,"header":769,"text":757,"button":770,"image":774},"devops-modernization",[724,569],"Are you just managing tools or shipping innovation?",{"text":771,"config":772},"Get your DevOps maturity score",{"href":773,"dataGaName":762,"dataGaLocation":244},"/assessments/devops-modernization-assessment/",{"config":775},{"src":776},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138785/eg818fmakweyuznttgid.png",{"id":778,"categories":779,"header":781,"text":757,"button":782,"image":786},"security-modernization",[780],"security","Are you trading speed for security?",{"text":783,"config":784},"Get your security maturity score",{"href":785,"dataGaName":762,"dataGaLocation":244},"/assessments/security-modernization-assessment/",{"config":787},{"src":788},"https://res.cloudinary.com/about-gitlab-com/image/upload/v1772138786/p4pbqd9nnjejg5ds6mdk.png",{"id":790,"paths":791,"header":794,"text":795,"button":796,"image":801},"github-azure-migration",[792,793],"migration-from-azure-devops-to-gitlab","integrating-azure-devops-scm-and-gitlab","Is your team ready for GitHub's Azure move?","GitHub is already rebuilding around Azure. Find out what it means for you.",{"text":797,"config":798},"See how GitLab compares to GitHub",{"href":799,"dataGaName":800,"dataGaLocation":244},"/compare/gitlab-vs-github/github-azure-migration/","github azure migration",{"config":802},{"src":776},{"header":804,"blurb":805,"button":806,"secondaryButton":811},"Beginne noch heute, schneller zu entwickeln","Entdecke, was dein Team mit der intelligenten Orchestrierungsplattform für DevSecOps erreichen kann.\n",{"text":807,"config":808},"Kostenlosen Test starten",{"href":809,"dataGaName":49,"dataGaLocation":810},"https://gitlab.com/-/trial_registrations/new?glm_content=default-saas-trial&glm_source=about.gitlab.com/de-de/","feature",{"text":51,"config":812},{"href":53,"dataGaName":54,"dataGaLocation":810},1777493556072]