Aktuelle visuelle Generierungsmodelle haben bedeutende Fortschritte in Bezug auf fotorealistische Darstellung, Typografie, Anweisungsfolgsamkeit und interaktive Bearbeitung erzielt. Dennoch zeigen sie nach wie vor erhebliche Schwächen bei der räumlichen Logik, der Aufrechterhaltung eines persistenten Zustands, der langfristigen zeitlichen Konsistenz sowie dem kausalen Verständnis. Wir argumentieren, dass das Forschungsfeld über die reine Synthese der optischen Erscheinung hinausgehen und zu einer intelligenten visuellen Generierung überleiten sollte: plausible visuelle Darstellungen, die in Struktur, Dynamik, Domänenwissen und kausalen Zusammenhängen fundiert sind. Um diese Veränderung zu konzeptionalisieren, führen wir eine fünfstufige Taxonomie ein: Atomare Generierung, bedingte Generierung, Generierung im Kontext („In-Context Generation“), agentische Generierung („Agentic Generation“) sowie Generierung auf Basis von Weltmodellen („World-Modeling Generation“). Diese Stufen verlaufen von passiven Renderern hin zu interaktiven, agentischen und weltbewussten Generatoren.Wir analysieren die wesentlichen technischen Treiber dieser Entwicklung, darunter Flow Matching, integrierte Modelle für Verständnis und Generierung („unified understanding-and-generation models“), verbesserte visuelle Repräsentationen, Post-Training-Verfahren, Reward Modeling, Datenauswahl und -kuratierung, Destillation synthetischer Daten sowie Beschleunigung des Sampling-Prozesses. Darüber hinaus zeigen wir, dass aktuelle Evaluierungsmethoden den Fortschritt häufig überschätzen, indem sie sich primär auf die wahrgenommene Qualität konzentrieren und dabei strukturelle, zeitliche und kausale Mängel vernachlässigen. Durch die Kombination einer Überprüfung bestehender Benchmarks, Stress-Tests in realen Anwendungsszenarien („in-the-wild“) sowie expertengeleiteter Fallstudien bietet dieser Roadmap einen capabilities-zentrierten Ansatz, um die nächste Generation intelligenter visueller Generierungssysteme zu verstehen, zu bewerten und weiterzuentwickeln.