Diskriminative künstliche Intelligenz (Discriminative Artificial Intelligence) ist eine Kategorie von KI-Methoden, die die Abbildung von Eingaben zu Labels (oder Zielen) lernt oder die bedingte Verteilung P(y | x) direkt modelliert; sie wird häufig für Klassifikation, Ranking und Anomalieerkennung eingesetzt. Generative Methoden modellieren hingegen primär Datenverteilungen, Joint-Verteilungen P(x, y) oder bedingte Verteilungen P(x | y) usw. und können darauf basierend Stichproben erzeugen. Der wesentliche Unterschied zwischen beiden liegt im Modellierungsziel und kann nicht einfach auf die Frage reduziert werden, ob sie Inhalte generieren können oder nicht.

Frühe Ansätze wie das Perzeptron und Support Vector Machines gehören zu dieser Kategorie. Im Jahr 2001 systematisierten Ng und Jordan in ihrem NIPS-Paper „On Discriminative vs. Generative Classifiers: A Comparison of Logistic Regression and Naive Bayes“ die Unterscheidung zwischen beiden Ansätzen: Generative Modelle modellieren die Joint-Verteilung P(x, y), während diskriminative Modelle die bedingte Verteilung P(y | x) direkt modellieren. In der von dieser Studie verglichenen Modellen – logistische Regression und naive Bayes – sowie unter deren experimentellen Bedingungen konvergieren generative Methoden im Bereich kleiner Stichproben schneller, während diskriminative Methoden bei wachsender Datenmenge einen niedrigeren asymptotischen Fehler erzielen können. Dies sind theoretische und experimentelle Schlussfolgerungen unter spezifischen Modellannahmen und sollten nicht als universelles Gesetz im Sinne von „generativ für kleine Datenmengen, diskriminativ für große Datenmengen“ vereinfacht werden.

Historische Anwendungen wie Spam-Filterung, Bonitätsbewertung und Bildklassifikation sowie heutige bidirektionale Encoder wie BERT und DeBERTa sind repräsentative Beispiele für den diskriminativen Ansatz. Im Jahr 2026 präsentierten Kasliwal und Singh in einem arXiv-Preprint „Multi-Label Topic Assignment via LLM Distillation: A Comparative Analysis of Generative vs. Discriminative Student Models“ einen modernen Trade-off für dieselbe Aufgabe: Bei der Multi-Label-Topic-Zuweisung im E-Commerce-Bereich sind diskriminative Modelle bei strukturierten Produktbewertungen genauer, während in komplexen, mehrstufigen Dialogen selbst das kleinste generative Modell mit 1 Milliarde Parametern die Oberhand gewinnen kann; wenn die Anzahl der Labels auf 112 Themen erweitert wird, sinkt der Macro-F1-Score der diskriminativen Baseline um etwa 35 %. Dies erklärt auch das häufige Muster der „Annotation durch große Modelle + Diskriminierung durch kleine Modelle“. Szenarien wie Risikomanagement, Qualitätskontrolle, diagnostische Unterstützung im Gesundheitswesen und Retrieval-Ranking, die auf Entscheidungsfindung abzielen, bleiben weiterhin die Domäne diskriminativer Modelle.