Fortgeschrittene ChatGPT-Funktionen

Prompt Engineering mit ChatGPT – Fortgeschrittene Funktionen

0:00 Im ersten Modul ging es darum, einen guten Prompt zu schreiben. Das ist die Grundlage — aber es hat einen Haken: Jeder gute Prompt ist erst einmal eine Einzelleistung. Am nächsten Tag fangen Sie wieder von vorn an, und Ihre Kollegin sowieso. In diesem Modul geht es deshalb um den Schritt von der guten Einzelantwort zum wiederholbaren Arbeitsablauf.

0:21 Wir sehen uns an, wie man Kontext bündelt, Abläufe konserviert und Arbeit abgibt — an Projekte, Skills, Agenten. Und wir sprechen darüber, wo dieser Komfort seine Grenzen hat.

Fortgeschrittene ChatGPT-Funktionen

0:32 Der Bogen dieses Moduls führt von innen nach außen. Wir beginnen bei einer Entscheidung, die Sie bei jedem Prompt treffen — welcher Modus passt. Dann bündeln wir Kontext in Projekten und konservieren Abläufe als Skills. Danach geben wir Arbeit ab: an Agenten und Workflows, an Deep Research, an den Agent Mode. Zum Schluss die Bildgenerierung und der Work Mode, der auf echten Dateien arbeitet.

0:55 Je weiter wir nach außen kommen, desto mehr Verantwortung geben Sie ab — und desto wichtiger wird die Frage nach der Kontrolle.

Den richtigen Modus wählen

1:03 Fangen wir mit der Entscheidung an, die Sie am häufigsten treffen und am seltensten bewusst treffen: Welcher Modus soll antworten? Die Antwort darauf kostet nichts und wirkt bei jeder einzelnen Anfrage — nach oben wie nach unten. Sie kennen das aus dem eigenen Denken. Auf manche Fragen antworten Sie sofort, bei anderen sagen Sie: Moment, ich muss kurz nachdenken. Genau diese zwei Betriebsarten gibt es hier.

1:27 Instant antwortet direkt aus dem Stand. Thinking erzeugt vorher eine Gedankenkette, arbeitet das Problem also schrittweise durch, bevor die Antwort kommt. Die Namen unterscheiden sich je nach Tarif, das Prinzip nicht. Und die Wahl ist keine Frage der Qualität, sondern der Aufgabenart — was wir uns gleich genauer ansehen.

1:47 Die Trennlinie hinter dieser Tabelle lässt sich in einem Satz sagen: Instant ist gut im Abrufen, Thinking im Ableiten. Alles, was im Wesentlichen Wiedergabe ist — nachschlagen, umformulieren, zusammenfassen —, braucht keine Gedankenkette. Alles, wo Zwischenschritte aufeinander aufbauen — rechnen, analysieren, mehrstufig recherchieren —, gewinnt deutlich. Der eigentliche Preis steht in der letzten Zeile: Zeit.

2:12 Und die kostet Sie in der Praxis mehr als das Kontingent, weil sie den Arbeitsfluss unterbricht. Fragen Sie sich also: Muss hier etwas hergeleitet werden? Ein bisschen Hintergrund, weil er die Sache greifbarer macht. Die Idee geht auf ein Paper zurück, das zeigte: Gibt man einem Modell ein Beispiel dafür, wie man ein Problem zerlegt, löst es Aufgaben deutlich besser.

2:35 Neuere Modelle machen das inzwischen von selbst, ohne Aufforderung. Zwei Dinge sollten Sie dabei im Kopf behalten. Erstens kann zu viel Reasoning bei einfachen Fragen sogar schaden — das Modell denkt sich regelrecht weg vom Naheliegenden. Und zweitens: Was Sie an Denkschritten sehen, ist eine Zusammenfassung, nicht die tatsächliche Rechnung.

2:55 Machen Sie den Vergleich einmal selbst, mit zwei Aufgaben aus Ihrem Alltag: einer Zusammenfassung und einer echten Analyse. Geübt wird hier, den Modus an der Aufgabenart auszurichten statt am Gefühl — denn das Gefühl sagt fast immer „nimm das Stärkste". Der Erfolgsmaßstab ist eine begründete Zuordnung: Sie können für beide Aufgaben sagen, welcher Modus passt und warum.

3:17 Achten Sie bei der Analyse ruhig darauf, wie lange der Lauf dauert. Diese Zeit ist der Preis, den Sie bewusst zahlen — oder eben nicht. Der wichtigste Punkt steht oben: Auch eine sichtbare Gedankenkette schützt nicht vor Halluzinationen. Sie erhöht die Plausibilität, nicht zwingend die Richtigkeit — und Plausibilität ist genau das, was die Prüfung erschwert.

3:39 Zweitens die Kostenseite: Hohes Reasoning für Trivialaufgaben verbraucht Zeit und Kontingent, das Ihnen später bei Deep Research fehlt. Drittens noch einmal der Hinweis, dass die angezeigten Schritte eine Zusammenfassung sind. Und viertens ganz praktisch: Die Tarifnamen verkaufen Stufen, die Sie an den Fähigkeiten prüfen sollten, nicht am Etikett.

Projekte

4:00 Kommen wir zum ersten der drei Werkzeuge gegen Wiederholung. Wer länger mit ChatGPT arbeitet, kennt das Problem: Die Chats vermehren sich, und derselbe Kontext wird immer wieder neu hochgeladen. Projekte sind die einfachste Antwort darauf. Denken Sie an einen Aktenordner für ein Vorhaben. Darin liegen die Unterlagen, und alles, was zu diesem Vorhaben besprochen wird, liegt daneben.

4:23 Genau das ist ein Projekt: ein Container für zusammengehörige Chats plus gemeinsame Ressourcen. Die Dokumente laden Sie einmal hoch oder verknüpfen eine Quelle — und jede Unterhaltung im Projekt greift darauf zu. Der Unterschied zu den Custom Instructions aus dem ersten Modul ist die Reichweite: Custom Instructions gelten überall, ein Projekt gilt genau für dieses eine Vorhaben.

4:45 Beides hat seinen Platz. Der offensichtliche Nutzen ist Ordnung — Chats zu einem Vorhaben bleiben auffindbar, statt in einer endlosen Historie zu versinken. Der weniger offensichtliche ist inhaltlicher Natur: Weil der gemeinsame Kontext einmal bereitliegt, wird jeder einzelne Prompt kürzer und präziser. Sie beschreiben nicht mehr die Ausgangslage, sondern nur noch die Aufgabe.

5:07 Dazu kommt die Anbindung externer Ablagen wie Google Drive oder Slack, was besonders dann trägt, wenn die Unterlagen ohnehin dort liegen und sich ändern. Der rote Faden hier ist: erst den Rahmen bauen, dann arbeiten. Projekt anlegen und sprechend benennen — sprechend deshalb, weil Sie in drei Wochen anhand des Namens entscheiden, ob ein neuer Chat hier hineingehört.

5:28 Dann die Ressourcen: hochladen oder verknüpfen. Erst danach der erste Prompt, der sich auf diese Ressourcen bezieht. Im Kurs entsteht so ein Projekt zu einer Konferenz mit einer Unternehmensübersicht darin — und der erste Prompt fragt nach einem Verkaufspitch auf Basis genau dieser Übersicht. Nehmen Sie ein laufendes Vorhaben, zu dem es zwei bis drei Referenzdokumente gibt — nicht das größte, sondern eines, an dem Sie in den nächsten Tagen ohnehin arbeiten.

5:56 Geübt wird die Einordnung: Wiederkehrender Dokumentkontext gehört an eine Stelle, nicht in jeden Chat. Der Erfolgsmaßstab ist einfach zu prüfen — zwei Chats im Projekt greifen ohne erneuten Upload auf dieselbe Ressource zu. Achten Sie darauf, wie sich Ihre Prompts dabei verändern. Sie werden kürzer, fast von allein. Der erste Punkt ist der ernsteste: Hochgeladene Dokumente sind Daten wie jeder andere Prompt-Inhalt — dieselben Fragen, dieselben Regeln, und dazu kommen wir in Modul drei.

6:25 Zweitens ein Zuschnittsproblem: Ein Projekt, das alles umfasst, hat keinen Fokus mehr und nützt so wenig wie gar keines. Drittens die stille Falle veralteter Ressourcen — sie wirken in allen Chats weiter, auch wenn längst eine neue Fassung existiert. Und viertens die Abgrenzung: Ein Projekt ersetzt keine Custom Instructions, es ergänzt sie.

Skills

6:46 Projekte bündeln Wissen. Skills bündeln Können. Damit kommen wir zu dem Werkzeug, das aus einem gelungenen Vorgehen etwas macht, das Sie und andere immer wieder abrufen können — auch außerhalb von ChatGPT. Ein Skill ist im Grunde ein Rezept in Schriftform: Anweisungen, oft ergänzt um kleine Skripte, zu einer wiederverwendbaren Einheit gebündelt.

7:07 Sie lassen sich erzeugen, herunterladen, prüfen und installieren. Und anders als eine Einstellung in Ihrem Konto sind sie portabel — dasselbe Skill funktioniert auch in anderen Systemen. Das ist der eigentliche Unterschied zu allem, was wir bisher gesehen haben: Ein Prompt ist flüchtig, ein Projekt ist an ChatGPT gebunden, ein Skill ist eine Datei, die Sie weitergeben können.

7:30 Der Kern ist Reproduzierbarkeit. Wenn ein Ablauf einmal beschrieben ist, hängt das Ergebnis nicht mehr davon ab, wie gut Sie an diesem Morgen formulieren. Dazu kommt die Komponierbarkeit: Skills greifen ineinander, das eine liefert eine Gliederung, das nächste macht daraus Folien. Und diese Gliederung ist nicht auf Folien festgelegt — dasselbe Ergebnis trägt genauso ein Video oder ein anderes Medium.

7:53 Man baut sich also kleine Bausteine statt einer großen Maschine. Genau das macht sie auf Dauer wartbar. Achten Sie darauf, wo in diesem Ablauf der Schwerpunkt liegt — nicht beim Erzeugen, sondern beim Prüfen. Der Skill Creator schreibt Ihnen den Entwurf in einer Minute. Danach laden Sie ihn herunter und öffnen ihn im Editor: Anweisungen lesen, mitgelieferte Skripte lesen. Erst dann installieren und an einem echten Fall testen.

8:19 Und wenn das trägt, ergänzen Sie einen zweiten Skill und lassen beide zusammenspielen. Im Kurs entsteht genau so eine Kette: erst eine Gliederung aus einem PDF, dann daraus die Präsentation. Der erste Punkt ist eine Sicherheitsregel, keine Empfehlung: Fremde Skills nie ungeprüft installieren. Sie führen Anweisungen aus, die jemand anderes geschrieben hat — lesen Sie sie.

8:42 Zweitens gilt das besonders für mitgelieferte Skripte; sie können schlicht naiv implementiert sein und in Randfällen Unsinn tun. Drittens ein Praxisdetail: Zwei Skills gleichzeitig zu laden funktioniert oft, aber nicht immer. Und viertens der einfachste Hebel, wenn etwas klemmt — ein frischer Chat, damit kein Ballast aus dem Vorkontext hineinwirkt.

9:03 Suchen Sie sich einen Arbeitsschritt, den Sie mindestens wöchentlich machen — das ist die Bedingung, damit sich der Aufwand lohnt. Geübt wird, diesen Schritt als prüfbare, wiederverwendbare Einheit zu fassen; das zwingt Sie, ihn erst einmal selbst genau zu verstehen. Der Erfolgsmaßstab ist Konsistenz: Zweimal angewendet, auf verschiedene Eingaben, muss der Skill vergleichbare Struktur liefern.

9:26 Und halten Sie sich an die Regel von eben — lesen Sie vor der Installation jede Zeile der Anweisungsdatei. Auch bei Ihrem eigenen Skill.

Agenten und Workflows

9:35 Bis hierhin haben wir Wissen und Können gebündelt, aber gearbeitet haben immer noch wir. Jetzt geben wir die Ausführung ab. Damit ändert sich die Frage: Nicht mehr „Wie formuliere ich gut?", sondern „Wie viel Autonomie ist hier vertretbar?". Der Unterschied lässt sich mit einem Handwerkerauftrag erklären. Dem einen sagen Sie: Das Bad soll fertig werden, hier ist der Schlüssel — er entscheidet den Weg selbst.

10:00 Dem anderen geben Sie einen Ablaufplan mit festen Schritten und Abnahmen. Das erste ist ein Agent: ein Ziel plus die nötigen Werkzeuge. Das zweite ist ein Workflow: dasselbe Ziel, aber der Weg ist weitgehend vorgezeichnet. Beides hat seine Berechtigung — die Frage ist nur, wie überraschungsfest das Ergebnis sein muss. Lesen Sie diese Tabelle von unten nach oben, dann wird die Logik deutlich. Entscheidend ist die letzte Zeile: Wie leicht können Sie das Ergebnis abnehmen?

10:29 Ein Agent, der seinen Weg selbst wählt, produziert Ergebnisse, die Sie jedes Mal neu beurteilen müssen. Ein Workflow mit festen Schritten produziert Erwartbares — und Erwartbares lässt sich in Sekunden prüfen. Deshalb der Hinweis unten: Für wiederkehrende Routine ist das Gerüst meist die bessere Wahl. Autonomie lohnt sich dort, wo der Weg nicht vorhersagbar ist.

10:51 Der rote Faden dieser fünf Schritte ist die Frage nach der Kontrolle, und sie steckt in Schritt vier. Vorlage wählen, Quelle festlegen, inhaltlichen Fokus bestimmen — das ist Konfiguration. Aber dann kommt die eigentliche Entscheidung: Human in the Loop oder direkt posten? Im Beispiel geht es um eine Zusammenfassung von Kundenfeedback, da ist direktes Posten vertretbar. Bei allem, was nach außen wirkt, wäre es das nicht.

11:16 Und ganz am Ende die Berechtigungen für den Zielkanal — sparsam vergeben, nicht großzügig. Diese Übung braucht keinen Tarif und kein Werkzeug — sie lässt sich auf Papier machen, und genau darum geht es. Geübt wird die Entscheidung, wie viel Autonomie bei einer wiederkehrenden Aufgabe vertretbar ist. Der Erfolgsmaßstab ist Vollständigkeit: Auslöser, Schritte, Freigabepunkt und Zielkanal müssen schriftlich benannt sein. Besonders der Freigabepunkt lohnt die Diskussion.

11:45 Und falls die Funktion in Ihrem Tarif fehlt: Der Entwurf gilt trotzdem, nachbauen lässt er sich alternativ mit Custom GPTs. Der erste Punkt ist die Kehrseite von Schritt vier: Direktes Posten ohne Freigabe eignet sich nur für Unkritisches. Zweitens die Berechtigungen — ein angebundener Kanal mit zu weiten Rechten ist ein Risiko, das lange unbemerkt bleibt.

12:06 Drittens die Konsequenz fehlender Kontrolle: Ohne Human in the Loop fällt ein Fehler erst beim Empfänger auf, und dann ist er nicht mehr einzufangen. Und viertens eine Erwartungsfrage, die im Alltag für Frust sorgt: Agentische Läufe dauern länger. Planen Sie das ein, statt daneben zu warten.

Metaprompting und Deep Research

12:23 Jetzt wird es interessant, weil hier zwei Dinge zusammenkommen: eine sehr mächtige Funktion und eine sehr begrenzte Ressource. Genau in dieser Kombination lohnt es sich, vor dem Start noch einmal innezuhalten. Metaprompting heißt: Sie benutzen einen Chat, um den Prompt für einen anderen Chat zu bauen. Das klingt nach Umweg und ist doch derselbe Gedanke wie beim Handwerk — vor dem teuren Schnitt wird gemessen.

12:48 Deep Research ist genau so ein teurer Schnitt: Ein Lauf beschäftigt das System minutenlang, durchsucht hunderte Seiten und ist im Abo begrenzt. Sie haben also keine zehn Versuche. Deshalb investieren Sie vorher in die Qualität der Fragestellung, statt hinterher zu korrigieren. Die Rechnung ist einfach: Ein Deep-Research-Lauf kostet Minuten und Kontingent, ein Metaprompt kostet Sekunden.

13:11 Wenn der Prompt über die Qualität des ganzen Laufs entscheidet — und das tut er —, ist die Investition offensichtlich. Interessant ist der dritte Punkt: Die Best Practices, die Sie sich dabei erarbeiten, müssen Sie nicht jedes Mal neu recherchieren. Das ist genau der Fall für einen Skill aus dem vorigen Kapitel. Und beachten Sie den vierten Punkt — der finale Prompt bleibt knapp. Die Regeln gehören nicht hinein.

13:35 Der Ablauf hat einen Bruch in der Mitte, und der ist Absicht. Schritt eins und zwei erarbeiten den Prompt: erst Best Practices recherchieren, dann daraus eine knappe Fassung erzeugen lassen. Schritt drei ist Ihre Prüfung — kurz, aber nicht überspringen. Und dann öffnen Sie eine neue Sitzung. Diese Trennung verhindert, dass der ganze Rechercheballast in den eigentlichen Lauf gerät.

13:58 Danach heißt es warten: Im Kurs sind es achtzehn Minuten, fast vierhundert Suchen, siebenundzwanzig Belege. Sie dürfen in der Zeit ruhig etwas anderes tun. Nehmen Sie eine Frage, die Sie ohnehin gründlich beantwortet haben wollen. Geübt wird das bewusste Investieren in Prompt-Qualität, bevor ein teurer Lauf startet — eine Haltung, die weit über Deep Research hinaus trägt.

14:21 Der Erfolgsmaßstab ist ungewöhnlich und deshalb lehrreich: Der finale Prompt passt auf wenige Zeilen und enthält keine Best-Practice-Regeln mehr. Wenn er lang wird, haben Sie die Regeln mit hineinkopiert. Und noch einmal: Lange Läufe darf man liegen lassen und später zum Ergebnis zurückkehren. Der erste Punkt ist der häufigste Anfängerfehler und der Grund für den Schnitt im Vorgehen: die Best Practices versehentlich mitkopieren.

14:46 Zweitens der inhaltlich schwerwiegendste — Belege ungeprüft übernehmen. Ein Report mit siebenundzwanzig Quellenangaben wirkt gründlich, aber die Zuordnung zwischen Aussage und Beleg müssen Sie stichprobenartig selbst öffnen. Drittens die Ressourcenfrage: Unausgereifte Prompts verbrauchen ein Kontingent, das Ihnen später fehlt.

15:05 Und viertens ein Recherchegrundsatz — sehr breite Fragen liefern Breite statt Tiefe. Schneiden Sie die Frage eng zu.

Agent Mode und Tasks

15:12 Zwei Funktionen, die oft in einen Topf geworfen werden und doch sehr verschiedene Dinge tun. Die eine plant, die andere führt aus. Wer das trennt, wählt schneller richtig — und wird seltener enttäuscht. Der Unterschied ist der zwischen einem Wecker und einem Assistenten. Tasks sind der Wecker: Sie führen einen Auftrag zeitgesteuert und wiederkehrend aus — jeden Morgen dieselbe Zusammenfassung, jede Woche derselbe Überblick.

15:38 Der Agent Mode ist der Assistent: Er arbeitet in einer abgeschotteten Umgebung und führt dort Aktionen aus, für die man sonst einen Computer bräuchte. Er klickt, baut, probiert. Das eine ist also eine Frage des Zeitpunkts, das andere eine Frage der Fähigkeiten. Verwechselt man beides, wählt man zwangsläufig falsch. Bei Tasks ist der Nutzen offensichtlich: Was ohnehin täglich passiert, muss nicht täglich angestoßen werden.

16:04 Beim Agent Mode liegt er woanders — er beschreibt eine Anwendung nicht nur, er baut sie und bedient sie. Aus hochgeladenen Daten wird ein Artefakt, mit dem Sie danach wirklich arbeiten können. Und dieses Artefakt ist kein Endergebnis, sondern ein Zwischenstand: Sie sehen es sich an, benennen, was stört, und lassen nachbessern.

16:24 Iterativ, wie mit einem Kollegen am Bildschirm. Beachten Sie, dass dieser Ablauf zwei Wege in einem zeigt. Die ersten beiden Schritte betreffen Tasks: Auftrag beschreiben, Rhythmus und Benachrichtigung festlegen — fertig. Ab Schritt drei geht es um ausführende Arbeit: neuer Chat mit Agent Mode, Daten hochladen, Ziel benennen.

16:44 Und dann kommt der Schritt, der über die Qualität entscheidet: Zwischenergebnis prüfen und gezielt korrigieren lassen. Im Kurs entsteht dabei eine eigenständige HTML-Datei zur Datenaggregation — beim ersten Durchlauf brauchbar, beim zweiten deutlich besser. Probieren Sie beides aus, damit der Unterschied nicht abstrakt bleibt: einen Task, der geplant läuft, und einen Agent-Mode-Lauf, der etwas herstellt.

17:08 Geübt wird genau diese Unterscheidung zwischen zeitgesteuerter Wiederholung und ausführender Arbeit. Der Erfolgsmaßstab ist entsprechend zweiteilig — der Task läuft geplant, der Agent-Lauf liefert ein prüfbares Artefakt. Und ein Rat aus der Praxis: Stoßen Sie den Lauf an und arbeiten Sie weiter. Danebenzusitzen und zuzusehen ist der sicherste Weg, die Funktion für langsam zu halten.

17:31 Der erste Punkt ist eine Erwartungsfrage, die im Seminar regelmäßig auftaucht: Agent-Mode-Läufe dauern deutlich länger als ein Prompt. Das ist normal. Zweitens sind erste Layouts selten fertig — planen Sie die Iteration ein, statt sie als Fehlschlag zu werten. Drittens ein Punkt mit Langzeitwirkung: Zeitgesteuerte Tasks laufen auch dann noch, wenn ihre Grundlage längst veraltet ist. Setzen Sie sich eine Erinnerung zum Aufräumen.

17:57 Und viertens gilt auch hier — hochgeladene Geschäftsdaten unterliegen den Regeln aus Modul drei.

Bilder erzeugen und verfeinern

18:03 Im ersten Modul waren Bilder eine Eingabe. Jetzt sind sie das Ergebnis. Was dabei häufig übersehen wird: Bildgenerierung ist im Geschäftsalltag weniger Kunst als Werkzeug — für Infografiken, Entwürfe, schnelle Anschauung. Technisch ist die Sache schnell erklärt: Aus einem Text-Prompt entsteht ein Bild, optional mit einer Referenz als Vorlage.

18:25 Interessanter ist der zweite Teil — Sie können einen Bereich im fertigen Bild markieren und gezielt ändern lassen. Das ist der Unterschied zwischen Würfeln und Arbeiten. Wer unzufrieden ist und einfach neu generiert, bekommt ein anderes Bild mit anderen Fehlern. Wer den störenden Bereich markiert, behält alles Gelungene und ändert nur das eine.

18:45 Diese Möglichkeit wird erstaunlich selten genutzt. Im Geschäftsalltag geht es selten um Kunst. Es geht um eine Infografik für die Präsentation am Freitag, um den schnellen Entwurf eines Messestands, um eine Anschauung, über die man im Team überhaupt erst sprechen kann. Genau da liegt der Wert: Ideen werden sichtbar, bevor jemand ein Budget dafür freigibt.

19:06 Dass bestehende Bilder als Referenz dienen können, macht es anschlussfähig an vorhandene Gestaltung. Und weil alles im selben Ökosystem und Projektkontext bleibt, entfällt der Werkzeugwechsel — der in der Praxis oft der eigentliche Bremsklotz ist. Der rote Faden ist: erst beschreiben, dann prüfen, dann gezielt ändern. Arbeiten Sie im passenden Projekt, damit der Kontext erhalten bleibt.

19:29 Beschreiben Sie Motiv, Farbschema, Beschriftung und Ausschnitt klar — auch wenn nicht jedes Detail umgesetzt wird, verschiebt jede Angabe das Ergebnis in Ihre Richtung. Nach der Erzeugung folgt der Schritt, den man gern überspringt: Was wurde umgesetzt, was nicht? Erst danach markieren und ändern. Und ein Punkt guter Praxis, der über die Technik hinausgeht: KI-generierte Bilder transparent kennzeichnen.

19:54 Diese Übung hat einen bewusst engen Fokus. Erzeugen Sie ein Bild und verbessern Sie es durch eine gezielte Bereichsänderung — nicht durch einen neuen Versuch. Geübt wird genau dieser Unterschied zwischen Nachbessern und Neu-Würfeln. Der Erfolgsmaßstab ist entsprechend präzise: Eine benannte Änderung ist umgesetzt, während der Rest des Bildes erhalten bleibt.

20:15 Ein gutes Beispiel ist das Entfernen einer Textfläche, die durch eine einfarbige Wand ersetzt wird. Klein genug zum Prüfen, groß genug, um den Effekt zu sehen. Der erste Punkt bewahrt vor Frust: Detailanweisungen werden nicht immer punktgenau umgesetzt, auch bei sorgfältiger Beschreibung. Zweitens die Inhaltsfilter — wenn ein Motiv blockiert wird, hilft Wiederholen nicht, sondern nur eine andere Beschreibung.

20:39 Drittens ein gestalterischer Hinweis, der überraschend praktisch ist: Bestimmte Farbverläufe verraten die KI-Herkunft auf den ersten Blick. Geben Sie die Farbwelt aktiv vor. Und viertens noch einmal die Kennzeichnung — fehlt sie, ist das kein Technikproblem, sondern ein Reputationsrisiko.

Codex und Work Mode

20:57 Zum Abschluss der Funktionen ein Schritt, der die Grenze zwischen Chat und Arbeitsplatz verwischt: Der Assistent arbeitet nicht mehr auf kopiertem Text, sondern auf Ihren tatsächlichen Dateien. Das ist mächtig — und will entsprechend behandelt werden. Codex war ursprünglich für Entwicklerinnen und Entwickler gedacht. Dann zeigte sich, dass Menschen es für ganz andere Wissensarbeit nutzten — und daraus ist der Work Mode entstanden.

21:21 Das Prinzip ist in beiden Fällen dasselbe: Sie wählen ein Projekt beziehungsweise einen Ordner, und dort wird gearbeitet. Der Unterschied zum Chat ist grundlegender, als er klingt. Sie kopieren nichts mehr hin und her; der Assistent liest, schreibt und erzeugt Dateien an der Stelle, an der Sie ohnehin arbeiten. Beachten Sie Schritt vier, dort liegt die Verantwortung.

21:43 Zunächst wählen Sie Work statt Codex, wenn die Aufgabe nicht softwarenah ist, legen ein Projekt an und binden einen bestehenden Ordner ein. Dann Modell und Ausführungsmodus passend zum Tarif — und das heißt bewusst nicht „das Stärkste". Und dann kommt die Abnahme: Die vorgeschlagenen Schritte prüfen, bevor Sie die Ausführung erlauben. Erst danach öffnen Sie die Artefakte.

22:05 Ein erzeugtes Dashboard lässt sich übrigens auch in einer Tabellenkalkulation weiterverwenden. Der entscheidende Gewinn steht in der ersten Zeile: Es wird auf echten Dateien gearbeitet. Damit entfällt die Kopiererei, die im Alltag mehr Zeit frisst als das Denken. Die erzeugten Artefakte sind sofort weiterverwendbar, nicht erst nach Übertragung.

22:25 Dass Schrittfolge und Skripte nachvollziehbar bleiben, ist dabei kein Nebenaspekt, sondern die Voraussetzung dafür, dass Sie die Verantwortung überhaupt tragen können. Und was sich bewährt, wandert wieder in einen Skill — der Kreis zu Kapitel drei schließt sich hier. Der erste Punkt ist die Regel, die alles andere trägt: Vor dem Erlauben die vorgeschlagenen Skripte lesen.

22:47 Wer routinemäßig bestätigt, hat die Kontrolle abgegeben, ohne es zu merken. Zweitens die Kostenseite — schnelle Ausführungsmodi verbrauchen mehr Kontingent, und das ist selten nötig. Drittens dasselbe beim Modell: Das stärkste ist nicht für jede Aufgabe erforderlich. Und viertens der Satz, den man sich hier aufschreiben sollte: Zugriff auf echte Ordner heißt Zugriff auf echte Daten. Genau davon handelt das nächste Modul.

Challenge — Bild-Prompt verbessern

23:13 Zum Abschluss dieses Moduls verbinden wir zwei Dinge, die auf den ersten Blick wenig miteinander zu tun haben: Metaprompting und Bildgenerierung. Es geht wieder darum, vor dem eigentlichen Versuch die Kriterien zu klären. Die Aufgabe ist bewusst leichtgewichtig gewählt, das Verfahren dahinter ist es nicht. Geübt wird das systematische Aufwerten eines schwachen Bild-Prompts anhand recherchierter Kriterien — dasselbe Prinzip wie beim Deep Research, nur billiger im Versuch.

23:41 Der Erfolgsmaßstab verlangt, dass der verbesserte Prompt Stil, Lesbarkeit und Bildaussage benennt und das Ergebnis diese Kriterien erfüllt. Motiv ist ein Superhelden-Team von Prompt-Engineers, stellvertretend für Sie alle. Nehmen Sie sich fünf bis zehn Minuten. Der Weg ist derselbe wie beim Metaprompting, nur mit einem Bild am Ende.

24:01 Neues Projekt zum Bündeln, Websuche nach Best Practices für Logos und Sticker, Kriterien sammeln — klein lesbar, eine klare Bildaussage. Daraus lassen Sie den finalen Prompt formulieren. Und dann kommt der Schritt, auf den es ankommt: neuer Chat, und nur der Prompt wandert mit. Der Hinweis unten sagt, warum — der frische Kontext verhindert, dass der Rechercheballast ins Bild einfließt und es diffus macht.

24:26 Der erste Punkt ist genau der Fehler, den der Chatwechsel verhindert: den ganzen Recherchechat als Prompt zu übernehmen. Zweitens die vorgefertigten Stilvorlagen — bequem, aber sie überdecken die Kriterien, die Sie sich gerade erarbeitet haben. Probieren Sie erst ohne. Drittens der schon erwähnte Punkt mit den violetten Verläufen, die schnell nach Standard-KI-Design aussehen.

24:48 Und viertens eine Erwartung, die für alle kreativen Aufgaben gilt: Eine Iteration genügt selten. Schärfen Sie Farbwelt und Bildaussage nach. Fassen wir zusammen. Modus, Projekt und Skill entscheiden über Tempo und Wiederholbarkeit — sie sind die drei Hebel, mit denen aus guten Einzelantworten ein Arbeitsablauf wird. Agenten brauchen ein Ziel und Werkzeuge, Workflows brauchen Schritte; welches von beidem passt, entscheidet sich an der Frage, wie überraschungsfest das Ergebnis sein muss.

25:17 Vor teuren Läufen lohnt sich Metaprompting fast immer. Und eines zieht sich durch alles, was wir gesehen haben: Diese Funktionen greifen auf echte Daten zu. Genau deshalb folgt jetzt Modul drei.