Bilder und Fotos analysieren
Auf dieser Seite
ChatGPT Vision: Bilder verstehen
ChatGPT ist nicht auf Text beschränkt: Jedes Modell akzeptiert Bilder. Fotos, Screenshots, Diagramme, fotografierte Dokumente oder Grafiken – es beschreibt sie, liest sie und kommentiert sie. Der Mehrwert ist unmittelbar, da dieser Schritt die manuelle Transkription überflüssig macht: Sie zeigen statt zu beschreiben. Die Funktion ist in den kostenlosen sowie in den kostenpflichtigen Tarifen verfügbar, unterliegt jedoch den jeweiligen Kontingenten des gewählten Plans.
Ein Bild an ChatGPT senden
Im Web und in der Desktop-App führen drei Wege zum selben Ergebnis: die Schaltfläche + im Eingabebereich, gefolgt von Fotos und Dateien hinzufügen; das Ziehen und Ablegen (Drag-and-Drop) eines Bildes in den Eingabebereich; oder das Einfügen eines kopierten Bildes aus der Zwischenablage (Strg+V bzw. Cmd+V). Auf mobilen Geräten fügt dieselbe +-Schaltfläche ein Foto hinzu – entweder ein gerade aufgenommenes oder ein älteres aus der Galerie; beim iPhone öffnet ein langer Druck auf + direkt Ihre zuletzt aufgenommenen Fotos. ChatGPT akzeptiert die Formate PNG, JPEG und nicht animierte GIFs mit einer maximalen Dateigröße von 20 MB pro Bild.
Sie müssen nicht zwingend nur ein Bild gleichzeitig senden. Das Einbinden mehrerer visueller Elemente in eine einzige Nachricht ermöglicht es Ihnen, einen Vergleich anzufordern. Zudem können Sie im Verlauf des Gesprächs weitere Bilder hinzufügen, um tiefer in die Materie einzusteigen oder den Blickwinkel zu wechseln.
Was Vision im Arbeitsalltag leistet
Der erste und wertvollste Anwendungsfall betrifft Diagramme. Fertigen Sie eine Kurve aus einem Jahresbericht, einem Dashboard oder einer Präsentation an und lassen Sie ChatGPT diese kommentieren, anstatt sie selbst mühsam zu entschlüsseln.
[Bild eines Diagramms] „Analysieren Sie dieses Diagramm. Was sind die Haupttrends? Gibt es Anomalien? Fassen Sie die Schlussfolgerungen in 3 Punkten zusammen.”
Als Nächstes folgt das Lesen von Dokumenten: ChatGPT erfasst Text, der in einem Bild enthalten ist. „Transkribieren Sie den Text aus diesem Dokument und fassen Sie ihn anschließend in 3 Sätzen zusammen.” Derselbe Ansatz funktioniert auch für Rechnungen, wobei eine strukturierte Extraktion manuelle Eingaben erspart – „Extrahieren Sie die Informationen aus dieser Rechnung: Anbieter, Datum, Nettobetrag, Mehrwertsteuer, Bruttobetrag.” – sowie für Übersetzungen, wenn Sie ein Schild oder eine Speisekarte in einer Fremdsprache fotografieren.
Die Identifikation bildet eine dritte Kategorie: eine auf dem Bildschirm angezeigte Fehlermeldung, deren Bedeutung und Lösung Sie benötigen; ein Objekt, dessen Namen Sie suchen; oder ein Gericht, für das Sie ein ähnliches Rezept wünschen. Schließlich dient Vision als kritisches Auge für professionelle visuelle Inhalte.
[Screenshot einer Website] „Analysieren Sie diese Startseite. Stärken und Schwächen in Bezug auf die Benutzererfahrung. Schlagen Sie 3 konkrete Verbesserungen vor.”
Was eine gute von einer schlechten Analyse unterscheidet
Die Qualität des Ergebnisses hängt zunächst von der Bildqualität ab. OpenAI empfiehlt, zu lesenden Text so zu vergrößern, dass keine wichtigen Details abgeschnitten werden, und gedrehte oder auf dem Kopf stehende Bilder sowie Panorama- oder „Fischauge”-Aufnahmen zu vermeiden, da diese oft fehlinterpretiert werden. Um die Aufmerksamkeit auf einen bestimmten Bereich zu lenken, annotieren Sie das Bild vor dem Senden, beispielsweise mit dem Bearbeitungswerkzeug Ihres Smartphones.
Die zweite Variable ist der das Bild begleitende Text. „Was ist das?” lädt zu einer allgemeinen Beschreibung ein, die oft nutzlos ist. „Hier ist unser Umsatzdiagramm für das erste Quartal: analysieren Sie den Trend und identifizieren Sie problematische Monate” fordert hingegen eine handlungsorientierte Antwort heraus. Dieses Prinzip gilt auch bei der Kombination mehrerer visueller Elemente: „Hier ist das Logo meines Wettbewerbers [Bild]. Vergleichen Sie es mit unserem [Bild]. Wie ist die jeweilige visuelle Positionierung?”
Bekannte Grenzen
OpenAI veröffentlicht selbst eine Liste von Einschränkungen. Das Modell ist nicht dafür ausgelegt, spezialisierte medizinische Bilder wie CT-Scans zu interpretieren, und darf nicht als medizinische Beratung dienen. Es liest Text in nicht-lateinischen Schriftsystemen wie Japanisch oder Koreanisch weniger zuverlässig. Es kann Fehler bei Diagrammen machen, bei denen sich die Kurven nur durch Farbe oder Linienstil (durchgezogen, gestrichelt, gepunktet) unterscheiden, sowie bei präzisen Lokalisierungsaufgaben wie dem Erfassen einer Schachstellung; zudem liefert es nur ungefähre Zählungen. Es liest weder den Dateinamen noch die Metadaten, und das Bild wird vor der Analyse skaliert.
Ein wichtiger Vorbehalt verdient besondere Betonung: Bei Zahlen, die aus einem Bild gelesen werden, etwa aus einer fotografierten Tabelle oder einem gescannten PDF, werden exakte Werte nicht zuverlässig extrahiert. Wenn es auf Präzision ankommt, senden Sie stattdessen die ursprüngliche Tabellenkalkulation oder Textdatei und prüfen Sie alles, was eine Entscheidung treibt, manuell doppelt. Videos können schließlich ebenfalls als Dateien angehängt werden, sogar im kostenlosen Tarif, doch kann deren Analyse nur teilweise erfolgen.
Sie sind dran
Drei Versuche. Fotografieren oder erfassen Sie eine Berichtsseite oder eine Rechnung und bitten Sie um die Extraktion der Schlüsselinformationen in eine Tabelle; überprüfen Sie jeden Betrag. Erfassen Sie als Nächstes ein Diagramm aus einem Artikel oder Dashboard und bitten Sie um eine Trendanalyse. Abschließend fotografieren Sie ein beliebiges Objekt und senden das Bild zweimal: einmal ohne Anleitung, einmal mit einer spezifischen Frage. Vergleichen Sie die Tiefe der beiden Antworten.
Offizielle Quellen: ChatGPT Image Inputs FAQ (OpenAI-Hilfecenter: Tarife, Formate, Hinzufügen von Bildern, Grenzen) · Data analysis with ChatGPT (gescannte oder bildbasierte Tabellen) · ChatGPT capabilities overview (Bildanalyse)
Kernaussagen
- Alle ChatGPT-Modelle analysieren Fotos, Screenshots, Diagramme und fotografierte Dokumente, unabhängig vom Tarif
- Senden Sie ein Bild über die +-Schaltfläche, per Drag-and-Drop, durch Einfügen oder auf mobilen Geräten direkt aus Ihrer Fotogalerie
- Eine spezifische Frage und ein scharfes Bild sind einer vagen Frage „Was ist das?” vorzuziehen
- Offizielle Grenzen: medizinische Bilder, nicht-lateinische Schriftsysteme, Kurven, die sich nur durch den Linienstil unterscheiden, Zählungen
- Aus einem Bild gelesene Zahlen sind nicht zuverlässig exakt: Bevorzugen Sie die Originaldatei