Multimodale Workflows: Text, Bilder und Dateien kombinieren
Auf dieser Seite
Einzelnen betrachtet sind die soeben erlernten Funktionen nützlich. In einer einzigen Konversation kombiniert, entfalten sie jedoch ihr volles Potenzial. Text, Bilder, Dateien und Sprache verschmelzen, um Aufgaben zu bewältigen, die zuvor mehrere Tools, diverse Exporte und umfangreiche manuelle Bearbeitung erforderten. Diese letzte Lektion widmet sich der Zusammenführung.
Das Prinzip
Ein multimodaler Workflow verknüpft innerhalb einer einzigen Konversation verschiedene Eingabe- und Ausgabetypen, um ein definiertes Ziel zu erreichen. Jeder Schritt nutzt eine andere Fähigkeit, wobei der Kontext vom Anfang bis zum Ende erhalten bleibt – genau diese Persistenz unterscheidet ihn von einer Reihe isolierter Anfragen. Ein Workflow zur Wettbewerbsanalyse verdeutlicht das Gesamtbild.
- Laden Sie eine Excel-Datei mit Verkaufsdaten der Wettbewerber hoch
- Laden Sie Screenshots deren Websites hoch
- Fordern Sie eine vergleichende Analyse als Text an
- ChatGPT erstellt einen Bericht mit generierten Diagrammen
- Sie vertiefen Punkte zur weiteren Erkundung per Sprache
Die folgenden vier Szenarien wenden dieses Prinzip auf gängige berufliche Situationen an.
Vom Feld zum Bericht
Sie kehren von einer Messe zurück und müssen ein Debriefing für Ihr Team erstellen. Fotografieren Sie während des Tages Stände, Poster, Visitenkarten und Produkt demos und senden Sie diese Fotos unterwegs an ChatGPT, ergänzt durch Sprachnotizen für den Kontext – denn dann sind die Eindrücke noch frisch und das Tippen am unpraktischsten. Visitenkarten enthalten personenbezogene Daten: Behalten Sie nur das, was Ihr Bericht benötigt. Am Abend geht es an die Strukturierung: „Hier sind alle Fotos und Notizen von meinem Messebesuch. Organisieren Sie diese Informationen nach Aussteller. Notieren Sie für jeden: Firmenname, vorgestellte Produkte, interessante Punkte und Relevanz für unser Geschäft.” Fordern Sie anschließend das Deliverable an: „Erstellen Sie einen strukturierten Bericht im Word-Format mit einer Zusammenfassung für die Geschäftsführung, Details pro Aussteller und meinen Empfehlungen für das weitere Vorgehen. Fügen Sie relevante Fotos hinzu.” In einer Stunde verwandeln Sie einen Haufen Fotos in ein dokument, das bereit für die Führungsebene ist.
Visuelle Finanzanalyse
Die gleiche Logik gilt für eine quartalsweise Leistungsüberprüfung, beginnt jedoch mit einer Datei. Laden Sie Ihre KPI-Excel-Tabelle hoch und fordern Sie dann die Analysearbeit an: „Analysieren Sie diese Daten. Berechnen Sie die Entwicklung im Vergleich zum vorherigen Quartal. Identifizieren Sie die Top 3 der Performer und die 3 Alarmzeichen.” Überprüfen Sie diese Zahlen, bevor Sie fortfahren – ein Fehler an dieser Stelle setzt sich fort und verstärkt sich in allem, was folgt, bis hin zu den Diagrammen, die Sie präsentieren.
Sobald die Analyse validiert ist, fordern Sie die Visualisierungen an: „Generieren Sie ein visuelles Dashboard mit 4 Diagrammen: Umsatzentwicklung, Aufschlüsselung nach Produkt, Teamvergleich und Trend über 4 Quartale.” Kümmern Sie sich abschließend um die Formatierung: „Fassen Sie alles in einem 3-seitigen Zusammenfassungsdokument zusammen: Kennzahlen auf Seite 1, Diagramme auf Seite 2, Empfehlungen auf Seite 3.”
Illustrierte Content-Produktion
Für einen vollständigen Blogbeitrag beginnt der Workflow mit dem Rohmaterial: Laden Sie Ihre Referenzdokumente, PDFs oder Artikel hoch und fordern Sie eine detaillierte Gliederung an. Das Schreiben erfolgt dann Abschnitt für Abschnitt, wobei Sie Tonfall, Tiefe und Beispiele iterativ anpassen, statt den gesamten Artikel auf einmal zu verlangen.
Anschließend folgen die Visualisierungen innerhalb derselben Konversation, was die Konsistenz mit dem gerade geschriebenen Text sicherstellt: „Generieren Sie eine Header-Illustration für diesen Artikel im professionellen Flat-Design-Stil. Erstellen Sie dann 3 erklärende Diagramme für die Abschnitte 2, 4 und 6.” Fügen Sie zuletzt den redaktionellen Schliff hinzu: „Schlagen Sie 5 eingängige Titel vor, schreiben Sie die SEO-Meta-Beschreibung und empfehlen Sie 10 relevante Keywords.” Ein vollständiger, illustrierter und optimierter Artikel, produziert in einer einzigen Sitzung.
Querverweisendes Audit
Das letzte Szenario zeigt den Wert der Mischung von Quellen unterschiedlicher Natur. Um die Online-Präsenz eines Kunden zu auditieren, laden Sie zunächst Screenshots seiner Website, seiner Social-Media-Seiten und der Google-Suchergebnisse hoch, gefolgt von Analytics-Exporten: Traffic, Absprungrate, Quellen. Fordern Sie dann das an, was keiner der beiden Datensätze allein liefern kann: „Verknüpfen Sie die Analytics-Daten mit den Website-Screenshots. Identifizieren Sie Seiten mit hohem Traffic, aber geringem Engagement, und korrelieren Sie dies mit ihrem in den Screenshots sichtbaren Design.” Schließen Sie mit dem Deliverable ab: „Erstellen Sie einen Audit-Bericht mit annotierten Screenshots, die Problembereiche aufzeigen, sowie Verbesserungsvorschlägen für jeden Bereich.”
Wann zu ChatGPT Work wechseln
Für einen langen Workflow, der mehrere Quellen nutzt und ein echtes Deliverable – ein Dokument, eine Tabelle oder eine Präsentation – erzeugen muss, ist ChatGPT Work das von OpenAI entwickelte Tool: Es erstellt oder bearbeitet diese Dateien, abhängig von Ihrem Plan und den Workspace-Einstellungen. Sie können es sogar per Sprache mit Live steuern, sowohl im Web als auch auf Mobilgeräten, wobei die Aufgabe nach dem Anruf im Textmodus fortgesetzt wird. Behalten Sie dieselben Reflexe bei: ein klares Ziel, ausgewählte Quellen und Ihre Genehmigung vor jedem Versand.
Entwerfen Sie Ihren eigenen
Diese vier Beispiele teilen eine Methode, die auf jede komplexe Aufgabe anwendbar ist. Definieren Sie zunächst das Endziel: Welches Deliverable oder welche Entscheidung streben Sie an? Listen Sie als Nächstes die verfügbaren Inputs auf – Dateien, Bilder, Informationen – und sequenzieren Sie die Schritte, indem Sie die Reihenfolge festlegen, in der ChatGPT diese Elemente verarbeiten soll. Spezifizieren Sie, welche Zwischenausgabe jeder Schritt liefern muss, und validieren Sie diese Ergebnisse, bevor Sie fortfahren. Alles hängt von der Zerlegung ab: Eine komplexe Aufgabe wird zu einer Reihe kurzer Schritte, von denen jeder eine spezifische Fähigkeit nutzt.
Drei Fallstricke treten bei der Entdeckung dieser Ketten häufig auf. Der erste ist das gleichzeitige Senden aller Elemente ohne zugehörige Anweisungen – der Kontext wird unlesbar. Der zweite ist der Verlust des roten Fadens in einer langen Konversation; ein einfaches „Erinnerung: Wir arbeiten am Audit für Kunde X” setzt alles zurück. Der dritte ist der Versuch, ein gesamtes Projekt in einer einzigen Sitzung durchzuführen: Jenseits eines bestimmten Volumens ist es besser, in mehrere thematische Konversationen aufzuteilen.
Sie sind dran
Ihr Mini-Workflow. Erstellen Sie Ihren eigenen Mini-Workflow mit mindestens drei Eingabetypen. Laden Sie ein Foto hoch – Ihr Produkt, Ihr Arbeitsplatz, eine Veranstaltung – und dann eine Datei zum selben Thema. Fordern Sie eine Textanalyse an, die visuelle Informationen und Dateidaten verknüpft, und schließen Sie mit einem Deliverable ab: Bericht, Präsentation oder Aktionsplan. Messen Sie die Zeit und vergleichen Sie sie mit der Dauer, die dieselbe Arbeit manuell benötigt hätte. Diese Differenz entscheidet darüber, welche Workflows Sie als Vorlagen beibehalten.
Offizielle Quellen: ChatGPT Voice · Creating and editing documents, spreadsheets, and presentations with ChatGPT Work · Uploading files and audio to ChatGPT (OpenAI Help Center)
Kernaussagen
- Die Stärke des multimodalen ChatGPT liegt in der Kombination von Text, Bildern, Dateien und Sprache innerhalb eines einzigen Workflows
- Zerlegen Sie komplexe Aufgaben in sequenzielle Schritte, wobei jeder Schritt eine andere Fähigkeit nutzt
- Validieren Sie die Ergebnisse jedes Schritts, bevor Sie zum nächsten übergehen
- Der Kontext bleibt während der gesamten Konversation erhalten – nutzen Sie dies
- Erstellen Sie Workflow-Vorlagen für Ihre wiederkehrenden Aufgaben und sparen Sie bei jeder Ausführung Zeit
Testen Sie Ihr Wissen
Bilder, Sprache, Dateien: Überprüfen Sie Ihr multimodales Toolkit.
1. Was kann ChatGPT mit einem Foto eines Dokuments tun?
Antwort: OCR und Analyse: Text extrahieren, Daten strukturieren (inklusive Tabellen) und Fragen zum Inhalt beantworten – das Foto wird zu einer nutzbaren Quelle.
2. Wie erhalten Sie ein generiertes Bild, das Ihrer Absicht entspricht?
Antwort: Indem Sie Motiv, Stil, Komposition und Details beschreiben – und iterieren: ChatGPT Images liefert bessere Ergebnisse, wenn der Prompt Bildausschnitt und Einschränkungen spezifiziert, statt nur ein Thema zu nennen.
3. Was ermöglicht die Bearbeitung bestehender Bilder?
Antwort: Das Modifizieren eines bereitgestellten Bildes – Ersetzen eines Elements, Ändern eines Stils, Anpassen eines Bereichs – durch Beschreibung der gewünschten Änderung, ohne bei Null anzufangen.
4. In welchen Fällen ist der Sprachmodus dem Textmodus überlegen?
Antwort: Sprachpraxis, Coaching, Brainstorming: Der gesprochene Austausch ist schneller und natürlicher – und kombiniert sich mit denselben Fähigkeiten wie das Schreiben.
5. Was ist ein multimodaler Workflow?
Antwort: Eine Kette, die Eingaben und Ausgaben kombiniert: Ein PDF analysieren, dessen Daten extrahieren, die entsprechende Visualisierung generieren und die Zusammenfassung schreiben – wobei jede Modalität dem nächsten Schritt dient.
Diese letzte Lektion fügt alles zusammen: Lassen Sie sich von ihren Workflows inspirieren, um Ihre eigenen zu erstellen.