Forschung: Komplexe Synthesen aus mehreren Quellen
Auf dieser Seite
Erstellung von Synthesen professioneller Qualität
Das Querverbinden von Dutzenden Dokumenten, Artikeln und Berichten, um eine kohärente Analyse zu extrahieren, ist die Aufgabe, bei der das Schlussfolgern seinen größten Wert beweist. In dieser Lektion erfahren Sie, wie Sie Synthesen höchster Ebene erstellen, die sich mit der Arbeit eines erfahrenen Analysten messen können.
Warum Schlussfolgerungen bei der Synthese überlegen sind
Die Synthese aus mehreren Quellen ist von Natur aus ein Problem des Schlussfolgerns. Sie müssen jede Quelle einzeln verstehen, Übereinstimmungen und Abweichungen identifizieren, die relative Zuverlässigkeit der Quellen bewerten, ein kohärentes Argument strukturieren und Schlussfolgerungen je nach Grad der Sicherheit nuancieren. Keine dieser Operationen reduziert sich auf eine einfache Textkomprimierung: Ohne vorheriges Schlussfolgern erzeugt ein Modell Zusammenfassungen; mit high oder xhigh Schlussfolgerung erzeugt es analytische Synthesen. Dies ist der typische Anwendungsfall für Sol. Bei wirklich massiven Korpora kann die ultra-Einstellung die Arbeit über mehrere Agenten hinweg parallel verteilen – reservieren Sie dies für Fälle, die dies rechtfertigen, da der Verbrauch signifikant höher ist.
In ChatGPT automatisiert Deep Research einen Großteil dieser Arbeit: Sie beschreiben das gewünschte Ergebnis, ChatGPT schlägt einen Forschungsplan vor, den Sie anpassen können, und es durchsucht das Web, Ihre Dateien und Ihre verbundenen Apps, bevor es einen strukturierten Bericht mit Quellen liefert. Sie können die Suche auf bestimmte Websites beschränken oder diese priorisieren. Der folgende Arbeitsablauf bleibt nützlich, um ihn zu steuern oder mit Ihren eigenen Dokumenten zu arbeiten.
Der vierphasige Arbeitsablauf
Alles beginnt mit der Eingrenzung, bevor Sie auch nur die erste Quelle bereitstellen: Sie benennen das Thema und legen den Analyserahmen fest, wodurch es später nicht notwendig wird, vier heterogene Zusammenfassungen manuell zu harmonisieren.
„Ich bereite eine Synthese über die Auswirkungen der generativen KI auf den Rechtssektor in Europa vor. Ich werde mehrere Quellen bereitstellen. Für jede Quelle möchte ich, dass Sie extrahieren: (1) die Hauptargumente, (2) quantitative Daten, (3) eventuelle Einschränkungen oder Verzerrungen in der Quelle.”
Als Nächstes folgt die Ingestion. Geben Sie Ihre Quellen einzeln oder in Batches an und nummerieren Sie sie: „Quelle 1: [PDF des McKinsey-Berichts]; Quelle 2: [akademischer Forschungsartikel]; Quelle 3: [Studie der Europäischen Kommission]; Quelle 4: [Fachartikel in der Presse].” Bei Online-Quellen übernimmt die Websuche die Sammlung: „Finden Sie die drei neuesten Studien zur Einführung der generativen KI in europäischen Anwaltskanzleien. Fassen Sie die wichtigsten Ergebnisse jeder Studie zusammen.”
Die dritte Phase ist der Punkt, an dem Schlussfolgerungen den Unterschied machen, da sie über das reine Lesen hinausgehen und zur Konfrontation führen.
„Verbinden Sie nun alle Quellen und erstellen Sie eine Analyse, die identifiziert:
- Punkte der Übereinstimmung (was alle Quellen übereinstimmen lassen)
- Punkte der Abweichung (wo sich die Quellen widersprechen)
- Blindstellen (wichtige Themen, die keine Quelle abdeckt)
- Ihre eigene Einschätzung der Zuverlässigkeit jeder Schlussfolgerung (sicher, wahrscheinlich, unsicher)”
Blindstellen sind der wertvollste Punkt auf dieser Liste und derjenige, den die Menschen am häufigsten vergessen zu fragen: Was Ihre Quellen auslassen, sagt oft genauso viel aus wie das, was sie behaupten. Die letzte Phase formatiert alles: „Erstellen Sie die endgültige Synthese im Berichtsformat: Executive Summary (maximal 10 Zeilen), strukturierte Entwicklung in 4–5 thematischen Abschnitten, Schlussfolgerung mit Empfehlungen. Ziehen Sie für jede Hauptaussage Quellen an.”
Drei Techniken, die das Ergebnis heben
Die Konvergenzmatrix bietet einen sofortigen Überblick über die Landschaft: „Erstellen Sie eine Tabelle mit den Quellen als Zeilen und den Schlüsselfaktoren als Spalten. Geben Sie für jede Zelle an, wo die Quelle zum Faktor steht (begünstigt, ungünstig, neutral, nicht erwähnt).” Auf einen Blick sehen Sie, wo sich die Quellen einig sind, wo sie sich widersprechen und welche Spalten leer bleiben.
Die kritische Bewertung bittet das Modell, das Gelesene zu gewichten, anstatt alles gleich zu behandeln: „Bewerten Sie für jede Quelle: (1) die Glaubwürdigkeit des Autors oder der Institution, (2) die verwendete Methodik, (3) potenzielle Verzerrungen (Förderung, ideologische Positionierung), (4) Aktualität der Daten. Gewichten Sie Ihre Schlussfolgerungen entsprechend.” Ohne diesen Schritt tragen eine solide Studie und ein Blogbeitrag im endgültigen Bericht gleiches Gewicht.
Schließlich ist die dialektische Synthese für kontroverse Themen unerlässlich: „Präsentieren Sie die Argumente für jede Seite in einer ausgewogenen Weise: (1) These – Argumente zugunsten, (2) Antithese – Argumente dagegen, (3) Synthese – Ihre nuancierte Position, die die besten Argumente beider Seiten integriert.” Dieses Format verhindert, dass das Modell zu früh entscheidet.
Vier professionelle Szenarien
In der strategischen Intelligenz liegt der Fokus auf der Antizipation statt auf der Beobachtung: „Basierend auf diesen fünf aktuellen Artikeln zu unserem Sektor identifizieren Sie die drei aufkommenden Trends, die unsere Geschäftstätigkeit in den nächsten 12–18 Monaten beeinflussen könnten. Für jeden Trend bewerten Sie die Wahrscheinlichkeit (hoch/mittel/niedrig) und das potenzielle Ausmaß.”
In der Due Diligence entsteht der Wert durch die beabsichtigte Heterogenität der Quellen: „Hier sind vier Dokumente zum Zielunternehmen: der Jahresbericht, ein Presseartikel, das LinkedIn-Profil des CEOs und Glassdoor-Bewertungen. Erstellen Sie eine querverbundene SWOT-Analyse und identifizieren Sie eventuelle Warnsignale.” Ein Jahresbericht und Glassdoor-Bewertungen sagen nicht dasselbe über dasselbe Unternehmen aus: Die Lücke ist es, was lehrreich ist.
Für eine Literaturrecherche ist der erwartete Entwurf standardisierter: „Ich stelle 8 akademische Artikel zu [Thema] bereit. Erstellen Sie eine strukturierte Literaturrecherche: (1) Stand der Technik, (2) verwendete Methodiken, (3) konvergente Ergebnisse, (4) widersprüchliche Ergebnisse, (5) Lücken in der aktuellen Forschung, (6) Ansatzpunkte für zukünftige Forschung.” Und um eine Entscheidung vorzubereiten, fordern Sie das Artefakt an, das die Wahl direkt vorantreiben wird: „Hier sind drei Anbieterangebote (PDF), zwei Branchenvergleichsartikel und Feedback von unseren technischen Teams (E-Mail). Erstellen Sie eine gewichtete Mehrkriterien-Entscheidungsmatrix und empfehlen Sie einen Anbieter mit Begründung.”
Jetzt an der Reihe
Ihre Synthese. Wählen Sie ein Thema von beruflichem Interesse und führen Sie den gesamten Arbeitsablauf auf einem hohen Schlussfolgerungsniveau durch: Lassen Sie die Websuche vier oder fünf aktuelle Quellen finden, fordern Sie eine strukturierte Extraktion aus jeder Quelle an, führen Sie dann die Querverbindung mit Konvergenzen, Divergenzen und Blindstellen durch und erstellen Sie schließlich die Synthese im Berichtsformat. Vergleichen Sie das Ergebnis mit dem, was Sie manuell erstellt hätten, und notieren Sie sowohl die eingesparte Zeit als auch die Beobachtungen, die Sie auf eigene Faust nicht gemacht hätten.
Die Qualität hängt zunächst von Ihrem Korpus ab. Eine Synthese auf Basis von zwei Quellen ist keine Synthese: Streben Sie mindestens vier bis fünf Quellen an und diversifizieren Sie diese – wenn sie alle vom gleichen Typ von Akteur, etwa Verlagen, stammen, wird das Ergebnis verzerrt sein, unabhängig von der Qualität der Schlussfolgerung. Die initiale Eingrenzung bleibt essenziell; andernfalls erhalten Sie eine generische Zusammenfassung statt einer gezielten Analyse. Ein letztes Signal sollte Sie alarmieren: Wenn die Ausgabe wie eine Liste von zusammengefügten Zusammenfassungen aussieht, haben Sie eine Kompilation, keine Synthese – formulieren Sie neu, indem Sie Argumentation und Zuverlässigkeitsbewertung fordern.
Offizielle Quellen: Deep Research in ChatGPT (OpenAI Help Center: Plan, Quellen, Websites, zitierter Bericht) · Suchen im Web mit ChatGPT (Zitate und Verifizierung) · Reasoning Models (Anstrengungsebenen,
xhighfür Deep Research)
Kernaussagen
- Hohe Schlussfolgerungsebenen oder Deep Research dienen der Synthese aus mehreren Quellen; die Qualität hängt zunächst vom Korpus ab
- Der Arbeitsablauf: Eingrenzen → aufnehmen → querverbinden → strukturieren
- Fordern Sie immer Konvergenzen, Divergenzen und Blindstellen an
- Nutzen Sie die Konvergenzmatrix, um die Positionen der Quellen zu visualisieren, und Deep Research, um das Korpus zu erweitern
- Fordern Sie für jede Schlussfolgerung eine Zuverlässigkeitsbewertung an und diversifizieren Sie Ihre Quellen
Wissen testen
Schlussfolgern, Anstrengung, Orchestrierung: Validieren Sie die Mechanismen, bevor Sie sie anwenden.
1. Wie wählen Sie das Modell und die Schlussfolgerungsebene für eine bestimmte Aufgabe?
Antwort: Beginnen Sie mit der Standardeinstellung und erhöhen Sie die Anstrengung, bevor Sie die Modelle wechseln. In der API: GPT-6 Astra und GPT-6.1 Sol für anspruchsvolle Probleme, GPT-6.1 Terra für tägliche technische Arbeit, GPT-6 Luna für Volumen. In Chat: Der Schieberegler von Sofort bis Extra High, dann Pro.
2. Wann sollten Sie hohe Schlussfolgerung aktivieren – und wann sollten Sie darauf verzichten?
Antwort: Aktivieren Sie sie für mehrstufige Probleme (Berechnungen, Logik, Abwägungen); lassen Sie sie bei einfachen Aufgaben weg, bei denen sie nur Latenz und Kosten hinzufügen. In der API reicht die Anstrengung von none bis max je nach Modell; Ultra existiert nur in Work und Codex.
3. Was bedeutet es, das Modell zum „Dirigenten" zu machen?
Antwort: Das Übertragen eines mehrstufigen Arbeitsablaufs, bei dem es Analyse, Werkzeuge (Codeausführung, Websuche) und Synthese verknüpft, wobei die Ausgabe jedes Schritts erforderlich ist. In ChatGPT ist Work dafür gebaut; in der API orchestriert Programmatic Tool Calling Werkzeuge über Code.
4. Was ermöglicht die Kombination von Schlussfolgerung mit Codeausführung?
Antwort: Analysen, die durch Berechnung verifiziert werden: Das Modell schlussfolgert den Ansatz und delegiert Berechnungen an den Code (Datenanalyse in ChatGPT, Code Interpreter in der API), was zuverlässige Zahlen, Diagramme und reproduzierbare Prüfungen liefert.
5. Nennen Sie zwei Geschäftsfälle, bei denen hohe Schlussfolgerung ihren Wert beweist.
Antwort: Varianzberichte im Finanzwesen (automatische Erklärung von Mehrdeutigkeiten aus mehreren Quellen) und Synthesen aus mehrfacher Forschung – zwei Fälle, bei denen das Querverbinden und Schlichten von Informationen im Kern der Aufgabe liegt.
Das leitende Prinzip: Dosieren Sie die Anstrengung entsprechend der Tragweite und lassen Sie das Modell orchestrieren, wenn der Arbeitsablauf dazu passt.