Die 7 ChatGPT Beispiele in der Übersicht
ChatGPT Beispiel 1: 5 statt 10 Stunden – 31 Mitarbeiterbeschreibungen für die Firmenwebseite automatisiert erstellen
Auftrag
Für sämtliche Mitarbeitende der redPoint AG in Baar ZG wurde auf der Webseite eine eigene Personenseite angelegt mit Namen, Portraitfoto, Funktion und Kontaktdaten der Mitarbeiterin oder des Mitarbeiters. Einzig die Beschreibungstexte fehlten noch. Für die Erstellung dieser Texte ist das Marketing-Team der redPoint AG auf mich zugekommen und hat mich beauftragt.
Zusätzlich zur Texterstellung habe ich direkt auch das Einpflegen der Texte auf der WordPress-Seite mitofferiert. Denn der Grund des Auftrages lag in den fehlenden Ressourcen seitens der Kundin. Mit dem Service, die Texte publikationsfertig auf den Personenseiten direkt im Webseiten-CMS zu implementieren, konnte ich auch gleich den nächsten arbeitsintensiven Schritt «abfedern» – zudem kenne ich mich mit WordPress gut aus.
Kundin
Die redPoint AG in Baar ZG ist spezialisiert auf ERP-Implementierungen mit Microsoft Dynamics Navision und Dynamics 365 Business Central. Die Unternehmensleitung spricht nicht nur von einer Werte-zentrierten Unternehmensführung, das kommt auch wirklich beim Team so an – das habe ich beim Texten der Mitarbeiterbeschreibungen zweifellos festgestellt.
Videoaufnahme des Cases
Ausganslage
Als Grundlage für die Beschreibungen konnte das redPoint-Team eine PowerPoint-Präsentation zur Verfügung stellen, in welcher für jedes Teammitglied eine eigene Seite angelegt war. Darauf befanden sich detaillierte Beschreibungen zur Person, zum Werdegang, zu speziellen Kenntnissen im Bereich ERP und zur Abrundung einige private Infos wie auch ein persönlicher Leitspruch.
Mit einer solch tollen Datenbasis war mir früh klar, dass ich ein ChatGPT-basiertes Vorgehen als Lösung vorschlagen würde.
Aus Sicht der Kundenorientierung erschien es mir wichtig und ausser Frage, die Auftraggeberin «an Bord zu holen», und nicht ChatGPT unerwähnt zur Auftragsbearbeitung einzusetzen. Dieses transparente Vorgehen wurde seitens Kundin geschätzt.
Vorgehen in 4 Schritten
Schritt 1: Mustertext erstellen
Damit die KI genau versteht, was das auszugebende Resultat des Auftrages ist, werde ich einen Mustertext zur Verfügung stellen. Das ist eine hervorragende Methode und einer meiner wirksamsten KI-Tipps. Es ermöglicht es dem Sprachmodell, den Mustertext zu analysieren und die weiteren Generierungen genau in das Zielmuster zu giessen.
Den Mustertext habe ich der Auftraggeberin vorgelegt, diese hat einige kleine Anpassungen gewünscht und dann die Freigabe gegeben.
Schritt 2: Prompt aufbauen und testen
Für die Prompterstellung habe ich ein leeres Word-File geöffnet und die wichtigsten Stichpunkte des Prompts notiert. Dann habe ich den Audiomodus aktiviert und die Detailbeschreibung zu den Stichpunkten gesprochen. So konnte ich schnell einen langen und detaillierten Prompt erstellen.
Schritt 3: Mitarbeiterbeschreibungen mit «4o with Canvas» generieren
Der Vorteil des Canvas-Vorgehens ist, dass die Chat-Konversation und der generierte Text sich in zwei getrennten Fensterbereichen befinden. So können ich und die KI im Tandem am Text Änderungen vornehmen.
Nach dem initialen Prompt und dem zur Verfügung stellen des Mustertextes habe ich Mitarbeiterfolie für Mitarbeiterfolie an ChatGPT gefüttert und das Modell Text für Text erstellen lassen.
Am aller schnellsten geht dies mittels Screenshots. Ich nutze das Screencapture-Tool Snagit, um innert Sekunden Screenshots zu machen und diese via CTRL+V in ChatGPT einzufügen.
Schritt 4: Texte prüfen und Feinschliff vornehmen
Das schrittweise Vorgehen hat es ermöglicht, jeden Text sofort zu kontrollieren und die ersten Korrekturen vorzunehmen. Ich habe jede Generierung genau gelesen und mit den Inhalten der jeweiligen Folie verglichen, um allfällige Halluzinationen zu entdecken. Tatsächlich hat ChatGPT nicht überall die präzisen Berufsfunktionen verwendet, was ich durch die straffe Kontrolle sofort feststellen konnte.
Bevor ich die generierten Texte nochmals der Kundin vorgelegt hatte, habe ich sie während einer Zugfahrt in einer separaten Korrektur-Runde alle nochmals gelesen und kreative und stilistische Anpassungen gemacht.
Prompt
Der Prompt ist 4-stufig aufgebaut:
- Auftrag und Kontext: Personenbeschreibungen für eine Webseite, für jede Person eine Vorlagenseite mit Inhalt, Mustertext als Beispiel für das zu erreichende Ziel.
- Rolle: ChatGPT soll in der Rolle eines erfahrenen Texters agieren. Länge und Tonalität des Mustertextes übernehmen, selber kreative Freiheit nutzen um gute Texte zu erreichen.
- Ausgabeformat: Titel mit Name und Funktion, sowie Text darunter. Texte in der 3. Person formuliert.
- Vorgehen: Kein eigenständiges Losgenerieren sondern nur auf Kommando starten
In der vollen Länge hat der Prompt eine ganze A4-Seite umfasst.
Herausforderungen und Besonderes
- Audiomodus: Um lange Prompts schnell aufbauen zu können, nutze ich jeweils den Audiomodus von ChatGPT selber oder seltener auch in Word.
- Datenschutz: Bevor ich die PPT-Slides mit den Mitarbeitertexten in ChatGPT hochgeladen habe, habe ich alle Personenbilder entfernt. Die Gesichter der Personen fallen meines Erachtens unter «besonders schützenswerte persönliche Informationen» gemäss esonders schützenswerten Kategorien nach Art. 9 Abs. 1 DSGVO und ich wollte dadurch verhindern, dass aufgrund meiner Arbeit solche Infos an OpenAI und in den Trainingsdatensatz gelangen.
- Text für Text anstelle Bulk-Generierung: Anfänglich war es mein Ziel, die Texte nicht schrittweise, sondern in bulk generieren zu lassen. Das klappte beim Testen jedoch nicht gut.
- Halluzinierte Berufsfunktionen: An verschiedenen Punkten in der Generierungsarbeit habe ich festgestellt, dass ChatGPT von den tatsächlichen Berufsfunktionen abweicht und die Personen generell als Berater oder Beraterin bezeichnet.
- Persönliche Zitate nicht vollständig übernommen: Vereinzelt hat ChatGPT die persönlichen Zitate nur teilweise übernommen. Da musste ich nachhaken, worauf die KI die Verfehlungen direkt korrigierte.
- Schwierigkeiten mit dem Modell-Wechsel zwischen «4o» und «4o with canvas»: Aus Versehen habe ich während der Arbeit im Canvas auf «stattdessen im Chat antworten» geklickt. Daraufhin wurde der Canvas-Modus geschlossen und es gelang mir nicht, dorthin zurück zu kehren. Alle weiteren Generierungen passierten jetzt im Chat-Modus.
Resultat und Fazit: 5 anstelle von 10 Stunden
Für die Generierungen habe ich rund 5 Stunden gebraucht – bei normalem Texten hätte ich sicher die doppelte Zeit benötigt. Der KI-Einsatz hat für eine deutliche Beschleunigung der Auftragsabwicklung gesorgt.
Auch auf Seiten der Kundin herrscht Zufriedenheit mit dem Ergebnis: «Zunächst mal danke für deinen Effort und für dein gutes Auge! Ich finde, die Texte sind gut geworden – gut strukturiert und lesbar», so das Abschluss-Feedback.»
Entscheidendes Element für den Erfolg war die fantastische Datengrundlage mit den Mitarbeitenden-PPT-Slides.
ChatGPT Beispiel 2: Inhaltsverzeichnis in Blogbeiträgen schön designen mittels CSS-Styling
Ausgangslage
Ich darf meine Kundin first frame networkers ag im Digital Marketing unterstützten, insbesondere in der Vermarktung der Cybersecurity Services. Dabei arbeite ich mit dem Leiter Marketing eng zusammen, mache viel Analyse- und Beratungsleistung, wirke aber auch aktiv in der Contentproduktion mit.
Die first frame networkers ag setzt für das Blogging das Content Modul der HubSpot Marketingsuite ein. Hier stehen wir jedoch vor der Herausforderung, dass es kein Standardmodul für Inhaltsverzeichnisse gibt.
Kundin
Die first frame networkers ag ist ein rund 80 Personen grosses IT-Unternehmen aus Baar im Kanton Zug. Ein besonderes Gewicht nehmen die Cybersecurity Services ein. Ein Bereich, welcher verstärkt nachgefragt wird und in welchem ich das Kundenunternehmen unterstützten darf.
Bedeutung von Inhaltsverzeichnissen für Usernutzen und SEO
Inhaltsverzeichnisse in Blogs sind wichtige Elemente im Blogging. Zum einen erleichtert es den Leserinnen und Lesern den Zugang zu den relevanten Themen, da sie nicht den gesamten Beitrag durchforsten müssen. Zum anderen signalisiert ein gut strukturiertes Inhaltsverzeichnis Suchmaschinen wie Google, dass sich hinter dem Beitrag eine klare und zielgerichtete Content-Strategie verbirgt – ein wichtiger Aspekt für das Ranking und die Sichtbarkeit im Netz.
Vorgehen in 5 Schritten
Ich bin in 5 Schritten vorgegangen:
- Ankerlinks in den Blogbeitrag einfügen:
Als erstes habe ich die Ankerlinks bei den Zwischentitel des Blogbeitrags gesetzt. Diese dienen als Referenzpunkte, die später im Inhaltsverzeichnis verlinkt werden können. Jeder Abschnitt des Beitrags erhält einen eindeutigen Anker, sodass der Browser beim Klicken direkt zu dem entsprechenden Kapitel springt. - Generierung des HTML-Codes mittels ChatGPT:
Ich wechsle die Blog-Ansicht, sodass ich den HTML-Quellcode des Blogs sehe. Diesen kopiere ich in die Zwischenablage und erstelle einen Prompt für ChatGPT. Dieser Prompt enthält genaue Anweisungen, wie das Inhaltsverzeichnis aufgebaut sein soll – inklusive Angaben zu grauer Hintergrundfarbe, abgerundeten Ecken und durchnummerierten Listenelementen. Auf Basis dieser Informationen generiert ChatGPT den entsprechenden HTML-Code, der sämtliche Ankerlinks des Beitrags berücksichtigt. - Erstellung des CSS-Codes für das Styling:
Anschliessend wird ChatGPT dazu angehalten, den passenden CSS-Code zu erstellen, um das Erscheinungsbild des Inhaltsverzeichnisses zu definieren. So erreiche ich ein schönes Design. - Integration und Anpassung in HubSpot:
Der generierte HTML-Code wird in HubSpot in den Blog eingefügt. Aktuell sieht das Inhaltsverzeichnis nur wie eine ganz normale Liste aus. Danach füge ich im Bereich für individuelles CSS den CSS-Code ein, welcher das Styling enthält. Dadurch bekommt das Inhaltsverzeichnis die Stilelemente übertragen und wird visuell ansprechend. - Feinjustierung und finale Umsetzung:
Nach der Integration wird das Ergebnis mehrfach getestet und optimiert. Eventuelle Abweichungen im Layout werden korrigiert, sodass sowohl das Nutzererlebnis als auch die Suchmaschinenfreundlichkeit gewährleistet sind.
Der Prompt
Ich habe hier den Quellcode eines Blogbeitrages. Erstelle den HTML-Code für ein Inhaltsverzeichnis, welches auf alle Ankerlinks im Beitrag verlinkt.
Das Inhaltsverzeichnis soll grau hinterlegt sein und den Titel "Übersicht über die Inhalte in diesem Blog" tragen. Der graue Bereich soll abgerundete Ecken tragen. Alle Inhalte im Verzeichnis sollen durchnummeriert sein mit ordered lists, aber nicht auf der untergeordneten Ebene, denn dort befinden sich die Nummerierungen bereits im H3-Titel im Artikelbody. Sämtliche Inhalte im Inhaltsverzeichnis sollen leicht eingerückt sein und einen Zeilenabstand von 1.2 haben. Bitte unter dem Inhaltsverzeichnis einen Abstand wahren.
Generiere mir den CSS-Code für dieses Styling.
[Quellcode des Blogbeitrages]
Fazit
Dieser Case ist ein schönes Beispiel, wie ChatGPT für das Webdesign und einfache Webprogrammierung verwendet werden kann. Diese Funktionen nutze ich andauernd. Da ich beispielsweise auch meine eigene Webseite komplett selber baue und verwalte, nutze ich ChatGPT laufend. Weitere Webprogrammierer-Fälle, die ich aktiv genutzt habe:
- Auf Thank You-Pages Konfetti-Animationen implementieren, um das Benutzererlebnis zu steigern
- Styling von Buttons steuern, beispielsweise um diese mittig, links- oder rechtsbündig anzuzeigen
- Fehler Untersuchen und diagnostizieren
ChatGPT Beispiel 3: CustomGPT für das automatische Schreiben von Referenzgeschichten
Ausgangslage
In meiner Tätigkeit als Marketing Freelancer mache ich viele Success Stories für meine Kundinnen und Kunden. Dazu führe ich Interviews, die Protokolle verarbeite ich dann zu Artikeln. Dieses Verarbeiten automatisiere ich mit einem CustomGPT.
Erfolgsgeschichten (Success Stories) sind ein entscheidender Bestandteil des Marketings, da sie Social Proof liefern und das Vertrauen potenzieller Kunden stärken. Besonders im IT-Bereich, wo Dienstleistungen oft hochpreisig sind, kann eine gut geschriebene Referenzgeschichte entscheidend sein.
Was mir sehr wichtig ist, dass die Artikel meinen Schreibstil und meine Brand Voice so gut wie möglich übernehmen.
Schritt 1: Instruktionen für den GPT definieren
Bei der Erstellung des Custom GPT orientiere ich mich an meiner eigens entwickelten 40-30-20-10 Promptformel. Auch nach mehr als 2 Jahren ChatGPT-Verfügbarkeit am freien Markt, habe ich keine Promptstruktur gefunden, welche auf meine spezifischen Bedürfnisse im Marketing zugeschnitten war.
Also habe ich selber eine entwickelt.
- 40 % Auftrag, Aussagewunsch, Informationsfundament: Hier definieren wir, was erstellt werden soll, welches Ziel der Text verfolgt und welche Daten als Basis dienen.
- 30 % Instruktionen und Vorgaben: Detaillierte Anweisungen zum Aufbau, Struktur und Stil der Texte.
- 20 % Zielgruppenpersona: Eine klare Definition der Zielgruppe, um den Text optimal darauf abzustimmen.
- 10 % Rolle & Zusatzinfos: Die KI erhält eine spezifische Rolle und es werden weitere Details festgelegt, um die Qualität zu maximieren.
Ein absolut zentraler Punkt ist das Informationsfundament: Bei jeder Generierung füttern wir die KI mit echten Interviewnotizen, um authentische Inhalte zu erhalten. Diese Methode verhindert, dass die KI Inhalte erfindet und sorgt für echte Mehrwerte, die aus primärschöpferischem Wissen und Echtwelt-Erfahrung entspringen.
Ausserdem verfasse ich diese Instruktionen in Microsoft Word. Im Chat-Eingabefenster von ChatGPT fühle ich mich viel zu fest eingeengt. Ich brauche Platz. Die fertige Instruktion ist ziemlich ausführlich geworden. Doch genau da entsteht die Qualität. Wer sich beim Prompten auf Dreizeiler beschränkt, wird von der KI lediglich SLOP-Content produziert kriegen.
Schritt 2: Reverse Engineering für ein präzises Regelset
Ein entscheidender Faktor für hochwertige Generierungen nahe an meiner Brand Voice ist das Bereitstellen von Mustertexten. Ich nutze hier zwei Erfolgsgeschichten, die ich bereits geschrieben habe, als Referenz. Die KI analysiert diese Texte und lernt, wie Struktur, Stil und Tonalität gestaltet sein sollen.
Durch ein Reverse Engineering extrahiere ich mit ChatGPT die spezifischen Merkmale dieser Texte. Das Resultat ist ein präzises und ausführliches Regelset, das genau meine Brand Voice beschreibt:
- Sachlicher, professioneller Stil mit persönlichen Erfahrungsberichten
- Nutzung von direkten Zitaten zur Verstärkung der Authentizität
- Klare Struktur mit definierten Überschriften (H1, H2, H3)
- Integration von Zahlen, Daten und Fakten
Diese extrahierten Eigenschaften führe ich als Regelset in die Instruktionen meines Custom GPT ein.
Schritt 3: Custom GPT konfigurieren
Nun setzen wir den Custom GPT in der ChatGPT-Oberfläche auf:
- Instruktionen definieren: Die vorbereiteten Anweisungen aus Schritt 1 werden eingefügt.
- Wissen bereitstellen: Die Mustertexte werden als Referenz hochgeladen.
- Zugriffsrechte festlegen: Ich entscheide, ob nur ich oder andere Personen den GPT nutzen können.
- Finale Speicherung & Testlauf: Der Custom GPT ist nun bereit für die erste Generierung.
Schritt 4: Erste Generierung mit echtem Case
Nun teste ich den Custom GPT anhand eines echten Kundeninterviews. Ich gebe ihm folgende Eingaben:
- Aussagewunsch: Der Fokus liegt darauf, dass eine lokale IT-Lösung gegenüber globalen Anbietern bevorzugt wurde.
- Informationsfundament: Original-Interviewnotizen zu Herausforderungen, Lösungsfindung und Ergebnissen.
Die erste Generierung zeigt bereits eine hohe Qualität: Die KI folgt der gewünschten Struktur, nutzt Zitate und beschreibt die Transformation klar. Verbesserungen nehme ich direkt vor, indem ich Anpassungen in den Instruktionen speichere.
Schritt 5: Instruktionen optimieren
Nach dem ersten Testlauf schärfe ich die Anweisungen nach. Ich bin überrascht, wie gut die Qualität schon ist und muss hier nur kleine Details nachliefern:
- H1-Titel als echte H1 formatieren
- Konkrete Instruktion, zusätzliche Infos zur Unternehmensgrösse direkt unter den Titel zusetzen
- Mehr Fokus auf direkte Zitate zur Verstärkung der Glaubwürdigkeit
Diese Verbesserungen implementiere ich im Custom GPT und starte eine zweite Generierung. Das Ergebnis ist noch näher an meinem eigenen Schreibstil und enthält alle gewünschten Elemente.
Fazit: von 0 auf 85% im ersten Schritt
Von nun kann ich beim Erstellen von Referenzartikeln meine Ressourcen auf andere mehrwertschöpfende Tätigkeiten richten: Interview führen, Grafiken erstellen, bestehenden Contentbase der Kundin analysieren um die Stories besser in den Funnel einfügen zu können. Die Schreibarbeit übernimmt der CustomGPT. Die von der KI generierten Texte haben 85% Zielqualität und brauchen nur noch eine leichte Überarbeitung.
Falls du ebenfalls effiziente und hochwertige Content-Generierung mit KI lernen willst, lade ich dich ein zu meinem ChatGPT Marketing Katapultkurs: Hier anmelden.
ChatGPT-Beispiel 4: Deep Research erledigt umfassende Marktrecherchen in Minuten
Mit der neusten Funktion «Deep Research» können umfangreiche Recherchen der KI übergeben werden, welche diese autonom erledigt. Ich habe das getestet und die KI zwei Marktrecherchen ausführen lassen. Binnen Minuten sind umfassende Rechercheberichte von eindrücklicher Qualität entstanden, welche in traditioneller Eigenrecherche Stunden oder Tage in Anspruch genommen hätten.
Was ist Deep Research?
Deep Research wurde Anfang Februar veröffentlicht und ist in den Plus- (20 $/Monat) und Pro-Versionen (200 $/Monat) von ChatGPT verfügbar. Die KI agiert als autonomer AI-Agent und kann mehrstufige Rechercheaufgaben ausführen. Dabei geht sie schrittweise vor, analysiert Quellen, zieht Schlussfolgerungen und bewertet die Relevanz der gefundenen Informationen. Die KI führt alle Erkenntnisse in einem detaillierten und ausführlichen Recherchebericht zusammen.
User und Userinnen können eine bestimmte Rechercheanfrage stellen, woraufhin die KI eigenständig im Internet nach Informationen sucht und diese in einem strukturierten Bericht zusammenfasst. Die Bearbeitung kann zwischen 5 und 30 Minuten dauern und liefert erstaunlich detaillierte Ergebnisse.
In meinen Test haben die Recherchen zwischen 5 und 17 Minuten gedauert.
OpenAI Deep Research Live-Demo
Im Video seht ihr die neue Funktion ChatGPT Deep Research live und direkt in Action:
Deep Research Test 1: eine einfache Marktrecherche durchführen (Marketing-Professionals in DACH ermitteln)
Mein erster Testfall für Deep Research war eine klassische Marktrecherche: Wie viele potenzielle Kunden gibt es für mein Unternehmen Marketing Marco im DACH-Raum? Diese Aufgabe erachte ich als nicht schwierig, aber sehr wohl als aufwendig. Diese Informationen sind vorhanden, müssen jedoch zusammengetragen und verarbeitet werden.
Vorgehen
Ich habe meinen Prompt in einem Word-Dokument erstellt, um mehr Platz für eine detaillierte Formulierung zu haben. Dies ist einer meiner ChatGPT-Profi-Tricks, die ich im ChatGPT Advanced Guide für Markting parat habe. Der Guide umfasst mein ganzes Profi-Know-how aus über 250 Stunden ChatGPT-Einsatz im Marketing.
Die Anfrage lautet zusammengefasst:
Ermittle die Anzahl der Marketing-Professionals sowie der Personen, die sich mit Marketing-Aufgaben befassen, in Deutschland, Österreich und der Schweiz.
Nach dem Einfügen in ChatGPT mit aktivierter Deep Research-Funktion erhielt ich zunächst eine Rückfrage zur genaueren Definition der Zielgruppe – ein sehr gutes Zeichen, da es zeigt, dass die KI mitdenkt. Nachdem ich die Fragen beantwortet hatte, startete die KI ihre Recherche.
Während des Prozesses konnte ich live beobachten, welche Quellen konsultiert wurden, darunter Statista, Bitkom und nationale Statistikbehörden. Innerhalb von sieben Minuten lag das Ergebnis vor:
- Marketing Professionals DACH: ca. 1 Million Personen
- Erweiterte Zielgruppe (Nicht-Marketer mit Marketing-Aufgaben): 5 bis 5,5 Millionen Personen
- Gesamtzielgruppe: Rund 6,5 Millionen Personen
Diese Zahlen deckten sich weitgehend mit meinen Erwartungen und lieferten eine solide Basis für weitere Analysen.
Hier verlinke ich euch den Screenshot des vollständigen Rechercheberichtes. Es ist wirklich eindrücklich. Für einen solchen Bericht hätte ich mehrere Tage investiert.
Deep Research Test 2: eine schwierige Marktrecherche durchführen (Lagenpalettierer in der Schweiz)
Als zweiten Test habe ich eine deutlich schwierigere Aufgabe gestellt: Die Ermittlung der jährlichen Verkaufszahlen für Lagenpalettiersysteme in der Schweiz. Dazu gibt es wenige öffentlich Verfügbare Informationen und die KI muss daher von anderen Ländern oder anderen Informationen plausible Ableitungen machen.
Nach dem Start der Deep Research-Funktion war die KI wieder etwa fünf Minuten aktiv und konsultierte 12 verschiedene Quellen. Das Ergebnis war beeindruckend:
- Jährlicher Absatz: Geschätzt niedriger zweistelliger Bereich (also einige Dutzend Maschinen pro Jahr)
- Marktwachstum: 10-12 % pro Jahr (Compound Annual Growth Rate)
- Jährlicher Umsatz: Unter 20 Millionen Franken für Lagenpalettierer
Diese Werte geben eine fundierte Schätzung des Marktes und wären in manueller Recherche nur mit erheblichem Aufwand ermittelbar gewesen.
Der Recherchebericht weist die Funde im Detail aus und liefert reiche Kontextinformationen dazu. Auch hier bin ich sehr beeindruckt vom Ergebnis.
Fazit: ein unfairer Vorteil
Deep Research ist ein extrem leistungsfähiges Tool für Marktrecherchen. Ich würde soweit gehen und es schon fast als unfairen Vorteil jener bezeichnen, die Zugang dazu haben. Besonders beeindruckend ist die Geschwindigkeit, mit der detaillierte und gut belegte Berichte erstellt werden. Wofür wir bis vor Kurzem noch Tage gebraucht haben, ist innerhalb von Minuten fertiggestellt.
Allerdings gibt es einige Einschränkungen:
- Begrenzte Nutzung: In der Plus-Version sind nur 10 Deep Research-Anfragen pro Monat verfügbar.
- Keine Verfügbarkeit in der Free-Version: Nutzer*innen ohne bezahltes Abonnement haben keinen Zugriff auf diese Funktion.
Trotz dieser Limitierungen sehe ich riesiges Potenzial für Marketing-Teams, die regelmässig Marktdaten benötigen. Wer Zeit sparen und trotzdem fundierte Informationen erhalten möchte, sollte Deep Research unbedingt ausprobieren.