Vier Dateien, die einen Custom-GPT deutlich besser machen · die Werkstatt-Bauanleitung

Die Frage, die im AIM-Lehrgang regelmäßig fällt

Ein konfigurierter Assistent kann ein Werkzeug für den eigenen AIM-Fall sein. Die Wahl richtet sich nach Aufgabe und verfügbarer Arbeitsumgebung. Früher oder später kommt die Frage: warum liefert mein GPT manchmal genau das, was ich brauche, und manchmal etwas, das nicht in meinen Arbeitsalltag passt. Die Erklärung steckt selten im Modell. Sie steckt in der Struktur der Konfiguration.

Die meisten Custom-GPTs werden gebaut wie ein einziger langer Brief an einen Praktikanten am ersten Tag. Alles landet in einem Feld, auf einmal. Das Ergebnis ist Output-Variabilität ohne erkennbare Ursache. Wer einen Custom-GPT als Vier-Schichten-Stapel baut, kann Änderungen und Fehler gezielter untersuchen. Und genau das ist der Bauplan, den wir hier sortieren.

Schicht 1 · der Onboarding-Brief

Die erste Datei beantwortet drei Fragen, die jede neue Kollegin am ersten Tag hat. Wer ist das Unternehmen? In welchem Ton wird kommuniziert? Wie wird hier gearbeitet? Halten Sie den Onboarding-Brief kurz und beschränken Sie ihn auf die für die Aufgabe nötigen Regeln. Bei Custom-GPTs gehören diese in das Instructions-Feld, bei Claude-Projekten in die Projekt-Anweisungen. Beachten Sie die jeweils geltende Eingabegrenze. In eigenen Anwendungen kann eine Anweisungsdatei diese Rolle übernehmen.

Anweisungen geben der jeweiligen Umgebung den Arbeitsrahmen; ihre tatsächliche Befolgung muss am Ergebnis geprüft werden. Diese Schicht hat die höchste Pflege-Priorität. Wer hier präzise schreibt, prägt jeden Output. Wer hier Phrasen wie „sei hilfreich und professionell" stehen lässt, akzeptiert Beliebigkeit.

Drei Inhalte sind im Mittelstand verbindlich. Erstens nennt der Geschäfts-Hintergrund, was das Unternehmen macht, für wen und mit welchem Anspruch. Zweitens legt die Stimme fest, welche Formulierungen gewählt und welche vermieden werden und welche Anreden intern und extern gelten. Drittens beschreibt die Arbeitsweise, in welcher Reihenfolge gearbeitet wird, welche Werkzeuge erlaubt sind und welche Qualitäts-Standards vor der Abgabe gelten.

Schicht 2 · die Wissens-Tiefe

Die zweite Schicht ist ein Ordner. Ein einzelnes Dokument reicht dafür nicht. Inhalt: alles, was nicht in den Onboarding-Brief passt, aber bei bestimmten Aufgaben gebraucht wird. Dazu zählen Kundenhistorien, Vertragsmuster, Wettbewerbs-Analysen, Branchen-Glossare und früheres Projekt-Material. Bei Custom-GPTs sind das die Knowledge-Files, bei Claude-Projekten die Projekt-Dateien, bei eigenen Anwendungen ein context-Verzeichnis.

Wichtige Eigenschaft: diese Schicht wird selektiv geladen, jeweils nach Bedarf. Damit bleibt die Token-Last je Konversation beherrschbar. Der Umfang richtet sich nach Aufgabe und Produktgrenzen. Für Custom-GPTs nennt OpenAI aktuell höchstens 20 Wissensdateien; die verfügbare Erstellung hängt zudem von Konto und Workspace-Rechten ab. OpenAI: Erstellung und Konfiguration von GPTs.

Eine mögliche Fehlkonfiguration in dieser Schicht ist, alles hochzuladen, was greifbar ist. Wählen Sie die Quellen gezielt aus und entfernen Sie veraltete oder widersprüchliche Inhalte. Prüfen Sie mit typischen Fragen, ob der Assistent die passenden Informationen findet.

Schicht 3 · der Präferenz-Speicher mit Update-Loop

Die dritte Schicht ist klein und wirkt im Alltag spürbar, wenn sie funktioniert. Sie speichert die laufenden Korrekturen aus der Zusammenarbeit. „Wir unterschreiben nicht mit beste Grüße." „Bei Angeboten immer eine offene Frage am Ende." „Niemals den Begriff Lösung in Kundentexten." Diese Korrekturen entstehen im Gespräch.

Je nach Arbeitsumgebung lassen sich bestätigte Regeln in Dateien oder Anweisungen pflegen. Custom-GPTs verwenden laut OpenAI keine gespeicherte Erinnerung und keine früheren Gespräche. Für diesen Bauplan werden Korrekturen daher bewusst geprüft und in die Konfiguration übernommen. Die normale ChatGPT-Erinnerung ist davon zu unterscheiden. OpenAI: GPTs und Erinnerung.

Im DACH-Mittelstand ist diese Schicht datenschutzrechtlich anspruchsvoll. Präferenzen sind personenbezogene Daten, sobald sie einer Person zuzuordnen sind. Das gehört in jede Builder-Praxis und ist im Bauplan ein eigenes Thema.

Schicht 4 · konservierte Workflows

Die vierte Schicht ist der eigentliche Hebel. Sie konserviert Vorgänge, die einmal zusammen mit dem Modell durchlaufen wurden. Beispiel aus dem Mittelstand: eine Angebots-Erstellung, die vom Briefing bis zum versendbaren PDF heute vier Stunden kostet, wird einmal Schritt für Schritt mit dem Modell durchgegangen. Die erfolgreichen Schritte werden als Skill konserviert. Beim nächsten Mal kann die dokumentierte Anleitung die Wiederholung unterstützen. Nötige Funktionen, Freigaben und Prüfungen müssen weiterhin verfügbar sein.

Wie sich wiederverwendbare Abläufe hinterlegen und ausführen lassen, hängt von der Arbeitsumgebung ab. Beginnen Sie mit einer häufigen Aufgabe. Halten Sie Voraussetzungen, Arbeitsschritte und Prüfpunkte fest und testen Sie, ob die Anleitung beim nächsten Durchlauf trägt.

Konservierte Workflows halten erprobte Schritte fest. Bei neuen Eingaben oder veränderten Bedingungen müssen sie erneut geprüft werden.

Was die vier Schichten zusammen ausmachen

Die vier Schichten trennen Grundauftrag, Fachwissen, Arbeitsregeln und wiederverwendbare Abläufe. Diese Inhalte ändern sich unterschiedlich häufig. Prüfen und aktualisieren Sie sie, wenn sich Aufgaben, Informationen oder Arbeitsbedingungen ändern.

Die Trennung kann die Pflege erleichtern: Neue Fachinhalte gehören zunächst in die Wissensbasis, geänderte Arbeitsregeln in die passenden Anleitungen. Prüfen Sie dabei auch die übrigen Schichten auf Widersprüche. Je mehr Personen damit arbeiten, desto wichtiger werden klare Zuständigkeiten, Zugriffe und gemeinsame Tests.

Die Ordnung erleichtert die Weiterarbeit im Unternehmen. Ob ein Ablauf verlässlich eingesetzt werden kann, zeigen Tests, geklärte Verantwortung und seine tatsächliche Nutzung.

Wann der Vier-Schichten-Bauplan nicht passt

So klar der Bauplan im Builder-Alltag ist, so wenig passt er in jeder Situation. Drei Konstellationen sprechen dagegen.

Wenn die Aufgabe einmalig ist

Wer einen GPT für eine einzelne Auswertung braucht, die danach nie wieder vorkommt, baut keinen Vier-Schichten-Stapel. Eine gute Prompt-Datei und ein paar Beispiele genügen. Die Pflege-Disziplin der vier Schichten zahlt sich erst ab wiederkehrender Nutzung aus.

Wenn keine eigene Builder-Rolle existiert

Wenn niemand im Haus die Datei-Disziplin tragen will oder kann, kippt der Stapel innerhalb von zwei Monaten in einen ungepflegten Zustand. Dann ist die nachvollziehbarere Wahl: ein einfacher Custom-GPT mit gutem Onboarding-Brief, ohne Skills, ohne Präferenz-Speicher, ohne falsche Erwartung.

Wenn die Datenklassen extrem sensibel sind

Präferenz-Speicher und Wissens-Tiefe enthalten oft personenbezogene oder geschäftskritische Daten. Wenn die erforderliche Datenschutzprüfung des konkreten Einsatzes noch offen ist, beginnt der Pfad beim Anbieter-Pfad. Diese Entscheidung trifft die Datenschutzbeauftragte mit der Geschäftsführung. Die Builder-Rolle allein reicht dafür nicht.

Entscheidungsbaum vor dem nächsten Custom-GPT

Im AIM-Lehrgang beantwortet jede Teilnehmerin drei Fragen vor dem ersten Bau.

1. Werden Sie diesen GPT in den nächsten zwölf Monaten mindestens wöchentlich verwenden, oder ist er eine einmalige Hilfe?
2. Wer im Haus pflegt die vier Schichten weiter, wenn der Lehrgang vorbei ist und der erste Eifer abebbt?
3. Welche der vier Schichten enthält personenbezogene oder geschäftskritische Daten, und welche Datenschutzprüfung und Freigabe sind dafür erforderlich?

Wenn die zweite Frage keine klare Antwort hat, ist die nächste Investition persönliche KI-Kompetenz im Arbeitsalltag der Schlüsselrolle, die den Stapel tragen soll. Die GPT-Konfiguration kommt danach.

Fazit · der Stapel macht den Unterschied

Ein Custom-GPT als Vier-Schichten-Stapel verlangt vor allem Disziplin. Jede der vier Dateien löst ein Problem, das im Konfigurations-Blob unsichtbar bleibt: die Tonalität bleibt instabil, die Wissensbasis überlädt sich, die Korrekturen gehen verloren, die Vorgänge werden bei jeder Wiederholung neu erfunden.

Wer den Stapel einmal richtig baut, hat einen besseren GPT und lernt dabei eine Architektur, die für jeden weiteren Custom-GPT, jedes Claude-Projekt und jede eigene Anwendung trägt.

Im heutigen AIM ist die Aufgabe der Ausgangspunkt. Anweisungen, Quellen, bestätigte Regeln und wiederverwendbare Abläufe sind mögliche Bausteine. Ein Custom-GPT und alle vier Schichten sind keine Pflichtlösung für jeden Fall. Arbeitsumgebung und Vorbereitung im AIM.