ChatGPT-Chats zu Claude oder Gemini migrieren

Sie haben zwei Monate damit verbracht, in einem ChatGPT-Gespräch an einem Problem zu arbeiten. Sie möchten zu Claude (besserer langer Kontext) oder Gemini (bessere Workspace-Integration) wechseln, ohne von Null anzufangen. Wie?

Drei Ansätze, in der Reihenfolge ihrer Genauigkeit.

1. Vollständiges Transkript einfügen (am einfachsten)

Exportieren Sie das ChatGPT-Gespräch als Markdown. Öffnen Sie den neuen Claude-/Gemini-Chat. Fügen Sie das Markdown in eine einzelne Nachricht ein:

Here's a conversation I had with ChatGPT that I want to continue with you.
Read it, then continue from where we left off.

[paste the full Markdown export]

Continue from this point.

Was funktioniert:

• Vollständige Argumentationskette erhalten.
• Code, Mathematik und Zitate bleiben erhalten.
• Das neue Modell „sieht“ alles, was ChatGPT gesehen hat.

Was nicht funktioniert:

• Lange Gespräche können Claudes 200K-Kontext oder Geminis 1M-Kontext überschreiten. (Die meisten tun das nicht, aber mehrmonatige Forschungsbögen schon.)
• Das neue Modell behandelt die eingefügte Geschichte als beobachtete vergangene Ausgabe, nicht als eigene Argumentation. Es könnte frühere Schlussfolgerungen anzweifeln.
• Das Streaming kann langsam sein, während das Modell den langen Kontext verarbeitet.

Dies ist für die meisten Fälle der richtige Schritt. Der Markdown-Export von ChatExport AI ist dicht – ein Gespräch mit 50 Nachrichten umfasst typischerweise ~10K Token, problemlos innerhalb des Fensters jedes modernen Modells.

2. Zusammenfassungs-Primer (verlustbehaftet, aber schnell)

Wenn das vollständige Transkript zu lang ist, bitten Sie ChatGPT, sich selbst zusammenzufassen:

Summarise the key conclusions, decisions, and open questions from
this conversation in a way that another AI assistant could pick up
where we left off. Include any code or data that's still relevant.

Nehmen Sie diese Zusammenfassung. Fügen Sie sie als erste Nachricht in den neuen Claude-/Gemini-Chat ein:

I had a long conversation with ChatGPT that produced this summary.
Here's where we got to. Continue from this point.

[paste summary]

Der Verlust an Genauigkeit ist real – Sie überlassen ChatGPT die Entscheidung, was wichtig war. Für laufende Strategiediskussionen reicht eine Zusammenfassung von 2K Token jedoch meist aus.

3. JSON-Export → strukturierter Prompt (höchste Genauigkeit)

Für Forschung, bei der die Struktur wichtig ist: ChatGPT als JSON exportieren. Das JSON hat feldspezifische Angaben pro Austausch (Rolle, Inhalt, Modell, Zeitstempel). Sie können manuell auf die relevanten Austausche filtern und einen sauberen Primer rekonstruieren:

Here are the turns from a previous conversation that are relevant
to where we're going next:

[paste filtered JSON, manually edited]

Continue from this point.

Dies ist der Ansatz für Engagements, bei denen Sie 200 Nachrichten hatten, aber nur etwa 20 von ihnen relevant bleiben.

Plattformspezifische Details

Zu Claude

Claude Sonnet 4.6 verarbeitet lange eingefügte Kontexte gut. Es wird manchmal fragen: „Soll ich dies als Eingabe betrachten, die ich lese, oder als unsere gemeinsame Geschichte?“ – klären Sie das im Primer.

Wenn Sie möchten, dass Claude ein Projekt verwendet, laden Sie den Markdown-Export als Projektdatei hoch, anstatt ihn einzufügen. Claude kann dann in mehreren Chats darauf verweisen.

Zu Gemini

Gemini 3 Pro hat einen 1M-Token-Kontext, sodass selbst riesige Gespräche hineinpassen. Der Bereich für Systemanweisungen ist der richtige Ort für einen Zusammenfassungs-Primer („Hintergrundkontext: “). Für Gemini Advanced können Sie das Markdown auch als Dateianhang hochladen.

Zu DeepSeek (R1)

Wenn Sie wegen der Argumentationskette wechseln, wird DeepSeek-R1 auf der vorherigen Argumentation aufbauen. Seien Sie explizit: „Hier sind wir angelangt. Überprüfen Sie die Schlussfolgerungen kritisch.“ R1s Stärke ist die zweite Argumentationsrunde, die erfasst, was GPT-5 übersehen hat.

Zu Perplexity

Perplexity ist ein suchbasierter Chatbot – das Einfügen eines langen Gesprächs als Primer passt nicht zu seiner Benutzeroberfläche. Besser: Extrahieren Sie eine einzelne Forschungsfrage aus dem ChatGPT-Gespräch und stellen Sie Perplexity diese Frage neu. Nutzen Sie ChatGPTs Argumentation, um die Frage zu formulieren; lassen Sie Perplexity aktuelle Quellen finden.

Anti-Patterns

Nicht: Screenshot des ChatGPT-Gesprächs machen und in den neuen Chat hochladen. Das neue Modell muss Ihren Screenshot per OCR erfassen. Verliert Formatierung, Mathematik, Codestruktur. Markdown-Export ist immer besser.

Nicht: Das neue Modell bitten, sich an das alte Gespräch zu „erinnern“, als ob es ein Gedächtnis hätte. Hat es nicht. Behandeln Sie jeden Chat als frisches Modell mit dem, was Sie in den Prompt eingeben.

Nicht: Annehmen, dass das neue Modell zu denselben Schlussfolgerungen kommt. Der ganze Sinn des Wechsels ist oft, eine andere Perspektive zu bekommen.

Ein konkretes Beispiel

Ich habe einen Monat mit ChatGPT verbracht, um ein Postgres-Schema für eine Multi-Tenant-SaaS zu entwerfen. Bin für die Implementierungsphase zu Claude gewechselt, weil Claudes längerer Kontext das gesamte Design besser im Arbeitsspeicher hielt.

Ablauf:

1. ChatGPT-Export → Markdown über ChatExport AI. ~25K Token des Design-Gesprächs.
2. Vollständiges Markdown als Claudes erste Nachricht in einem neuen Claude-Projekt eingefügt.
3. Claude gefragt: „Lesen Sie dies. Listen Sie die Designentscheidungen auf, die Sie hinterfragen würden.“ Habe 4 substanzielle Kritiken in der Antwort erhalten.
4. Auf diese Kritiken eingegangen. Zwei Wochen später wurde das Schema in Claude mit vollem Kontext implementiert und getestet.

Das ist der Wechsel-Workflow, wenn beide Modelle ihre beste Arbeit leisten.

Verwandte

• ChatGPT vs Claude vs Gemini – wann man welches wählt.
• So exportieren Sie ChatGPT in Markdown.
• Claude-Export-Anleitung.