Migrer des discussions ChatGPT vers Claude ou Gemini

Vous avez passé deux mois dans une conversation ChatGPT à travailler sur un problème. Vous souhaitez passer à Claude (meilleur contexte long) ou Gemini (meilleure intégration Workspace) sans repartir de zéro. Comment faire ?

Trois approches, par ordre de fidélité.

1. Copie intégrale de la transcription (la plus simple)

Exportez la conversation ChatGPT en Markdown. Ouvrez le nouveau chat Claude / Gemini. Collez le Markdown dans un seul message :

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.

Ce qui fonctionne :

• La chaîne complète de raisonnement est conservée.
• Le code, les mathématiques, les citations sont tous préservés.
• Le nouveau modèle « voit » tout ce que ChatGPT a vu.

Ce qui ne fonctionne pas :

• Les longues conversations peuvent dépasser le contexte de 200 K de Claude ou le contexte de 1 M de Gemini. (La plupart n’y arrivent pas, mais les arcs de recherche de plusieurs mois le peuvent.)
• Le nouveau modèle traite l’historique collé comme une sortie passée observée, pas comme son propre raisonnement. Il peut remettre en question les conclusions antérieures.
• Le streaming peut être lent pendant que le modèle traite le long contexte.

C’est la bonne approche pour la plupart des cas. L’export Markdown de ChatExport AI est dense — une conversation de 50 messages fait généralement ~10 K tokens, facilement dans la fenêtre de n’importe quel modèle moderne.

2. Résumé introductif (avec perte mais rapide)

Si la transcription complète est trop longue, demandez d’abord à ChatGPT de se résumer lui-même :

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.

Prenez ce résumé. Collez-le dans le nouveau chat Claude / Gemini comme premier message :

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

[paste summary]

La perte de fidélité est réelle — vous laissez ChatGPT décider ce qui était important. Mais pour des discussions de stratégie en cours, un résumé de 2 K tokens est généralement suffisant.

3. Export JSON → amorce structurée (fidélité maximale)

Pour la recherche où la structure importe : exportez ChatGPT en JSON. Le JSON possède des champs par tour (role, content, model, timestamp). Vous pouvez filtrer manuellement les tours qui comptent et reconstruire une amorce propre :

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.

C’est la démarche pour les engagements où vous avez eu 200 messages mais seulement ~20 d’entre eux sont pertinents pour la suite.

Spécificités par plateforme

Vers Claude

Claude Sonnet 4.6 gère bien les longs contextes collés. Il demandera parfois « Dois-je traiter cela comme une entrée que je lis, ou comme notre historique partagé ? » — clarifiez dans l’amorce.

Si vous voulez que Claude utilise un Project, téléchargez l’export Markdown comme fichier du Projet plutôt que de le coller. Claude pourra alors le référencer entre plusieurs chats.

Vers Gemini

Gemini 3 Pro a un contexte de 1 M tokens, donc même les conversations énormes tiennent. L’emplacement des instructions système est le bon endroit pour mettre un résumé introductif (« contexte d’arrière-plan :

 »). Pour Gemini Advanced, vous pouvez aussi télécharger le Markdown comme pièce jointe.

Vers DeepSeek (R1)

Si vous migrez pour la chaîne de raisonnement, DeepSeek-R1 itèrera sur le raisonnement précédent. Soyez explicite : « Voici où nous en sommes. Réexaminez les conclusions de manière critique. » La force de R1 est le raisonnement de second passage qui attrape ce que GPT-5 a manqué.

Vers Perplexity

Perplexity est un chatbot basé sur la recherche — coller une longue conversation comme amorce ne correspond pas à son UX. Mieux : extrayez une seule question de recherche de la conversation ChatGPT et posez cette question à Perplexity à neuf. Utilisez le raisonnement de ChatGPT pour formuler la question ; laissez Perplexity trouver des sources actuelles.

Anti-patrons

Ne faites pas : faire une capture d’écran de la conversation ChatGPT et la télécharger dans le nouveau chat. Le nouveau modèle doit OCRiser votre capture. Perte de formatage, de mathématiques, de structure de code. L’export Markdown est toujours meilleur.

Ne faites pas : demander au nouveau modèle de « se souvenir » de l’ancienne conversation comme s’il avait une mémoire. Il n’en a pas. Traitez chaque chat comme un modèle frais avec ce que vous mettez dans le prompt.

Ne faites pas : supposer que le nouveau modèle arrivera aux mêmes conclusions. Tout l’intérêt de changer est souvent d’obtenir une perspective différente.

Un exemple concret

J’ai passé un mois avec ChatGPT à concevoir un schéma Postgres pour un SaaS multi-locataire. Je suis passé à Claude pour la phase d’implémentation car le contexte plus long de Claude gardait toute la conception en mémoire de travail plus efficacement.

Flux :

1. Export ChatGPT → Markdown via ChatExport AI. ~25 K tokens de conversation de conception.
2. Collé le Markdown complet comme premier message de Claude dans un nouveau Claude Project.
3. Demandé à Claude : « Lis ceci. Énumère les décisions de conception auxquelles tu t’opposerais. » J’ai obtenu 4 critiques substantielles dans la réponse.
4. Itéré sur ces critiques. Deux semaines plus tard, le schéma était implémenté et testé dans Claude avec un contexte complet.

C’est le workflow de migration lorsque les deux modèles font de leur mieux.

Connexes

• ChatGPT vs Claude vs Gemini — quand choisir chacun.
• Comment exporter ChatGPT en Markdown.
• Guide d’export Claude.