Hai passato due mesi in una conversazione con ChatGPT a lavorare su un problema. Vuoi passare a Claude (miglior contesto lungo) o a Gemini (migliore integrazione con Workspace) senza ricominciare da capo. Come fare?
Tre approcci, in ordine di fedeltà.
1. Incollare l’intera trascrizione (il più semplice)
Esporta la conversazione ChatGPT in Markdown. Apri una nuova chat su Claude / Gemini. Incolla il Markdown in un unico messaggio:
Ecco una conversazione che ho avuto con ChatGPT e che vorrei continuare con te.
Leggila, poi prosegui da dove ci eravamo fermati.
[incolla l'esportazione Markdown completa]
Continua da questo punto.Cosa funziona:
- Intera catena di ragionamento preservata.
- Codice, formule, citazioni mantenuti.
- Il nuovo modello “vede” tutto ciò che ha visto ChatGPT.
Cosa non funziona:
- Conversazioni lunghe potrebbero superare il contesto di 200K di Claude o 1M di Gemini. (La maggior parte no, ma archi di ricerca plurimensili sì.)
- Il nuovo modello tratta la cronologia incollata come output passato osservato, non come proprio ragionamento. Potrebbe rimettere in discussione conclusioni precedenti.
- Lo streaming potrebbe essere lento mentre il modello elabora il lungo contesto.
Questa è la scelta giusta per la maggior parte dei casi. L’esportazione Markdown di ChatExport AI è densa — una conversazione di 50 messaggi è tipicamente ~10K token, ampiamente entro la finestra di qualsiasi modello moderno.
2. Riepilogo introduttivo (con perdita ma veloce)
Se l’intera trascrizione è troppo lunga, chiedi a ChatGPT di riassumersi prima:
Riassumi le conclusioni chiave, le decisioni e le domande aperte di
questa conversazione in modo che un altro assistente AI possa riprendere
da dove ci eravamo fermati. Includi eventuali codici o dati ancora rilevanti.Prendi quel riepilogo. Incollalo nella nuova chat Claude / Gemini come primo messaggio:
Ho avuto una lunga conversazione con ChatGPT che ha prodotto questo riepilogo.
Ecco dove siamo arrivati. Continua da questo punto.
[incolla il riepilogo]La perdita di fedeltà è reale — stai lasciando che ChatGPT decida cosa fosse importante. Ma per discussioni strategiche in corso, un riepilogo di 2K token di solito è sufficiente.
3. Esportazione JSON → prompt strutturato (massima fedeltà)
Per ricerche dove la struttura conta: esporta ChatGPT come JSON. Il JSON ha campi per turno (ruolo, contenuto, modello, timestamp). Puoi filtrare manualmente i turni che contano e ricostruire un’introduzione pulita:
Ecco i turni di una conversazione precedente che sono rilevanti
per dove andremo dopo:
[incolla JSON filtrato, modificato manualmente]
Continua da questo punto.Questa è la mossa per impegni in cui hai avuto 200 messaggi ma solo ~20 di questi sono utili per il futuro.
Specifiche per piattaforma
Verso Claude
Claude Sonnet 4.6 gestisce bene contesti lunghi incollati. A volte chiederà “Devo trattare questo come input che sto leggendo o come nostra storia condivisa?” – chiariscilo nell’introduzione.
Se vuoi che Claude usi un Progetto, carica l’esportazione Markdown come file del Progetto invece di incollarla. Claude potrà così farvi riferimento in più chat.
Verso Gemini
Gemini 3 Pro ha un contesto di 1 milione di token, quindi anche conversazioni enormi ci stanno. La sezione delle istruzioni di sistema è il posto giusto per inserire un’introduzione riassuntiva (“contesto di base:
Verso DeepSeek (R1)
Se ti sposti per la catena di ragionamento, DeepSeek-R1 itererà sul ragionamento precedente. Sii esplicito: “Ecco dove siamo arrivati. Riesamina criticamente le conclusioni”. Il punto di forza di R1 è il ragionamento di secondo passaggio che coglie ciò che GPT-5 ha perso.
Verso Perplexity
Perplexity è un chatbot basato sulla ricerca — incollare una lunga conversazione come introduzione non si adatta alla sua UX. Meglio: estrai una singola domanda di ricerca dalla conversazione ChatGPT e chiedi a Perplexity quella domanda da zero. Usa il ragionamento di ChatGPT per formulare la domanda; lascia che Perplexity trovi fonti aggiornate.
Anti-pattern
Non fare: screenshot della conversazione ChatGPT e caricarlo nella nuova chat. Il nuovo modello deve applicare OCR alla tua schermata. Perde formattazione, formule, struttura del codice. L’esportazione Markdown è sempre meglio.
Non fare: chiedere al nuovo modello di “ricordare” la vecchia conversazione come se avesse memoria. Non ce l’ha. Tratta ogni chat come un modello fresco con ciò che inserisci nel prompt.
Non fare: presumere che il nuovo modello arrivi alle stesse conclusioni. Il punto stesso del passaggio è spesso ottenere una prospettiva diversa.
Un esempio concreto
Ho passato un mese con ChatGPT a progettare uno schema Postgres per un SaaS multi-tenant. Sono passato a Claude per la fase di implementazione perché il contesto più lungo di Claude manteneva meglio l’intero progetto nella memoria di lavoro.
Flusso:
- Esportazione ChatGPT → Markdown tramite ChatExport AI. ~25K token di conversazione di progettazione.
- Incollato l’intero Markdown come primo messaggio di Claude in un nuovo Progetto Claude.
- Chiesto a Claude: “Leggi questo. Elenca le decisioni di progettazione su cui faresti obiezioni.” Ricevuto 4 critiche sostanziali nella risposta.
- Iterato su quelle critiche. Due settimane dopo lo schema era implementato e testato in Claude con tutto il contesto.
Questo è il flusso di passaggio quando entrambi i modelli stanno facendo del loro meglio.
Correlati
- ChatGPT vs Claude vs Gemini — quando scegliere ciascuno.
- Come esportare ChatGPT in Markdown.
- Guida all’esportazione da Claude.