あなたは2か月間、ChatGPTの会話で問題に取り組んできた。Claude（長いコンテキストに優れている）やGemini（Workspaceとの統合が強力）に切り替えたいが、ゼロから始めたくはない。どうすればいいか？
忠実度の高い順に、3つのアプローチがある。
1. 全文トランスクリプトの貼り付け（最もシンプル）
ChatGPTの会話をMarkdownとしてエクスポートする。新しいClaude/Geminiチャットを開き、Markdownを1つのメッセージに貼り付ける：
これはChatGPTとの会話で、あなたと続けたい内容です。
読んで、中断したところから続けてください。
[Markdownエクスポート全文を貼り付け]
ここから続けてください。うまくいく点：
- 推論の連鎖が完全に保持される。
- コード、数式、引用もすべて保持される。
- 新しいモデルはChatGPTが見たものをすべて「見る」。
うまくいかない点：
- 長い会話はClaudeの200KコンテキストやGeminiの1Mコンテキストを超える可能性がある。ほとんどのケースでは超えないが、複数ヶ月にわたる研究アーカイブでは発生しうる。
- 新しいモデルは貼り付けられた履歴を観測された過去の出力として扱い、自身の推論とは見なさない。そのため、以前の結論に疑問を呈することがある。
- モデルが長いコンテキストを処理するため、ストリーミングが遅くなる可能性がある。
これがほとんどのケースで適切な方法だ。ChatExport AIのMarkdownエクスポートは密度が高く、50メッセージの会話でも通常は約10Kトークンであり、最新のどのモデルのウィンドウにも容易に収まる。
2. 要約プライマー（情報は落ちるが高速）
全文トランスクリプトが長すぎる場合は、ChatGPTに自分自身を要約してもらう：
この会話の主要な結論、決定、未解決の質問を、別のAIアシスタントが
中断したところから引き継げるように要約してください。まだ関連性のある
コードやデータも含めてください。その要約を取得し、新しいClaude/Geminiチャットの最初のメッセージとして貼り付ける：
ChatGPTとの長い会話を要約したものです。ここまでの内容です。
この地点から続けてください。
[要約を貼り付け]忠実度の低下は現実的だ——何が重要かをChatGPTに判断させることになる。しかし、進行中の戦略議論では、2Kトークンの要約で通常は十分だ。
3. JSONエクスポート → 構造化プロンプト（最も忠実度が高い）
構造が重要な研究の場合：ChatGPTをJSONとしてエクスポートする。JSONにはターンごとのフィールド（役割、内容、モデル、タイムスタンプ）が含まれている。重要なターンを手動でフィルタリングし、クリーンなプライマーを再構築できる：
以下は、これから進む方向に関連する以前の会話のターンです：
[フィルタリングしたJSON（手動編集済み）を貼り付け]
この地点から続けてください。これは、200メッセージのうち実際に引き継ぐ価値があるのは約20メッセージだけの場合に向いている。
プラットフォーム別の注意点
Claudeへの移行
Claude Sonnet 4.6は長い貼り付けコンテキストをうまく処理する。時々「これは私が読むべき入力ですか、それとも共有履歴ですか？」と尋ねることがあるので、プライマーで明確にしておく。
ClaudeにProjectを使わせたい場合は、Markdownエクスポートを貼り付ける代わりにProjectファイルとしてアップロードする。そうすればClaudeは複数のチャットにわたってそれを参照できる。
Geminiへの移行
Gemini 3 Proは1Mトークンのコンテキストを持つため、巨大な会話でも収まる。システム指示スロットが要約プライマー（「背景コンテキスト：<要約>」）を置くのに適した場所だ。Gemini Advancedでは、Markdownをファイル添付としてアップロードすることもできる。
DeepSeek (R1)への移行
推論の連鎖のために移行する場合、DeepSeek-R1は以前の推論を反復改良する。明示的に指示する：「ここまでの内容です。結論を批判的に再検討してください。」R1の強みは、GPT-5が見逃したものを捉える二段階目の推論にある。
Perplexityへの移行
Perplexityは検索に基づくチャットボットである。長い会話をプライマーとして貼り付けるのはUXに合わない。代わりに、ChatGPTの会話から単一の研究質問を抽出し、その質問をPerplexityに新しく尋ねるのがよい。ChatGPTの推論を使って質問を練り上げ、Perplexityに最新のソースを探させる。
アンチパターン
してはいけないこと： ChatGPTの会話をスクリーンショットで撮り、新しいチャットにアップロードする。新しいモデルはスクリーンショットをOCRしなければならず、書式、数式、コード構造が失われる。Markdownエクスポートの方が常に優れている。
してはいけないこと： 新しいモデルに、あたかも記憶があるかのように古い会話を「覚える」よう依頼する。新しいモデルには記憶はない。すべてのチャットは、プロンプトに入力したものだけを持つ新しいモデルとして扱う。
してはいけないこと： 新しいモデルが同じ結論に達すると考える。実際に切り替える目的は、異なる視点を得ることにあることが多い。
具体例
私はマルチテナントSaaS向けのPostgresスキーマを設計するために、ChatGPTと1か月を過ごした。実装フェーズではClaudeに切り替えた。なぜならClaudeの長いコンテキストが設計全体を作業記憶内に保持するのに優れていたからだ。
フロー：
- ChatGPTエクスポート → ChatExport AIでMarkdownに変換。設計議論の約25Kトークン。
- 新しいClaude Projectで、Claudeの最初のメッセージとしてMarkdown全文を貼り付け。
- Claudeに依頼：「これを読んで、あなたが異議を唱える設計判断を挙げてください。」返答で4つの実質的な批判を得た。
- それらの批判を反映して反復。2週間後、スキーマはClaude内で完全なコンテキストのもとに実装・テストされた。
これが、両方のモデルが最高のパフォーマンスを発揮する際の切り替えワークフローだ。
関連記事
- ChatGPT vs Claude vs Gemini — 各モデルを選ぶべきタイミング。
- ChatGPTをMarkdownにエクスポートする方法。
- Claudeエクスポートガイド。