Die Juristin, die aufhörte, sich ChatGPT immer wieder zu erklären

Stellen Sie sich eine Senior Associate in einer mittelgroßen Wirtschaftskanzlei in London vor, irgendwann Ende 2023. Jeden Morgen öffnet sie ChatGPT und tippt eine Variante desselben Absatzes: die von der Kanzlei bevorzugten Vertragsformulierungen, die Jurisdiktion, in der sie arbeitet, den Umstand, dass sie SaaS-Verträge prüft und keine amerikanischen Standardklauseln braucht. Jeden Morgen. Monatelang. Dann hört sie eines Tages einfach ganz auf, ChatGPT bei der Arbeit zu nutzen, und geht zurück zu Keyword-Suche und den Notizen der Junior Associates. Ihre Begründung, geteilt in einem LinkedIn-Post, der weit genug zirkulierte, um von Legal-Tech-Kommentatoren aufgegriffen zu werden: „Es hat immer wieder vergessen, wer ich bin.“

Diese Geschichte ist nicht nur ihre, und genau darum geht es.

Was tatsächlich passiert ist

OpenAI hatte ChatGPT bewusst als zustandsloses System gebaut. Jede Konversation begann bei null. Die technischen Gründe waren nachvollziehbar: Datenschutz, Kosten, die Schwierigkeit, langlebigen Kontext in großem MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab zu verwalten. Für Fachleute mit wiederkehrender, fachspezifischer Arbeit war das aber ein ernsthafter Reibungspunkt. Die Erfahrung der Juristin wiederholte sich weltweit in Finance-Teams, Marketingabteilungen und Beratungspraxen.

Die Antwort von OpenAI kam in Etappen. Custom Instructions startete im Juli 2023 und erlaubte es, einen dauerhaften System-Prompt zu speichern, der jeder Konversation vorangestellt wurde. Das war einfach, aber wirklich nützlich: Sie konnten Ihre Rolle, den gewünschten Ton, das Output-Format und Ihre Vorgaben einmal festlegen, und das Modell wendete sie über alle Sitzungen hinweg an. Anfang 2024 führte OpenAI dann Memory ein, eine Funktion, mit der ChatGPT einzelne Fakten über Konversationen hinweg speichern konnte, entweder automatisch aus dem Dialog extrahiert oder manuell ergänzt. Mitte 2025 kamen Projects in ChatGPT hinzu: Nutzer konnten Konversationen gruppieren, dauerhafte Dateien hochladen und Custom Instructions auf Projektebene statt global anwenden.

Anthropic wählte bei Claude einen anderen architektonischen Ansatz. Statt Memory als separate, später angeflanschte Schicht zu bauen, war die Projects-Funktion von Claude (veröffentlicht Mitte 2024) von Anfang an um die Idee eines dauerhaften Workspace herum konzipiert. Sie erstellen ein Projekt, laden Dokumente hoch, schreiben einen System-Prompt für dieses Projekt, und jede Konversation darin übernimmt diesen Kontext automatisch. Ein Legal-Team kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte ein Projekt für NDA-Prüfungen haben und ein weiteres für M&A-Due-Diligence, jeweils mit eigenen Instructions, eigenem Ton und eigenen Referenzdokumenten.

Der Unterschied zwischen den beiden Anbietern ist in der Praxis relevant. Das Memory-System von ChatGPT speichert laut OpenAIs eigener Dokumentation (eine Herstellerquelle, die man gegen unabhängige Nutzerforschung prüfen sollte) einzelne Fakten: „Nutzerin arbeitet im Vertragsrecht“, „bevorzugt britisches Englisch“, „möchte keine numerierten Listen“. Der Kontext auf Projektebene bei Claude funktioniert anders: ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → hält vollständige Dokumente und ein strukturiertes Instruction-Set, das eher wie ein Briefing wirkt, das einem Profi vor einem Meeting in die Hand gedrückt wird. Keiner der Ansätze ist per se besser. Sie passen zu unterschiedlichen Workflows, und Fachleute, die beide Plattformen ernsthaft genutzt haben, entwickeln meist eine klare Präferenz auf Basis ihrer konkreten Aufgabenmuster.

Warum das weiterhin zählt

Der Frust der Juristin zeigt auf etwas, das die KI-Branche erst mit Verzögerung klar benannt hat: den Unterschied zwischen einem leistungsfähigen Modell und einem nützlichen Werkzeug für Wissensarbeit. Ein Modell kann beim Schlussfolgern, Zusammenfassen oder Entwerfen außergewöhnlich stark sein und in der Praxis dennoch fast unbrauchbar, wenn es ständig neu gebrieft werden muss. Kognitiver Overhead ist ein realer Kostenfaktor.

Die Einführung dauerhafter Kontextfunktionen hat die Diskussion innerhalb von Organisationen verändert. Plötzlich ließen sich KI-Tools so konfigurieren, dass sie sich konsistent zu kanzlei- oder firmenspezifischer Terminologie, Hausstil, regulatorischer Jurisdiktion oder Produktvorgaben verhalten. Ein Compliance Officer einer europäischen Bank konnte ein Claude-Projekt einrichten, das immer auf die MiFID-II-Anforderungen verweist. Ein Product Manager konnte ChatGPT dauerhaft anweisen, jeden Output im Rahmen des OKR-Frameworks seines Unternehmens zu formulieren. Das sind keine exotischen Use Cases. Das ist das Tagesgeschäft professioneller Arbeit.

Es gibt hier noch einen feineren Punkt. Wenn Fachleute steuern, welcher Kontext bestehen bleibt, machen sie faktisch Prompt EngineeringPrompt EngineeringPrompt engineering is the practice of designing and refining text inputs to guide large language models toward accurate, relevant, and reliable outputs.Vollständige Definition ansehen → auf einer höheren Abstraktionsebene. Sie basteln nicht an einem clever formulierten Einmal-Prompt, sondern gestalten eine Arbeitsumgebung. Das verschiebt das nötige Skillset. Die Frage ist nicht mehr nur „Wie formuliere ich diese Anfrage?“, sondern „Was muss dieses Tool über meine Welt wissen, um dauerhaft nützlich zu sein?“

Die Designphilosophie von Anthropic bei Claude Projects war eine explizite Wette darauf, dass Fachleute gut auf ein dokumentenzentriertes Kontextmodell reagieren. Laden Sie Ihren Style Guide, Ihr Product Brief, Ihr regulatorisches Referenzdokument hoch, und das Modell greift auf alles davon zu. OpenAIs Ansatz bei ChatGPT war granularer und stärker nutzergesteuert, gestützt auf extrahierte Fakten und selbst definierte Instructions. Bis Mitte 2026 haben beide Plattformen auf diesen Grundlagen deutlich weitergearbeitet, doch die grundlegenden Designentscheidungen von 2023 und 2024 prägen bis heute, wie sich jedes der Tools verhält.

Was Sie daraus mitnehmen

Die praktische Konsequenz ist einfach: Wenn Sie ChatGPT oder Claude für wiederkehrende professionelle Arbeit nutzen und noch keine dreißig Minuten in die Konfiguration von Projects, Custom Instructions oder Memory-Einstellungen investiert haben, arbeiten Sie mehr als nötig. Das Setup ist nicht kompliziert. Schreiben Sie einen Absatz, der Ihre Rolle, Ihre Vorgaben, Ihr bevorzugtes Output-Format und alles beschreibt, was das Modell an Ihrem Kontext regelmäßig falsch versteht. Machen Sie das einmal pro Projekttyp. Der kumulierte Ertrag über Wochen der Nutzung ist erheblich.

Für Teams gibt es einen Governance-Aspekt, der Erwähnung verdient. Dauerhafter Kontext heißt dauerhaftes Risiko, wenn die Instructions schlecht geschrieben oder veraltet sind. Ein Projekt, das mit den regulatorischen Anforderungen des Vorjahres konfiguriert und nie aktualisiert wurde, ist schlechter als kein Projekt, weil es falsches Vertrauen erzeugt. Behandeln Sie Ihre Projekt-Instructions wie ein geteiltes Team-Template: versionieren, regelmäßig prüfen und sicherstellen, dass jemand dafür verantwortlich ist.

Die Juristin in London kam schließlich zu den KI-Tools zurück, sobald es Projects gab und sie das System vor der ersten Nachricht des Tages richtig briefen konnte. Ihr öffentlicher Kommentar dazu war kurz und treffend: Es fühlte sich an wie der Unterschied zwischen einem neuen Dienstleister und einem, der die Akte gelesen hat.