ChatGPT · Connectors: Ihr Drive und Ihre Tools einbinden

Mit Connectors kann ChatGPT aus Ihren Arbeitstools lesen (Google Drive, SharePoint, OneDrive, GitHub und weitere), sodass Antworten aus Ihren eigenen Dokumenten stammen statt aus dem allgemeinen Training des Modells. Sie stellen eine Frage in normaler Sprache. ChatGPT durchsucht die verbundene Quelle, holt die relevanten Passagen und antwortet mit Quellenangaben, die auf die Originaldateien verweisen.

Zuerst ein Hinweis zur Benennung. Im Dezember 2025 hat OpenAI Connectors in Apps umbenannt. Sie liegen jetzt am selben Ort wie interaktive Apps, die mit dem Apps SDK gebaut wurden (Canva, Figma, Zillow und andere). In ChatGPT finden Sie Drive, SharePoint und GitHub unter Einstellungen, dann Apps. Viele Leute und ältere Dokumentationen sagen weiterhin „Connectors“, und diese Lektion verwendet beide Begriffe. Die Funktionsweise ist dieselbe.

Das ist RAGRAGVerfahren, mit dem ein KI-Modell aus Ihren eigenen Dokumenten antwortet, indem es relevante Passagen abruft, bevor es eine Antwort erzeugt.Vollständige Definition ansehen →, aber Sie bauen die PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen → nicht selbst. OpenAI übernimmt Indexierung, Retrieval und Berechtigungsprüfungen. Sie autorisieren nur die Verbindung.

Was ein Connector tatsächlich tut

Ein Connector ist eine autorisierte BrBrDer Anteil der Besucher, die nach nur einer angesehenen Seite wieder abspringen, häufig ein Signal für mangelnde Relevanz, verfehlte Suchintention oder schwache User Experience.Vollständige Definition ansehen →ücke zwischen Ihrem ChatGPT-Konto und einer externen Datenquelle. Wenn Sie Google Drive verbinden, erteilen Sie ChatGPT (per OAuth) die Berechtigung, in Ihrem Namen Dateien zu durchsuchen und zu lesen.

Zwei Modi sind relevant:

• Synchronisierte oder indexierte Suche. Manche Connectors indexieren Ihre Inhalte vorab, damit ChatGPT schnell semantisch über viele Dateien suchen kann. Darauf beruht das Verhalten „alle meine Dokumente durchsuchen“.
• Abruf bei Bedarf. ChatGPT holt eine bestimmte Datei, wenn das Gespräch es erfordert, etwa wenn Sie eine bestimmte Tabelle erwähnen.

Das Modell bekommt nicht Ihr gesamtes Drive in das Kontextfenster gekippt. Es führt eine Suche aus, erhält die relevantesten Chunks zurück und arbeitet mit diesen. Die Grundlagenlektionen haben erklärt, warum: Das Kontextfenster ist begrenzt, also ist Retrieval besser als Vollstopfen.

Das OpenAI-Hilfecenter führt die aktuelle Liste der unterstützten Quellen, die regelmäßig wächst.

Ein konkretes Beispiel: „Antwort aus unseren internen Dokumenten“

Angenommen, Ihr Team legt alles in Google Drive ab: ein Pricing Policy 2026.gdoc, einen Ordner mit unterschriebenen Kundenverträgen und eine Security Questionnaire Responses.xlsx.

Sie verbinden Google Drive einmal (Einstellungen, dann Apps, Google Drive auswählen, autorisieren). Danach in einem normalen Chat:

„Was ist unsere Standard-Rabattobergrenze für mehrjährige Deals, und welche Verträge haben Ausnahmen? Nenne die Dokumente als Quelle.“

ChatGPT wird:

1. Ihr verbundenes Drive nach relevanten Dateien durchsuchen (das Pricing-Dokument, den Vertragsordner).
2. Die passenden Passagen abrufen.
3. Eine Antwort schreiben wie: „Die Standardobergrenze liegt bei 15 % für Laufzeiten von 2 oder 3 Jahren (Pricing Policy 2026, Abschnitt 4). Zwei Verträge liegen darüber: Acme (20 %) und Globex (18 %).“
4. Quellenangaben anzeigen, die auf die Ursprungsdateien verlinken.

Auf die Quellenangaben kommt es an. Sie kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen durchklicken und prüfen. Eine Antwort ohne nachvollziehbare Quelle ist ein Risiko. Eine belegte Antwort aus Ihrem eigenen Vertrag ist etwas, auf dessen Grundlage Sie handeln können.

Worauf zugegriffen wird (und worauf nicht)

Diesen Teil verstehen viele Profis falsch, also präzise:

Berechtigungen werden geerbt, nicht erteilt. Wenn Sie Google Drive verbinden, handelt ChatGPT als Sie. Es sieht nur Dateien, die Ihr Google-Konto ohnehin sehen kann. Ist ein Ordner für Sie freigegeben, ist ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → erreichbar. Wenn nicht, kann der Connector ihn nicht sichtbar machen. Das ist vor allem in Business- und Enterprise-Workspaces wichtig, in denen Dokumentberechtigungen eng gefasst sind.

Der Umfang lässt sich einschränken. Admins können festlegen, welche Apps in einem Workspace verfügbar sind, und bei manchen Connectors können Sie eine Verbindung auf bestimmte Ordner statt auf ein ganzes Drive begrenzen.

Indexierte Inhalte liegen für das Retrieval in den Systemen von OpenAI. Bei synchronisierten Connectors werden Inhalte verarbeitet und gespeichert, damit sie durchsucht werden können. Lesen Sie die Datenbedingungen Ihres Tarifs. Bei Business, Enterprise und Edu werden Unternehmensdaten standardmäßig nicht zum Training der OpenAI-Modelle verwendet. Die aktuellen Zusagen finden Sie unter openai.com/enterprise-privacy.

Trennen entzieht den Zugriff. Widerrufen Sie die Verbindung in ChatGPT (oder in den Sicherheitseinstellungen von Google), und die Brücke ist weg.

Eine einfache Faustregel: Ein Connector erweitert nie Ihren Zugriff. Er legt nur offen, was Sie bereits haben, und zwar für ein Modell, das schnell liest.

Connectors vs. Actions vs. Datei-Uploads

Sie haben drei Wege, externe Daten in ChatGPT zu bringen, und sie sind nicht austauschbar.

Der entscheidende Unterschied: Connectors lesen Ihre Wissensquellen; Actions rufen APIs auf. Ein Connector beantwortet „Was steht in unserer Richtlinie?“. Eine Action übernimmt „Leg das Jira-Ticket an“ oder „Schau den aktuellen Status dieser Bestellung nach“. Actions haben wir in der vorherigen Lektion behandelt. Connectors sind das leseorientierte Gegenstück.

Connectors in Projects und wo Custom GPTs ins Bild passen

Connectors werden nützlicher, wenn sie auf einen Workflow zugeschnitten sind.

In einem Project arbeiten verbundene Quellen zusammen mit Projektdateien und Custom Instructions. Jeder Chat in diesem Project antwortet auf Basis desselben fundierten Kontexts. Stellen Sie sich ein Project „Q4 RFP Responses“ mit verbundenem Drive vor. Jede entworfene Antwort greift auf das echte, aktuelle Quellmaterial zu, und niemand lädt etwas erneut hoch. Mit geteilten Projects in Business und Enterprise kann ein ganzes Team dasselbe Setup nutzen.

Custom GPTs funktionieren anders. Ein GPT bezieht sein Wissen aus Dateien, die der Ersteller hochlädt, plus den Actions, die der Ersteller konfiguriert. Ihre persönlichen Connectors nutzt es nicht. Wenn Sie einen internen GPT „Sales Answer Bot“ wollen, der live aus SharePoint liest, bindet der Ersteller das als Action gegen die SharePoint-API an. Reichen hochgeladene Wissensdateien aus, werden sie zu einem festen Snapshot, den jemand von Hand aktualisieren muss.

Der Trade-off: Ein Project mit Connectors bleibt aktuell, wenn sich Dateien ändern, und respektiert die Berechtigungen jedes einzelnen Nutzers. Ein GPT vereinheitlicht das Verhalten für alle, aber sein Wissen ist nur so aktuell wie seine Uploads oder Actions.

Deep research und Agent

Connectors speisen auch die autonomeren Modi von ChatGPT.

Wenn Sie deep research oder ChatGPT agent ausführen, werden verbundene Quellen Teil des Toolsets. Ein einzelner Research-Lauf kann gleichzeitig aus Ihrem internen Drive und aus dem Web schöpfen. Zum Beispiel: „Vergleiche unsere aktuelle Pricing Policy mit den drei Wettbewerberseiten, die ich einfüge, und markiere, wo wir unterboten werden.“ Es liest Ihr internes Dokument über den Connector und die Wettbewerberseiten über das Browsing und zieht dann Schlüsse aus beidem.

Kombinieren Sie das mit geplanten Aufgaben für ein wiederkehrendes, quellenbasiertes Briefing, etwa eine Montagszusammenfassung der Änderungen in einem beobachteten Drive-Ordner.

Wenn die ChatGPT-Oberfläche nicht mehr reicht: selbst bauen

Connectors sind der No-Code-Weg. Wenn Sie dieses Verhalten in Ihrer eigenen Anwendung brauchen, wechseln Sie zur OpenAI-API. Die entsprechende Funktion dort ist file search über einen Vector StoreVector StoreEine Vector Database speichert Daten als hochdimensionale numerische Vektoren (Embeddings) und findet Inhalte über Ähnlichkeit statt über exakte Treffer. Sie ist die Grundlage für semantische Suche und KI-Anwendungen.Vollständige Definition ansehen → mit der Responses API.

Das Muster: Laden Sie Ihre Dokumente einmal in einen Vector Store hoch und hängen Sie diesen Store dann als Tool an. Das Modell ruft automatisch ab und zitiert, wie ein Connector in der Oberfläche, nur jetzt in Ihrem Produkt.

from openai import OpenAI

client = OpenAI()

# 1. Einen Vector Store anlegen und Ihre internen Dokumente hinzufügen.
store = client.vector_stores.create(name="internal-policy-docs")
client.vector_stores.files.upload_and_poll(
    vector_store_id=store.id,
    file=open("Pricing_Policy_2026.pdf", "rb"),
)

# 2. Eine quellenbasierte Frage stellen; das Modell durchsucht den Store und nennt Quellen.
response = client.responses.create(
    model="gpt-5",
    input="What's our discount cap for multi-year deals?",
    tools=[{"type": "file_search", "vector_store_ids": [store.id]}],
)

print(response.output_text)

Das Tool file_search folgt derselben Idee wie ein Connector: Das Retrieval wird gehostet, Sie verweisen auf die Daten. Die vollständige Referenz finden Sie unter platform.openai.com/docs. Prüfen Sie vor dem Livegang auf der Modellseite den aktuell empfohlenen Modellnamen.

Der Preis ist Verantwortung. In der API setzen Sie selbst durch, wer welchen Vector Store abfragen darf. Keine geerbte Google-Berechtigung schützt ein Dokument. Wenn ein Nutzer Ihren Endpoint erreicht, kann er durchsuchen, was Sie angehängt haben. In Ihrer eigenen App müssen Sie die Zugriffskontrolle bauen, die Ihnen der ChatGPT-Connector kostenlos mitgeliefert hat.

Praktische Grenzen und Stolperfallen

Kennen Sie diese Punkte, bevor Sie sich im Produktivbetrieb auf Connectors verlassen:

• Aktualität hat Verzögerung. Synchronisierte Connectors indexieren nach Zeitplan neu, eine vor zwei Minuten bearbeitete Datei taucht also vielleicht noch nicht auf. Für Daten, die live sein müssen, passt eine Action, die die API der Quelle aufruft, besser.
• Das Format zählt. Saubere Textdokumente (Google Docs, gut strukturierte PDFs) lassen sich weit besser abrufen als gescannte Bilder oder vollgepackte Foliensätze.
• Quellenangaben sind Ihr QA-Werkzeug. Fordern Sie sie bei wichtigen Antworten an und klicken Sie sie an. Das Modell kann eine Zusammenfassung auch dann ungenau formulieren, wenn die Quelle stimmt.
• In Enterprise und Business entscheidet ein Admin, welche Apps es überhaupt gibt. Fehlt Google Drive in Ihrer Apps-Liste, ist das eine Richtlinie, kein Bug. Fragen Sie Ihren Workspace-Admin.
• Grenzen Sie den Umfang eng ein. Wer das gesamte Drive verbindet, bekommt ein unsaubereres Retrieval als mit einem einzelnen kuratierten Ordner.

Eine kurze Entscheidungshilfe

• Eine Datei, eine Frage, heute: hochladen.
• Ein Wissensbestand, den Sie wiederholt abfragen: ein Connector, idealerweise in einem Project.
• Ein Team, das dasselbe quellenbasierte Setup braucht: ein geteiltes Project mit Connectors oder ein Custom GPT mit Wissensdateien und Actions, wenn Sie einheitliches Verhalten brauchen.
• Live-Daten oder eine Aktion in einem anderen System: eine Action.
• Dasselbe quellenbasierte Verhalten in Ihrer eigenen Software: die Responses API mit file_search.

Key Takeaways

• Connectors verankern ChatGPT in Ihren eigenen Tools (Drive, SharePoint, GitHub) und antworten mit anklickbaren Quellenangaben, die Sie prüfen können. Seit Dezember 2025 heißen sie in der ChatGPT-Oberfläche Apps.
• Ein Connector erbt Ihre Berechtigungen und erweitert sie nie. ChatGPT sieht nur, was Ihr Konto ohnehin sehen kann, und ein engerer Umfang liefert ein präziseres Retrieval.
• Connectors lesen Wissen; Actions rufen APIs auf.
• In Projects spielen Connectors ihre Stärken bei wiederkehrender Arbeit aus. Custom GPTs setzen stattdessen auf hochgeladenes Wissen und Actions.
• Wenn die Oberfläche nicht mehr reicht, ist das API-Gegenstück `file_search` über einen Vector Store mit der Responses API. Sie gewinnen Kontrolle und verlieren die geerbten Berechtigungen, also bauen Sie die Zugriffskontrolle selbst.