1/3+170 XP

Ecosystem-Integrationen

# Ecosystem-Integrationen

ChatGPT existiert an weit mehr Orten als im Browser-Tab: in der Menüleiste, in VS Code, in Ihrem Slack-Workspace und hinter hunderten Apps von Drittanbietern, die im Hintergrund die OpenAI-API aufrufen. Diese Lektion zeigt diese Surfaces, ein konkretes Setup und eine Regel dafür, wann es sich lohnt, über die Web-App hinauszugehen.

Die vier Surfaces

Denken Sie an das Ökosystem als vier verschiedene Orte, an denen ChatGPT auftaucht, jeder mit anderen Fähigkeiten:

First-Party-Apps: die Desktop-Apps für macOS und Windows, dazu mobil. Gleicher Account, gleiche Projects und gleiches Memory, aber zusätzliche Fähigkeiten auf Betriebssystemebene.
Developer Tooling: die Codex CLI und die IDE-Erweiterung, wo ChatGPT Ihr echtes Repository liest und bearbeitet.
Workspace-Integrationen: Connectors und die ChatGPT-App in Tools wie Slack, wo sie mit Berechtigung die Daten Ihres Teams liest.
Third-Party-Apps auf der API: Produkte, die OpenAI-Modelle über die API einbetten, oft ohne dass die Marke ChatGPT überhaupt sichtbar wird.

Die Web-App ist der kleinste gemeinsame Denominator. Die Integrationen sind wichtig, weil sie die Copy-Paste-Steuer abschaffen: Das Modell erhält direkten Zugriff auf die Datei, das Repo, die Nachricht oder das Dokument, statt darauf zu warten, dass Sie Text hin und her tragen.

First-Party-Apps: der Desktop-Vorteil

Die Desktop-App ist nicht einfach die Website in einem Fenster. Auf macOS gibt es Work with Apps: ChatGPT liest damit den Inhalt einer geöffneten App (ein Terminal, eine IDE, ein Dokument), sodass Sie ohne Einfügen dazu Fragen stellen können. Ein globaler Hotkey gibt Ihnen einen Launcher-artigen Prompt über allem, was Sie gerade tun.

Sie bringt außerdem alles mit, was an Ihren Account gebunden ist: Projects (Workspaces, die Dateien, Custom Instructions und Chatverlauf bündeln), Memory, Advanced Data Analysis (die Sandbox, in der das Modell Python auf Ihren Uploads schreibt und ausführt) und Canvas (der Side-by-Side-Editor für lange Dokumente und Code).

Wann sie die Web-App schlägt: bei jeder Aufgabe, deren Kontext auf Ihrem Rechner liegt. Ein Stack Trace im Terminal debuggen, Fragen zu einer geöffneten Tabelle stellen oder eine schnelle Analyse fahren, ohne sensible Dateien über einen Browser hochzuladen.

Developer Tooling: Codex in Ihrem Repo

Der größte Sprung für technische Leser ist Codex, der Coding-Agent von OpenAI. Anders als beim Einfügen von Snippets in den Chat arbeitet Codex auf Ihrem Repository: Es kann planen, mehrere Dateien bearbeiten, Tests laufen lassen und einen Pull Request öffnen. Es läuft in der Cloud, in einer CLI und als IDE-Erweiterung.

Installieren Sie die CLI und richten Sie sie auf ein Projekt:

bash

npm install -g @openai/codex
cd my-project
codex "add input validation to the signup form and write tests"

Codex liest das Repo, schlägt ein Diff vor, führt Ihre Testsuite aus und zeigt Ihnen das Ergebnis, bevor etwas landet. Das mentale Modell ist Delegation, nicht Autocomplete: Sie beschreiben ein Ergebnis, es macht die mehrstufige Arbeit, Sie prüfen.

Wann es die Web-App schlägt: bei echter Arbeit an der Codebase. Das Web-ChatGPT kennt Ihre Dateistruktur nicht, Ihre Linting-Regeln nicht und weiß nicht, ob Ihre Tests durchlaufen. Codex weiß es, weil es in Ihrer Umgebung ausgeführt wird.

Workspace-Integrationen: Connectors und die Apps

Connectors lassen ChatGPT aus Ihren anderen Tools lesen: Google Drive, GitHub, SharePoint und mehr. Nach der Verbindung können Sie ChatGPT bitten, eine Spezifikation aus Drive zu holen oder die letzten Issues eines Repos zusammenzufassen, und es ruft die relevanten Inhalte zur Abfragezeit ab. Das ist RAG, das Sie nicht selbst bauen müssen: Die Verkabelung wird für Sie verwaltet.

Die neueren ChatGPT Apps (auf Basis des Apps SDK und des Model Context Protocol, dem offenen Standard für die Verbindung von Modellen mit Tools und Daten) erlauben Dritten, interaktive Erlebnisse direkt in einer ChatGPT-Konversation anzubieten. Sie rufen eine Partner-App mit Namen auf und arbeiten direkt im Verlauf mit ihren Daten.

Für Teams bringt die Slack-Integration ChatGPT in Channels und DMs, sodass das Zusammenfassen eines Threads oder das Entwerfen einer Antwort dort passiert, wo die Konversation schon läuft.

Wann es die Web-App schlägt: wenn die Source of Truth über SaaS-Tools verstreut ist und Sie nicht der menschliche Klebstoff sein wollen, der Inhalte zwischen ihnen bewegt.

Scheduled Tasks und der Agent

Zwei Funktionen machen ChatGPT von reaktiv zu proaktiv.

Scheduled Tasks erlauben es, ChatGPT einen Prompt in einem wiederkehrenden Rhythmus ausführen zu lassen: „Jeden Werktag um 8 Uhr diese drei RSS-Feeds prüfen und mir einen Digest senden.“ Sie richten es einmal in natürlicher Sprache ein und es läuft von selbst.

Der ChatGPT Agent kann mehrstufige Aktionen für Sie ausführen, browsen, klicken und einen virtuellen Computer nutzen, um eine Aufgabe von Anfang bis Ende zu erledigen (etwa Optionen über verschiedene Websites hinweg vergleichen und eine Zusammenfassung erstellen). Vor folgenreichen Schritten hält er für eine Bestätigung an.

Wann sie die Web-App schlagen: bei allem, was Sie sonst regelmäßig manuell machen würden, oder bei Aufgaben über viele Schritte und Tools hinweg, bei denen Sie die ganze Schleife abgeben wollen.

OpenAI Codex Walkthrough

Watch on YouTube

Ein konkretes Setup: eingehende Bug-Reports triagieren

Ich verdrahte mehrere Surfaces für einen Workflow. Das Ziel: jeden Morgen neue GitHub-Issues zusammenfassen und die dringenden markieren.

1. GitHub verbinden über Connectors, damit ChatGPT Ihre Issues lesen kann.

2. Ein Project anlegen namens „Triage“ mit Custom Instructions, die Ihre Severity-Labels beschreiben und was „dringend“ für Ihr Produkt bedeutet.

3. Einen Scheduled Task hinzufügen in diesem Project: „Jeden Werktag um 8 Uhr die in den letzten 24 Stunden geöffneten Issues auflisten, nach Severity gruppieren und alles hervorheben, was Datenverlust oder Auth erwähnt.“

4. Wenn etwas gefixt werden muss, geben Sie es an Codex, um einen Patch zu entwerfen und einen PR zu öffnen.

Bis hierhin kein Code, nur Konfiguration. Genau das ist der Punkt: Die Web- und App-Surfaces deckenüberraschend viel ab, bevor Sie die API anfassen.

Wissenscheck

1. Was ist laut Lektion der zentrale Grund, warum Ecosystem-Integrationen im Vergleich zur Web-App wichtig sind?

2. Was unterscheidet die Arbeitsweise von Codex am besten vom einfachen Einfügen von Code-Snippets in einen Chat?

3. In welchem Szenario schlägt die Desktop-App laut Lektion klar die Web-App?

MEHRFACHAUSWAHL

4. Wählen Sie ALLE Aussagen, die die vier Surfaces, an denen ChatGPT auftaucht, korrekt beschreiben.

Wählen Sie alle richtigen Antworten aus.

MEHRFACHAUSWAHL

5. Wählen Sie ALLE Fähigkeiten, die die Lektion der First-Party-Desktop-Erfahrung zuordnet.

Wählen Sie alle richtigen Antworten aus.

Third-Party-Apps und die API: wenn Sie aus ChatGPT herauswachsen

Alles bisher betrifft ChatGPT als Produkt. Die andere Hälfte des Ökosystems ist die OpenAI API, auf der Entwickler ihre eigenen Apps mit den gleichen Modellen bauen. Sie greifen darauf zurück, wenn Sie die Intelligenz von ChatGPT in Ihrer Software, Ihrer eigenen UI oder einem Backend-Job brauchen, nicht in der Chat-Oberfläche von OpenAI.

Es gibt zwei API-Stile. Die Responses API ist die neuere, agentenorientierte Schnittstelle mit integrierten Tools (Web-Suche, File Search, Code Interpreter) und saubererem State-Handling. Die ältere Chat Completions API wird weiterhin breit unterstützt. Für neue Arbeit ist Responses die bessere Wahl.

Die Funktionen, die die API in der Produktion zuverlässig machen, sind Function Calling (das Modell entscheidet, eine von Ihnen definierte Funktion aufzurufen, und gibt die Argumente zurück) und Structured Outputs (Sie liefern ein JSON-Schema und das Modell gibt garantiert dazu passendes JSON zurück). Structured Outputs machen aus einem geschwätzigen Modell eine verlässliche Komponente, die Sie in eine Datenbank leiten können.

Hier die Triage-Logik von oben, neu gebaut als Backend-Job, der maschinenlesbaren Output ausgibt:

python

from openai import OpenAI

client = OpenAI()

schema = {
    "type": "object",
    "properties": {
        "summary": {"type": "string"},
        "severity": {"type": "string", "enum": ["low", "medium", "high", "critical"]},
        "needs_human": {"type": "boolean"},
    },
    "required": ["summary", "severity", "needs_human"],
    "additionalProperties": False,
}

issue = "Login fails for all SSO users after the deploy; some report being logged out mid-session."

response = client.responses.create(
    model="gpt-5",
    input=f"Triage this bug report:\n\n{issue}",
    text={"format": {"type": "json_schema", "name": "triage", "schema": schema, "strict": True}},
)

print(response.output_text)

Weil das Schema strict ist, erhalten Sie JSON zurück, das Sie ohne defensives Aufräumen parsen und weiterleiten können. Mehr Details im Structured-Outputs-Guide.

Wenn Sie Orchestrierung brauchen: das Agents SDK

Sobald ein Workflow mehrere Schritte, Tools und Handoffs hat, bauen Sie die Control Loop nicht selbst. Das Agents SDK ist OpenAIs Framework für den Bau von Agents: Es verwaltet Tool-Calls, Konversations-State, Handoffs zwischen spezialisierten Agents und Guardrails. Es ist der Produktions-Cousin des ChatGPT Agent, den Sie im Browser benutzt haben.

Die Entscheidung dreht sich um Ownership. Der ChatGPT Agent ist ein fertiges Produkt für Ihre persönlichen Aufgaben. Das Agents SDK nutzen Sie, wenn Sie einen Agent innerhalb Ihrer eigenen App an andere Menschen ausliefern.

Custom GPTs vs. API-Apps: das Surface wählen

Eine verbreitete Verwirrung: Wann baut man einen Custom GPT (in ChatGPT konfiguriert, optional im GPT Store veröffentlicht) und wann eine App auf der API?

Bauen Sie einen Custom GPT, wenn:

Ihre Nutzer bereits in ChatGPT leben.
Sie null Hosting und null Code für die Kernlogik wollen.
GPT Actions (die einen Custom GPT über eine OpenAPI-Spezifikation externe APIs aufrufen lassen) Ihren Integrationsbedarf abdecken.

Bauen Sie auf der API, wenn:

Sie Ihre eigene UI, Ihr Branding oder Ihren Login brauchen.
Sie Structured Outputs brauchen, die nachgelagerte Systeme füttern.
Sie Kontrolle über Kosten, Latenz, Logging und Datenverarbeitung brauchen.
Die App ohne menschliche Aufsicht läuft, nach Zeitplan oder als Reaktion auf Events.

Ein nützlicher Hinweis: Lautet die Antwort auf „Wo läuft das?“ „in einer Konversation“, passt ein Custom GPT. Lautet sie „in meinem Produkt oder meinem Backend“, nehmen Sie die API.

Die Entscheidungsregel

Wann schlägt eine Integration die Web-App? Stellen Sie eine Frage: Wo liegen Kontext und Aktion?

Kontext auf Ihrem Rechner, Aktion in Dateien: Desktop-App oder Codex.
Kontext in SaaS-Tools: Connectors oder Workspace-Apps.
Aktion im Rhythmus oder über viele Schritte: Scheduled Tasks oder der Agent.
Logik in Ihrer eigenen Software, Output für andere Systeme: die API.

Die Web-App gewinnt nur, wenn die Aufgabe in sich geschlossen und einmalig ist. Alles Wiederkehrende, Eingebettete oder Programmatische gehört auf ein anderes Surface.

Key Takeaways

Wählen Sie das Surface passend dazu, wo Kontext und Aktion liegen. Die Web-App ist für in sich geschlossene Aufgaben; greifen Sie zu Desktop, Codex, Connectors oder API, wenn die Arbeit Ihren Rechner, Ihre Tools oder Ihre Software berührt.
Nutzen Sie Codex für echte Arbeit an der Codebase, nicht eingefügte Snippets. Es läuft in Ihrem Repo, führt Ihre Tests aus und öffnet PRs.
Konfiguration schlägt Code häufiger, als Sie denken. Projects, Connectors und Scheduled Tasks können einen wiederkehrenden Workflow ganz ohne API-Call aufsetzen.
Greifen Sie zur API, wenn der Output maschinenlesbar oder eingebettet sein muss. Kombinieren Sie die Responses API mit Structured Outputs für verlässliches JSON und das Agents SDK, wenn der Workflow über mehrere Schritte und Tools geht.
Custom GPT vs. API läuft auf „Wo läuft das?“ hinaus. In einer Konversation heißt Custom GPT; in Ihrem Produkt oder Backend heißt API.

Weiter

Wiederkehrende Arbeit mit dem OpenAI-Stack automatisieren