Dokumente mit KI analysieren: Zusammenfassen, Extrahieren & die Grenzen von ChatGPT & Co.

Feature Snippet: KI-Chatbots wie ChatGPT und Gemini können hochgeladene Dokumente zusammenfassen, gezielt Daten extrahieren und Bilder/Tabellen interpretieren. Die Grenzen liegen im Kontextfenster (begrenzte Textmenge), bei mehreren Dokumenten gleichzeitig und bei unzuverlässigen Quellenangaben – vor allem bei PDFs.

Mal ehrlich: Wer arbeitet schon mit einem einzelnen, sauberen Text-Dokument? In der Praxis stapeln sich Angebote, Verträge, Berichte, E-Mails und Meeting-Protokolle – und meistens will man daraus nur drei Dinge: den Inhalt verstehen, eine bestimmte Information finden, oder eine Antwort formulieren.

Genau hier kommen moderne Chatbots ins Spiel. Du kannst ihnen ein Dokument einfach hochladen, und sie tun so, als hätten sie es "gelesen". Das funktioniert erstaunlich gut – bis es das plötzlich nicht mehr tut. Und genau diese Grenze ist mindestens so wichtig zu kennen wie die Fähigkeiten selbst.

In diesem Guide schauen wir uns drei Dinge an: Wie du Dokumente zusammenfassen und analysieren lässt (Einheit 1), wie du gezielt Informationen daraus extrahierst (Einheit 2), und wo genau die Chatbots anfangen zu stolpern (Einheit 3). Am Ende gibt's noch eine Projektaufgabe zum Selbst-Testen – inklusive einem netten kleinen Experiment mit zwei Wikipedia-Artikeln über "Jaguar", bei dem du die KI aktiv zum Durcheinanderbringen bringen sollst.

Inhalt des Guides

Dieser Guide bildet das Handout zu einer Trainingsreihe von mir: die Nutzung von KI, LLM, Chatbots im Berufs-Alltag. Die Trainingsreihe besteht aus grob einem Duzend Sessions, jeder Post hier eine Session wieder. Das Training ist inhaltlich wesentlich ausführlicher, der Post hier ist eher als Handout und Gedächtnisstütze und Nachschlagwerk zu verstehen.

Das Training richtet sich an den durchschnittlichen Angestellten im Büroalltag - wir schauen uns Tools an, die ohne Programmierkenntnisse zu bedienen sind. Gelegentlich verwenden wir aber ChatBots um kurze Skripte zu schreiben.

Nutzungsbedingungen:

• Für Teilnehmer meiner Trainings ist die Nutzung frei, inklusive privater Kopien
• Für die eigene, private Bildung ist die Nutzung frei, inklusive privater Kopien
• Die kommerzielle Nutzung von einzelnen Auszügen ist gestattet, wenn ein Link zu dem Original hier angegeben wird
• Die kommerzielle Nutzung des Posts im Ganzen oder in weiten Teilen ist nur mit Lizensierung bzw. Absprache erlaubt.

Inhalt des Beitrags

• Einheit 1: Dokumente zusammenfassen und analysieren
  • 1.1 Dokumente als Kontext
  • 1.2 Typische Business-Anwendungen
  • 1.4 Übung: Arbeiten mit einem einfachen Dokument
• Einheit 2: Informationen extrahieren
  • 2.1 Anwendungsfälle
  • 2.2 Dokumenttypen
  • 2.3 Dokument-Objekte
  • 2.4 Übung: Informationen aus Dokumenten extrahieren
• Einheit 3: Grenzen beim Chatbot
  • 3.1 Kontextfenster & mehrere Dokumente
  • 3.2 Übung: Fehler provozieren
• 4) Zusammenfassung: Das Wichtigste in Kürze
• 5) Projektaufgabe: Arbeiten mit Dokumenten selbst ausprobieren
  • Dokumente vermischen
  • Skizzen, Diagramme & Bilder testen
  • Audit: 10 Fragen auf die Probe stellen
• FAQ
  • Wie viele Seiten kann ChatGPT auf einmal verarbeiten?
  • Kann ich mehrere Dokumente gleichzeitig hochladen?
  • Warum erfindet ChatGPT falsche Seitenzahlen?
  • Sind PDF-Dokumente schlechter geeignet als Word-Dateien?
  • Was ist RAG und wann brauche ich es?

Einheit 1: Dokumente zusammenfassen und analysieren

Feature Snippet: Chatbots behandeln hochgeladene Dokumente wie einen sehr langen Prompt und können daraus Zusammenfassungen, Stichpunkte und Kernaussagen erzeugen. Typische Business-Anwendungen sind Meetingprotokolle, E-Mails, Berichte und Einladungen – das spart bei Routineaufgaben viel Zeit.

Fangen wir mit dem Einfachsten an: Du lädst ein Dokument hoch, und der Chatbot soll dir sagen, worum es geht. Klingt banal, ist aber der Baustein für fast alles, was danach kommt. Zwei Dinge solltest du dafür verstehen: Wie so ein Chatbot ein Dokument überhaupt "liest" (1.1), und wofür sich das im Business-Alltag konkret lohnt (1.2).

1.1 Dokumente als Kontext

Feature Snippet: Beim Hochladen wird ein Dokument wie ein sehr langer Prompt in den Kontext des Modells geladen. Je länger das Dokument, desto mehr "verdünnt" sich die Aufmerksamkeit des Modells auf einzelne Informationen – ein Effekt, der Degradation genannt wird.

Wenn du ein Dokument in einen Chatbot hochlädst, passiert eigentlich nichts Magisches: Der komplette Text wird einfach in den sogenannten "Kontext" gepackt – stell dir das wie einen extrem langen Prompt vor, den du dem Modell mitgibst, bevor du deine eigentliche Frage stellst. Alles, was das Modell dir danach antwortet, basiert auf genau diesem Text.

Das eröffnet ein paar typische Aufgaben, für die sich Chatbots hervorragend eignen:

• Zusammenfassungen schreiben
• Stichpunkte extrahieren
• Kernaussagen herausarbeiten

Klingt nach der eierlegenden Wollmilchsau. Ist es aber nur bis zu einem gewissen Punkt – denn hier lauert das erste große Problem: Degradation bei langen Kontexten. Je mehr Text im Kontext steckt, desto "verwässerter" wird die Aufmerksamkeit des Modells für einzelne Details.

Wie lang darf ein Dokument eigentlich sein? Das hängt stark vom Tool und vom Tarif ab:

• ChatGPT Free: ca. 8.192 Tokens
• ChatGPT Pro: ca. 128.000 Tokens
• Gemini Free: ca. 30.000–100.000 Tokens
• Gemini Pro: ca. 1 Million Tokens

Zum Umrechnen: Eine Word-Seite hat im Schnitt ca. 300 Wörter, und ein Token entspricht ungefähr 0,7 Wörtern. Damit ergibt sich:

• GPT-free: ca. 18 Seiten
• GPT Pro: ca. 300 Seiten
• Gemini Pro: ca. 1.500 Seiten Text

Beeindruckende Zahlen – aber hier kommt die hässliche Wahrheit, die wir aus eigener Erfahrung bestätigen können: Je mehr Kontext du reinpackst, desto weniger "Gewicht" hat jede einzelne Information für das Modell.
Die Qualität degradiert spürbar schnell. Wer regelmäßig Skripte, Blog-Posts, Anträge oder technische Handbücher mit KI bearbeitet, merkt: Nach rund 10 Seiten wird es spürbar unschärfer.
Ein riesiges Kontextfenster heißt also nicht automatisch "bessere Ergebnisse" – eher "theoretisch mehr Spielraum, praktisch mit Vorsicht zu genießen".

1.2 Typische Business-Anwendungen

Feature Snippet: Chatbots eignen sich hervorragend, um Meetingprotokolle, E-Mails, Berichte und Einladungen automatisch zusammenzufassen oder Blogartikel zu entwerfen – auch mehrsprachig, was bei internationalen Teams ein echter Vorteil ist.

Genug Theorie – wofür lohnt sich das im Alltag wirklich? Ein paar typische Anwendungsbeispiele:

• Meetingprotokolle zusammenfassen
• E-Mails analysieren
• Berichte verdichten
• Einladungen beantworten
• Blogartikel schreiben

Der große Gewinn: Das spart massiv Zeit bei Routinearbeit. Ein netter Bonus dabei: Mehrsprachigkeit ist auch ein Vorteil – zumindest für die "großen" Sprachen, bei denen die Modelle gut trainiert sind. Ein Meetingprotokoll auf Englisch zusammenfassen und auf Deutsch ausgeben lassen? Kein Problem.

1.3 Zusammenfassung Einheit 1:

• ChatBots können Dokumente einlesen
• Der Kontext ist jedoch begrenzt und es droht Degradation
• Das spart viel Zeit bei Routinearbeit
• Typisch ist die Einbettung in Apps oder Toolchains

Zu den Limits und der Performance findest du in Einheit 3 noch mehr.

1.4 Übung: Arbeiten mit einem einfachen Dokument

Feature Snippet: Teste die Fähigkeiten eines Chatbots an einem eigenen, eher kleinen Dokument – mit Prompts wie "Fasse dieses Dokument in einem Satz zusammen" oder "Kürze das Dokument auf die Hälfte".

Schritte:

• Lade ein einzelnes eher kleines Dokument hoch (einfach in das Chat-Fenster ziehen)
• Teste verschiedene Fragen aus
• Falls noch im Limit, teste ein weiteres Dokument
• Mit Zugang zu einem Pro-Tool auch größere Dokumente testen!
• Frage dich am Ende: Sind die Antworten hilfreich?

Prompts zum Ausprobieren:

• Fasse dieses Dokument in einem Satz zusammen.
• Welche drei wichtigsten Aussagen enthält dieses Dokument?
• Fasse dieses Dokument in 5 Stichpunkten zusammen.
• Kürze das Dokument auf die Hälfte
• Schreibe eine Antwort an den Autor:

Lernziel: Erkennen des Potentials der ChatBots beim Arbeiten mit Dokumenten

Tools / Accounts: ChatBot (verwende nur einen ChatBot, falls du keine Pro-Version hast – es gibt noch mehr Übungen weiter unten, die Token sparen willst)

Einheit 2: Informationen extrahieren

Feature Snippet: KI-Chatbots können gezielt einzelne Informationen aus Dokumenten herausziehen – etwa Termine aus Einladungen, Preise aus Angeboten oder Fristen aus Verträgen. Das Ergebnis lässt sich auch strukturiert als JSON ausgeben, um es direkt weiterzuverarbeiten.

Zusammenfassen ist schön, aber oft willst du gar nicht "den ganzen Text in kurz" – du willst eine ganz konkrete Information. Wann findet das Event statt? Was kostet das Angebot? Wer ist der Ansprechpartner? Genau das ist das Thema dieser Einheit: gezieltes Extrahieren statt nur Zusammenfassen. Wir schauen uns typische Anwendungsfälle an (2.1), welche Dokumenttypen dabei mehr oder weniger Ärger machen (2.2), und wie es um Bilder, Tabellen und Diagramme steht (2.3).

2.1 Anwendungsfälle

Feature Snippet: LLMs können gezielt Informationen aus Dokumenten ziehen, etwa Termine aus Einladungen, Preise aus Angeboten, Fristen aus Verträgen oder Ansprechpartner aus E-Mails – strukturiert ausgegeben z.B. als JSON zur Weiterverarbeitung.

LLMs können gezielt Informationen aus Dokumenten ziehen. Ein paar Beispiele:

• Termine aus Einladungen
• Preise aus Angeboten
• Fristen aus Verträgen
• Ansprechpartner aus E-Mail

Das kann dann gezielt zur Weiterverarbeitung in einem KI-System verwendet werden. Und hier wird es für alle interessant, die technisch etwas weiterbauen wollen: Man kann sich das Ergebnis auch als strukturiertes Format für die Weiterverarbeitung geben lassen, zum Beispiel mit dem Prompt:

Gib das Ergebnis als JSON an

Damit wird aus einer unstrukturierten Einladung plötzlich ein sauberer Datensatz, den du direkt in eine Tabelle, eine Datenbank oder ein anderes System einspeisen kannst.

Ein Praxisbeispiel dazu: Bei der NISAR Ingestion App werden aus Bestellungen gezielt die Kern-Daten herausgezogen – allerdings nicht blind automatisiert, sondern mit anschließendem Human Review.
Das ist übrigens ein guter genereller Tipp: Extrahierte Daten aus KI-Systemen sollten, gerade bei geschäftskritischen Prozessen, von einem Menschen gegengeprüft werden, bevor sie ungefiltert weiterlaufen.

2.2 Dokumenttypen

Feature Snippet: Am einfachsten verarbeiten Chatbots reinen Fließtext (Word, RTF, HTML, XML, Markdown) – Strukturierung durch Tags wird sehr gut verstanden. Schwieriger wird es bei gescannten Dokumenten (OCR), PowerPoint-Folien oder Skizzen, auch wenn moderne Modelle hier inzwischen gut mithalten.

Nicht jedes Dokument ist für eine KI gleich einfach zu "lesen". Am einfachsten sind Fließtext-Dokumente:

• .docx Word
• .rtf
• .html
• .xml
• .md

Der Vorteil bei diesen Formaten: Strukturierung durch <tags> wird sehr gut verstanden. Ein sauber formatiertes HTML- oder Markdown-Dokument mit Überschriften ist für ein Modell also leichter zu "greifen" als ein wilder Fließtext ohne Struktur.

Scannen mit OCR (also das automatische Erkennen von Text aus einem Bild) kennt heute jeder – und funktioniert grundsätzlich gut. Auch spannend: Es geht mittlerweile auch gut mit PPT! Auch PowerPoint-Folien und sogar handgemalte Skizzen werden heute überraschend gut verstanden (siehe nächster Abschnitt).

Nicht jedes Dokument ist für die KI gleich einfach: Der Sonderfall, der uns hier besonders interessiert: Text-Dokumente als PDF sind schwieriger. Der Grund: PDF ist kein zusammenhängender Text. Beim PDF ist jede Seite eine einzelne Leinwand, ganz ähnlich wie bei PowerPoint. Und Kopf- und Fußzeilen zerschneiden den Text mittendrin.

Das wird ein großes Thema im RAG-Kontext (dazu später mehr). Schauen wir uns ein reales Beispiel an, wie ein PDF-Extrakt aussehen kann:

PDF Extract:

[ecuc_sws_1029] For each BSW module that shall be present in the ECU, the implementation must be chosen. This is done by referencing the BSWMD delivered with the BSW module. The BSWMD defines all configuration parameters, and their structuring in containers, relevant for this specific implementation of the module. This is done in the Vendor Specific Module Definition. The rules that must be followed 28 of 205 Document ID 087: AUTOSAR_TPS_ECUConfiguration.pdf – AUTOSAR CONFIDENTIAL- AUTOSAR Specification of ECU Configuration V3.2.0 R4.0 Rev3 when building the base ECU Configuration Value description are available in chapter 5.2.

Für uns liest sich das klar so:

[ecuc_sws_1029] For each BSW module that shall be present in the ECU, the implementation must be chosen. This is done by referencing the BSWMD delivered with the BSW module. The BSWMD defines all configuration parameters, and their structuring in containers, relevant for this specific implementation of the module. This is done in the Vendor Specific Module Definition. The rules that must be followed [[]] when building the base ECU Configuration Value description are available in chapter 5.2.

Sieht dir auf den ersten Blick fast identisch aus? Genau das ist der Punkt: Im echten Extrakt hat sich mitten im Satz die Fuß- und Kopfzeile mit Seitenzahl, Dokument-ID und Copyright-Vermerk reingeschoben – "when building the base ECU Configuration..." wird durch einen kompletten Zeilenblock unterbrochen.
Kopf- und Fußzeilen sind überall zwischen die Abschnitte kopiert – schwierig zu entfernen. Seitenzahlen ändern sich, Logos werden vom OCR unterschiedlich erkannt, und plötzlich hat dein sauberer Fließtext mitten im Satz einen Fremdkörper.

2.3 Dokument-Objekte

Feature Snippet: Chatbots können nicht nur Text, sondern auch Diagramme, Bilder und Tabellen interpretieren. Tabellen funktionieren gut, solange sie nicht zu groß sind oder über mehrere PDF-Seiten verteilt werden – dann behandelt das Modell sie oft als getrennte Tabellen.

Chatbots können mehr als nur Text lesen – sie können auch Bilder und Diagramme interpretieren und beschreiben. Ein Beispiel mit dem Prompt:

Prompt: Beschreibe das folgende Diagramm:

Antwort: Das Diagramm zeigt eine architektonische Ablaufdarstellung eines LLM-basierten Systems, das mit Reasoning, Internetrecherche und Guardrails arbeitet, um Benutzeranfragen zu beantworten. Der Ablauf kann als zyklischer Agentenprozess zwischen Nutzer, LLM und externen Informationen verstanden werden.

Das Diagramm beschreibt damit eine typische Architektur moderner LLM-Agentensysteme mit Guardrails:

• Nutzer stellt eine Frage
• Input wird interpretiert und geprüft
• LLM führt Reasoning aus
• Optional: Internetrecherche / Tool-Nutzung
• Antwort wird erzeugt
• Output wird überprüft
• Antwort wird an Nutzer zurückgegeben

Für sich allein bringt so eine Beschreibung erstmal wenig – aber wenn du das automatisiert weiterverarbeiten willst (zum Beispiel Diagramme aus alten Handbüchern durchsuchbar machen), hilft es immens, textliche Beschreibungen von Bildern zu haben.

Auch Tabellen sind ein spannender Fall. Ein Beispiel-Prompt:

Was ist die Seitenzahl zu der Frage 'What are the operational temperatures of the radar sensors?'

Antwort:

ARS548_Short_Description: Seite 17. ARS40X_Short_Description: Seite 21. ✅ Antwort: Seite 17 und Seite 21.

Tabellen klappen gut, solange sie nicht zu groß sind, und solange sie nicht auf mehrere PDF-Seiten verteilt sind – dann werden sie nämlich als getrennte Tabellen behandelt (Tabellen sind schließlich auf Menschen-Lesbarkeit optimiert, nicht auf maschinelle Verarbeitung).
Ein interessantes Detail am Rande: Im Hintergrund schreibt Gemini bei solchen Tabellen-Fragen oft ein Python-Skript, um die Tabelle zu analysieren – normalerweise für dich unsichtbar, aber ein gutes Beispiel dafür, wie moderne Chatbots sich selbst kleine Werkzeuge bauen, um eine Frage zu lösen.

2.4 Übung: Informationen aus Dokumenten extrahieren

Schritte:

• Lade einzelne Dokumente hoch und frage nach spezifischen Informationen:
  • Datum, Ort
  • Bestellnummer, Artikelnummer, Preis
  • Sachbearbeiter
• Lasse sie auch strukturiert ausgeben, z.B. JSON
• Frage gezielt danach, Klassen für die Informationen zu bilden
• Lade einige Bilder und Diagramme herunter und versuche Beschreibungen und Interpretationen zu bekommen

Lernziel: LLM als Information-Extraction-Tool nutzen

Tools / Accounts: Chatbot

Einheit 3: Grenzen beim Chatbot

Feature Snippet: Die größten Schwachstellen von Chatbots bei der Dokumentenarbeit sind das begrenzte Kontextfenster, die Vermischung von Inhalten bei mehreren Dokumenten und unzuverlässige Quellenangaben – Seitenzahlen und Zitate können regelrecht halluziniert werden.

Jetzt zum unbequemen, aber wichtigsten Teil dieses Guides – denn wer nur die Stärken kennt, läuft schnell in eine Falle. Diese Einheit zeigt dir schonungslos ehrlich, wo Chatbots bei der Dokumentenarbeit an ihre Grenzen stoßen: beim Kontextfenster, bei mehreren Dokumenten gleichzeitig und bei den Quellenangaben.

3.1 Kontextfenster & mehrere Dokumente

Feature Snippet: LLMs können nur eine begrenzte Menge Text gleichzeitig verarbeiten. Bei langen Dokumenten werden Inhalte gekürzt oder "verdünnt", bei mehreren gleichzeitig geladenen Dokumenten vermischen sich Inhalte und Quellen werden unklar.

Kontextfenster: LLMs können nur eine begrenzte Menge Text gleichzeitig verarbeiten.

• Lange Dokumente werden gekürzt
• Wichtige Informationen gehen durch „Verdünnen" verloren

Mehrere Dokumente: Wenn mehrere Dokumente geladen werden:

• Inhalte werden vermischt
• Quellen sind unklar
• Falsche Aussagen entstehen

Fehlende Quellen:

• LLMs zitieren oft keine echten Quellen
• Seitenzahlen sind häufig falsch
• Inhalte können halluziniert werden

Ein praktisches Beispiel dazu, aus der EURO NACAP Spezifikation.

Prompt:

Welche Wetterbedinungen sind beschrieben?

Antwort:

Im Dokument werden die Wetterbedingungen in Abschnitt 7.2 „Weather Conditions" beschrieben. Die zulässigen Bedingungen für die Durchführung der Tests sind: Beschriebene Wetterbedingungen: Trockene Bedingungen (dry conditions) ………

Nachfrage, Prompt:

In welchem Dokument und auf welcher Seite steht das?

Antwort:

Dokument: Euro NCAP Test Protocol – AEB Systems. Abschnitt: 7.2 Weather Conditions. Seite: 15

Klingt beeindruckend präzise, oder? Es gibt ein paar "Aber":

Wenn die KI sich Quellen einfach ausdenkt: In ChatGPT, Stand Dez 2025 ist die Seitezahl falsch, und der Name der Quelle passt auch nur halb:

Und Gemini - Stand Mitte 2026 - hat sich bei der Seitenzahl-Frage im Hintergrund ein Python-Skript geschrieben, statt direkt aus dem geladenen Kontext zu antworten (was übrigens Sinn ergibt, da LLMs sehr gut darin sind, Skripte zu schreiben).
Nur hat es zunächst im Skript die PDF-interne Seitenzahl abgefragt, nicht die im Dokument gedruckte Seitenzahl. Auch bei der Nachfrage nach der Seite im Dokument hat Gemini sich wieder ein eigenes Skript geschrieben.

Was heißt das für dich in der Praxis? Vertrau Seitenzahlen und Quellenangaben von Chatbots nicht blind – vor allem nicht bei geschäftskritischen Dokumenten wie Verträgen oder technischen Spezifikationen. Prüfe stichprobenartig nach, bevor du die Angaben weiterverwendest.

3.2 Übung: Fehler provozieren

Feature Snippet: Bringe den Chatbot gezielt zu Fehlern, indem du nach sehr spezifischen Meta-Informationen fragst (Seitenzahlen, Autor, Versionsnummer) und ihn explizit zur sofortigen Antwort ohne Nachdenken aufforderst.

Zusammenfassung: Das LLM zu Fehlern bringen

Schritte:

• Lade einzelne Dokumente hoch und frage nach sehr spezifischen Informationen, die nicht explizit hervorstehen. Vor allem in längeren Dokumenten
• Frage nach Meta-Informationen, die keinen sinnhaften Kontext im Text haben, wie z.B. Seitenzahlen, Autor, Versionsnummer
• Sage explizit denk nicht nach und antworte sofort
• Wie schlagen sich die Chatbots? Wähle auch kleine und schwächere Modelle.
• Optional: Versuche das Gleiche mit lokalen Modellen (Ollama, das ihr vorgestern kennengelernt habt)

Lernziel: LLM als Information-Extraction-Tool nutzen – und dabei die Limits kennenlernen

Tools / Accounts:

• Chatbot
• Optional: Lokales Modell (z.B. Ollama)

4) Zusammenfassung: Das Wichtigste in Kürze

Feature Snippet: Dokumentenarbeit mit ChatGPT & Co. funktioniert heute schon gut für Zusammenfassungen, Datenextraktion und die Interpretation von Grafiken und Tabellen. Die Grenzen liegen bei mehreren Dokumenten, unzuverlässigen Quellenangaben und der Verwässerung von Informationen bei großen Kontexten – vor allem bei PDFs mit Kopf-/Fußzeilen.

Lessons Learned:

Arbeit mit Dokumenten funktioniert heute mit ChatBots schon sehr gut:

• Grafiken können interpretiert werden
• Tabellen werden verstanden
• Die Kontext-Fenster (Dokument-Längen) sind v.a. in den Pro-Versionen groß genug für ein langes Dokument

Aber es gibt Einschränkungen:

• Dokumente werden nicht getrennt
• Zitieren und Quellenangaben sind unzuverlässig
• Die Kontextfenster sind zu klein, wenn mit mehreren oder großen Dokumenten gearbeitet wird
• Bei großen Kontexten werden einzelne Informationen stark verwässert
• PDFs sind deutlich schwieriger, weil sie die Kopf- und Fußzeile zwischen die Seiten kopieren, v.a. wenn Kapitelnamen in Kopf- oder Fußzeile stehen und dadurch nicht statisch sind

Die Lösung für viele dieser Probleme kommt in der nächsten Einheit: RAG – Retrieval Augmented Generation. Dabei wird nicht mehr das komplette Dokument in den Kontext geladen, sondern gezielt nur die relevanten Abschnitte gesucht und eingespeist. Aber das ist eine andere Geschichte für einen anderen Blogpost.

5) Projektaufgabe: Arbeiten mit Dokumenten selbst ausprobieren

Feature Snippet: Teste selbst, wie gut Chatbots mit mehrdeutigen Dokumenten umgehen: Lade zwei thematisch ähnliche Wikipedia-Artikel hoch (z.B. Jaguar das Tier und Jaguar das Auto) und prüfe, ob die KI die Informationen vermischt.

Genug gelesen, jetzt bist du dran. Diese Projektaufgabe besteht aus drei Teilen: Dokumente absichtlich vermischen, Bilder und Diagramme testen, und am Ende ein kleines Audit, bei dem du dem Chatbot auf den Zahn fühlst.

Zusammenfassung: Einige Experimente mit Dokumenten in ChatBots

Lernziel: Ein Gefühl für die Fähigkeiten entwickeln

Tools / Accounts: ChatBots. Falls du keinen Pro-Account hast, dann lege mehrere an oder nutze ChatGPT + Gemini + Claude + …

Dokumente vermischen

• Lade von Wikipedia 2 „zu ähnliche" Artikel hoch: z.B. Tier: Jaguar und Auto: Jaguar
• Frage nach gemeinsamen Informationen wie z.B. der Geschwindigkeit oder Größe
• Frage nach unsinnigen Sachen, nach der Ausstattung des Tieres oder der Nahrung des Jaguar F-Type
• Kannst du den ChatBot dazu bringen, die Daten zu vermischen?

Skizzen, Diagramme & Bilder testen

• Besorge einige Skizzen, Diagramme und Bilder und lasse sie von einem Chatbot beschreiben
• Bei welchen Bildern klappt die Interpretation gut, bei welchen schlecht?

Audit: 10 Fragen auf die Probe stellen

• Erstelle 10 Audit-Fragen zu einem Dokument – wieder im Verhältnis 4-3-3: 4 einfache, 3 schwierige, 3 mit falschen Annahmen
• Lasse den ChatBot sie beantworten
• Wie viele Antworten sind korrekt?

FAQ

Wie viele Seiten kann ChatGPT auf einmal verarbeiten?

Das hängt vom Tarif ab: ChatGPT Free kommt auf ca. 18 Seiten, ChatGPT Pro auf ca. 300 Seiten. Gemini Free schafft grob 30.000–100.000 Tokens, Gemini Pro sogar bis zu ca. 1.500 Seiten Text. Aber Achtung: Mehr Kapazität heißt nicht automatisch bessere Ergebnisse – je größer der Kontext, desto stärker degradiert die Gewichtung einzelner Informationen.

Kann ich mehrere Dokumente gleichzeitig hochladen?

Technisch ja, inhaltlich mit Vorsicht zu genießen. Sobald mehrere Dokumente im selben Kontext liegen, vermischen sich Inhalte, Quellen werden unklar und es entstehen leichter falsche Aussagen. Für zuverlässige Ergebnisse ist es meist besser, Dokumente einzeln zu bearbeiten oder gezielt nach dem Dokument zu fragen, aus dem eine Info stammen soll.

Warum erfindet ChatGPT falsche Seitenzahlen?

LLMs zitieren oft keine echten Quellen im klassischen Sinn – sie generieren plausibel klingende Antworten basierend auf ihrem Kontext, ohne eine verlässliche Verknüpfung zur exakten Seite zu haben. Seitenzahlen sind deshalb häufig falsch, und Inhalte können regelrecht halluziniert werden.

Sind PDF-Dokumente schlechter geeignet als Word-Dateien?

Tendenziell ja. PDF ist kein zusammenhängender Text, sondern wird eher wie eine einzelne Leinwand pro Seite behandelt – ähnlich wie PowerPoint. Kopf- und Fußzeilen zerschneiden dabei oft den eigentlichen Textfluss mitten im Satz, was die Verarbeitung erschwert. Word, RTF, HTML, XML oder Markdown sind hier deutlich unkomplizierter.

Was ist RAG und wann brauche ich es?

RAG steht für Retrieval Augmented Generation. Statt ein komplettes Dokument in den Kontext zu laden, sucht das System gezielt die relevanten Abschnitte heraus und speist nur diese in das Modell ein. Das löst viele der hier beschriebenen Probleme mit Kontextgrenzen und Vermischung – besonders relevant, wenn du mit vielen oder sehr großen Dokumenten arbeiten willst.