Man muss zugeben: Die vollmundigen Ankündigungen rund um GPT-5 haben hohe Erwartungen geweckt – Erwartungen, die das System in der Praxis nicht erfüllen konnte. Erste Eindrücke haben wir bereits im Blogartikel „GPT-5 im Test – warum das neue KI-Modell für Chatbots im Customer Service enttäuscht“ beschrieben.
Neben unseren eigenen Tests hat auch Gary Smith einen anschaulichen Versuch mit GPT5 durchgeführt. Er zeigte, dass GPT-5 nicht in der Lage war zu erkennen, dass ein um 90 Grad gedrehtes Tic-Tac-Toe-Spiel identisch mit einem normalen ist. Das Beispiel verdeutlicht: GPT-5 bleibt ein statistisches, tokenbasiertes Werkzeug – kein promovierter Forscher. Wir hatten zuvor mit Spiegelbildern ein ähnliches Experiment durchgeführt, doch dieser Test macht die Grenzen fast noch deutlicher.
Grenzen von GPT-5 im Chatbot-Einsatz
Trotz dieser Einschränkungen bleibt GPT-5 ein spannendes Thema für den Einsatz von KI-Chatbots im Kundenservice. Denn es verdeutlicht eine Dimension, die bisher wenig Beachtung fand: den Ressourcenaufwand für die Bearbeitung einer Aufgabe. OpenAI war dabei zwar nicht der erste Anbieter, aber sicherlich der sichtbarste.
In unseren Tests zeigte sich: Mit geringem Ressourcenaufwand kann GPT-5 keine Fragen beantworten, die Informationen aus verschiedenen Textstellen kombinieren. Besonders dann nicht, wenn diese verteilt im Kontext des Modells stehen. Für den praktischen Einsatz im Kundenservice bedeutet das: Dokumente müssen so strukturiert sein, dass Antworten zuverlässig erzeugt werden können.
Die Ressourcenfrage: schnell vs. sicher
Ebenfalls gut messbar ist, wie viele Ressourcen für eine richtige Antwort erforderlich sind. Die Unterschiede sind erheblich: Eine schnelle Antwort kommt innerhalb von Sekunden, während eine sichere Antwort mehrere Minuten dauern kann.
Für den praktischen Einsatz von Chatbots im Kundenservice ist dieses Vorgehen jedoch kaum vertretbar: Nutzer warten keine Minuten auf eine Antwort – und die Kosten im Chatbot-Betrieb wären zu hoch. Auch aus Sicht der Ressourceneffizienz lohnt sich ein solcher Ansatz nicht.
Stärken von GPT-5 in der Vorverarbeitung
Ein klarer Vorteil von GPT-5 zeigt sich dagegen bei der Vorverarbeitung von Texten. Hier spielt das Modell seine Stärken aus. Wenn einmalig ein hoher Ressourcenaufwand betrieben wird, um Inhalte so aufzubereiten, dass sie später schnell, korrekt und kostengünstig beantwortet werden können, ergibt das Sinn – gerade für KI-Chatbots im Kundenservice.
Praxisbeispiel : Strukturierte Daten für bessere Antwortqualität
In der Praxis hat sich bewährt, die Kerndaten eines Textes mit GPT-5 in eine strukturierte Darstellung zu überführen – etwa in XML oder JSON. Mit KAI im Knowledge Center lässt sich das unkompliziert umsetzen. So konnten wir regelmäßig 100 % Antwortqualität im Chatbot-Betrieb sicherstellen.
Wie funktioniert das genau?Statt lange Fließtexte unverändert an GPT-5 zu übergeben, werden Inhalte einmalig aufbereitet:
- Strukturieren: Komplexe Dokumente werden in kleine Einheiten zerlegt, z. B. Frage-Antwort-Paare oder Prozessschritte.
- Extrahieren: Wichtige Fakten werden herausgefiltert – Telefonnummern, Bedingungen oder Kernregeln.
- Formatieren: Die Informationen werden in maschinenlesbare Formate (z. B. JSON oder XML) gebracht, die GPT-5 sehr schnell verarbeiten kann.
💡 Der Effekt: Die aufwändige Verarbeitung passiert nur ein einziges Mal in der Vorbereitung. Im Live-Betrieb liefert GPT-5 dann mit minimalem Ressourcenaufwand schnelle und zuverlässige Antworten – ohne lange Wartezeiten oder hohe Kosten.
Fazit
Richtig eingesetzt bietet GPT-5 wertvolle Unterstützung im Chatbot-Betrieb – insbesondere durch eine höhere Antwortqualität nach Vorverarbeitung von Inhalten.
Für den direkten, unvorbereiteten Einsatz im Live-Kundenservice ist GPT-5 aufgrund von Kosten, Wartezeiten und Ressourceneffizienz nicht optimal geeignet. In Kombination mit einer vorgelagerten Aufbereitung der Inhalte entfaltet es jedoch sein Potenzial und ermöglicht im Betrieb schnelle und korrekte Antworten.
Dennoch: GPT-5 zeigt, wie KI-Chatbots in Zukunft weiterentwickelt werden können – und sorgt nebenbei immer wieder für unterhaltsame Momente.
Kontaktieren Sie uns unverbindlich und erfahren Sie, wie Sie Large Language Models sicher und effizient in Ihrem Customer Service nutzen können.
