Technischer Kontext
Ich habe mir die Beschreibung von ChatGPT Work angesehen und dachte: okay, das ist nur ein weiterer Modus in der Benutzeroberfläche. Dann wurde klar, dass OpenAI relativ leise etwas in ChatGPT integriert hat, das dem Geist von Codex sehr nahe kommt, allerdings nicht als Entwicklerwerkzeug für Geeks, sondern als Ebene für echte KI-Automatisierungsaufgaben.
Und genau hier verwechseln es viele. Auch ich bin zuerst über die Formulierungen gestolpert. ChatGPT Work ist keine Cloud-IDE und kein direkter Klon von Claude CoWork. Es ist ein Agentenmodus innerhalb von ChatGPT, der ein Ziel nimmt, es selbst in Schritte zerlegt, mit Dateien und angebundenen Tools arbeitet und stundenlang an einer Aufgabe sitzen kann, bis er ein fertiges Ergebnis zusammengestellt hat.
Laut offizieller Beschreibung ist Work auf Ergebnisse ausgerichtet: Berichte, Tabellen, Präsentationen, Workflows, Webanwendungen, Code-Stücke. Es läuft auf GPT-5.6, und OpenAI präsentiert es als ein für lange, mehrschrittige Prozesse optimiertes Modell. War Codex früher vor allem mit Code verbunden, so wurde hier dieselbe grundlegende Fähigkeitsklasse in eine Oberfläche für „normale Arbeit“ verpackt.
Das ist ein wichtiger Unterschied. Ich sehe hier keine vollwertige Umgebung, in der man Zeile für Zeile in einem Editor sitzt. Ich sehe eine Ausführungsebene: Aufgabe geben, Kontext anhängen, Zugriff auf Dateien und Tools erlauben, ein fertiges Artefakt erhalten. Für viele Szenarien reicht das völlig aus, besonders wenn lokale CLIs, IDEs und manuelles Zusammenbauen nur bremsen.
Ein weiterer praktischer Punkt: Work lebt im ChatGPT-Ökosystem und nicht eigenständig. Man kann eine Aufgabe vom Handy aus starten, dann am Desktop überprüfen und in der Desktop-App auch lokale Dateien und Anwendungen einbinden, sofern der Zugriff erlaubt ist. Das Verbrauchsmodell ähnelt Codex: Je schwerer die Aufgabe, desto mehr Limits frisst sie.
Auswirkungen auf Unternehmen und Automatisierung
Für Teams ist dies ein Wandel nicht hin zu einem „weiteren Chatbot“, sondern zu einer echten KI-Implementierung für lange Aufgaben. Ich würde drei Effekte herausstellen: weniger manuelles Zusammenbauen von Artefakten, weniger Wechsel zwischen Tools und ein schnellerer Start interner Automatisierungen ohne für jeden Fall ein eigenes Engineering-Setup.
Profitieren werden diejenigen mit viel wiederkehrender intellektueller Routine: Analytik, interne Berichte, Prototypen, Datei- und Code-übergreifende Workflows. Verlieren werden alte Prozesse, bei denen der Mensch immer noch als Kleber zwischen fünf Diensten fungiert.
Aber ich würde es nicht romantisieren. Ohne eine vernünftige KI-Architektur stoßen solche Agenten schnell an Grenzen bei Zugriffen, Kontext, Versionskontrolle und Ergebniskontrolle. Bei Nahornyi AI Lab lösen wir genau diese Schnittstellen für Kunden: wo Work ausreicht und wo eine maßgeschneiderte KI-Integration oder ein dedizierter Agent für den Prozess benötigt wird.
Wenn Ihr Team in mehrschrittiger Routine ertrinkt, würde ich das ohne Hype und mit Taschenrechner betrachten. Und wenn Sie aus solchen Werkzeugen ein funktionierendes System bauen wollen, statt eines weiteren chaotischen Experiments, kann ich Ihnen bei Nahornyi AI Lab helfen, eine KI-Lösungsentwicklung für Ihren realen Aufgabenstrom aufzubauen.