Technischer Kontext
Ich habe mir die Beschwerden über die mobile ChatGPT-App angesehen und schnell gemerkt: Die Leute übertreiben nicht. Die explizite Modellauswahl wurde tatsächlich durch vereinfachte Modi ersetzt – Instant, Thinking und Pro – und die App drängt Nutzer standardmäßig in den Instant-Modus.
Für den Durchschnittsnutzer sieht das aus wie „Naja, es ist doch ChatGPT, es antwortet einfach.“ Aber in Wirklichkeit ist das keine transparente Modellwahl mehr, sondern ein Auto-Router, der selbst entscheidet, wie viel er nachdenkt, ob er suchen soll und welchen Stack er im Hintergrund hochfährt. Für die KI-Integration ist das ein schlechtes Zeichen: Wenn das System einen wichtigen Schalter versteckt, geben die Leute am Ende dem Ergebnis die Schuld, nicht der Oberfläche.
Ich habe auch geschaut, wie man noch zu einer richtigen Modellauswahl kommt. Derzeit geht das entweder über Konfigurieren → Modell oder über die Einstellungen mit Aktivierung zusätzlicher oder Legacy-Modelle. Auf dem iPhone sind einige Optionen tief in Menüs abgewandert, und auf Android berichten Nutzer massenhaft, dass der Selektor so stark vereinfacht wurde, dass er kaum wiederzuerkennen ist.
Und hier liegt meine Hauptsorge – nicht bei der UX, sondern bei der Qualität. Der Instant-Modus antwortet tatsächlich oft zu schnell und ohne angemessene Suche, selbst wenn eine Suche eindeutig nötig wäre. Wenn jemand nicht weiß, dass er zu Thinking wechseln kann, zieht er einen einfachen Schluss: ChatGPT ist schlechter geworden.
Das fällt besonders bei nicht-technischen Nutzern auf. Sie denken nicht in Kategorien wie GPT-4o, o3 oder Routing. Sie sehen ein einzelnes Fenster und beurteilen das gesamte Produkt nach seinem Standardverhalten. Ist der Standard schwach, leidet der Ruf insgesamt.
Was das für Unternehmen und Automatisierung bedeutet
Die erste Konsequenz ist einfach: Die Kluft zwischen „KI funktioniert irgendwie“ und „KI löst tatsächlich das Problem“ wächst. Wenn ein Mitarbeiter oder Kunde auf Instant hängen bleibt, bekommt er womöglich schnelle, aber oberflächliche Antworten, ohne zu begreifen, dass das Problem am Modus liegt, nicht am Modell selbst.
Zweitens wird die KI-Automatisierung in Produkten schwieriger, bei denen Vorhersagbarkeit zählt. Wenn Sie Workflows rund um ChatGPT aufbauen, ohne die Modellauswahl zu kontrollieren, beginnt die Qualität von Suche, Zusammenfassung und Reasoning zu schwanken.
Wer gewinnt? Nur das Onboarding für die breite Masse. Wer verliert? Alle, die Stabilität brauchen: Supportteams, Vertrieb, Forschungsaufgaben, interne Assistenten.
Ich selbst folge seit Langem einer einfachen Regel: Wenn das Modell das Ergebnis beeinflusst, darf man es nicht vor dem Prozess verstecken. Bei Nahornyi AI Lab lösen wir solche Fragen auf Architekturebene und hoffen nicht auf Zauberei der Benutzeroberfläche. Wenn bei Ihnen die Antwortqualität nachlässt oder Nutzer dem Assistenten nicht mehr vertrauen, lassen Sie uns Ihr Szenario ganzheitlich betrachten und eine KI-Lösung entwickeln, die zum richtigen Ergebnis führt – nicht zu einem zufälligen Standard.