Wie Sie sich persönliche KI-Assistenten bauen, die Ihren Alltag erleichtern: Von Custom GPTs über Claude Projects bis zu Gemini Gems. Ein Einsteigerkurs ohne Programmierkenntnisse, der zeigt, wie Berufstätige, Freelancer und Teams massgeschneiderte KI-Helfer für wiederkehrende Aufgaben erstellen.
Klicken zum Vergrößern
Die meisten Menschen nutzen ChatGPT, Claude oder Gemini wie ein besseres Google: Sie stellen eine Frage, erhalten eine Antwort und fangen beim nächsten Mal wieder von vorn an. Dabei geht enormes Potenzial verloren, denn diese Plattformen bieten längst die Möglichkeit, spezialisierte KI-Assistenten zu erstellen, die den eigenen Arbeitskontext kennen, einen bestimmten Kommunikationsstil pflegen und wiederkehrende Aufgaben auf Knopfdruck erledigen.
Stellen Sie sich vor, Sie hätten einen Assistenten, der Ihren Schreibstil kennt und jeden Entwurf automatisch in Ihrem Ton verfasst. Oder einen, der die Produktpalette Ihres Unternehmens auswendig weiss und Kundenanfragen sofort beantworten kann. Oder einen, der juristische Texte in verständliche Sprache übersetzt, weil er mit den relevanten Gesetzen und Ihrer Branchensprache vertraut ist. Genau das leisten Custom GPTs, Claude Projects und Gemini Gems — und Sie brauchen dafür keine einzige Zeile Code.
Der Unterschied zwischen einem generischen Chatbot und einem personalisierten Assistenten ist wie der zwischen einem beliebigen Taxifahrer und Ihrem persönlichen Chauffeur, der Ihre Lieblingsrouten kennt, die Klimaanlage so einstellt, wie Sie es mögen, und weiss, dass Sie morgens keinen Small Talk mögen. Der generische Chatbot kann fast alles, braucht aber jedes Mal ausführliche Anweisungen. Der personalisierte Assistent versteht Ihren Kontext und liefert sofort passende Ergebnisse.
Ein freiberuflicher Unternehmensberater aus Köln hat sich drei spezialisierte Assistenten eingerichtet: einen für die Erstellung von Angeboten, der seine Preisstruktur und bisherigen Projekte kennt, einen für die Analyse von Geschäftsberichten seiner Klienten und einen für die Vorbereitung von Workshops, der passende Übungen und Methoden vorschlägt. Zusammen sparen ihm diese Assistenten nach eigener Schätzung rund acht Stunden pro Woche — Zeit, die er in die eigentliche Beratung investiert.
Custom GPTs sind spezialisierte Versionen von ChatGPT, die jeder Nutzer mit einem Plus- oder Team-Abo erstellen kann. Die Erstellung erfolgt über den GPT Builder, eine einfache Oberfläche, auf der Sie Ihrem Assistenten einen Namen, Anweisungen und optionales Wissen mitgeben. Das Ergebnis ist ein eigener Chatbot, den Sie jederzeit aufrufen und bei Bedarf mit anderen teilen können.
Die Stärke von Custom GPTs liegt in der Kombination aus System Instructions und Knowledge Files. Die System Instructions definieren, wie sich der Assistent verhalten soll: welchen Ton er anschlägt, welche Regeln er befolgt, in welchem Format er antwortet. Die Knowledge Files liefern das Fachwissen: Sie können PDFs, Textdateien oder Tabellen hochladen, auf die der Assistent bei seinen Antworten zurückgreift. Ein Steuerberater lädt beispielsweise die aktülle Einkommensteuer-Richtlinie hoch und erstellt einen Assistenten, der Mandantenfragen auf Basis der offiziellen Regelungen beantwortet.
Beim Schreiben der System Instructions zählt Präzision. Statt vager Anweisungen wie "Sei hilfreich und freundlich" sollten Sie konkret beschreiben, was der Assistent tun soll und was nicht. Ein gutes Beispiel: "Du bist ein Assistent für Social-Media-Content im Bereich nachhaltiges Bauen. Du schreibst LinkedIn-Posts mit 150 bis 200 Wörtern, die mit einer provokativen These beginnen und mit einem Call-to-Action enden. Du verwendest eine sachliche, aber engagierte Tonalität. Du erfindest keine Statistiken, sondern fragst nach Quellen, wenn du Zahlen einbauen sollst." Je klarer die Anweisungen, desto konsistenter die Ergebnisse.
Ein häufiger Anfängerfehler ist der Versuch, einen Assistenten für alles zu bauen. Ein "Universalassistent" ist kaum besser als das Standard-ChatGPT. Der Trick liegt in der Spezialisierung: Lieber fünf fokussierte Assistenten als einen, der alles ein bisschen kann. Erstellen Sie Assistenten entlang Ihrer wiederkehrenden Aufgaben: einen für E-Mails, einen für Berichte, einen für Recherche, einen für Social Media. Jeder kennt seinen Bereich in der Tiefe und liefert dadurch deutlich bessere Ergebnisse.
Claude Projects von Anthropic verfolgen einen etwas anderen Ansatz als Custom GPTs. Statt eines eigenen Bots erstellen Sie ein Projekt — einen dauerhaften Arbeitsbereich, in dem Claude Ihren Kontext kennt und über mehrere Gespräche hinweg behält. Das macht Projects besonders geeignet für längerfristige Aufgaben, bei denen sich Wissen über die Zeit aufbaut.
Der zentrale Unterschied liegt im Wissensmanagement. Bei Claude Projects laden Sie Dokumente in den Projektkontext hoch, die Claude bei jeder Konversation innerhalb des Projekts berücksichtigt. Das können Styleguides, Produktkataloge, Geschäftsberichte, Prozessdokumentationen oder Protokolle sein. Claude liest diese Dokumente nicht einmalig und vergisst sie wieder, sondern greift bei jeder neuen Frage darauf zurück. Für Wissensarbeiter, die täglich mit denselben Referenzdokumenten arbeiten, ist das ein enormer Zeitgewinn.
Eine Personalberaterin aus Hamburg nutzt Claude Projects für ihre Kandidatensuche. In ihrem Projekt hat sie Stellenprofile, Interviewleitfäden und die Bewertungskriterien ihres Unternehmens hinterlegt. Wenn sie einen neuen Lebenslauf erhält, lädt sie ihn in die Konversation und bittet Claude um eine Einschätzung. Claude gleicht den Lebenslauf automatisch mit den hinterlegten Anforderungen ab, identifiziert Stärken und Lücken und formuliert gezielte Interviewfragen. Was früher 30 Minuten pro Kandidat dauerte, erledigt sie jetzt in fünf.
Die Project Instructions funktionieren ähnlich wie die System Instructions bei Custom GPTs, bieten aber zusätzlich die Möglichkeit, Artefakte zu speichern — also Texte, Tabellen oder Code-Snippets, die Claude während der Arbeit erstellt. Diese Artefakte bleiben im Projekt erhalten und können in späteren Gesprächen referenziert oder weiterbearbeitet werden. Für iterative Prozesse wie die Entwicklung eines Businessplans oder die Erstellung einer Marketingstrategie ist das ideal: Sie arbeiten über Wochen an einem Dokument und Claude behalt den roten Faden.
Neben OpenAI und Anthropic bietet auch Google mit Gemini Gems eine Möglichkeit, personalisierte KI-Assistenten zu erstellen. Gems sind massgeschneiderte Gemini-Instanzen, die über ein einfaches Formular konfiguriert werden. Der besondere Vorteil von Gems liegt in der nahtlosen Integration mit dem Google-Ökosystem: Ein Gem kann auf Google Drive, Gmail und Google Calendar zugreifen und damit Aufgaben erledigen, die über reinen Text hinausgehen.
Die Erstellung eines Gems beginnt mit einer Beschreibung der gewünschten Rolle und Verhaltensweise. Google bietet vorgefertigte Templates für häufige Anwendungsfälle: Schreibcoach, Programmierassistent, Brainstorming-Partner oder Lerntutor. Diese Templates lassen sich anpassen und um eigene Anweisungen ergänzen. Im Vergleich zu Custom GPTs sind Gems etwas weniger flexibel bei den Knowledge Files, punkten aber durch die Google-Integration. Wer seine Arbeit hauptsächlich in Google Workspace erledigt, findet in Gems den natürlichsten Zugang zu personalisierten KI-Assistenten.
Daneben gibt es spezialisierte Plattformen wie Pö, die Assistenten auf Basis verschiedener KI-Modelle anbieten, oder Coze, das sich auf die Erstellung von Assistenten mit Werkzeug-Integration spezialisiert hat. Microsoft Copilot bietet ebenfalls personalisierbare Agenten, die tief in die Office-365-Umgebung eingebettet sind. Die Vielfalt kann verwirrend sein, aber die Faustregel ist einfach: Wählen Sie die Plattform, die am besten zu Ihrem bestehenden Arbeitsumfeld passt. Wenn Ihr Team Microsoft Teams nutzt, ist Copilot die naheliegende Wahl. Wenn Sie viel mit Dokumentenanalyse arbeiten, ist Claude Projects der stärkste Kandidat.
Ein Marketingteam aus Stuttgart nutzt parallel alle drei Plattformen: Custom GPTs für die Content-Erstellung, Claude Projects für strategische Analysen und Gemini Gems für die Kalenderverwaltung und E-Mail-Vorlagen. Die Spezialisierung auf verschiedene Plattformen klingt aufwändig, ergibt aber Sinn, weil jede Plattform ihre eigenen Stärken hat. Die Lernkurve ist flach — wer eine Plattform beherrscht, findet sich auf den anderen schnell zurecht.
Der entscheidende Schritt vom generischen Chatbot zum nützlichen Assistenten ist das Einbinden eigenen Wissens. Alle grossen Plattformen bieten die Möglichkeit, Dokumente hochzuladen, die der Assistent als Referenz nutzt. Die Qualität der Ergebnisse hängt dabei massgeblich davon ab, wie gut Sie Ihr Wissen aufbereiten und strukturieren.
Die Auswahl der richtigen Dokumente ist der erste Schritt. Laden Sie nicht wahllos alles hoch, was Sie haben. Konzentrieren Sie sich auf die Informationen, die der Assistent tatsächlich braucht. Für einen Kundenservice-Assistenten sind das FAQ-Dokumente, Produktbeschreibungen und Reklamationsrichtlinien. Für einen Strategie-Assistenten sind es Marktanalysen, Wettbewerberprofile und interne Strategiepapiere. Weniger ist oft mehr: Ein überladener Assistent, der auf 200 Dokumente zugreift, liefert häufig schlechtere Ergebnisse als einer mit zehn sorgfältig ausgewählten Quellen.
Die Formatierung der Dokumente spielt eine grössere Rolle, als viele denken. KI-Modelle arbeiten am besten mit klar strukturiertem Text: Überschriften, Absätze, Listen, Tabellen. Ein schlecht formatiertes PDF, das aus einem Scan stammt und keinen sauberen Text enthält, wird den Assistenten eher verwirren als unterstützen. Investieren Sie die Zeit, Ihre Dokumente in ein sauberes Markdown- oder Textformat zu übertragen. Es lohnt sich: Die Antwortqualität steigt merklich, wenn das Quellmaterial gut strukturiert ist.
Ein Finanzberater aus Düsseldorf hat einen systematischen Ansatz entwickelt. Er pflegt ein zentrales Wissensdokument im Markdown-Format, das er wöchentlich aktualisiert: neue Steuerregelungen, geaenderte Förderprogramme, aktülle Zinssätze. Dieses Dokument lädt er in sein Claude Project und hat damit einen Assistenten, der immer auf dem neuesten Stand ist. Der Pflegeaufwand beträgt rund 30 Minuten pro Woche — eine Investition, die sich durch die täglich eingesparte Zeit mehrfach amortisiert.
Wenn Sie einzelne Assistenten beherrschen, können Sie den nächsten Schritt wagen: die Verkettung mehrerer Assistenten zu einem Workflow. Statt einen einzigen Assistenten alles erledigen zu lassen, orchestrieren Sie mehrere spezialisierte Assistenten, die jeweils einen Teilschritt übernehmen und ihre Ergebnisse an den nächsten weitergeben.
Ein typischer Verkettungs-Workflow in der Content-Produktion sieht so aus: Assistent 1 recherchiert ein Thema und erstellt eine strukturierte Zusammenfassung. Assistent 2 schreibt daraus einen Blogartikel im definierten Stil. Assistent 3 erstellt aus dem Artikel Social-Media-Posts für LinkedIn, Twitter und Instagram. Assistent 4 prüft alle Texte auf Fehler, Konsistenz und Markenkonformität. Jeder Assistent ist auf seine Aufgabe optimiert und liefert dadurch bessere Ergebnisse, als wenn ein einzelner Assistent alles übernehmen müsste.
Die Automatisierung dieser Ketten ist mit Tools wie Zapier, Make oder n8n möglich. Diese Automatisierungsplattformen verbinden die APIs der KI-Dienste miteinander und mit Ihren bestehenden Tools. Eine Eventmanagerin aus Wien hat folgenden Workflow aufgebaut: Sobald eine neue Buchungsanfrage per E-Mail eingeht, extrahiert ein KI-Assistent die relevanten Informationen, ein zweiter prüft die Verfügbarkeit im Kalender, ein dritter erstellt einen Angebotsentwurf und ein vierter formuliert die Antwort-E-Mail. Die Managerin muss nur noch den Entwurf prüfen und absenden. Was früher 20 Minuten pro Anfrage dauerte, erledigt sie jetzt in zwei.
Für Teams bieten alle Plattformen Sharing-Funktionen. Custom GPTs können mit Teammitgliedern geteilt oder im GPT Store veröffentlicht werden. Claude Projects lassen sich für Teamzugang freischalten. Gemini Gems können über Google Workspace mit Kollegen geteilt werden. Besonders wirkungsvoll ist es, wenn ein Team gemeinsame Assistenten für Standardprozesse nutzt — etwa einen Onboarding-Assistenten für neue Mitarbeitende oder einen Meeting-Assistenten, der Protokolle zusammenfasst und Action Items extrahiert.
Am Ende dieses Kurses sollten Sie nicht nur einzelne Assistenten erstellen können, sondern eine Strategie haben, die KI-Assistenten systematisch in Ihren Arbeitsalltag integriert. Der Aufbau eines persönlichen KI-Assistenten-Systems folgt dabei einer klaren Logik: Identifizieren, Priorisieren, Bauen, Testen, Optimieren.
Beginnen Sie mit einer ehrlichen Bestandsaufnahme Ihrer wiederkehrenden Aufgaben. Schreiben Sie eine Woche lang auf, welche Tätigkeiten sich wiederholen, welche Sie langweilen und welche unverhältnismässig viel Zeit kosten. Typische Kandidaten für KI-Assistenten sind: E-Mails formulieren, Texte zusammenfassen, Recherchen durchführen, Berichte erstellen, Daten aufbereiten, Präsentationen vorbereiten und Termine koordinieren. Priorisieren Sie nach zwei Kriterien: Wie viel Zeit kostet die Aufgabe, und wie gut kann ein KI-Assistent sie lösen?
Starten Sie mit einem einzigen Assistenten für Ihre zeitaufwändigste Routineaufgabe. Investieren Sie eine Stunde in die sorgfältige Konfiguration: präzise System Instructions, relevante Knowledge Files und ein paar Testdurchläufe. Nutzen Sie den Assistenten eine Woche lang konsequent und notieren Sie, was gut funktioniert und was nicht. Passen Sie die Instructions an, ergänzen Sie Wissen, und testen Sie erneut. Erst wenn der erste Assistent zuverlässig arbeitet, bauen Sie den zweiten.
Ein realistischer Zeitplan für den Aufbau eines persönlichen Systems sieht so aus: In der ersten Woche erstellen und testen Sie Ihren ersten Assistenten. In der zweiten und dritten Woche optimieren Sie ihn und erstellen ein bis zwei weitere. Nach einem Monat haben Sie drei bis fünf spezialisierte Assistenten, die zusammen mehrere Stunden pro Woche einsparen. Nach drei Monaten haben Sie ein eingespieltes System, das sich selbst trägt, weil die eingesparte Zeit mehr als ausreicht, um die Assistenten aktüll zu halten und bei Bedarf neue zu erstellen. Der Schlüssel zum Erfolg ist Geduld: Ein KI-Assistent wird nicht beim ersten Versuch perfekt sein, aber mit jeder Iteration besser.