Was ist passiert — und was steckt dahinter
Am 7. Juni 2026 meldete t3n, dass OpenAI vor dem Börsengang einen radikalen Umbau plant: Aus ChatGPT soll eine Super-App werden, die Nutzer gezielt in lukrativere Agenten- und Coding-Tools leitet (t3n). Der Kern ist nicht der Name, sondern die Lenkung. Chat statt Allzweck-Assistent. Funnel statt freier Suche. Wenn das stimmt, verschiebt sich die Macht vom Prompt zur Auswahl der passenden „Auftragsmaschine“ — Agenten für Recherche, Vertrieb, Support, plus Coding-Helfer, die direkt in Prozesse greifen.
Das passt zur Richtung der letzten 18 Monate: Erst wurden spezialisierte Assistenten salonfähig, dann wuchsen Integrationen in IDEs, Tabellen und CRM. Eine Super-App wäre der logische nächste Schritt: Ein Frontdoor, dahinter kuratierte Agenten und Entwickler-Werkzeuge mit höheren Margen. Das Risiko für dich ist klar: Wer die Frontdoor kontrolliert, kontrolliert die Nutzungspfade in deinem Unternehmen. Wenn OpenAI die Standardpfade setzt, verlieren interne Lösungen Sichtbarkeit. Wenn du dagegen deine Top-Workflows sauber verlinkst, trackst und in bestehende Tools einbettest, gewinnst du.
Wir haben keine offiziellen Funktionslisten, nur den Bericht. Aber der Move ist absehbar: Nutzerführung zu Agent-Paketen und Code-Tools. Wer das ignoriert, landet in zwölf Monaten mit einem Zoo aus verstreuten Prompts und keiner Messbarkeit. Wer jetzt baut, macht ChatGPT zur Startseite — aber deine Prozesse bestimmen, nicht der App-Store.
Nächste Woche spürst du es hier
Die ersten, die es merken, sind die Enabler: IT-Admin, PMO, Data Leads, Teamleiter in Marketing und Service. Warum? Weil der Hebel nicht ein neues Modell ist, sondern die Orchestrierung. Wenn ChatGPT zur Super-App wird, gewinnt derjenige, der Deep Links, Zugriffsrechte, Kostengrenzen und Monitoring im Griff hat. Nicht der, der die schönsten Prompts hat. Du brauchst also kein Strategiemeeting mit 20 Leuten, du brauchst drei Quick Wins und klare Ownership.
Konkrete Lage nächste Woche: Dein Team klickt ohnehin täglich in ChatGPT. Wenn sich dort die Navigationslogik Richtung „Starte Agent X“ verschiebt, müssen deine internen Agenten dort auftauchen oder verlinkt sein. Das geht heute schon über drei Wege: 1) Agenten über die OpenAI-API in Slack/Teams andocken und die Nutzung dorthin ziehen, wo Arbeit passiert. 2) Wiederkehrende Aufgaben in definierte Agent-Playbooks gießen und als feste Einträge in Wissensbasen verlinken. 3) Für Code-Themen Entwicklungsleitplanken festlegen, damit aus „mal schnell generiert“ ein reproduzierbarer Commit wird.
Die zweite Front ist FinOps. Wenn Agenten häufiger und länger laufen, kippen Monatskosten schnell. Du brauchst Caps, Simple-Dashboards und einen Eskalationspfad. Ein Limit von 200–500 Euro pro Team und Monat als Startschranke ist praktikabel. Danach entscheidet ein Mensch. Klingt simpel, rettet Budgets.
Anwendung 1: Agent-Router in Slack oder Teams
Statt auf die Super-App zu warten, baust du deinen eigenen Router in die Tools, in denen deine Leute leben. Setup in einer Woche ist realistisch. Slack-App oder Teams-Bot, Node/ Python-Backend, OpenAI-API. Drei Agenten genügen zum Start: Research, Zusammenfassung, Formular-Generator. Der Router erkennt am Intent, welcher Agent zuständig ist, und beantwortet dort. Rückfragen laufen im Thread, Ergebnisse landen als Files oder Tickets.
Workflow, der sich bewährt: Marketing legt einen Link zu einer Wettbewerbsseite im Kanal ab. Der Bot erkennt „Wettbewerbsanalyse“, ruft den Research-Agent mit vordefinierter Checkliste auf (Preis, Positionierung, Claims, Produktfeatures), zieht die Seite per Scraper (allgemeine Terms beachten), schreibt eine einseitige Analyse und hängt eine Tabelle an. Zweiter Schritt: Zusammenfassung-Agent erstellt eine 200-Wörter-Version für das Management-Update. Dritter Schritt: Formular-Generator baut ein 6-Felder-Formular in Typeform oder als JSON, das Vertriebler später für strukturierte Feldnotizen nutzen. Das alles bleibt im Kanal, messbar, wiederholbar.
Technisch klein halten: Ein Endpoint /route, ein Intent-Classifier (regelbasiert plus wenige Beispiel-Prompts), drei Agenten mit klaren System-Prompts, Logging in Postgres, ein Admin-Befehl /budget für Cap-Checks. Für den Anfang brauchst du keine Vektorsuche, nur stringente Prompts und Testszenarien. Wenn du das stabil hast, kannst du nachziehen — Vektorsuche für interne Policies, Integration in Confluence, Abzweigung in Jira.
Mehr praktische Patterns und Prompt-Vorlagen findest du in unserem kompakten Agent-Playbook.
Anwendung 2: Coding-Helfer mit Leitplanken für BI und App-Rework
Wenn OpenAI Coding-Tools prominenter spielt, wird der Pull aus den Fachbereichen hochgehen. Du möchtest das nicht frei laufen lassen, sondern als „Lane“ mit Leitplanken. Zwei Lanes reichen zunächst: SQL/BI und App-Rework.
SQL/BI-Lane: Ein kleiner Service nimmt eine natürliche Frage („Welche Kunden churnten im Mai, Segment A, NetRevenue < 10k?“), übersetzt sie in SQL für euer Warehouse, zeigt die Query an, holt eine Vorschau von 50 Zeilen, lässt den Nutzer bestätigen, zieht die Ergebnisse, baut ein Chart und hängt alles als PNG plus .sql in den Kanal oder ins Ticket. Kein Direktzugriff aus dem Modell auf das Warehouse, sondern Proxy mit Whitelist-Views. Jede Query wird geloggt und kann reproduziert werden. Vorteil: BI verschafft sich Luft, Fachbereiche liefern schneller Antworten, ohne Wildwuchs.
App-Rework-Lane: Viele Teams sitzen auf Altlasten. Kleine Skripte, die keiner maintaint. Hier setzt du einen Coding-Agent auf Rewriting-Aufgaben mit klaren Policies. Input ist ein Repo-Ordner oder ein einzelnes Skript, Output ist ein Pull Request mit Changelog und Unit-Tests. Keine grünen Wiesen, nur Refaktorings im Korridor: z. B. „Portiere dieses Node-12-Skript nach Node-20, entferne veraltete Pakete, füge Jest-Tests hinzu, behalte CLI-Parameter bei.“ Deployment läuft wie gewohnt über CI. Der Agent erzeugt 80 Prozent, ein Entwickler sichtet 20 Prozent. Das spart Zeit ohne Chaos.
Beide Lanes gehören in deinen SDLC, nicht in Direktchats. Checklisten in README, Review-Pflicht, Repo-Templates. Einmal sauber aufgesetzt, nutzt du die Welle der Coding-Nachfrage, statt von ihr überrollt zu werden. Wenn du tiefer einsteigen willst: unser pragmatischer Prompt-Ops Guide zeigt, wie du Prompts versionierst und testest.
Anwendung 3: Service-Triage-Agent mit Ticket-Handoff
Der dritte schnelle Hebel liegt im Service. Auch hier zahlt eine künftige Super-App ein, weil Nutzer häufiger „Starte Service-Agent“ klicken werden. Du musst heute schon die Brücke zum Ticket-System bauen. Ziel ist nicht Autonomie, sondern triagieren, beschleunigen und sauber übergeben.
Workflow: Kundenanfrage kommt per E-Mail oder Formular. Der Agent liest die Nachricht, klassifiziert nach Thema, Dringlichkeit und Kundentyp, prüft anhand einer kurzen Policy-Liste, ob er eine Standardantwort geben darf, generiert einen Antwortvorschlag mit Zitaten aus deiner Wissensbasis und legt, wenn nötig, ein Ticket in Zendesk oder Jira Service Management an — mit sauberer Zusammenfassung, Tags, vorgeschlagenen nächsten Schritten und einem Link auf die genutzten Quellen. Der Agent pingt den verantwortlichen Menschen nur, wenn Policy-Grenzen überschritten sind (z. B. Kulanz, rechtliche Aussagen, SLA-Risiko).
Du gewinnst doppelt: Time-to-First-Response sinkt messbar (in Piloten sehen wir 30–50 Prozent), und die Übergabe an Menschen ist vollständig. Kein Blackbox-Chat, der später nicht nachvollziehbar ist. Wichtig ist die Pflege der kleinen Policy-Liste: 10–15 Regeln, nicht 200. Dazu ein wöchentlicher Review-Slot, in dem zwei reale Fälle nachjustiert werden. Langweilig, aber es hält den Agenten auf Kurs.
Kosten, Zeit, Skills: die ehrliche Rechnung
Build statt Deck: Für den Slack/Teams-Router mit drei Agenten brauchst du 30–45 Stunden Engineering (Node/Python), 6–8 Stunden Prompt-Design und Tests, 4–6 Stunden Rechte- und Security-Check. Mit Standardkomponenten kommst du in einer Woche live. Laufende Kosten: OpenAI-API je nach Volumen 150–600 Euro pro Monat für ein 30–80-Personen-Team, plus 20–50 Euro für Hosting/Logging. Wenn du Logs und Cap-Checks sauber machst, bleibt es planbar.
BI-SQL-Lane: 20–30 Stunden für den Proxy-Service, 10 Stunden für Whitelist-Views und Governance, 6–8 Stunden für UI/Charting. Laufende Kosten ähnlich niedrig, weil Queries kurz sind und Charts günstig gerendert werden. Größter Aufwand liegt in der Abstimmung mit BI, nicht im Code. Rechne mit zwei Terminen à 60 Minuten zur Definition der erlaubten Views.
App-Rework-Lane: 25–40 Stunden für die PR-Pipeline (inkl. Tests), 10–15 Stunden Policies und Repo-Template. Danach pro Refactoring-Fall 30–90 Minuten menschliche Review. Realer Output: Ein altes 300-Zeilen-Skript ist in 1–2 Tagen sauber modernisiert. Keine Märchenwerte, sondern reproduzierbar.
Service-Triage: 25–35 Stunden Integration E-Mail/Formular, 10–12 Stunden Wissensbasis-Kurierung, 6–8 Stunden Ticket-API. Laufende Kosten 100–300 Euro pro Monat. Messpunkt: Anteil automatisch beantworteter Standardfragen und Zeit bis erste sinnvolle Antwort.
Wer macht’s? Ein Tech Lead, der API und Rechte versteht. Ein PM, der die Anwendungsfälle fein schneidet. Fachbereichs-Owner, die Policies abnicken. Keine Fulltime-Data-Scientist-Show. Wenn dir ein externer Sprint hilft, blocke zwei Wochen, nimm drei Use-Cases, missbar, kein „Lab“.
Die Falle — und dein Fahrplan in Richtung ChatGPT Super-App
Gefahr Nummer eins heißt Agent-Sprawl. Ohne Router, Policies und Caps entsteht ein Zoo. Zweitens Vendor-Lock: Wenn deine Arbeitslogik nur in einem geschlossenen Assistenten existiert, wird jeder Wechsel teuer. Drittens Compliance: Datenminimierung und Logging sind Pflicht, sonst rächt sich der erste Audit. Viertens Qualitätsillusion: Ein laufender Agent ist nicht automatisch ein verlässlicher Prozess. Du brauchst Messpunkte und Owner.
So steuerst du drumherum. Baue einen minimalen „Agent Contract“ für alle Anwendungsfälle: Ziele, erlaubte Daten, Messpunkte, Übergabe an Menschen. Lege ein wöchentliches 30-Minuten-Review fest. Schaffe einen zentralen Startpunkt in Slack/Teams oder der Wissensbasis, damit Nutzer nicht durch zehn Links irren. Versioniere Prompts wie Code. Und setze harte Budgetcaps pro Team, sichtbar im Kanal. Das alles klingt handwerklich, ist aber genau das, was eine künftige ChatGPT Super-App bei dir sonst stillschweigend vorgibt — nur ohne deine Kontexte.
Wann ist es zu früh? Wenn du keinen klaren Prozess hast, den ein Agent beschleunigen kann, oder wenn du keine Person für das wöchentliche Review benennen kannst. Dann lieber eine Woche scopen, bevor du baust. Wann ist es zu spät? Wenn die Hälfte deines Teams bereits privat mit Agenten arbeitet und du keine Ahnung hast, was da läuft.
Wir bauen genau solche Workflows für Teams in Marketing, Service und Produkt. Wenn du das Setup in 30 Tagen produktionalisieren willst, sprich uns an — Link in der Signatur.
