Was kann GPT-6.1? Ich habe es bei 10 realen Aufgaben getestet

Modellveröffentlichungen konzentrieren sich tendenziell auf Spezifikationen und ausgefeilte Demos. Die nützlichere Frage ist, ob ein Modell die Arbeit erledigen kann, auf die Menschen in der realen Welt immer wieder stoßen.

Diese Bewertung umfasst zehn praktische Aufgabentypen mit GPT-6.1 Sol. Die Beurteilung konzentriert sich auf fünf Fragen: Versteht das Modell das Ziel? Hält es sich an Einschränkungen? Liefert es ein überprüfbares Ergebnis? Offenbart es Unsicherheit? Wie viel menschliche Überarbeitung bleibt?

Dies ist ein redaktioneller, aufgabenbasierter Test – kein Labor-Benchmark. Prompts, Tool-Berechtigungen, Denkaufwand und Eingabequalität beeinflussen alle das Ergebnis. Der Artikel präsentiert daher keine Latenz-, Token-Nutzungs- oder Siegraten-Zahlen ohne Rohprotokolle, die ein Leser prüfen könnte.

Aufgabe 1: Eine vage Anfrage in einen Ausführungsplan umwandeln

Die Eingabe ähnelte einer üblichen Arbeitsanfrage: „Erstellen Sie einen Einführungsplan für ein neues Feature, der Inhalte, Support, Analytik und Risiko abdeckt.“

GPT-6.1 Sol war am nützlichsten, wenn es darum gebeten wurde, die Anfrage in Eigentümer, Abhängigkeiten, Akzeptanzkriterien und Rollback-Bedingungen umzuwandeln – nicht nur in eine längere Checkliste. Das Hinzufügen des Geschäftsziels, des Startdatums und der nicht verhandelbaren Einschränkungen ergab einen Plan, der leichter umsetzbar war.

Das Hauptrisiko ist das stille Auffüllen von Lücken. Bitten Sie das Modell, bekannte Fakten, Annahmen und offene Fragen zu trennen, damit eine plausible Vermutung nicht zu einer versehentlichen Entscheidung wird.

Aufgabe 2: Widersprüche in langen Dokumenten finden

Der Test kombinierte Produktdokumentation, FAQs, Vertragsbedingungen und Support-Texte und bat das Modell dann, widersprüchliche Terminologie, Preise, Zusagen und Verfahren zu identifizieren.

GPT-6.1 Sols Millionen-Token-Kontext kann einen großen Dokumentensatz aufnehmen. Aber die entscheidende Anweisung war, jede Erkenntnis zu zitieren. Eine allgemeine Zusammenfassung ist schwer zu prüfen; eine Widerspruchstabelle mit Dateinamen, Abschnitten und kurzen Beweisauszügen ist viel nützlicher.

Aufgabe 3: Beheben eines Fehlers über mehrere Dateien

Das Ziel war nicht, eine Spielzeuganwendung von Grund auf zu erstellen. Es ging darum, von einem reproduzierbaren Fehler auszugehen: die Ursache identifizieren, die kleinste sinnvolle Änderung vornehmen, relevante Tests ausführen und das verbleibende Risiko erklären.

GPT-6.1 Sol unterstützt gehostete Shell-, Code-Interpreter- und Patch-Tools, sodass es von „hier ist, was du ändern könntest“ zu einer implementierten und getesteten Modifikation übergehen kann. Der Erfolg hängt weiterhin von einer vollständigen Umgebung, aussagekräftigen Tests und klarer Autorisierung ab. Ein grünes Ergebnis ohne einen relevanten Test belegt keine Korrektheit.

Aufgabe 4: Analysieren Sie eine Tabellenkalkulation und erklären Sie Anomalien

Das Modell erhielt Bestell-, Kanal- und Rückerstattungsdaten und wurde gebeten, ungewöhnliche Veränderungen zu identifizieren, deren Auswirkungen zu berechnen und fehlende Informationen aufzulisten.

Der stärkste Workflow bestand darin, das Modell den Berechnungsplan darlegen zu lassen, ihn im Code auszuführen und das Ergebnis anschließend in Geschäftssprache zu erklären. Ein Sprachmodell zu bitten, eine Tabelle auf einen Blick zu prüfen, lädt zu Rechenfehlern ein; Code für die Berechnung und das Modell für die Interpretation zu nutzen, macht das Ergebnis leichter überprüfbar.

Aufgabe 5: Erstellen eines Forschungsbriefings aus öffentlichen Quellen

Die Aufgabe erforderte Websuche, eine Schlussfolgerung, Gegenbeweise und eine Bewertung der Quellenqualität.

GPT-6.1 Sol unterstützt Websuche, aber der Suchzugriff ist kein Ersatz für Quellendisziplin. Der Prompt sollte Primärquellen priorisieren und neben jeder materiellen Behauptung einen Link verlangen. Zeitkritische Fakten benötigen zudem ein Abrufdatum. Ein häufiger Fehler ist keine erfundene Quelle, sondern eine echte Quelle, die über das hinaus beansprucht wird, was sie belegt.

Aufgabe 6: Diagnostizieren Sie ein UI-Problem anhand eines Screenshots

Das Modell erhielt einen Screenshot, der einen Layoutfehler sowie den relevanten Frontend-Code zeigte. Es wurde gebeten, das sichtbare Symptom zu beschreiben, mögliche Ursachen vorzuschlagen und die erforderlichen Überprüfungen zu deren Bestätigung zu ordnen.

Die Bildeingabe hilft, visuelle Belege mit dem Code-Kontext zu verbinden. Sie kann die Suche eingrenzen, aber ein Screenshot kann das DOM, die CSS-Kaskade oder den Laufzeitzustand allein nicht bestätigen. Eine qualitativ hochwertige Antwort präsentiert mehrere Hypothesen und einen Test für jede, anstatt eine Ursache mit falscher Gewissheit zu behaupten.

Aufgabe 7: Ein Interviewtranskript in einen veröffentlichungsreifen Entwurf verwandeln

Der Input enthielt Wiederholungen, unvollständige Sätze und informelle Sprache. Die Anweisung lautete, die Bedeutung des Interviewten zu bewahren, direkte Zitate von redaktionellen Paraphrasen zu unterscheiden und Behauptungen zu kennzeichnen, die überprüft werden müssen.

GPT-6.1 Sol war nützlich für die Umstrukturierung und Komprimierung. Die entscheidende Einschränkung bestand darin, den Interviewten nicht zu „verbessern“, indem man ihn etwas sagen ließ, was er nicht gesagt hatte. Die Veröffentlichung erfordert weiterhin die Überprüfung des Audiomaterials, der Namen, der Zahlen und aller risikoreichen Tatsachenbehauptungen.

Aufgabe 8: Eine Textpassage in einen Einstellungsplan umwandeln

Die Quellenpassage umfasste Figuren, einen Schauplatz, sichtbare Handlung und eine emotionale Wendung. Die angeforderte Ausgabe umfasste den Zweck der Einstellung, die Bildgestaltung, den Zustand der Figur, Requisiten, Kontinuitätsanforderungen und das beabsichtigte Endbild.

Das Modell kann schnell einen strukturierten ersten Entwurf erstellen, aber der kreative Wert hängt davon ab, ob jede Einstellung dem dramatischen Punkt dient. „Mach es filmisch“ ist eine schwache Regieanweisung. Eine bessere Vorgabe legt fest, was jede Einstellung offenbaren muss, und verhindert Aufnahmen, die keine narrative Information hinzufügen.

Dieses Ergebnis kann in einen ElserStudio Story-to-Shot-Workflow einfließen: Behandeln Sie Charaktere, Orte und Requisiten als wiederverwendbare Assets und generieren, überprüfen und bearbeiten Sie dann Aufnahme für Aufnahme. Das Modell schlägt einen Plan vor; der Regisseur behält weiterhin die Kontrolle über Rhythmus, Performance und Auswahl.

Aufgabe 9: Story-Kontinuität prüfen

Das Modell erhielt Charakterprofile, Zusammenfassungen früherer Kapitel und ein neues Kapitel. Es wurde gebeten, Charakterwissen, Chronologie, Kostüme, Requisiten und unerfüllte Versprechen zu überprüfen.

Langer Kontext erleichtert diese Arbeit, aber das Ergebnis hängt von der Autorität des Quellenmaterials ab. Die Vermischung genehmigter Fakten mit überholten Entwürfen macht unklar, welche Version gewinnt. Eine separate Story-World-Bibel ist zuverlässiger, als den Kanon für jeden Prompt zu rekonstruieren.

Aufgabe 10: Eine Quelle für verschiedene Zielgruppen umschreiben

Dieselbe technische Notiz wurde in eine Zusammenfassung für Führungskräfte, Kunden-Hilfeinhalte und einen Entwickler-Migrationsleitfaden umgewandelt.

GPT-6.1 Sol kann diese Zielgruppen unterscheiden, aber jede Version benötigt ein Handlungsziel. Führungskräfte benötigen Entscheidungen und Risiken. Kunden benötigen Abschlussschritte. Entwickler benötigen Schnittstellenänderungen, Kompatibilitätshinweise und Fehlerbehandlung. „Machen Sie es professioneller“ ist keine ausreichende Anweisung.

Drei Schlussfolgerungen aus den zehn Aufgaben

Zunächst ist GPT-6.1 Sol am wertvollsten, wenn es Quellenlesen, Werkzeugnutzung, Ausführung und ein verifizierbares Ergebnis kombiniert. Sein Vorteil beschränkt sich nicht auf die einmalige Prosagenerierung.

Zweitens verbessert sich die Leistung, wenn der Prompt einem echten Arbeitsauftrag ähnelt: Ziel, Eingaben, Einschränkungen, erlaubte Werkzeuge, Ausgabeformat und Akzeptanzkriterien.

Drittens hebt das Modell die menschliche Verantwortung nicht auf. Code benötigt Tests. Forschung benötigt die Überprüfung von Primärquellen. Interviews benötigen Audio-Checks. Geschichten und Bilder erfordern weiterhin kreatives Urteilsvermögen.

Eine wiederverwendbare Aufgaben-Vorlage

Ziel: Was muss geliefert werden? Eingaben: Welche Materialien sind maßgeblich? Einschränkungen: Was darf nicht geändert oder abgeleitet werden? Werkzeuge: Darf das Modell suchen, Code ausführen oder Dateien bearbeiten? Ausgabe: Welches Format und welche Nachweise sind erforderlich? Akzeptanz: Wie wird die Fertigstellung beurteilt? Fehlerbehandlung: Soll Unsicherheit eine Frage, einen Stopp oder Alternativen auslösen?

## Das Fazit

GPT-6.1 Sol kann einen begrenzten Abschnitt professioneller Arbeit ausführen, nicht nur einen plausiblen Absatz generieren. Diese Fähigkeit in Produktivität umzusetzen, erfordert Eingabestandards, kontrollierten Tool-Zugriff, Akzeptanzprüfungen und menschliche Prüfung.

Für Story- und Videoteams kann [Elser AI](https://www.elser.ai/de) die Story- und visuelle Erkundung unterstützen, während [ElserStudio](https://elserstudio.ai/) die Story-Aufschlüsselung, wiederverwendbare Assets, Shot-Generierung, Überprüfung und Bearbeitung organisieren kann. In beiden Arbeitsabläufen sollte die KI-Ausgabe nachvollziehbar, bearbeitbar und ablehnbar bleiben.