Anleitungen
Multimodale Prompts
Kurzantwort
Ein multimodaler Prompt verbindet deine Frage mit einem Foto, einem Bildschirmfoto oder einem PDF. Beschreiben, sichtbaren Text lesen und Fragen zu Dokumenten beantworten sind die vorgesehenen Einsatzzwecke; beim Zählen, bei winziger oder gedrehter Schrift und bei Werten aus Diagrammen warnen die Anbieter selbst vor Fehlern. Was auf Bild oder Dokument steht, geht an den Anbieter, deshalb schneidest du Persönliches vorher weg.

In ChatGPT, Claude und Gemini hängst du eine Datei über das Symbol neben dem Eingabefeld an oder ziehst sie direkt ins Chatfenster; Anthropic beschreibt beide Wege für Claude1. Danach schreibst du deine Frage dazu und sendest beides zusammen ab. Ob die Antwort brauchbar ist, hängt stark von der Datei ab: Ein unscharfes, schiefes Foto führt zu Fehlern, die sich über den Prompt kaum ausgleichen lassen.
Es geht hier um Bilder und Dokumente als Eingabe. Für den umgekehrten Weg, bei dem die KI ein Bild erzeugt, gibt es eigene Anleitungen: KI-Bilder erstellen für den Einstieg und Bild-Prompts für die Formulierung.
Was ein Modell mit Bildern und PDFs macht
Ein multimodales Modell verarbeitet Text und Bild in einem Durchgang. Bei PDFs gehen die Anbieter ähnlich vor. Claude liest den Text eines PDFs und wertet zusätzlich jede Seite als Bild aus, deshalb erkennt es auch Diagramme und Tabellen2. Gemini rendert die Seiten ebenfalls als Bilder und zieht den eingebetteten Text dazu3. Für das Modell besteht ein PDF also aus Seitenbildern, zu denen der eingebettete Text mitgeliefert wird.
Zu große Bilder verkleinern die Anbieter vor der Auswertung, das schreiben Anthropic und OpenAI übereinstimmend14. Dabei kann kleine Schrift unleserlich werden. Dateinamen und Metadaten wertet das Modell laut OpenAI nicht aus4. Was auf dem Bild zu sehen ist und worauf es ankommt, sagst du deshalb im Prompt selbst.
Nicht jedes Dateiformat geht überall. Über die Schnittstelle von Claude lassen sich Word- und Excel-Dateien nicht direkt als Dokument übergeben; Anthropic rät, sie vorher in Text oder PDF umzuwandeln2. Im Chatfenster nehmen die Dienste mehr Formate an, ChatGPT zum Beispiel auch Tabellen und Präsentationen5. Wenn ein Upload scheitert, ist ein PDF meist der sicherste Weg.
Wofür sich Bilder und PDFs eignen
OpenAI nennt als Einsatzzwecke, Bilder zu beschreiben, sichtbaren Text zu lesen und Fragen zu Gegenständen, Formen, Farben und Oberflächen zu beantworten4. Im Alltag sind das etwa der Aufbau eines Formulars, die Elemente einer Programmoberfläche oder die Gegenstände auf einem Foto. Bildschirmfotos von Fehlermeldungen passen gut dazu, denn die Meldung besteht aus Text, den das Modell lesen und dann einordnen soll.
Für PDFs gilt Ähnliches. Fragen wie "Welche Kündigungsfrist nennt der Vertrag?" oder "Fass Kapitel drei in fünf Stichpunkten zusammen" stützen sich auf den eingebetteten Text, und ChatGPT liest in PDFs zusätzlich Bilder, einschließlich Diagrammen5. Mehrere Bilder in einer Anfrage sind laut OpenAI ebenfalls vorgesehen4, damit lassen sich zwei Fassungen vergleichen, etwa ein Entwurf und die überarbeitete Seite. Wie zuverlässig das im Einzelfall klappt, sagen die Anbieter nicht. Rechne deshalb damit, dass du das Ergebnis nachprüfen musst, besonders bei kleiner Schrift.
Wo es danebengeht
Die Anbieter benennen die Schwächen selbst, und ihre Listen ähneln sich:
- Bilder in schlechter Qualität, gedreht oder sehr klein, unter 200 Pixeln, führen laut Anthropic zu Fehlern und erfundenen Angaben1. OpenAI warnt ebenfalls vor gedrehtem oder kopfstehendem Text4.
- Zählen gelingt nur ungefähr, vor allem bei vielen kleinen Gegenständen14.
- Angaben zu Positionen im Bild sind Näherungen. Genaue Ortsangaben, etwa die Stellung auf einem Schachbrett, fallen schwer14.
- Diagramme, deren Linien sich nur in Farbe oder Strichart unterscheiden, werden leicht falsch gelesen4. Werte aus einem Diagramm abzulesen ist deshalb riskant.
- Schriften außerhalb des lateinischen Alphabets, etwa Japanisch oder Koreanisch, liest das Modell schlechter4.
- Ob ein Bild mit KI erzeugt wurde, kann Claude laut Anthropic nicht verlässlich erkennen1. Einige Merkmale kannst du aber selbst prüfen, siehe KI-Bilder erkennen.
- Medizinische Aufnahmen wie CT oder MRT sind kein Einsatzgebiet; beide Anbieter nennen die Modelle dafür ungeeignet14.
- Personen auf Fotos namentlich zu bestimmen, lehnt Claude ab1.
Für Zahlen auf Belegen empfehlen wir eine Texterkennung, im Lexikon unter OCR erklärt, und eine Prüfung, ob Summe und Einzelposten zusammenpassen.

Schritt für Schritt: Bild oder PDF richtig übergeben
1. Die Datei vorbereiten
Schneide das Bild auf den Teil zu, um den es geht, drehe es aufrecht und achte auf Schärfe. Anthropic rät, wichtige Schrift gut lesbar zu halten, ohne dabei den Zusammenhang wegzuschneiden1. Für PDFs gelten ähnliche Regeln: Seiten aufrecht drehen, gut lesbare Schriften verwenden2, unscharfe und kontrastarme Scans vermeiden3. Ein Foto vom Bildschirm ist fast immer schlechter als ein echtes Bildschirmfoto.
2. Die Datei vor die Frage setzen
Anthropic schreibt, dass Claude am besten arbeitet, wenn Bilder vor dem Text stehen, und empfiehlt dasselbe für PDFs12. Google rät bei einer einzelnen Seite ebenfalls, den Prompt nach dem Dokument zu platzieren3. Im Chat heißt das: erst die Datei anhängen, dann die Frage schreiben.
3. Mehrere Bilder benennen
Schickst du mehrere Bilder, stell jedem eine kurze Bezeichnung voran, etwa "Bild 1:" und "Bild 2:". So kannst du dich in der Frage und in späteren Nachrichten eindeutig darauf beziehen1. "Was hat sich zwischen Bild 1 und Bild 2 an der Preistabelle geändert?" lässt weniger Raum für Verwechslungen als "Was ist anders?".
4. Genau fragen
Sag, worauf das Modell achten soll und in welcher Form du die Antwort brauchst. Bitte darum, gelesene Stellen wörtlich wiederzugeben, wenn du sie prüfen willst. Ein Satz wie "Wenn du eine Stelle nicht sicher lesen kannst, schreib unleserlich" verhindert, dass Lücken mit Vermutungen gefüllt werden. Rolle, Kontext und Format helfen hier genauso wie bei reinen Textaufträgen (Gute Prompts schreiben).
5. Das Ergebnis prüfen
Jede Zahl, jeden Betrag und jedes Datum gleichst du mit dem Original ab, bevor du damit weiterarbeitest. Das gilt besonders für Tabellen aus Fotos: Eine sauber formatierte Tabelle wirkt glaubwürdig, auch wenn eine Zeile verrutscht ist.
Drei Beispiele aus dem Alltag
Eine Fehlermeldung am Rechner
Du machst ein Bildschirmfoto nur vom Fenster mit der Meldung. Dazu schreibst du: "Das ist eine Fehlermeldung beim Drucken aus meinem Buchhaltungsprogramm unter Windows. Gib den Text der Meldung wörtlich wieder und erkläre in einfachen Worten, was sie bedeutet. Nenne dann bis zu drei Dinge, die der Reihe nach auszuprobieren sind." Die wörtliche Wiedergabe zeigt dir sofort, ob das Modell die Meldung richtig gelesen hat. Erst danach lohnt es sich, den Lösungsvorschlägen zu folgen.
Das Typenschild einer Heizung
Typenschilder sind klein, oft verschmutzt und schräg fotografiert. Fotografiere das Schild gerade von vorn, mit Licht von der Seite statt Blitz. Frag dann nach genau den Angaben, die du brauchst: "Lies vom Typenschild Hersteller, Modellbezeichnung und Baujahr ab. Wenn du eine Angabe nicht sicher lesen kannst, schreib unleserlich." Bezeichnungen aus Buchstaben und Ziffern vergleichst du Zeichen für Zeichen mit dem Schild, bevor du damit ein Ersatzteil bestellst.
Eine Nebenkostenabrechnung als PDF
Bei einer Abrechnung lässt du dir die Posten erklären. Ein guter Prompt dafür: "Erkläre diese Nebenkostenabrechnung Posten für Posten in einfachen Worten. Nenne zu jedem Posten die Seite, auf der er steht. Liste am Ende auf, welche Angaben mit dem Mietvertrag zu vergleichen sind." Die Seitenangaben machen jede Aussage prüfbar. Ob die Abrechnung rechtlich in Ordnung ist, beantwortet das Modell nicht verlässlich; dafür sind Mieterverein oder Rechtsberatung zuständig.
Grenzen bei Größe und Umfang
Jeder Dienst setzt eigene Grenzen, und sie ändern sich. In ChatGPT dürfen einzelne Bilder bis zu 20 MB groß sein, Dokumente bis zu 512 MB, und Textdateien werden bis zu zwei Millionen Token ausgewertet. Im Gratiskonto sind drei Uploads am Tag möglich5. Bei Dateien, die als Projektquelle gespeichert sind, liest ChatGPT eingebettete Bilder unter Umständen nicht mit; dann hängst du das PDF direkt an den Chat5.
Auf claude.ai sind bis zu 20 Bilder je Nachricht mit jeweils bis zu 10 MB möglich1. Über die Schnittstelle von Claude gehen bis zu 600 PDF-Seiten in eine Anfrage, bei kleinerem Kontextfenster bis zu 1002. Gemini verarbeitet über die Schnittstelle PDFs mit bis zu 1.000 Seiten und 50 MB und auch Office-Dateien; reine Textformate wie TXT oder HTML liest es als Text, Diagramme gehen dabei verloren3. Sehr lange oder dichte Dokumente teilst du am besten in Abschnitte2.
Datenschutz bei Fotos, Bildschirmfotos und Dokumenten
Ein Bildschirmfoto zeigt oft mehr, als du denkst: Namen in Tabs, Mitteilungen am Rand, Mailadressen in der Leiste, Kundennummern im Hintergrund. Schneide vorher alles weg, was für die Frage nicht nötig ist, oder schwärze es. Ausweise, Kontoauszüge, Gesundheitsunterlagen und Fotos anderer Menschen gehören grundsätzlich nicht in einen Chat, dessen Datenverarbeitung du nicht kennst.
In ChatGPT kannst du unter Einstellungen und Datenkontrollen festlegen, dass deine Unterhaltungen nicht zum Training genutzt werden. Temporäre Chats nutzt OpenAI nicht zum Training, bewahrt sie aber bis zu 30 Tage aus Sicherheitsgründen auf6. Dateien, die du in der Bibliothek speicherst, werden getrennt von den Chats aufbewahrt; wer einen Chat löscht, löscht damit nicht die gespeicherte Datei5.
Im Betrieb gilt mehr: Wer Kunden- oder Mitarbeiterdaten verarbeitet, braucht einen Dienst mit Vertrag zur Auftragsverarbeitung, kurz AVV, und klare Regeln, welche Dokumente hochgeladen werden dürfen. Welche Rechtsgrundlagen dabei gelten, ist Thema von KI und Datenschutz im Unternehmen.

Was das für dich heißt
Je sauberer die Datei und je genauer die Frage, desto weniger musst du hinterher korrigieren.
- Schneide Bildschirmfotos auf den nötigen Ausschnitt zu und dreh Fotos aufrecht.
- Häng die Datei zuerst an und schreib die Frage danach.
- Bitte darum, unleserliche Stellen zu kennzeichnen statt zu raten.
- Prüfe jede Zahl aus einem Bild oder PDF am Original.
Häufige Fragen
Wie lade ich ein Bild in ChatGPT hoch?
Über das Symbol neben dem Eingabefeld oder per Ziehen ins Chatfenster. Danach schreibst du deine Frage dazu und sendest beides zusammen ab.
Kann die KI ein ganzes PDF lesen?
Ja, ChatGPT, Claude und Gemini lesen Text und Seitenbilder von PDFs. Bei sehr langen Dokumenten gibt es Grenzen je Dienst, dann teilst du das PDF in Abschnitte.
Warum liest die KI Werte aus Diagrammen falsch?
Laut OpenAI haben die Modelle Mühe mit Diagrammen, deren Linien sich nur in Farbe oder Strichart unterscheiden, und Werte aus einem Diagramm abzulesen ist riskant. Lass dir die Daten lieber als Tabelle geben.
Kann ich Fotos von Personen hochladen?
Technisch ja, aber Claude bestimmt Personen nicht namentlich, und Fotos anderer Menschen solltest du nur mit deren Einverständnis in einen Dienst geben.
Quellen
Stand:
- Anthropic: Vision (Claude API Docs), abgerufen am 22.11.2026. zurück
- Anthropic: PDF support (Claude API Docs), abgerufen am 22.11.2026. zurück
- Google: Document understanding (Gemini API, Google AI Studio), abgerufen am 22.11.2026. zurück
- OpenAI: Images and vision (OpenAI API Docs), abgerufen am 22.11.2026. zurück
- OpenAI Help Center: Uploading files and audio to ChatGPT, Stand 11/2026, abgerufen am 22.11.2026. zurück
- OpenAI Help Center: Data controls in ChatGPT, Stand 11/2026, abgerufen am 22.11.2026. zurück





