Claude und ChatGPT zusammenarbeiten lassen: Schritt für Schritt zum Vier-Augen-Prinzip für KI

Am 22. Oktober 2026 hatten wir eine interne Richtlinie fertig. Claude hatte sie geschrieben, drei Prüfschritte hatten sie durchlaufen, alles war grün. Dann haben wir sie ChatGPT gegeben, genauer dem Programmierwerkzeug Codex von OpenAI, mit einem einzigen Auftrag: „Widersprich.“ Codex fand sechs Fehler, vier davon schwer. Eine Regel erlaubte genau das, was sie verbieten sollte. Wir haben alle sechs übernommen.

Der Fall ist typisch für unsere Arbeit. Seit wir mit KI arbeiten, verteilen wir Rollen auf mehrere Modelle: große kostenpflichtige Modelle von Anthropic und OpenAI, Open-Source-Modelle über OpenRouter und lokale Modelle über Ollama. Eines baut oder schreibt, ein anderes prüft. Dieser Beitrag zeigt dir am Beispiel von Claude und ChatGPT Schritt für Schritt, wie du das einrichtest, was es kostet, wo die Grenzen liegen und welche Regeln sich bei uns bewährt haben.

Warum zwei Modelle mehr finden als ein zweiter Durchlauf

Die naheliegende Idee ist, Claude einfach zu bitten, seine Arbeit noch einmal zu prüfen. Das bringt wenig, und dafür gibt es Belege.

Eine Studie von 2024 (arXiv 2404.13076) zeigt, dass Sprachmodelle ihre eigenen Texte erkennen und besser bewerten als gleichwertige Texte anderer Modelle. Je besser ein Modell sich selbst erkennt, desto stärker bevorzugt es sich. Eine zweite Studie aus demselben Jahr (arXiv 2410.21819) fand diese Selbstbevorzugung bei GPT-4 und erklärt sie damit, dass Modelle vertraute Formulierungen für besser halten. Schon 2023 hatte eine Untersuchung (arXiv 2310.01798) gezeigt, dass Modelle ihre Schlussfolgerungen ohne Rückmeldung von außen kaum selbst korrigieren.

Eine Auswertung von 2025 (arXiv 2502.08788) fand außerdem, dass Debatten zwischen mehreren Kopien desselben Modells oft nicht besser abschneiden als ein einzelnes Modell, und dass unterschiedliche Modelle der stärkere Hebel sind. Deshalb kombinieren wir zwei Hersteller und nicht zwei Fenster mit demselben Modell.

Eine Studie vom Juli 2026 (arXiv 2607.21656) hat Claude und Codex an 116 Programmieraufgaben aus Wettbewerben getestet, mit den Modellversionen Opus 4.7 und GPT-5.5. Prüfte Claude die Entwürfe von Codex, stieg der Anteil richtiger Lösungen von 71,6 auf 89,7 Prozent. Prüfte Codex die Entwürfe von Claude, sank er von 91,4 auf 82,8 Prozent. Aber auch Codex' Prüfung der eigenen Entwürfe brachte etwas: von 71,6 auf 84,5 Prozent. Der Prüfer konnte in allen Fällen keine Tests ausführen. Für Texte, Konzepte oder größere Projekte belegt die Studie nichts. Die Lehre für uns: Ein zweites Modell kann zusätzliche Fehler finden, ist aber kein Selbstläufer. Seine Befunde sind Behauptungen, die geprüft werden müssen, keine Befehle.

Im Alltag heißt das: Claude und ChatGPT haben unterschiedliche blinde Flecken. Was das eine Modell für selbstverständlich hält, stellt das andere in Frage. Ob der Einwand stimmt, entscheidet ein Test oder eine Quelle, nicht das lautere Modell.

Was du brauchst

Die Preisseiten beider Hersteller tragen kein Datum. Prüfe die Beträge, bevor du entscheidest.

Zwei Dinge zu den Limits, die sich in den letzten Monaten mehrfach geändert haben: Bei Claude teilen sich der Chat und Claude Code dasselbe Kontingent. In Pro und Max wird es in Fünf-Stunden-Fenstern und pro Woche gemessen, im neuen Ultra-Plan entfällt laut Anthropic-Hilfe für verifizierte Konten das Fünf-Stunden-Limit, Wochenlimits bleiben. Bei Codex gelten ebenfalls Fenster und Wochenlimits, im Pro-Plan laut OpenAI ohne Fünf-Stunden-Grenze. Eine Prüfschleife mit vielen Runden verbraucht also beide Kontingente. Prüfe die aktuellen Regeln, bevor du einen Plan wählst.

Ohne Technik: der Einstieg mit zwei Chatfenstern

Du musst nichts installieren, um das Prinzip auszuprobieren. Für Texte, Konzepte, Angebote oder Richtlinien reichen zwei Browserfenster, eines mit Claude, eines mit ChatGPT.

1. Lass ein Modell den Text schreiben oder gib ihm deinen eigenen Entwurf.
2. Starte im anderen Modell einen neuen, leeren Chat. Füge den Text ein, dazu das Briefing, deine Markenregeln und die Quellen mit den entscheidenden Textstellen, und diese Prüfvorlage:

Du prüfst einen Text, den ein anderes KI-Modell geschrieben hat.
Ziel des Textes: [Ziel]. Leser: [Zielgruppe].
Greif den Text an: Welche Aussagen sind falsch, unbelegt oder missverständlich?
Was fehlt dem Leser? Wo widerspricht sich der Text?
Nenne höchstens fünf Befunde, die wichtigsten zuerst, je mit Begründung.
Trenne nachweisbare Fehler von offenen Prüffragen und nenne die Belegstelle.
Fehlt dir eine Quelle, kennzeichne die Aussage als nicht geprüft.
Wenn nichts Wesentliches auffällt, sag das. Erfinde keine Fehler.

1. Gib die Befunde an das erste Modell zurück, mit dem Satz: „Prüfe jeden Einwand, bevor du etwas änderst. Übernimm nur, was du begründen kannst, und sag, was du ablehnst.“
2. Prüfe zentrale Zahlen, Produktangaben und Leistungsversprechen vor der Veröffentlichung selbst an den Originalquellen, auch wenn beide Modelle zustimmen. Nach höchstens zwei Runden entscheidest du. Was unbelegt bleibt, streichst du oder klärst es intern.

Die Grenzen dieses Einstiegs: Du kopierst von Hand, die Modelle sehen keine Dateien, und bei längeren Texten geht schnell der Überblick verloren. Was du in die Fenster kopierst, geht an beide Anbieter, die Hinweise im Abschnitt Datenschutz gelten also auch hier. Wenn du merkst, dass du diesen Ablauf jede Woche machst, lohnt sich die Einrichtung in Claude Code. Sie automatisiert genau diese Schritte.

Schritt für Schritt: So richtest du die Zusammenarbeit ein

Schritt 1: Beide Werkzeuge mit dem Abo anmelden

Installiere Claude Code nach der offiziellen Anleitung von Anthropic und die Codex CLI mit npm install -g @openai/codex oder brew install --cask codex. Melde Codex mit codex login über dein ChatGPT-Konto an.

Dann kommt der Schritt, den fast alle Anleitungen weglassen: Prüfe, womit du wirklich abgerechnet wirst. Anthropic schreibt ausdrücklich, dass Claude Code einen gesetzten ANTHROPIC_API_KEY statt deines Abos verwendet. Dann zahlst du nach Verbrauch. Bei Codex zeigt codex login status, ob du per ChatGPT oder per API-Schlüssel angemeldet bist. Ob ein gesetzter OPENAI_API_KEY den Abo-Login verdrängt, beschreibt die Codex-Dokumentation nicht. Wir entfernen ihn deshalb vor jedem Aufruf, sicher ist sicher.

Schritt 2: Ein Brückenskript anlegen

Claude Code kann jedes Kommandozeilenprogramm über sein Bash-Werkzeug starten. Ein kleines Skript sorgt dafür, dass Codex immer gleich aufgerufen wird. Speichere es unter ~/.claude/bin/codex-bridge.sh und mache es mit chmod +x ~/.claude/bin/codex-bridge.sh ausführbar. Unseres sieht im Kern so aus:

#!/usr/bin/env bash
# codex-bridge.sh think|build "Auftrag"
set -euo pipefail
MODE="$1"; PROMPT="$2"
unset OPENAI_API_KEY   # nie versehentlich über die API abrechnen
case "$MODE" in
  think) exec codex exec -s read-only --skip-git-repo-check "$PROMPT" < /dev/null ;;
  build) exec codex exec -s workspace-write --skip-git-repo-check "$PROMPT" < /dev/null ;;
  *) echo "Modus think oder build" >&2; exit 1 ;;
esac

think startet Codex im Lesemodus (Sandbox read-only): Es darf Dateien lesen, aber nichts ändern. build erlaubt Änderungen im Projektordner (workspace-write). Den dritten Modus danger-full-access ohne Sandbox empfiehlt OpenAI nur für ohnehin abgeschottete Umgebungen. Ältere Anleitungen im Netz nennen noch den Schalter --full-auto. Den unterstützt Codex laut eigener Dokumentation nicht mehr.

Eine Falle aus unserem Alltag: Wer in der Codex-Konfiguration eine eigene Server-Adresse eingetragen hat, etwa für ein lokales Modell, landet beim Aufruf dort statt beim Abo. Bei uns brach ein Lauf am 12. Oktober genau daran ab. Seitdem gibt unser Skript beim Aufruf zusätzlich die Adresse des Abo-Zugangs mit (Option -c openai_base_url=...). Wer keine eigene Adresse eingetragen hat, braucht das nicht. Und weil das Entfernen des Schlüssels allein keine Abo-Abrechnung garantiert, etwa wenn Codex früher mit API-Schlüssel angemeldet wurde, prüfst du einmal codex login status.

Schritt 3: Claude eine Skill dafür geben

Eine Skill ist eine Markdown-Datei mit Anweisungen, die Claude Code bei Bedarf lädt oder die du mit /name aufrufst. Lege sie unter .claude/skills/collab/SKILL.md an:

---
name: collab
description: Zweitmeinung von Codex einholen oder Umsetzung an Codex abgeben
disable-model-invocation: true
---
Du bist Projektleitung. Codex ist der zweite Entwickler, Aufruf über
~/.claude/bin/codex-bridge.sh think|build "<Auftrag>".
Regeln:
- Prüfen immer im Modus think. Auftrag unter 500 Wörtern mit allem Kontext.
- Eigene Position nennen und Codex ausdrücklich zum Widerspruch auffordern.
- Höchstens zwei Runden. Danach Einigkeit, Streitpunkte und Empfehlung zusammenfassen.
- Nie dieselbe Datei gleichzeitig an Codex und an einen eigenen Subagenten geben.
- Nach jedem Build Tests selbst ausführen und den Diff lesen. Codex' Aussage "alles grün" zählt nicht.

Mit disable-model-invocation: true startet die Skill nur, wenn du sie aufrufst. Claude entscheidet also nicht selbst, wann Codex mitarbeitet. Starte Claude Code im Projektordner und probiere es mit einem harmlosen Auftrag: /collab Prüfe README.md auf Widersprüche. Ändere nichts.

Schritt 4: Prüfen lassen (Modus think)

Der häufigste Einsatz bei uns ist die Gegenprüfung. Claude formuliert den Auftrag, Codex liest die Dateien und antwortet. Ein guter Prüfauftrag hat vier Teile:

1. Was ist die Aufgabe, welche Dateien gehören dazu?
2. Was ist die eigene Position oder Lösung, mit Begründung?
3. Die ausdrückliche Bitte: „Greif die Annahmen an. Wo liege ich falsch, was fehlt?“
4. Die Bitte, nichts zu erfinden: „Wenn nichts Wesentliches auffällt, sag das.“

Bei der Fehlersuche lassen wir den zweiten Punkt bewusst weg. Codex soll eine eigene Ursache finden, ohne Claudes Vermutung zu kennen. Stimmen beide überein, ist das ein gutes Zeichen, aber noch kein Beweis, denn beide können dieselbe falsche Annahme aus dem Auftrag übernommen haben. Gehen sie auseinander, entscheidet ein Test, der eine der beiden Vermutungen widerlegt.

Jeder neue Aufruf von codex exec startet ohne Gedächtnis an frühere Gespräche. Für eine zweite Runde kannst du die letzte Sitzung mit codex exec resume --last fortsetzen. Wir schicken stattdessen lieber einen knappen neuen Auftrag mit den Streitpunkten, weil das die Begründung erzwingt.

Schritt 5: Umsetzen lassen (Modus build)

Für Umsetzungen schreibt Claude zuerst eine kurze Arbeitsanweisung in eine Datei: Ziel, welche Dateien angelegt oder geändert werden, welche Dateien tabu sind, wie geprüft wird. Codex bekommt höchstens drei Dateien pro Auftrag. Größere Arbeiten teilen wir auf.

Zwei praktische Punkte: Claude Code setzt Befehlen eine Zeitgrenze, standardmäßig zwei Minuten. Längere Codex-Läufe lässt du Claude deshalb im Hintergrund starten und den Stand später abfragen. Und vor jedem Build sicherst du den Stand mit Git (committen oder zur Seite legen). Bei uns rutschten einmal Dateien, die schon vorher geändert waren, unbemerkt in einen Codex-Commit.

Schritt 6: Selbst nachprüfen

Nach dem Lauf liest Claude den Diff (die Liste aller Änderungen), fährt die Tests selbst und lehnt Änderungen an Dateien außerhalb des Auftrags ab. In Foren ist das der häufigste Ärger mit KI-Agenten: Sie melden „fertig“, weil ihre eigenen Tests grün sind, und die Arbeit stimmt trotzdem nicht. Ein Prüfer, der den Gesprächsverlauf nicht kennt und Belege verlangt, fängt genau das ab.

Schritt 7: Befunde prüfen, bevor du sie umsetzt

Der zweithäufigste Ärger in den Foren ist das Gegenteil: Der Prüfer meldet jede Kleinigkeit und jedes denkbare Sicherheitsrisiko, das bauende Modell will alle Einwände erfüllen, und aus einer einfachen Funktion wird ein überladenes Konstrukt. Oder beide diskutieren eine halbe Stunde über den Plan, bevor eine Zeile entsteht. Wir geben die Befunde deshalb mit genau diesem Auftrag zurück: „Prüfe jeden Einwand, bevor du etwas änderst. Setze nur um, was du belegen kannst.“ Und wir begrenzen auf zwei Runden. Was danach strittig ist, entscheidet ein Mensch.

So setzen wir das ein

Die Zusammenarbeit von Claude und Codex ist bei uns ein Baustein in einem größeren Aufbau, an dem wir seit dem ersten Einsatz von KI laufend arbeiten. Die erste Skill für wiederkehrende Abläufe stammt vom Januar 2026, inzwischen sind es 34. Seit Februar 2026 führen wir Gedächtnisordner, in denen Regeln, Entscheidungen und Fallen aus Projekten stehen, heute über 450 Notizen. Dazu kommen MCP-Server (Anbindungen der Modelle an Werkzeuge wie Google Ads, Analytics, CRM und Ticketsystem).

Dieser Aufbau steht nie still. Jeden Montag prüft eine Routine alle Skills, Plugins, Kommandozeilenwerkzeuge und MCP-Server auf Updates und Änderungen. Allein von Juli bis Oktober haben wir mehrere hundert Skill-Dateien angelegt, überarbeitet oder ersetzt. Die Geschwindigkeit, mit der sich Modelle, Limits und Werkzeuge ändern, macht das unumgänglich: Was im Sommer gut funktioniert hat, ist im Herbst oft überholt.

Einige Beispiele, was dabei herauskam: Im September haben wir unseren selbst gebauten LinkedIn-Veröffentlicher stillgelegt und durch ein spezialisiertes Werkzeug ersetzt. Ende Oktober haben wir die MCP-Anbindungen unserer Agenten auf das Nötige reduziert, weil jede zusätzliche Anbindung Kontext und Aufmerksamkeit des Modells kostet. Ein Agent, der mit einem günstigen Open-Source-Modell selbstständig arbeiten sollte, bleibt nach acht Überarbeitungsrunden gesperrt: Für Code-Entwürfe setzen wir das Modell begrenzt ein, jeder Entwurf geht danach durch zwei Claude-Modelle. Und den Blog-Ablauf, über den auch dieser Artikel läuft, haben wir im Oktober nach einem ausgefallenen Termin komplett neu aufgesetzt.

Die Codex-Zusammenarbeit selbst haben wir zwischen Ende September und Ende Oktober 2026 in 25 Arbeitsaufträgen in sieben Projekten dokumentiert, frühere Läufe liefen ohne diese Ablage. Vier Fälle zeigen, was sie bringt. Es sind ausgewählte Fälle ohne Vergleichsgruppe, sie zeigen Nutzen im Einzelfall, keine allgemeine Überlegenheit.

Richtlinie, die sich selbst widersprach (22.10.2026). Der Fall vom Anfang. Codex fand unter anderem, dass die Prüfregel bei einer Schwelle von sieben von zehn Punkten einen Wert von null in einem Pflichtkriterium zuließ, und dass ein Beispiel in der Richtlinie gegen ihre eigene Regel verstieß. Außerdem wies es darauf hin, dass 128 Impressionen in der Search Console keinen Rankingverlust belegen. Alle sechs Befunde haben wir übernommen.

Ein Experiment mit eingebautem Fehler (12.10.2026). Für ein internes Experiment wollten wir den Takt ändern, in dem ein KI-gesteuertes Testkonto handelt. Codex fand vorher, dass der Vergleich mit dem Zufallskonto unfair gebaut war: unterschiedliche Haltedauer, unterschiedliche Auswahl. Sein Rat: erst den Vergleich reparieren, dann den Takt ändern. Wir haben die Befunde im Code nachgeprüft und die Reihenfolge umgedreht. Nebenbei widersprach Codex Claudes Argument, ein anderer Weg sei „billiger“: Mit Abo gibt es keine Kosten pro Aufruf, also trägt das Argument in dieser Form nicht. Kontingent und Arbeitszeit kostet jeder Aufruf trotzdem.

Umsetzung mit Gegenprobe (19.10.2026). Codex hat in einer internen Anwendung den Versand von E-Mails umgebaut, nach einer Arbeitsanweisung von Claude. Codex meldete 377 bestandene Tests. Claude hat sie trotzdem selbst ausgeführt und den Diff gelesen, bevor die Änderung zur Abnahme ging.

Fünf Punkte, fünf Commits (30.10.2026). Auf einer TYPO3-Website hat Codex fünf Darstellungsfehler in getrennten Commits behoben und offene Punkte selbst benannt. Dabei fiel die Git-Falle aus Schritt 5 auf. Die Prüfung durch Claude und die Abnahme durch einen Menschen kamen danach.

Unsere Regeln dazu sind schlicht: Prüfaufträge unter 500 Wörtern, höchstens zwei Debattenrunden, nie dieselbe Datei an zwei Bearbeiter, Ausgaben von Codex zusammenfassen statt weiterreichen, und abgenommen wird nur von einem Menschen. Für Sicherheitsthemen, Zugangsdaten und alles mit Geld gilt zusätzlich, dass immer zwei Modelle zustimmen müssen.

Wo die Grenzen liegen

Zwei Modelle sind kein Ersatz für Fachwissen. Wenn beide dieselbe falsche Annahme aus dem Auftrag übernehmen, bestätigen sie sich gegenseitig. Deshalb gehören Primärquellen und Tests in jeden Prüfauftrag.

Mehr Agenten heißt auch nicht automatisch mehr Qualität. Jeder zusätzliche Aufruf kostet Zeit und Kontingent. Für die meisten Aufgaben reicht ein Modell, das baut, und ein zweites, das prüft.

Nicht lohnend ist die Zusammenarbeit bei kleinen, gut getesteten Änderungen, bei Fragen, die eine Quelle in einer Minute beantwortet, und wenn du die Befunde nicht selbst beurteilen kannst. Dann kostet die zweite Meinung mehr Zeit, als sie spart.

Und es gibt Aufgaben, die wir bewusst keinem der beiden allein überlassen: Freigaben, Veröffentlichungen und alles, was beim Kunden live geht.

Datenschutz: was du vorher klären musst

Wer Kundencode oder Kundendaten in zwei KI-Werkzeuge gibt, schickt sie an zwei Anbieter in den USA. Bei Anthropic ist die Lage für die Privat-Abos dokumentiert: In Free, Pro, Max und Ultra werden Gespräche, auch aus Claude Code, nur dann zum Training genutzt, wenn die entsprechende Einstellung eingeschaltet ist. Ist sie aus, speichert Anthropic die Daten 30 Tage, sonst bis zu fünf Jahre. In den geschäftlichen Angeboten Team und Enterprise und über die API trainiert Anthropic ohne ausdrückliche Zustimmung nicht.

Bei OpenAI steuerst du das in den Datenkontrollen von Free, Plus und Pro über den Schalter „Improve the model for everyone“. Prüfe, wie er bei dir steht. Laut OpenAI-Hilfe gilt das Ausschalten für ChatGPT-Gespräche und für Codex-Aufgaben. Codex hat zusätzlich einen eigenen Schalter „Include environments“, den du separat setzen musst. In Business, Enterprise und über die API trainiert OpenAI standardmäßig nicht.

Eine Ausnahme nennt OpenAI ausdrücklich: Wer einer Antwort in einem Privat-Plan Feedback gibt, etwa per Daumen, gibt die zugehörige Unterhaltung laut OpenAI-Hilfe auch bei abgeschaltetem Training dafür frei. Auch Anthropic bewahrt Feedback laut eigener Angabe länger auf. Bei vertraulichen Sitzungen verzichtest du deshalb auf Feedback.

Für personenbezogene Daten und Kundenprojekte unter Vertraulichkeitsvereinbarung reichen Privat-Abos in der Regel nicht. Dafür sind die Geschäftsangebote beider Hersteller gedacht. Aber auch ein Geschäftsabo allein klärt die Zulässigkeit nicht: Prüfe Vertragsgrundlage, Vertraulichkeitsvereinbarung, Aufbewahrung und welche Daten tatsächlich fließen. Kläre das mit deinem Datenschutzbeauftragten, bevor du anfängst. Der Lesemodus verhindert Änderungen an Dateien, aber nicht, dass gelesene Inhalte an den Anbieter gehen. Zugangsdaten gehören deshalb weder in einen Prompt noch in Projektdateien, die das Modell lesen kann.

Checkliste: zum ersten Prüflauf

• Claude-Abo und ChatGPT-Plan mit Codex vorhanden, Preise am Tag geprüft
• Claude Code und Codex CLI installiert, Codex per ChatGPT angemeldet
• codex login status zeigt ChatGPT, kein ANTHROPIC_API_KEY in der Umgebung
• Training-Einstellungen in beiden Konten bewusst gesetzt
• Brückenskript mit den Modi think und build angelegt
• Skill collab mit den Regeln angelegt, nur manuell aufrufbar
• Erster Prüfauftrag an einem Text oder einer Datei, die du gut kennst
• Ergebnis selbst gegen die Quelle geprüft, bevor du Befunde übernimmst

Wenn du das nicht selbst aufsetzen willst oder für dein Team einen Arbeitsablauf mit klaren Freigaben brauchst: Gespräch vereinbaren.

Weiterlesen bei uns: Sichtbarkeit in ChatGPT messen, KI-Texte prüfen und Google-Metadaten, KI-Kennzeichnung ab August 2026.

• Anthropic: Claude Code, Skills. code.claude.com
• Anthropic-Hilfe: Claude Code mit Pro, Max oder Ultra. support.claude.com
• Anthropic: Claude Code, Data usage. code.claude.com
• Anthropic-Hilfe: Wie Claude KI-generierte Inhalte kennzeichnet. support.claude.com
• OpenAI: Codex, Non-interactive mode. learn.chatgpt.com
• OpenAI: Codex, Pricing. learn.chatgpt.com
• OpenAI-Hilfe: How your data is used to improve model performance. help.openai.com
• OpenAI: Herkunftssignale für Texte in der EU. openai.com
• Xiang u. a.: Cross-Model LLM Code Review, arXiv 2607.21656, Juli 2026. arxiv.org
• Panickssery, Bowman, Feng: LLM Evaluators Recognize and Favor Their Own Generations, arXiv 2404.13076, 2024. arxiv.org