ChatGPT mit Google Sheets verbinden: Schritt für Schritt Anleitung mit Make

Wie kann man ChatGPT mit Google Sheets verbinden?

ChatGPT mit Google Sheets verbinden heißt in Make: Ein Szenario liest mit einem Google Sheets Modul eine Tabellenzeile, schickt die Daten als Prompt an ein OpenAI Modul und schreibt die Antwort anschließend zurück in die passende Zelle. Sie brauchen dafür ein Make Konto, ein Google Konto und einen OpenAI API Schlüssel.

In diesem Leitfaden zeige ich die komplette Einrichtung. Zudem gehe ich auf die Punkte ein, die viele Anleitungen auslassen: Kosten, Datenschutz und Fehlerbehandlung. Nach meiner Erfahrung entstehen die meisten Probleme nämlich nicht am ersten Tag, sondern nach einigen Wochen stillen Betriebs.

Kurz gesagt: Sie fügen eine Zeile hinzu, das Modell verarbeitet sie, das Ergebnis landet in der Nachbarspalte, und Sie prüfen nur noch. Somit erledigen Sie wiederkehrende Textarbeit in Minuten statt in Stunden.

Was ist Make und welche Rolle spielt es dabei?

Make, früher Integromat, ist eine Automatisierungsplattform ohne Programmierung, die Apps in einem visuellen Ablauf verbindet. Jeder Ablauf heißt Szenario, jeder Schritt Modul. Ein Szenario beginnt mit einem Trigger, danach laufen die Aktionsmodule nacheinander.

In unserem Aufbau spielt Make den Verkehrslotsen. Es holt die Daten aus Google Sheets, reicht sie an OpenAI weiter und bringt die Antwort zurück in die Tabelle. Das heißt, die beiden Dienste sprechen nie direkt miteinander; die gesamte Logik liegt in Make.

Außerdem transportiert Make nicht nur Daten. Mit Filtern, Routern, Textfunktionen und Fehlerhandlern bauen Sie bedingte Abläufe. Zum Beispiel verarbeiten Sie mit zwei Klicks nur Zeilen, deren Spalte „Status“ leer ist.

Wo KI auf einer Unternehmenswebsite sonst noch sinnvoll ist, beschreibe ich im Beitrag KI auf der Website: Chatbot, Texte, Datenanalyse.

Was brauchen Sie, bevor Sie starten?

Klären Sie vor dem ersten Klick drei Konten und ein paar Entscheidungen. Sonst verlieren Sie sich mitten im Aufbau zwischen Einstellungsseiten.

• Make Konto: Der kostenlose Tarif reicht für Tests; für den Dauerbetrieb prüfen Sie die Monatsgrenzen Ihres Tarifs.
• OpenAI Plattformkonto: Ein ChatGPT Abo deckt die API nicht ab. Die API rechnet getrennt ab, und Ihr Konto braucht Guthaben.
• Google Konto und Tabelle: Legen Sie eine Tabelle mit Kopfzeile und klaren Spaltennamen an.
• Anwendungsfall in einem Satz: Schreiben Sie auf, welche Eingabe das Modell bekommt und welche Ausgabe es liefern soll.

Vor allem die Tabellenstruktur ist die halbe Arbeit. Zum Beispiel steht in Spalte A der Produktname, in B die Merkmale, in C die erzeugte Beschreibung und in D der Status. Dadurch sehen Sie beim Mapping sofort, welche Zelle wohin gehört.

Enthält die Tabelle personenbezogene Daten, klären Sie außerdem vorab die Rechtsgrundlage für die Übermittlung an einen KI Dienst. Darauf komme ich weiter unten zurück. Testen Sie zudem immer zuerst mit einer Kopie der Tabelle.

Wie erhalten Sie einen OpenAI API Schlüssel und schützen ihn?

Den Schlüssel legen Sie auf der Seite für API Schlüssel in Ihrem OpenAI Plattformkonto an. Laut Make Dokumentation verlangt die Verbindung den API Schlüssel und die Organization ID, die Sie in den Organisationseinstellungen finden.

Kopieren Sie den Schlüssel also sofort, denn die Plattform zeigt ihn kein zweites Mal vollständig an. Danach fügen Sie ihn im Verbindungsdialog von Make ein und speichern ihn nirgendwo sonst.

1. Nutzen Sie für jede Automatisierung ein eigenes Projekt und einen eigenen Schlüssel.
2. Schicken Sie den Schlüssel nie per E-Mail, Chat oder geteiltem Dokument.
3. Legen Sie im OpenAI Dashboard ein Ausgabenlimit pro Projekt fest.
4. Widerrufen Sie den Schlüssel sofort, wenn jemand das Team verlässt oder Ihnen etwas verdächtig vorkommt.

Die offiziellen Details stehen in der Make Dokumentation zur OpenAI App. Dort steht auch, dass manche Reasoning Modelle eine verifizierte Organisation voraussetzen. Fehlt also ein erwartetes Modell in der Liste, prüfen Sie zuerst diese Einstellung.

Wie bauen Sie das Szenario Schritt für Schritt auf?

Jetzt zum eigentlichen Aufbau. Die folgende Reihenfolge deckt den häufigsten Ablauf ab: neue Zeile holen, verarbeiten, Ergebnis zurückschreiben.

1. Legen Sie in Make ein neues Szenario an und wählen Sie als erstes Modul den Google Sheets Trigger „Watch New Rows“.
2. Verbinden Sie Ihr Google Konto, wählen Sie Datei und Tabellenblatt und bestätigen Sie die Kopfzeile.
3. Fügen Sie das OpenAI Modul hinzu, das eine Text oder Chat Antwort erzeugt, und legen Sie die Verbindung mit Ihrem API Schlüssel an.
4. Wählen Sie ein Modell und mappen Sie Systemanweisung und Zeilenwerte in die Nachrichtenfelder.
5. Ergänzen Sie die Aktion „Update a Row“ und übernehmen Sie die Zeilennummer aus dem Trigger.
6. Schreiben Sie die Antwort in die Zielspalte und „Erledigt“ in die Statusspalte.
7. Testen Sie mit „Run once“ an einer einzigen Zeile und aktivieren Sie erst danach den Zeitplan.

Allerdings benennt Make Module gelegentlich um. Suchen Sie daher auf der OpenAI Seite nicht nach einem exakten Namen, sondern nach dem Modul, dessen Beschreibung das Erzeugen einer Antwort nennt. So finden Sie das richtige Modul auch nach einer Änderung der Oberfläche.

Welchen Google Sheets Trigger sollten Sie wählen?

Zunächst bestimmt der Trigger, wie oft das Szenario läuft und welche Zeilen es erfasst. Eine falsche Wahl verarbeitet dieselbe Zeile mehrfach oder überspringt Zeilen komplett.

„Watch New Rows“ ist die einfachste Option. Jeder Lauf holt die Zeilen, die seit der letzten Prüfung neu hinzukamen. Allerdings bemerkt dieser Trigger keine späteren Änderungen an bestehenden Zeilen.

Möchten Sie vorhandene Zeilen gesammelt verarbeiten, eignet sich ein Suchmodul wie „Search Rows“ mit Filter besser. Zum Beispiel suchen Sie alle Zeilen mit leerer Statusspalte und arbeiten sie nacheinander ab.

Beachten Sie zudem: „Watch New Rows“ fragt beim ersten Lauf nach dem Startpunkt. Wählen Sie „nur neue Zeilen“, wenn alte Einträge unberührt bleiben sollen. Sonst feuert das Szenario für Hunderte alter Zeilen API Aufrufe ab, und Sie erhalten eine unerwartete Rechnung.

Zusammengefasst passt „Watch New Rows“ zu kleinen, stetigen Datenströmen, ein Suchmodul dagegen zur Massenverarbeitung.

Wie richten Sie Prompt und Modell im OpenAI Modul ein?

Konkret ist das OpenAI Modul das Gehirn der Automatisierung. Drei Einstellungen zählen besonders: Modell, Anweisung und Ausgabeformat.

Modellwahl

Aktuelle Modelle finden Sie auf der OpenAI Modellübersicht. Für Tabellenarbeit reicht meist ein schnelles, günstiges Modell. Das stärkste Modell für Produkttexte oder Kategorien zu nutzen, ist in den meisten Fällen unnötig teuer.

Systemanweisung

Schreiben Sie Rolle, Tonalität, Länge und feste Regeln in die Systemnachricht. Zum Beispiel: „Schreibe eine Produktbeschreibung auf Deutsch, maximal 60 Wörter, ohne Übertreibung, erfinde keine Preise.“ Danach mappen Sie die Zeilenwerte in die Nutzernachricht.

Ausgabeformat

Soll die Antwort mehrere Spalten füllen, verlangen Sie JSON. Dann zerlegt das JSON Modul in Make die Antwort, und jedes Feld landet in einer eigenen Zelle. Für einspaltige Aufgaben genügt reiner Text.

Worauf sollten Sie beim Mapping der Daten achten?

Konkret verknüpft Mapping die Ausgabe eines Moduls mit der Eingabe des nächsten. Make löst das per Drag and Drop; trotzdem haben kleine Fehler große Folgen.

• Leere Zellen: Fehlen die Merkmale, erfindet das Modell gern etwas. Überspringen Sie leere Zeilen per Filter.
• Zeilennummer: Übernehmen Sie die Zeilennummer für „Update a Row“ immer aus dem Trigger, nie als feste Zahl.
• Textbereinigung: Entfernen Sie überflüssige Leerzeichen und Umbrüche mit Textfunktionen.
• Antwortpfad: Prüfen Sie im Testlauf, in welchem Ausgabefeld der Text steht, und mappen Sie genau dieses Feld.

Achten Sie vor allem auf den Antwortpfad. Ändert sich ein Modul, ändert sich oft auch die Ausgabestruktur; dann schreibt das Szenario leere Zellen, ohne einen Fehler zu melden. Deshalb lohnt nach jeder Aktualisierung ein Testlauf mit einer Zeile.

Saubere Spaltennamen erleichtern zudem spätere Auswertungen. Das passt gut zu den Berichtsstrukturen aus meinem Beitrag über Webanalyse Tools für Unternehmenswebsites.

Wie oft sollte das Szenario laufen?

Make Szenarien laufen nach Zeitplan oder über sofortige Trigger. Die Watch Module von Google Sheets arbeiten meist per Abfrage, das heißt, Make prüft die Tabelle in festen Abständen.

Allerdings sind häufige Prüfungen nicht automatisch besser. Jede Prüfung kann Kontingent Ihres Tarifs verbrauchen, auch ohne neue Zeile. Wählen Sie deshalb ein Intervall, das zum Bedarf passt. Für tägliche Berichte genügen stündliche oder tägliche Läufe.

Begrenzen Sie außerdem die maximale Zeilenzahl pro Lauf. So löst ein großer eingefügter Datenblock nicht Hunderte API Aufrufe auf einmal aus.

Denken Sie auch an Randzeiten. Zum Beispiel verarbeitet das Szenario Kundenkommentare nachts, und das Team findet die Ergebnisse morgens fertig vor. Prüfen Sie dabei die Zeitzone in Ihrem Make Profil; eine falsche Einstellung verschiebt den Nachtlauf in die Mittagszeit.

Welche Kosten entstehen, wenn Sie ChatGPT mit Google Sheets verbinden?

Wer ChatGPT mit Google Sheets verbinden möchte, hat zwei getrennte Kostenposten: den Verbrauch in Make und die Nutzung der OpenAI API. Betrachten Sie beide getrennt, sonst liegt Ihre Budgetschätzung immer daneben.

In Make verbraucht jeder Modullauf Kontingent. Make hat die Abrechnung von Operationen auf Credits umgestellt; die aktuellen Definitionen und Grenzen stehen auf der Preisseite. Bei OpenAI bestimmt die Zahl der gesendeten und empfangenen Tokens den Preis.

Meine praktische Methode: Starten Sie mit einem Test über 20 Zeilen, notieren Sie den Verbrauch in beiden Dashboards und berechnen Sie die Kosten pro Zeile. Danach multiplizieren Sie mit der erwarteten Zeilenzahl pro Monat. Somit entscheiden Sie auf Basis einer Messung statt einer Schätzung.

Wie fangen Sie Fehler ab und schützen das Szenario?

Zunächst gilt: Jede Automatisierung scheitert irgendwann. Entscheidend ist, dass ein Fehler nie unbemerkt Daten verfälscht.

Die OpenAI API liefert gelegentlich Fehler wegen Ratenlimits (429) oder vorübergehende Serverfehler. In Make fügen Sie per Rechtsklick auf ein Modul einen Fehlerhandler hinzu. Bei vorübergehenden Fehlern wiederholen Sie den Aufruf, bei dauerhaften markieren Sie die Zeile als „Fehler“.

• Nutzen Sie eine Statusspalte: Offen, In Arbeit, Erledigt, Fehler.
• Schreiben Sie die Fehlermeldung in eine eigene Spalte.
• Aktivieren Sie Benachrichtigungen in Make; bei wiederholten Fehlern stoppt ein Szenario unter Umständen.
• Veröffentlichen Sie kritische Ergebnisse nie direkt, sondern erst nach menschlicher Freigabe.

Andererseits kann eine Antwort technisch erfolgreich und trotzdem inhaltlich falsch sein. Das fängt kein Fehlerhandler ab. Daher ist die Stichprobe in den ersten Wochen die eigentliche Qualitätskontrolle. Werfen Sie zudem regelmäßig einen Blick in den Ausführungsverlauf von Make.

Welche Aufgaben lösen Sie, wenn Sie ChatGPT mit Google Sheets verbinden?

Allerdings passt nicht jede Aufgabe. Die Verbindung glänzt bei wiederkehrenden Aufgaben mit klaren Regeln und überprüfbarem Ergebnis.

Entwürfe für Produktbeschreibungen

Aus Produktname und Merkmalen entstehen kurze Beschreibungsentwürfe. Allerdings sollten Sie diese nie ohne redaktionelle Prüfung veröffentlichen; wiederholte Muster erzeugen aus SEO Sicht dünne Inhalte.

Kundenfeedback kategorisieren

Kommentare aus Formularen oder Umfragen erhalten Kategorien wie positiv, negativ oder Vorschlag. Weil das Modell nur ein Label zurückgibt, bleiben Kosten niedrig und die Kontrolle einfach.

Antwortentwürfe für E-Mail Anfragen

Das Modell fasst Anfragen zusammen und entwirft eine Antwort. Den Versand übernimmt trotzdem ein Mensch.

Brauchen Sie nur schnell ein paar Ideen für Social Media Texte, ist das Tool lustige Captions auf dieser Website schneller als ein eigenes Szenario.

Wie füllen Sie mehrere Spalten mit einer JSON Antwort?

Mehrere Zellen aus einer Antwort zu füllen, spart Kosten und Laufzeit. Zum Beispiel holen Sie für einen Kundenkommentar Stimmung, Thema und Kurzfassung in einem einzigen Aufruf.

Schreiben Sie dazu in die Anweisung, dass die Antwort ausschließlich JSON enthält, und nennen Sie die Schlüssel, etwa „stimmung“, „thema“ und „zusammenfassung“. Bei Modellen mit strukturierter Ausgabe oder JSON Modus sinken Formatfehler deutlich.

Danach setzen Sie das JSON Modul hinter das OpenAI Modul. Es zerlegt den Text in Felder, und Sie mappen jedes Feld in „Update a Row“ auf seine Spalte.

• Halten Sie Schlüsselnamen kurz, ohne Leerzeichen und Sonderzeichen.
• Listen Sie erlaubte Werte auf, zum Beispiel positiv, negativ oder neutral.
• Scheitert das Zerlegen, markieren Sie die Zeile als „Fehler“, statt den ganzen Ablauf zu stoppen.

So wird aus Freitext ein Datensatz, den Sie filtern und auswerten können.

Wie schreiben Sie die Anweisung? Eine einfache Vorlage

Vor allem ist die Anweisung Ihr günstigster Hebel für Qualität. Eine gute Anweisung hat vier Teile: Rolle, Aufgabe, Regeln und Ausgabeformat.

1. Rolle: „Du bist Content Redakteur eines Onlineshops.“
2. Aufgabe: „Schreibe aus Produktname und Merkmalen eine kurze Beschreibung.“
3. Regeln: „Maximal 60 Wörter, keine erfundenen Preise oder Garantien, keine Übertreibung.“
4. Ausgabeformat: „Gib nur den Beschreibungstext zurück, ohne Überschrift oder Hinweis.“

Diese Vorlage gehört in die Systemnachricht, die Zeilenwerte in die Nutzernachricht. Dadurch bleiben die Regeln fest, nur die Daten wechseln. Sie können die Anweisung sogar in einer Tabellenzelle ablegen und von dort mappen; dann passt die inhaltlich verantwortliche Person sie an, ohne das Szenario anzufassen.

Trotzdem ist eine immer längere Anweisung eine Falle. Jeder zusätzliche Satz kostet bei jeder Zeile erneut Eingabetokens. Halten Sie die Regeln deshalb kurz und streichen Sie Höflichkeitsfloskeln.

Wie testen Sie den Ablauf vor dem Livebetrieb?

Bevor das Szenario dauerhaft läuft, lohnt ein kleiner, kontrollierter Testplan. Er beantwortet nicht nur „läuft es?“, sondern auch „ist es richtig und bezahlbar?“.

1. Legen Sie ein eigenes Testblatt an und kopieren Sie 10 bis 20 echte Zeilen ohne personenbezogene Angaben.
2. Starten Sie das Szenario mit „Run once“ und prüfen Sie die Ausgabe jedes Moduls.
3. Ergänzen Sie Grenzfälle: leere Zellen, sehr lange Texte und Eingaben in anderer Sprache.
4. Notieren Sie den Tokenverbrauch des Tests im OpenAI Dashboard.
5. Lassen Sie eine Kollegin oder einen Kollegen die Ergebnisse lesen und bewerten.

Dabei sind Grenzfälle am lehrreichsten. Fasst das Modell etwa einen englischen Kommentar auf Deutsch zusammen, oder mischt es die Sprachen? Solche Effekte sehen Sie besser im Test als im Livebetrieb.

Auch nach einem sauberen Test empfehle ich in der ersten Woche ein niedriges Zeilenlimit. Danach erhöhen Sie es Schritt für Schritt.

Wie teilen Sie die Verantwortung im Team auf?

Automatisierungen beginnen oft mit der Neugier einer Person und enden als Blackbox ohne Zuständigkeit. Legen Sie deshalb die Verantwortung von Anfang an fest.

Mein Vorschlag ist deshalb einfach. Eine Person verantwortet die Technik: Verbindungen, Fehlermeldungen und Kosten. Eine zweite Person verantwortet den Inhalt: Anweisung und Ausgabequalität. Folglich vermischen sich technische und inhaltliche Probleme nicht.

• Dokumentieren Sie Zweck, Tabelle und Spaltenaufbau auf einer Seite.
• Notieren Sie Datum und Grund jeder Änderung an der Anweisung.
• Nutzen Sie für Make und OpenAI Firmenadressen statt privater E-Mail Konten.
• Teilen Sie monatlich eine kurze Übersicht zu Kosten und Qualität.

Eine Automatisierung am privaten Konto einer ausgeschiedenen Person stoppt eines Morgens ohne Vorwarnung. Verbindungen unter Firmenkonten sind daher die günstigste Versicherung für den laufenden Betrieb.

Make, Zapier oder n8n: Was passt zu Ihnen?

Zudem lässt sich dieselbe Verbindung auch auf anderen Plattformen bauen. Über die Wahl entscheiden technisches Niveau des Teams, Sensibilität der Daten und Budget.

Meine Beobachtung: Für Marketingteams bietet Make eine gute Balance aus visueller Verzweigung und fairem Preis. Müssen die Daten auf eigenen Servern bleiben, ist ein selbst gehostetes Werkzeug wie n8n sinnvoller.

Die Toolfrage gehört in die gesamte Automatisierungsarchitektur Ihrer Website. Diesen Rahmen beschreibe ich im Beitrag KI im Webdesign und Automatisierung.

Welche Datenschutzregeln gelten für personenbezogene Daten?

Wer Tabellendaten an einen KI Dienst schickt, übermittelt sie unter Umständen in Drittländer. Klären Sie deshalb bei personenbezogenen Daten zuerst den rechtlichen Rahmen nach DSGVO.

OpenAI erklärt auf seiner Seite zum Unternehmensdatenschutz, dass es API Daten standardmäßig nicht zum Training nutzt. Ihre eigenen Pflichten nach DSGVO entfallen dadurch aber nicht.

• Fragen Sie, ob das Modell Namen, Telefonnummern oder E-Mail Adressen wirklich braucht.
• Falls nicht, lassen Sie diese Spalten beim Mapping komplett weg.
• Erklären Sie KI gestützte Verarbeitung und etwaige Drittlandübermittlung in Ihrer Datenschutzerklärung.
• Prüfen Sie die Option zur Verarbeitungsregion in den Verbindungseinstellungen von Make.

Kurz gesagt: Die sicherste Information ist die, die Sie nie senden. Mehr zum Thema finden Sie in meinem Leitfaden zur datenschutzkonformen Website.

Wie verbessern Sie die Qualität der Ergebnisse?

In der Praxis sind die ersten Testergebnisse meist mittelmäßig. Verbessern Sie zuerst die Anweisung, bevor Sie das Modell wechseln.

Ein oder zwei gute Beispiele in der Anweisung steigern die Konsistenz deutlich. Schreiben Sie etwa ein kurzes Beispiel nach dem Muster „für diese Eingabe diese Ausgabe“. Nennen Sie außerdem klare Verbote: erfundene Preise, aufgeblasene Adjektive, wiederholte Markennamen.

Bei Modellen mit Temperatureinstellung wählen Sie für Kategorisierung einen niedrigen Wert. Für kreative Texte darf er etwas höher liegen.

Bewerten Sie schließlich eine Stichprobe. Lesen Sie jede Woche 20 Zeilen und markieren Sie „richtig“, „nachgebessert“ oder „falsch“; dann sehen Sie schnell, wo die Anweisung schwächelt. Somit beruhen Verbesserungen auf Daten statt auf Bauchgefühl.

Gehen die Texte auf Ihre Website, prüfen Sie sie vorher etwa mit dem Keyword Dichte Tool.

Welche Fehler passieren oft, wenn Sie ChatGPT mit Google Sheets verbinden?

Vor allem die Fehler, die mir in Beratungsprojekten begegnen, ähneln sich stark. Nutzen Sie die folgende Liste als Prüfliste nach dem Aufbau.

1. Annehmen, dass ein ChatGPT Plus Abo die API Nutzung abdeckt.
2. Beim ersten Lauf alle alten Zeilen verarbeiten und dafür bezahlen.
3. Eine feste Zeilennummer eintragen und immer dieselbe Zeile überschreiben.
4. Das Szenario ohne Ausgabenlimit laufen lassen.
5. Ausgaben ungeprüft auf die Website oder an Kunden schicken.
6. Spalten verschieben, ohne das Mapping anzupassen.

Der letzte Punkt ist tückisch. Fügt jemand eine neue Spalte ein, verrutscht das Mapping, und das Modell arbeitet mit falschen Daten. Sperren Sie deshalb die Kopfzeile oder dokumentieren Sie den Aufbau. Exportieren Sie außerdem vor jeder größeren Änderung eine Kopie des Szenarios.

Woran erkennen Sie, ob sich die Automatisierung lohnt?

Den Aufbau abzuschließen ist erst der Anfang; die eigentliche Frage lautet, ob die Lösung Zeit und Geld spart. Ohne Messung ist „läuft gut“ irreführend.

Ich empfehle daher drei einfache Kennzahlen. Erstens die Gesamtkosten pro Zeile aus Make und OpenAI zusammen. Zweitens die Korrekturquote, also den Anteil der Ausgaben, die jemand nachbessern musste. Drittens die gesparte Zeit im Vergleich zur Handarbeit.

Tragen Sie diese Werte monatlich in ein Übersichtsblatt ein. Steigt die Korrekturquote, überarbeiten Sie die Anweisung. Steigen die Kosten, prüfen Sie Filter und Modellwahl.

Zusammengefasst ist auch eine Automatisierung eine Investition und verdient dieselbe Messung wie jedes andere Marketingbudget.

Wann sollten Unternehmen professionelle Unterstützung holen?

Zunächst: Einen einfachen Ablauf mit einer Spalte bauen die meisten Teams selbst. Sobald allerdings mehrere Systeme, Kundendaten und ein Veröffentlichungsprozess zusammenkommen, spart professionelle Hilfe Zeit.

Wenn mein Team und ich Automatisierungen aufsetzen, zeichnen wir zuerst den Prozess und legen dann fest, welcher Schritt zur KI und welcher zum Menschen gehört. Hängt die Content Produktion an der Website, betrachten wir SEO Beratung und Webdesign gemeinsam.

Wie automatisch erzeugte Inhalte in KI Antworten erscheinen, ist eine eigene Frage. Dazu passt mein Beitrag Marke in ChatGPT und Gemini sichtbar machen.

Kurz gesagt: klein starten, messen, dann ausbauen. Gut eingerichtet spart Ihnen die Lösung, die ChatGPT mit Google Sheets verbinden soll, jede Woche Stunden; schlecht eingerichtet produziert sie still und leise Fehler.