Claude Projects vs. ChatGPT Canvas vs. Copilot Pages: AI Workspaces im Vergleich (2026)

Nach vierzig Nachrichten hat der Chat das Briefing vom Anfang vergessen. Die Datei, die eine Kollegin gestern hochgeladen hat, liegt in ihrem privaten Verlauf. Und wer nur einen Absatz ändern will, bekommt den ganzen Text neu generiert. Genau diese drei Probleme sollen AI Workspaces lösen: Anthropic mit Claude Projects, OpenAI mit ChatGPT Canvas und Projects, Microsoft mit Copilot Pages.

Die drei Ansätze klingen ähnlich, setzen aber an unterschiedlichen Stellen an. Dieser Vergleich ordnet sie nach dem, was im Arbeitsalltag zählt: Wie viel Wissen bleibt im Projekt, wie gezielt lässt sich ein Ergebnis bearbeiten, und wer kann mitarbeiten. Alle Angaben beruhen auf den offiziellen Hilfe- und Preisseiten der Anbieter, Stand Oktober 2026.

Das Problem mit dem einzelnen Chat

Ein normaler Chat ist ein linearer Verlauf. Je länger er wird, desto mehr Platz im Kontextfenster belegen frühere Nachrichten, und Anweisungen vom Anfang verlieren an Gewicht. Hinzu kommen zwei praktische Schwächen:

• Kein gemeinsames Wissen: Dokumente, die in einem Chat hochgeladen wurden, stehen im nächsten Chat nicht zur Verfügung. Jede Person lädt dieselben Unterlagen erneut hoch, oft in unterschiedlichen Versionen.
• Keine gezielte Bearbeitung: Wer im Chat um eine Änderung bittet, bekommt meist den kompletten Text neu. Dabei ändern sich oft auch Stellen, die schon gepasst haben.

AI Workspaces lösen das auf zwei Wegen: durch einen dauerhaften Projektkontext (Claude Projects, ChatGPT Projects) und durch eine bearbeitbare Arbeitsfläche neben dem Chat (ChatGPT Canvas, Claude Artifacts, Copilot Pages).

Die drei Tools im Vergleich

Claude Projects: viel Wissen, saubere Trennung

Ein Claude Project ist ein abgeschlossener Arbeitsbereich mit eigenen Chats, eigener Wissensbasis und eigenen Anweisungen. Wer dort Styleguide, Briefing und Referenztexte ablegt, muss sie nicht in jedem Chat neu erklären. Jeder neue Chat im Projekt startet mit diesem Kontext.

Die Stärke liegt in der Menge: Nähert sich das Projektwissen den Grenzen des Kontextfensters, schaltet Claude in bezahlten Plänen automatisch auf RAG um. Statt alle Dokumente auf einmal zu laden, sucht Claude dann die passenden Abschnitte heraus. Laut Anthropic erweitert das die Kapazität um bis zu das Zehnfache. Ergebnisse wie Konzepte, Code oder Diagramme landen als Artifacts neben dem Chat und lassen sich dort weiterbearbeiten.

Der Haken für Teams: Projekte lassen sich nur in den Plänen Team und Enterprise mit Kolleginnen und Kollegen teilen. Mit Pro oder Max arbeitet jede Person in ihren eigenen Projekten. Wer Claude mit Firmendaten nutzt, sollte außerdem die Lizenzfrage klären. Was dabei zu beachten ist, steht im Leitfaden Claude DSGVO-konform einsetzen.

Passt zu: Konzeption, Recherche, wiederkehrende Aufgaben mit festem Regelwerk, etwa Texte nach Styleguide oder Analysen nach demselben Schema.

ChatGPT Canvas und Projects: präzise Überarbeitung

Canvas öffnet neben dem Chat einen Editor. Statt den Text neu generieren zu lassen, markiert man eine Passage und gibt nur dafür eine Anweisung. Für Texte gibt es Shortcuts etwa zu Länge und Leseniveau, für Code unter anderem Review, Logs und das Portieren in eine andere Sprache. Das macht Canvas zum stärksten Werkzeug, wenn ein Text oder ein Skript Schritt für Schritt besser werden soll.

Den dauerhaften Kontext liefern bei OpenAI die Projects. Sie bündeln Chats, Dateien und Anweisungen. Die Grenzen sind klar geregelt: 5 Dateien pro Projekt im Free-Plan, 25 bei Go und Plus, 40 bei Pro, Business und Enterprise. Seit Oktober 2025 lassen sich Projekte in allen Plänen teilen. Geteilte Projekte nutzen automatisch ein Gedächtnis, das nur auf Chats im selben Projekt zugreift. So vermischt sich das Projekt nicht mit privaten Unterhaltungen der Mitglieder.

Passt zu: Redaktion, Lektorat, Code-Iterationen und kleine Teams, die ohne Enterprise-Vertrag gemeinsam an einem Projekt arbeiten wollen.

Microsoft Copilot Pages: Zusammenarbeit im eigenen Tenant

Copilot Pages verwandelt eine Antwort aus dem Copilot-Chat in eine eigene Seite. Diese Seite lässt sich bearbeiten, mit Copilot weiterentwickeln und teilen. Mehrere Personen können gleichzeitig darin arbeiten, mit Anwesenheitsanzeige und gemeinsamen Cursorn.

Der Unterschied zu Claude und ChatGPT liegt im Speicherort. Microsoft speichert jede Page als .page-Datei in einem nutzereigenen SharePoint-Embedded-Container. Damit gelten die Speicher-, Berechtigungs- und Governance-Regeln des eigenen Microsoft-365-Tenants, und der Speicher zählt gegen das SharePoint-Kontingent der Organisation. Im Admin Center und in Purview-Auditdaten taucht die Anwendung allerdings unter dem Namen Loop auf.

Für Pages selbst ist laut Microsoft keine Microsoft-365-Copilot-Lizenz nötig, ein Arbeitskonto mit SharePoint- oder OneDrive-Speicher reicht. Wer Copilot auf Basis der eigenen Mails, Dateien und Termine arbeiten lassen will, braucht eine Copilot-Lizenz. Für volle Funktionen wie @-Erwähnungen setzt Microsoft ein Exchange-Online-Postfach voraus.

Passt zu: Teams, die ohnehin in Microsoft 365 arbeiten und KI-Ergebnisse direkt dort weiterbearbeiten wollen, wo auch Dokumente, Meetings und Berechtigungen liegen.

Welches Tool für welchen Workflow?

In der Praxis schließen sich die Tools nicht aus. Ein häufiges Muster: Recherche und Konzept in Claude Projects, Feinschliff in Canvas, Abstimmung im Team über Pages oder das bestehende Dokumentensystem.

Context Rot: Wenn das Projektwissen schadet

Dauerhafter Kontext hat eine Kehrseite. Liegen im Projekt veraltete Entwürfe, doppelte Dateien oder ungeprüfte Rohdaten, greift das Modell auch darauf zurück. Die Antworten werden widersprüchlich oder stützen sich auf überholte Angaben. Dieses schleichende Qualitätsproblem heißt Context Rot. Es verstärkt das Risiko von Halluzinationen, weil das Modell scheinbar belegte, aber falsche Informationen übernimmt.

Vier Regeln helfen dagegen:

1. Ein Projekt pro Aufgabe oder Kunde. Kleine, klar abgegrenzte Projekte liefern bessere Antworten als ein Sammelprojekt für alles.
2. Kuratierte Quellen statt Rohdaten. Eine aufbereitete Markdown-Datei mit den relevanten Fakten ist wertvoller als zwanzig PDFs. Wie man solche Dateien gezielt für KI-Systeme aufbereitet, zeigt das Projekt Grounding Page Generator.
3. Regelmäßig aufräumen. Veraltete Entwürfe und ersetzte Versionen gehören aus dem Projekt gelöscht, nicht nur umbenannt.
4. Firmenwissen zentral anbinden. Wenn mehrere Teams dieselben Dokumente brauchen, ist ein zentrales Retrieval besser als dieselbe Datei in zehn Projekten.

Grenzen der Workspaces und der nächste Schritt

Alle drei Workspaces lösen das Problem auf Ebene des einzelnen Projekts. Sobald ein Unternehmen Wissen über viele Projekte, Abteilungen und Berechtigungsstufen hinweg nutzbar machen will, stoßen sie an Grenzen. Dateien werden manuell hochgeladen, Aktualisierungen kommen nicht automatisch an, und Zugriffsrechte aus dem Dokumentensystem gelten im Projekt nicht.

Der nächste Schritt ist eine zentrale Wissensschicht, die Dokumente automatisch aktuell hält und Berechtigungen beim Abruf durchsetzt. Wie so ein System aufgebaut ist, beschreiben die Artikel Company Brain aufbauen und RAG Berechtigungsmanagement. Über das Model Context Protocol lässt sich eine solche Wissensbasis direkt an Claude anbinden, wie im Projekt Wissensbasis mit RAG und MCP umgesetzt. Für tiefere Architekturfragen lohnt der Artikel zu Agentic RAG mit MCP.