Der TV-Assistent von tvprogramm.de zeigt, wie ChatGPT für aktuelle Fakten nützlich wird: Das Sprachmodell formuliert und versteht Fragen, die verbindlichen Sendezeiten kommen jedoch aus einer eigenen Programmdatenbank. Für nicht abgedeckte Sender, Streaming-Hinweise und Hintergrundwissen ergänzt Websuche die Antwort.
Übersicht:
Daten statt Raten bei Sendezeiten
Ein KI-Assistent für Fernsehen darf Sendezeiten nicht aus dem Sprachmodell ableiten. Er muss aktuelle Programmdaten abrufen, sonst klingt die Antwort zwar flüssig, kann aber sachlich falsch sein.
Genau hier liegt der Unterschied zwischen einem normalen Chat und einem spezialisierten TV-Tool. ChatGPT erkennt, ob jemand nach einer Sendung, einem Sender, einem Schauspieler oder dem Abendprogramm fragt. Die endgültigen Fakten kommen aber aus Quellen, die dafür gebaut wurden.
Das ist besonders wichtig bei scheinbar einfachen Fragen wie „Was läuft heute um 20:15 auf VOX?“ Eine falsche Uhrzeit zerstört sofort Vertrauen. Eine knappe, geprüfte Antwort ist deshalb wertvoller als eine lange Erklärung.
So arbeitet der TV-Assistent technisch
Technisch verbindet der Assistent mehrere Bausteine: die Responses-API von OpenAI, Function Calling, eine eigene Programmdatenbank, Websuche und eine Vektor-Datenbank für Senderwissen. Das Sprachmodell entscheidet dabei nicht allein, sondern ruft bei Bedarf passende Werkzeuge auf.
Programmdaten als Faktenbasis
Für die zehn zentralen deutschen Sender liegt ein eigener Datenbestand vor. Er wird mehrmals täglich aktualisiert und enthält die konkreten Sendungen, Uhrzeiten und Senderzuordnungen.
Fragt ein Nutzer nach einem dieser Sender, wandelt das Modell die freie Sprache in eine strukturierte Anfrage um. Die Datenbank liefert die Fakten, das Modell macht daraus eine verständliche Antwort.
- Sprachmodell: erkennt Absicht, Zeitbezug und Kontext der Frage.
- Tool-Call: ruft die passende Funktion für Programmdaten, Websuche oder Hintergrundwissen auf.
- Datenbank: liefert belastbare Sendeinformationen für die abgedeckten Sender.
- Antwortausgabe: formuliert das Ergebnis knapp, lesbar und direkt nutzbar.
Websuche für alles außerhalb des Kernbestands
Fernsehen endet nicht bei zehn Sendern. Für zusätzliche Kanäle wie MTV oder Nitro, für Streamingdienste und für Fragen zu Filmen, Rollen oder Personen nutzt der Assistent die Websuche der OpenAI-API.
Wichtig ist die Trennung der Quellen: Bei der Websuche werden die eigenen Kernsender ausgeklammert. So konkurriert die Websuche nicht mit der exakteren Datenbank, sondern ergänzt sie dort, wo der eigene Bestand nicht reicht.
Vektor-Datenbank für Senderwissen
Zusätzlich liegt Hintergrundmaterial zu Sendern in einer Vektor-Datenbank. Vektoren sind mathematische Repräsentationen von Texten, mit denen ein System inhaltlich ähnliche Informationen schneller findet.
So kann der Assistent auch Fragen zur Geschichte, Ausrichtung oder Eigentümerstruktur eines Senders beantworten, ohne jedes Detail in den Prompt zu schreiben. Die OpenAI-Dokumentation beschreibt solche Speicher unter anderem als Vector Stores.
Was Nutzer im Alltag davon haben
Der praktische Nutzen zeigt sich an kurzen, unsauberen Suchanfragen. Nutzer müssen keine Datenbanklogik kennen und keine Filter bedienen, sondern schreiben einfach „Tatort heute“, „Sport jetzt“ oder „Was läuft nach 22 Uhr auf RTL?“.
Ein konkretes Beispiel: Bei „Was läuft heute um 20:15 auf VOX?“ erkennt der Assistent Sender, Datum und Uhrzeit. Danach fragt er die Programmdatenbank ab und antwortet mit Sendung, Startzeit und gegebenenfalls Zusatzinformationen.
Die Ausgabe wird gestreamt, sie erscheint also schrittweise während der Generierung. Das fühlt sich schneller an, weil die Antwort nicht erst komplett fertig sein muss, bevor der Nutzer etwas sieht.
Wer nicht tippen möchte, kann sprechen. Eine Audioaufnahme wird über ein OpenAI-Transkriptionsmodell in Text umgewandelt und anschließend wie eine normale Chatfrage verarbeitet. Die technische Grundlage dafür beschreibt OpenAI in der Dokumentation zu Speech-to-Text.
Wie automatisch Filmseiten entstehen
Aus derselben Architektur entstehen auch dauerhafte Filmseiten. Wenn ein Spielfilm im Programm auftaucht, recherchiert ein Modell per Websuche die wichtigsten Informationen und bringt sie in eine feste Struktur.
Diese Struktur umfasst Einleitung, Handlung, Besetzung, Hintergrund und Bewertung. Das Rating entsteht als Durchschnitt aus mehreren Quellen, damit nicht eine einzelne Einschätzung das Ergebnis dominiert.
Eine Vorlage überführt die Daten anschließend in ein einheitliches Seitenlayout. Ein zusätzlicher Blick in die Programmdatenbank zeigt direkt, wann der Film demnächst im Fernsehen läuft.
Damit wird aus einer flüchtigen Programminformation ein nutzbarer Inhaltsbaustein. Die Filmseite erklärt nicht nur den Titel, sondern verbindet Kontext, Bewertung und nächste Ausstrahlung.
Warum dieses Muster über TV hinausweist
Der interessante Punkt ist nicht nur das Fernsehprogramm, sondern die Arbeitsteilung. Das Projekt folgt einem einfachen Drei-D-Modell: Daten liefern Verlässlichkeit, Deutung schafft Verständnis, Darstellung macht das Ergebnis nutzbar.
- Daten: harte Fakten wie Uhrzeiten, Sender und Ausstrahlungstermine kommen aus kontrollierten Quellen.
- Deutung: das Sprachmodell erkennt, was Nutzer meinen, auch wenn die Frage knapp oder ungenau formuliert ist.
- Darstellung: die Antwort wird so formuliert, dass sie sofort verstanden und weiterverwendet werden kann.
Entscheidungsregel: Je stärker eine Antwort von aktuellen, überprüfbaren Fakten abhängt, desto weniger sollte sie frei aus einem Sprachmodell kommen. Für feste Daten braucht es Datenbanken oder angebundene Tools, für Erklärung und Einordnung ist das Modell zuständig.
Genau dieses Muster macht aus einem allgemeinen Chatmodell ein spezialisiertes Werkzeug. Es eignet sich nicht nur für TV-Programme, sondern auch für Fahrpläne, Produktdaten, Veranstaltungskalender oder interne Wissenssysteme.
Der Assistent ist direkt über tvprogramm.de erreichbar. Wer ihn testet, sieht vor allem eines: Gute KI-Anwendungen entstehen nicht durch möglichst lange Prompts, sondern durch saubere Zuständigkeiten zwischen Modell, Daten und Werkzeugen.