KI im Arbeitsalltag
Skills in KI-Tools: Warum ein paar Textdateien so viel verändern
Skills machen aus einem allgemeinen KI-Assistenten ein Werkzeug, das die eigene Organisation kennt. Und man braucht dafür keine Programmierkenntnisse.
Die meisten nutzen KI-Tools bis heute wie einen sehr klugen Chat: Frage rein, Antwort raus. Wer mehr will, schreibt lange Prompts und erklärt jedes Mal aufs Neue, wie der Bericht aufgebaut sein soll, welche Vorlage gilt und was auf keinen Fall drinstehen darf. Spätestens beim dritten Mal nervt das. Und das Ergebnis hängt davon ab, wer an dem Tag wie gut formuliert hat.
Genau hier setzen Skills an. Für mich gehören sie im Moment zu den spannendsten Entwicklungen bei KI-Tools, obwohl sie so unscheinbar daherkommen.
Was ein Skill eigentlich ist
Ein Skill ist im Kern ein Ordner mit einer Textdatei, der SKILL.md. Oben stehen ein Name und ein, zwei Sätze dazu, wofür der Skill gedacht ist. Darunter steht in normaler Sprache, wie eine bestimmte Aufgabe erledigt werden soll: welche Schritte, welche Regeln, welche Beispiele. Bei Bedarf kommen Vorlagen, Beispieldokumente oder kleine Skripte dazu.
Der Clou: Das KI-Tool liest zunächst nur die Kurzbeschreibungen. Erst wenn eine Anfrage zu einem Skill passt, lädt es den Rest. So lassen sich Dutzende Skills hinterlegen, ohne das Modell mit Anweisungen zu überfrachten, die gerade keine Rolle spielen. Eingeführt hat das Konzept Anthropic für Claude, inzwischen unterstützen auch andere Anbieter das Format.
Von der Einzelanfrage zum Workflow
Richtig interessant wird es bei Aufgaben, die einem festen Ablauf folgen sollen. Ein Beispiel ist ein Skill für Dokumentenzusammenfassungen. Er sorgt dafür, dass jede Zusammenfassung gleich aufgebaut ist und die Inhalte in einer sinnvollen Reihenfolge vermittelt. Statt sofort in den Inhalt einzusteigen, beschreibt sie zuerst, wie das Dokument aufgebaut ist und worum es darin grundsätzlich geht. Danach folgen die wichtigsten Aussagen, erst dann die Details. Ohne Skill fällt jede Zusammenfassung etwas anders aus, je nachdem, wie man gefragt hat. Mit Skill weiß man beim Lesen sofort, wo was steht.
Solche Abläufe lassen sich für vieles bauen: einen Vermerk nach hausinternem Schema, die Auswertung eines Formulars, eine erste Einschätzung zu einem neuen KI-Anwendungsfall. Mit Skripten kann ein Skill außerdem Dinge erledigen, die ein Sprachmodell allein nicht zuverlässig hinbekommt, etwa eine Vorlage korrekt befüllen oder ein Dateiformat prüfen.
Eine KI, die das eigene Haus kennt
Allgemeine KI-Modelle wissen viel über die Welt, aber nichts über die eigene Organisation. Sie kennen weder die Fachbegriffe noch die Vorlagen, Zuständigkeiten oder die ungeschriebenen Regeln, nach denen bestimmte Dokumente aussehen müssen. Dieses Wissen steckt in Köpfen, in Wiki-Seiten, die keiner findet, und in der Datei „Vorlage_final_v3“.
Ein Beispiel sind Office-Dokumente im Corporate Design. Viele KI-Tools können inzwischen Word- oder PowerPoint-Dateien erstellen und ein CD sogar aus einer hochgeladenen Vorlage übernehmen. Nur muss man das jedes Mal aufs Neue tun, und das Ergebnis fällt je nach Person und Anfrage etwas anders aus. Ein Skill hält Vorlage, Regeln und Beispiele an einer Stelle fest. Dann sieht jedes Dokument gleich aus, egal wer es erstellt, und niemand muss erst die richtige Datei suchen.
Das gilt weit über Dokumente hinaus: Was einmal sauber beschrieben ist, steht allen zur Verfügung, die mit dem Tool arbeiten. Neue Kolleginnen und Kollegen profitieren davon genauso wie erfahrene, die einfach Zeit sparen wollen.
Auch Vorgaben lassen sich so mitgeben, etwa welche Daten nicht verarbeitet werden sollen oder dass bestimmte Ergebnisse immer gekennzeichnet werden. Man sollte sich allerdings nichts vormachen: Ein Skill ist eine Anweisung, keine technische Sperre. Er ersetzt weder Governance noch die Verantwortung der Nutzenden, macht es aber deutlich leichter, sich an Regeln zu halten.
Am besten gemeinsam entwickeln
Was mich an Skills am meisten überzeugt, ist, wie zugänglich sie sind. Man braucht weder die IT-Abteilung noch Programmierkenntnisse. Wer seine Arbeit erklären kann, kann auch einen Skill schreiben.
Darin steckt für mich viel Potenzial. Wenn Fachbereiche selbst beschreiben können, wie sie arbeiten, muss nicht mehr eine zentrale Stelle alles vorgeben. Ich stelle mir das in kleinen Runden vor: eine konkrete Aufgabe auswählen, gemeinsam einen ersten Entwurf schreiben, ausprobieren und schauen, wo die KI etwas anders versteht als gedacht. Dann nachschärfen und noch einmal testen. So könnte Schritt für Schritt etwas entstehen, das im Alltag wirklich hilft.
Spannend finde ich auch, was dabei nebenbei passieren kann. Wer einen Skill schreibt, muss sein implizites Wissen ausformulieren. Dabei dürfte sich zeigen, dass manche Prozesse gar nicht so klar sind, wie alle dachten, oder dass zwei Teams dieselbe Aufgabe ganz unterschiedlich erledigen. Allein solche Gespräche wären schon ein Gewinn. Und vielleicht tauchen dabei Anwendungsfälle auf, an die vorher niemand gedacht hat.
Worauf man achten sollte
- Pflege: Ein Skill ist nur so gut wie seine Beschreibung. Ändern sich Vorlagen oder Prozesse, muss er mitwachsen. Deshalb braucht jeder Skill jemanden, der sich zuständig fühlt.
- Testen: Neue oder geänderte Skills sollte man an echten Beispielen ausprobieren, bevor sie breit genutzt werden.
- Herkunft: Skills aus dem Internet können Anweisungen und Skripte enthalten, die man nicht auf den ersten Blick durchschaut. Fremde Skills sollten deshalb vor dem Einsatz geprüft werden, wie jede andere Software auch.
Mein Fazit: Technisch sind Skills unspektakulär, ein paar Textdateien in einem Ordner. Trotzdem verändern sie einiges: Sie machen das Wissen einer Organisation für die KI nutzbar und holen die Menschen, die dieses Wissen haben, mit an den Tisch. Wer anfangen möchte, nimmt sich am besten erst einmal eine einzige, gut gewählte Aufgabe vor. Skill für Skill wird so aus einem KI-Tool von der Stange eines, das wirklich zur eigenen Organisation passt.