Wer regelmäßig mit Sprachmodellen arbeitet, kennt das Muster: Eine Aufgabe wird über mehrere Anläufe hinweg immer besser gelöst, die Formulierung sitzt, das Ergebnis stimmt – und mit dem Schließen des Chatfensters ist das Wissen darüber weg. Zwei aktuelle Entwicklungen greifen genau diesen Punkt auf, allerdings auf unterschiedlichen Ebenen.

WikiSkill: Agenten dokumentieren, was funktioniert hat

Google Research hat mit WikiSkill ein Framework vorgestellt, das KI-Agenten eine persistente Wissensbasis gibt. Agenten sind in diesem Zusammenhang KI-Systeme, die eine Aufgabe über mehrere Schritte hinweg selbstständig bearbeiten, etwa Werkzeuge aufrufen und Zwischenergebnisse prüfen. Bisher verwerfen solche Systeme ihre Erkenntnisse nach jeder Iteration: Was im dritten Versuch gescheitert ist, wird im vierten möglicherweise erneut probiert.

WikiSkill setzt dagegen auf Dokumentation. Fehler und Erfolge werden in einer Art Wiki festgehalten und stehen für spätere Durchläufe zur Verfügung. Der Agent baut damit über die Zeit einen Erfahrungsschatz auf, statt jedes Mal bei null zu beginnen.

Interessant ist die Beobachtung, dass die Wirkung je nach Modellgröße unterschiedlich ausfällt. Größere Modelle profitieren laut den vorliegenden Angaben stärker von der dokumentierten Wissensbasis. Gleichzeitig können kleinere Modelle teils zu größeren aufschließen – ein Hinweis darauf, dass strukturiertes Wissen einen Teil dessen kompensiert, was sonst über Modellgröße gelöst werden müsste. Für die Praxis ist das eine relevante Perspektive, weil kleinere Modelle günstiger und schneller sind.

Prompt-Bibliotheken: dasselbe Prinzip auf Teamebene

Parallel dazu adressieren Teams das Problem organisatorisch. heise KI Pro kündigt für den 1. September 2026 von 16 bis 17 Uhr ein Webinar zum Aufbau wiederverwendbarer Prompt-Bibliotheken an; die Teilnahme kostet 99 Euro. Inhaltlich geht es darum, aus einmaligen KI-Anfragen modulare Vorlagen zu entwickeln, die für Teams und wiederkehrende Aufgaben taugen.

Die genannte Bandbreite reicht vom einfachen Chat-Template über Custom GPTs – also vorkonfigurierte Assistenten mit festgelegter Rolle und Wissensbasis – bis zu Prompts als Bausteinen in KI-gestützten Workflows. Damit ist die Spannweite gut umrissen: Am einen Ende steht eine gepflegte Textsammlung, am anderen ein Baustein in einer automatisierten Prozesskette.

Der gemeinsame Kern

Beide Ansätze behandeln Prompts und Vorgehensweisen nicht als Wegwerfartikel, sondern als Wissensbestand, der gepflegt und wiederverwendet wird. Der Unterschied liegt darin, wer dokumentiert:

  • WikiSkill automatisiert das Festhalten von Erfahrungen innerhalb des Agentensystems. Das System selbst schreibt mit, was geklappt hat und was nicht.
  • Prompt-Bibliotheken sind eine menschliche Aufgabe. Mitarbeitende erkennen, dass eine Formulierung gut funktioniert, und überführen sie in eine Vorlage, die andere nutzen können.

In der Praxis ergänzen sich beide Richtungen. Eine Prompt-Bibliothek liefert die Ausgangsqualität, mit der ein Agent startet. Ein System mit persistenter Wissensbasis verfeinert diesen Startpunkt anhand konkreter Durchläufe. Wer nur eines von beidem betreibt, verschenkt entweder die Erfahrung aus der Nutzung oder die Struktur aus dem Team.

Was Unternehmen daraus mitnehmen können

Der praktische Hebel liegt weniger im Modell als in der Frage, wo KI-Wissen im Unternehmen eigentlich liegt. Solange Prompts in privaten Chatverläufen einzelner Personen stecken, ist das Wissen an diese Personen gebunden. Es lässt sich nicht prüfen, nicht verbessern und nicht übergeben.

Ein paar Ansatzpunkte lassen sich daraus ableiten:

  1. Wiederkehrende Aufgaben identifizieren. Wiederverwendbarkeit lohnt sich dort, wo dieselbe Art von Anfrage regelmäßig auftritt – Produkttexte, Zusammenfassungen, Klassifizierung von Anfragen, Codeprüfungen.
  2. Prompts versionieren wie Code. Wenn eine Vorlage in Prozessen verwendet wird, braucht sie eine nachvollziehbare Änderungshistorie. Änderungen am Prompt verändern das Ergebnis, oft subtil.
  3. Zuständigkeit klären. Eine Bibliothek ohne Pflege veraltet. Es braucht Personen, die Vorlagen freigeben, überarbeiten und ausrangieren.
  4. Ergebnisse dokumentieren, nicht nur Prompts. Der Kerngedanke von WikiSkill – Fehler ebenso festhalten wie Erfolge – lässt sich auch ohne Framework auf Teams übertragen. Was nicht funktioniert hat, ist oft die wertvollere Information.

Einordnung: Grenzen und offene Punkte

Zu WikiSkill liegen bislang Ergebnisse aus der Forschung vor, keine Angaben zu einer breiten Verfügbarkeit in Produktionsumgebungen. Wie stabil sich eine wachsende Wissensbasis über längere Zeiträume verhält, ist eine offene Frage: Dokumentierte Erkenntnisse können auch veralten, wenn sich Werkzeuge, Schnittstellen oder Anforderungen ändern. Ein Wiki, das falsche Annahmen konserviert, verstärkt Fehler statt sie zu vermeiden.

Ähnlich verhält es sich mit Prompt-Bibliotheken. Der Aufbau ist der einfache Teil, die Pflege der schwierige. Vorlagen, die auf ein bestimmtes Modell zugeschnitten sind, funktionieren nach einem Modellwechsel nicht zwangsläufig gleich gut. Wer Prompts in Workflows einbindet, sollte deshalb einplanen, dass diese Bausteine regelmäßig überprüft werden müssen – vergleichbar mit Abhängigkeiten in einer Softwareanwendung.

Für Web- und Softwareprojekte bedeutet das: Prompts sind Teil der Anwendungslogik und gehören entsprechend behandelt – versioniert, getestet, mit klarer Zuständigkeit. Wer KI-Funktionen in eine Website, ein Redaktionssystem oder einen internen Prozess integriert, sollte von Anfang an festlegen, wo diese Bausteine liegen und wie Erkenntnisse aus dem Betrieb zurückfließen. Der Unterschied zwischen einer nützlichen KI-Funktion und einer, die nach drei Monaten niemand mehr anfasst, liegt meist genau hier.

Quellen