Wer KI-Agenten in Entwicklungs- oder Geschäftsprozesse einbindet, arbeitet früher oder später mit sogenannten Skills. Gemeint sind hinterlegte Anleitungen, die einem Agenten sagen, wie eine bestimmte Aufgabe abzuarbeiten ist – vom Anlegen eines Tickets bis zum Deployment-Check. Eine Untersuchung von Forschenden der Princeton University und der University of California, San Diego, liefert nun eine wichtige Präzisierung: Der Nutzen solcher Skills entsteht in erster Linie durch die enthaltene Struktur, nicht durch zusätzliches Fachwissen.
Der Unterschied zwischen Wissen und Ablauf
Die Unterscheidung klingt akademisch, hat aber unmittelbare Folgen für die Praxis. Viele Teams behandeln Skills wie eine Wissensdatenbank: Sie schreiben hinein, was das Modell über ein System, eine Schnittstelle oder ein Produkt wissen soll. Die Studie deutet darauf hin, dass genau das nicht der entscheidende Hebel ist. Grundlagenmodelle bringen bereits viel allgemeines Wissen mit. Was ihnen fehlt, ist die verlässliche Reihenfolge – welcher Schritt zuerst kommt, welche Prüfung vor dem nächsten Schritt liegt, wann eine Aufgabe als abgeschlossen gilt.
Ein Skill wirkt damit weniger wie ein Nachschlagewerk und mehr wie eine Arbeitsanweisung. Er reduziert die Zahl der Entscheidungen, die ein Agent selbst treffen muss, und verringert damit die Wahrscheinlichkeit, dass er einen Weg wählt, der plausibel klingt, aber zum falschen Ergebnis führt. Für die Architektur von Agenten-Setups bedeutet das: Der Aufwand gehört in die Beschreibung des Ablaufs, nicht in die möglichst vollständige Sammlung von Hintergrundinformationen.
Das Problem beginnt beim Wachstum der Bibliothek
Die zweite Erkenntnis der Untersuchung ist die unangenehmere. Skills entfalten ihren Nutzen nur, wenn der Agent die passende Anleitung im richtigen Moment auch findet. Mit zunehmender Größe der Skill-Bibliothek fällt ihm genau das immer schwerer. Der Effekt ist bekannt aus anderen Kontexten: Je mehr ähnliche Optionen zur Auswahl stehen, desto unzuverlässiger wird die Auswahl selbst.
In der Konsequenz kippt der Nutzen. Ein Setup, das mit einer Handvoll klar abgegrenzter Skills sehr gut funktioniert, kann nach dem Ausbau auf mehrere Dutzend Anleitungen schlechter arbeiten als vorher – nicht weil die einzelnen Skills schlechter geworden wären, sondern weil der Agent den falschen greift oder gar keinen. Wer Agenten in Kundenprojekten betreibt, sollte diesen Punkt einplanen, bevor die Bibliothek organisch gewachsen ist.
Was das für den Aufbau von Agenten-Setups heißt
Aus den beiden Befunden lassen sich einige praktische Leitlinien ableiten:
- Ablauf vor Inhalt: Ein Skill sollte in erster Linie Schritte, Reihenfolgen und Abbruchbedingungen beschreiben. Hintergrundwissen gehört nur hinein, wenn es für die Ausführung des Schritts wirklich nötig ist.
- Klare Abgrenzung: Zwei Skills, die sich inhaltlich überlappen, erhöhen die Fehlerquote bei der Auswahl. Besser ist ein einziger Skill mit einer Verzweigung als zwei fast identische Varianten.
- Bibliotheksgröße als Designparameter: Die Zahl der Skills ist keine reine Fleißaufgabe, sondern eine Architekturentscheidung. Es lohnt sich, bewusst eine Obergrenze zu setzen und regelmäßig auszusortieren.
- Auswahl entlasten: Statt alle Skills gleichzeitig anzubieten, kann man den Kontext eingrenzen – etwa nach Domäne, Projektphase oder Rolle. Der Agent wählt dann aus wenigen relevanten Optionen statt aus dem Gesamtbestand.
- Messen statt vermuten: Ob ein neuer Skill den Betrieb verbessert, lässt sich nur mit wiederholbaren Testfällen beurteilen. Ohne diese Absicherung bleibt jede Erweiterung ein Risiko.
Parallelen zur klassischen Prozessdokumentation
Wer schon einmal ein Qualitätsmanagement-Handbuch oder eine Sammlung interner Arbeitsanweisungen betreut hat, erkennt das Muster wieder. Auch dort gilt: Eine schlanke, gepflegte Dokumentation wird genutzt, eine ausufernde nicht. Auch dort scheitert die Anwendung selten am fehlenden Wissen, sondern an der Frage, welches Dokument für den vorliegenden Fall gilt. Skills für KI-Agenten unterliegen offenbar derselben Logik – mit dem Unterschied, dass die Auswahl nun automatisiert erfolgt und ihre Fehler direkt im Ergebnis landen.
Das entlastet Teams an einer Stelle und belastet sie an einer anderen. Entlastend ist, dass Skills nicht enzyklopädisch sein müssen; kurze, präzise Ablaufbeschreibungen genügen. Aufwand entsteht dafür bei der Pflege: Wer Skills anlegt, braucht einen Prozess, der sie auch wieder zusammenführt, überarbeitet oder löscht.
Einordnung für Web- und Softwareprojekte
Für Projekte, in denen Agenten wiederkehrende Aufgaben übernehmen – Content-Migrationen, Routine-Reviews, Auswertungen, Freigabeschritte –, verschiebt sich damit der Fokus. Der Erfolg hängt weniger davon ab, wie viel man dem Agenten beibringt, als davon, wie klar die Abläufe geschnitten und wie disziplinieren die Skill-Bibliothek geführt wird. Es empfiehlt sich, Agenten-Setups von Anfang an mit einer überschaubaren Zahl scharf abgegrenzter Skills zu planen, den Zugriff kontextabhängig einzuschränken und Erweiterungen genauso zu prüfen wie Codeänderungen. Wer das ignoriert, baut sich ein System, das im Pilotbetrieb überzeugt und im Regelbetrieb still unzuverlässig wird.