KI Skills im Unternehmen: Warum jede Firma eine Skill Library braucht
Jede Firma sollte eine Skill Library haben. Nicht nur Tech-Companies, nicht nur VCs. Jede.
Mit Skills sind hier nicht die Kompetenzen Ihrer Mitarbeiter*Innen gemeint, sondern AI Skills: kleine, klar strukturierte Anleitungen, die einem KI-Agenten beibringen, wie genau Ihre Firma eine bestimmte Aufgabe erledigt. Nicht abstrakt, sondern in der konkreten Form, in der Ihre Firma sie wirklich erledigt.
Der Grund ist simpel: Jede Firma hat bereits eine Methode. Sie steht nur nirgends in einer Form, die eine Maschine ausführen kann. Genau das aufzuschreiben, ist der Hebel, den die meisten gerade übersehen, während sie über das nächste Modell diskutieren.
Die Beratung hat ihre Art, ein Kickoff zu führen. Der Fonds hat seine Art, eine Referenz zu prüfen. Die Kanzlei hat ihre Art, einen Vertrag zu zerlegen. Diese Methode ist das, was Ihre besten Leute von einem durchschnittlichen Wettbewerber unterscheidet. Und in den meisten Firmen existiert sie nur verteilt: auf Memos, Slack-Threads, Projektordnern und in den Köpfen der Senior-Leute.
Was ein Skill ist und was nicht
Bevor es weitergeht, die Abgrenzung, die im Moment für die meiste Verwirrung sorgt. „Skills" meint hier nicht, wie gut Ihr Team mit ChatGPT umgeht. Es meint ein konkretes Artefakt.
Ein Prompt sagt dem Modell einmal, was es tun soll. „Fasse diese Due Diligence zusammen." Beim nächsten Mal fangen Sie wieder bei null an.
Ein Skill hält fest, wie Ihre Firma eine bestimmte Art von Arbeit erledigt, jedes Mal, wenn sie anfällt. Es ist die Qualifizierungs-Brille, die eine Partnerin aufsetzt, bevor sie ein Erstgespräch annimmt. Es ist die Checkliste, die eine gecoachte Referenz entlarvt. Es ist die Memo-Struktur, die den Bear Case auf die Seite zwingt, ob der Deal Lead das will oder nicht.
Ein Skill verpackt Vorgehen und Urteilsvermögen in einem: die Schritte, die Edge Cases, die Fragen, die immer gestellt werden, und die Qualitätsmesslatte, unter die Ihr Team nie geht. Es ist Ihre Methode, in einer Form, die eine Maschine lesen und ausführen kann.
| Prompt | Skill | |
|---|---|---|
| Reichweite | Einmalige Anweisung | Wiederholbares Vorgehen für eine Art von Aufgabe |
| Inhalt | Was das Modell jetzt tun soll | Schritte, Edge Cases, Standardfragen, Qualitätsmesslatte |
| Wissen | Generisch, aus dem Modell | Spezifisch, aus Ihrer Firma |
| Haltbarkeit | Verfällt nach der Konversation | Läuft in jedem künftigen Projekt mit |
Technisch ist ein Skill meist nichts Kompliziertes: eine strukturierte Textdatei, manchmal mit ein paar Hilfsskripten und Beispielen daneben. Anthropic, OpenAI und andere haben dafür inzwischen offene Formate veröffentlicht. Das Format ist die einfache Hälfte. Die schwere Hälfte ist der Inhalt, und der kommt aus Ihrer Firma.
Solange nur Menschen arbeiten, fällt das nicht auf
Dass Ihre Methode nirgends sauber steht, war jahrelang kein echtes Problem. Es ging irgendwie.
Der Junior fragt den Senior. Der Senior erinnert sich an den letzten ähnlichen Fall. Das Projekt läuft. Wissen wandert über Flurgespräche, Mitlesen im CC und drei Jahre Mitlaufen weiter. Langsam, teuer, aber es funktioniert.
Der Preis dafür taucht erst an den Rändern auf. Onboarding dauert Monate, weil die eigentliche Methode nirgends steht und neue Leute sie aus Projekten rekonstruieren müssen. Die erfahrene Kollegin sitzt im dritten Call diese Woche, in dem sie dasselbe erklärt wie letzte Woche. Und wenn sie geht, geht ein Teil der Firma mit ihr. Was implizites Wissen kostet, wenn Mitarbeiter*Innen das Unternehmen verlassen, unterschätzen die meisten Firmen systematisch.
Mit KI-Agenten fällt dieses ungeschriebene Wissen auf einmal hart auf. Ein Agent kann nicht den Senior fragen. Er kennt Ihr Feld im Abstrakten, aber nicht Ihre Filter, nicht Ihre Memo-Struktur, nicht Ihre Qualitätskriterien. Genau das ist der Unterschied zwischen einem Agenten, der generischen Output liefert, und einem, der arbeitet wie Ihre besten Leute.
Tool-Zugang allein bringt nichts
Die meisten Firmen starten ihre KI-Initiative mit Zugang, und es fühlt sich nach Fortschritt an. Lizenzen kaufen, die Daten anbinden, das Modell auf die Projektablage zeigen lassen. Das ist nicht falsch, ein Modell ohne Zugang rät nur.
Nur kauft Ihre Firma dieses Jahr ungefähr dieselbe KI wie der Wettbewerber, der Sie beim letzten Pitch oder Term Sheet ausgestochen hat. Gleiches Frontier-Modell, gleiche Research-Tools, gleiche Chat-Box. Die Fähigkeit, für die Sie eine Prämie zahlen, wird gerade leise zur Fähigkeit, die alle haben.
Zugang produziert kein gutes Urteil. Er produziert ein selbstsicheres Memo, das genau die eine Sache übersieht, die Ihrer besten Partnerin beim ersten Lesen aufgefallen wäre. Ein Modell kann jede Notiz in Ihrem CRM lesen und trotzdem nicht verstehen, wie Ihre Firma entscheidet zu passen. Es kann hundert Interviews zusammenfassen und das eine Signal überhören, das ein Senior im ersten Gespräch erkannt hätte.
Der schwere Teil ist nicht, dem Agenten mehr zum Lesen zu geben. Der schwere Teil ist, ihm beizubringen, wie Ihre Firma denkt.
Skills machen Urteilsvermögen wiederholbar
Dieses Muster ist in der Software nicht neu. Neu ist nur, was Software jetzt einfangen und wiederholbar machen kann.
Libraries machten Code wiederverwendbar. APIs machten Services wiederverwendbar. Workflows machten Prozesse wiederverwendbar. Jetzt kommt die nächste Stufe: Skills machen Urteilsvermögen wiederverwendbar.
KI hat den Einzelnen vielerorts schon zehnmal produktiver gemacht. Was selten gelingt, ist, dass dieser Sprung auf der Ebene der ganzen Firma ankommt. Genau an dieser Lücke zwischen einzelner und institutioneller Produktivität setzen Skills an.
Bisher war Urteilsvermögen an Personen gebunden. Ihre beste Partnerin kann in einem Meeting gleichzeitig sitzen, nicht in zehn. Ihr Qualitätsanspruch skaliert nicht, ihr Kalender schon gar nicht. Ein Playbook im Wiki änderte daran wenig, weil ein Dokument darauf wartet, dass ein Mensch es liest und anwendet, und Menschen unter Zeitdruck lesen keine Wikis.
Dieselbe Streuung steckt auch im Kleinen. Zwei Leute in derselben Rolle, mit derselben Aufgabe und demselben Modell, kommen heute zu spürbar unterschiedlichen Ergebnissen, weil jede*r das Modell anders anweisen muss. Ein Skill nimmt diese Varianz raus: Die Aufgabe wird jedes Mal gleich angegangen, mit weniger Nachjustieren und weniger „so war das nicht gemeint".
Was sich geändert hat, ist der Ausführende. Ein Agent kann das Playbook laden, die Daten ziehen, die Analyse fahren, die Dateien prüfen und weitermachen. Das Playbook hört auf, ein Dokument zu sein, das auf jemanden wartet, und wird selbst zur Arbeitskraft.
Die Library wird zum Asset, nicht das Modell
Stellen Sie sich zwei Firmen vor, die das identische Frontier-Modell nutzen.
Die erste hat es an ihre Systeme angebunden. Die zweite hat es an ihre Systeme angebunden und ihm eine Library aus der besten Arbeit der Firma mitgegeben. Wie gesourct wird, wie gescreent wird, wie ein Memo aussieht, wie ein Zwischenergebnis geprüft wird, bevor es zum Kunden geht.
Die zweite Firma ist eine andere Firma. Ihre Agenten wissen nicht nur, was zu tun ist, sondern wie es bei dieser Firma getan wird. Nicht perfekt, aber konsistent genug, um sich zu verzinsen.
Andre Retterath von Data Driven VC sieht genau diesen Spalt in den Daten zur kommenden DDVC Landscape: Fonds, die KI in ihre echten Workflows integriert haben, berichten von rund 50 Prozent Full-Scale-Adoption. Fonds, die KI als Chat-Fenster neben dem alten Prozess betreiben, liegen bei rund 3 Prozent. Beiden steht dasselbe Modell zur Verfügung. Es entstehen trotzdem zwei völlig verschiedene Firmen.
Ihr Vorteil kommt nicht aus dem Modell, das Sie lizenzieren, denn das lizenziert Ihr Wettbewerber auch. Er kommt aus dem Urteilsvermögen, das Sie zuerst wiederverwendbar machen.
Wie das nach Funktion konkret aussieht
Die These ist breit, die Umsetzung ist spezifisch. Was eine Firma codifiziert, hängt davon ab, womit sie ihr Geld verdient.
| Funktion | Skills, die sich lohnen |
|---|---|
| Beratung | Kickoff-Struktur, Assumption Mapping, Issue Tree, Qualitätsmesslatte für Zwischenergebnisse, Tonalität der Deliverables |
| VC / PE | Pass-Kriterien, Referenz-Skript, IC-Memo-Struktur, Red-Flag-Checkliste, Portfolio-Triage-Logik |
| Corporate Development / Strategy | Markt-Screening-Filter, Wettbewerber-Mapping, Synergie-Logik, Vorlage für Board-Unterlagen |
| Kanzlei | Vertragszerlegung nach Risikoklasse, Standard-Klauseln, Prüf-Checkliste, Mandanten-Briefing-Struktur |
Eine Beratung, die ihre Projektmethodik so dokumentiert, dass ein Agent sie ausführen kann, ist näher an „AI-first" als eine, in der alle ChatGPT offen im Browser haben. Wie das in der Praxis aussieht, zeigt der Überblick zu KI in der Beratung.
Der eigentliche Hebel entsteht, wenn diese Skills zusammenspielen. Ein Skill bewertet die eingehende Opportunity, der nächste fährt die strukturierte Prüfung, ein dritter schreibt das IC-Memo gegen Ihre Vorlage. Stapelt man sie, läuft die ganze Kette vom eingehenden Deck bis zum Memo-Entwurf durch, statt in Einzelschritten von Hand. Aus einer Sammlung einzelner Anleitungen wird so ein durchgehender Workflow.
In jeder dieser Funktionen gilt dasselbe: Die wertvollsten Skills sind nicht die generischen, sondern die, die das Urteilsvermögen einfangen, für das Ihre Firma Jahre gezahlt hat.
Woher die Skills kommen: Branche, Firma, Person
Wissen bewegt sich in einer Firma auf drei Ebenen, und eine gute Skill Library bildet alle drei ab.
Auf der Branchen-Ebene liegt das, was in Ihrem Feld ohnehin Standard ist: wie eine Vergleichsanalyse aufgebaut wird, welche Felder in einem Comp zählen, wie man mit fehlenden Vergleichswerten umgeht. Solche Skills kann man von Fachleuten übernehmen oder fertig einkaufen. Sie heben jeden auf ein solides Grundniveau, sind aber kein Vorsprung, weil sie allen offenstehen.
Auf der Firmen-Ebene wird es spezifisch. Hier sitzt die Associate, die Kreditmemos so strukturiert, dass sie zuverlässig durchs IC kommen, und der Partner, dessen Screening-Logik der Rest des Teams aus den Ergebnissen zurückzurechnen versucht. Codifiziert man genau das, bekommt jede*r im Team beim Einsatz der KI dieselbe Qualität wie die beste Person der Firma. Das ist die Ebene, auf der ein echter Vorsprung entsteht.
Auf der persönlichen Ebene geht es um Ihre eigenen Vorlieben und Abkürzungen: das Pipeline-Update in genau Ihrem Format, die Memo-Struktur, die Sie immer verwenden. Ein persönlicher Skill hält das konsistent, ohne dass Sie es in jeder Konversation neu erklären müssen.
Die Firmen-Ebene ist auch die, die Steuerung braucht. Wer darf einen Skill bearbeiten, wer sieht ihn, wer gibt ihn frei? Sobald mehr als eine Handvoll Leute dieselben Skills nutzen, wird das ernst: Governance schützt die Qualität dessen, was Ihre besten Leute gebaut haben, damit sie verlässlich bleibt, während die halbe Firma den Skill übernimmt. Firmen, die das sauber lösen, behandeln ihre Skill Library wie jedes andere kritische System, mit klarer Verantwortung und einem Überblick darüber, was im Einsatz ist und warum.
Warum die wertvollsten Skills privat bleiben
Öffentliche Skill-Marktplätze entstehen gerade überall. Das meiste, was dort liegt, ist generisch: viel Rauschen, wenig Signal, selten relevant für die spezifische Art, wie Ihre Firma arbeitet.
Das liegt in der Natur der Sache. Was eine Firma wirklich gut macht, ist spezifisch. Ihre Pass-Kriterien, Ihr Referenz-Skript, die exakte Struktur Ihres IC-Memos, die Tonalität Ihres LP-Letters. Nichts davon kann man downloaden. Genau deshalb lohnt es sich, es zu codifizieren.
Eine generische KI weiß viel über Ihr Feld im Abstrakten. Nützlich wird sie erst, wenn sie die Entscheidungen und Lektionen lernt, die Ihre Firma teuer bezahlt hat. Öffentliche Skills sind ein guter Startpunkt. Der Moat entsteht da, wo sie aufhören.
Ein häufiger Reflex ist hier, die eigene Methode nicht aufzuschreiben, weil sie geheim sei. Das verwechselt zwei Dinge. Geheim heißt: nicht veröffentlichen. Es heißt nicht: nicht codifizieren. Ihre Secret Sauce nutzt Ihnen nur, wenn Ihre Agenten sie ausführen können.
Wo Sie anfangen
Angenommen, Sie sind überzeugt. Wo fängt eine Skill Library an? In der Praxis gibt es zwei Wege, und sie schließen sich nicht aus.
Der Top-down-Weg geht strukturiert vor. Sie mappen die Kern-Workflows der Firma, schauen den besten Leuten bei der Arbeit zu, um die Varianten zu verstehen, und codifizieren das in Best-Practice-Skills. Hohe Qualität, hoher Aufwand, langsamer Start.
Der Bottom-up-Weg ist demokratisch. Jede*r baut Skills für die eigenen Workflows. Was für andere nützlich sein könnte, geht an eine zentrale Review, die prüft, dass keine persönlichen Daten und keine Sicherheitslücken drinstecken, und wird dann firmenweit geteilt.
Der erste Weg hat das bessere Signal-Rausch-Verhältnis. Der zweite erzeugt mehr Kreativität und kommt schneller in die Breite. Retterath, der beide bei Earlybird gesehen hat, beschreibt Bottom-up als den schnelleren Weg zu firmenweiter Effizienz. Ausgerollt wird in beiden Fällen ähnlich: über geteilte Git-Repos oder Enterprise-Settings mit einem org-weiten Rollout-Plan.
Beide Wege haben dieselbe Hürde: Workflows mappen, codifizieren, sauber ausrollen und aktuell halten ist selbst ein Projekt, das neben dem Tagesgeschäft läuft. Wer das nicht von null aufbauen will, kann die Logik auch direkt in einem Tool nutzen. Researchly hat mit dem Template Builder im Kern genau das gebaut: einen Ort, an dem Ihr Research- und Analyse-Playbook als wiederverwendbarer Skill lebt, statt im Kopf einer einzelnen Person.
Wenn Sie sehen wollen, wie sich Ihre eigene Methode als wiederverwendbarer Skill abbilden lässt: Methode als Researchly-Skill anlegen →
Der Fehler ist nicht, den falschen Weg zu wählen. Der Fehler ist, auf den perfekten Plan zu warten, während der Wettbewerber schon sammelt.
Fazit
Der verlockende Weg ist, KI als generische Intelligenzschicht über die Firma zu legen. Der bessere Weg ist unspektakulärer und deutlich haltbarer: der Maschine beizubringen, wie Ihre Firma tatsächlich arbeitet.
Ihre Methode existiert schon. Sie sitzt nur in Köpfen, Memos und Slack-Threads statt in einer Library. Jeder Skill, den Sie heute codifizieren, läuft ab morgen in jedem Projekt mit. Das Wissen verlässt die Firma nicht mehr, wenn die Person geht.
Wenn alle dasselbe Modell haben, gewinnt nicht das Modell. Es gewinnt die Firma, die ihr Urteilsvermögen zuerst wiederverwendbar macht.
Ihre Methode als Skill, nicht als Wiki-Eintrag
Sie wissen jetzt, was eine Skill Library ist und warum sie zum eigentlichen Asset wird. Der offene Punkt ist die Umsetzung: Ihre Methode aus Köpfen und Memos in eine Form zu bringen, die ein Agent ausführt, ohne dafür ein halbes Jahr Infrastruktur zu bauen.
Genau diesen Schritt nimmt Researchly ab. Statt Workflows manuell zu dokumentieren und zu hoffen, dass jemand sie liest, legen Sie Ihr Research- und Analyse-Playbook als wiederverwendbaren Skill an, den Ihre Agenten in jedem Projekt konsistent ausführen.