Was sind eigentlich KI-Skills? — Und warum Fachleute die besseren Skill-Baumeister sind

Im gestrigen Beitrag habe ich das KI-Machwerk vorgestellt — mein neues Projekt, in dem ich euch auf meine eigene Lernreise mitnehmen möchte: wie man KI-Skills nutzbar macht, um die Arbeit im Bereich IT-Regulatorik deutlich zu vereinfachen. Heute fangen wir damit an und ich beginnne mit einer grundlegenden Frage: Was sind eigentlich KI-Skills — und wodurch unterscheiden sie sich vom "normalen" P…

Im gestrigen Beitrag habe ich das KI-Machwerk vorgestellt — mein neues Projekt, in dem ich euch auf meine eigene Lernreise mitnehmen möchte: wie man KI-Skills nutzbar macht, um die Arbeit im Bereich IT-Regulatorik deutlich zu vereinfachen.

Heute fangen wir damit an und ich beginnne mit einer grundlegenden Frage: Was sind eigentlich KI-Skills — und wodurch unterscheiden sie sich vom „normalen“ Prompten?

Diese Frage ist von zentraler Bedeutung, denn die Antwort bildet das Fundament für alles, was ich in den nächsten Wochen mit euch teilen werde. Deshalb starten wir bewusst mit einem Beispiel aus der Praxis.

Fallbeispiel Vertragsprüfung: Ein Montag und ein Mittwoch

Stellt euch vor, ihr arbeitet im Rechts- oder Compliance-Bereich und prüft regelmäßig Vertragsdokumente. Ihr kennt die DSGVO, MaRisk, DORA und die EBA-Guidelines — und ihr wisst genau, wie eine sachgerechte Vertragsprüfung aussehen muss.

Mit Sicherheit habt ihr in den letzten zwei Jahren auch die neuen Möglichkeiten von KI-Chatbots für eure Arbeit entdeckt.

Eure Woche beginnt also am Montag mit der Review eines neuen IKT-Vertrags. Ihr ladet das Dokument in den Chatbot, gebt ihm einen Prompt mit dem Auftrag, es auf Konformität mit den einschlägigen rechtlichen und regulatorischen Anforderungen zu prüfen — vielleicht sogar ergänzt durch eine Checkliste mit den wichtigsten Punkten, damit auch nichts schief gehen kann.

Das Ergebnis: zufriedenstellend. Strukturiert, präzise — eine gute Ausgangsbasis für den weiteren Prüfungsablauf.

Am Mittwoch dieselbe Herausforderung. Neuer IKT-Vertrag, selber Prüfauftrag — aber das Ergebnis? Anders als erwartet. Der Chatbot übersieht zentrale Anforderungen aus Art. 30 DORA, antwortet nicht in ganzen Sätzen, liefert nur Stichpunkte — und die Aufbereitung wirkt wie die eines Jurastudenten im ersten Semester. Frust stellt sich ein.

Die typische Reaktion: „KI kann sowas halt nicht!“

Doch wie kann das sein? Selbe KI. Selbe Aufgabe. Unterschiedliche Ergebnisse.

Kleine Sneak-Preview: Der Chatbot war vermutlich nicht das Problem — sondern, wie so oft, der Mensch vor dem Rechner. Denn die Qualität dieser Chatbots steht und fällt mit den Eingaben, den Prompts und den Kontextinformationen, die wir ihnen mitgeben. Der Montags-Prompt war wahrscheinlich deutlich besser formuliert, enthielt mehr Kontext und stellte die richtigen Weichen. Der Mittwochs-Prompt war im Vergleich dazu eine „einfache“ Anfrage — mit zu wenig Guidance dazu, was der Chatbot eigentlich tun soll.

Dieser Unterschied ist fundamental. Der Unterschied zwischen einer einfachen Anfrage und einer strukturierten Anfrage-Methode — das ist der Kern dessen, worüber ich heute schreiben möchte.

Das eigentliche Problem: KI vergisst uns und alles um sich herum

Das Grundproblem der heutigen KI-Chatbots ist: Sie lernen nicht.

Das klingt nach einem Detail — aber es ist weit mehr als das.

Entgegen der so oft gehörten Berichte, dass KI-Systeme adaptiv und lernfähig seien, muss ich euch diese Illusion nehmen. Wenn ich heute mit meinem KI-Chatbot arbeite und morgen einen neuen Chat öffne, hat er alles vergessen. Er weiß nicht mehr, wer ich bin. Er kennt meine Arbeitsweise nicht. Er hat keine Ahnung, welche Methodik ich verwende und wie er den Vertrag prüfen soll.

Wer bereits Erfahrung mit KI-Chatbots sammeln konnte, wird jetzt sofort intervenieren und darauf hinweisen, dass sich ChatGPT und Co. sehr wohl an etwas erinnern können — an euren Namen, euren Wohnort, vielleicht sogar an Gespräche, die ihr geführt habt. Doch das ist nicht dasselbe wie bei uns Menschen.

Wenn wir nach einem Gespräch nicht jedes Wort behalten, merken wir uns trotzdem das Wesentliche. Man könnte sagen: Unser Gehirn aktualisiert sich automatisch — das ist das, was wir unter kontinuierlichem Lernen verstehen.

KI-Systeme tun das nicht. Die großen KI-Modelle werden zu einem bestimmten Zeitpunkt auf Basis riesiger Datenmengen trainiert und dann veröffentlicht – damit ist der eigentliche Lernprozess zunächst abgeschlossen. Regelmäßig wiederholen die Anbieter diesen Vorgang und bringen neue Modellversionen heraus, die dann mit aktuelleren Trainingsdaten weitertrainiert wurden. Das sehen wir jedes Mal, wenn eine neue Version auf den Markt kommt – etwa von OpenAI (von GPT-4o zu GPT-5).

Doch keines der bisher verfügbaren KI-Modelle lernt wirklich aus euren persönlichen Gesprächen – jedenfalls nicht so, wie wir es uns vorstellen, und schon gar nicht kontinuierlich. Was stattdessen passiert, ist cleveres Vortäuschen. Die meisten KI-Chatbots verfügen inzwischen über Funktionen, die den Eindruck eines Gedächtnisses erwecken. In der Realität sind das jedoch nur technische Spickzettel — und es gibt im Wesentlichen drei davon:

1. Die „Individuellen Hinweise“ — zu finden beispielsweise bei ChatGPT in den Einstellungen — erlauben es, feste Vorab-Anweisungen zu hinterlegen. Sowas wie „Antworte immer wie ein Jurist“ oder „Verhalte dich wie ein Compliance-Spezialist im Bankwesen.“ Was nicht funktioniert: Das Hinterlegen einer konkreten Prüfungsmethodik mit definierten Arbeitsschritten, Eskalationskriterien und normenspezifischer Logik.
2. Die Personalisierungs- und Erinnerungsfunktion hält einzelne Fakten fest, die ihr der KI mitteilt: wie ihr heißt, wo ihr arbeitet, welche Tonalität ihr bevorzugt. Das ist kein Lernen — das ist ein gelber Notizzettel. Und ein unzuverlässiger noch dazu: Der KI-Chatbot muss diese Informationen nicht abrufen — manchmal macht er es, manchmal werden sie zum völlig falschen Zeitpunkt aktiviert, manchmal schlicht ignoriert.
3. Der lange Chat — manche von euch nutzen wahrscheinlich dauerhaft denselben Gesprächsverlauf und hoffen, dass der Chatbot dadurch immer sein Verhalten beibehält. Die Grundidee ist nicht schlecht, denn in so einem Chat befindet sich faktisch alles, was ihr ihm jemals gesagt habt — wir nennen das den „Kontext“ des Gesprächs. Wenn also euer Montags-Chat gut gelaufen ist und ihr denselben Chat am Mittwoch einfach weiterführt, ist das Ergebnis zunächst ähnlich gut. Das funktioniert jedoch nur eine Weile. Ab einem bestimmten Textvolumen kommt der Chatbot mit zu vielen Informationen durcheinander und die Ergebnisse werden schlechter.

Das eigentliche Problem lässt sich auf diese Weise nicht lösen: Dem KI-System fehlt das echte Gedächtnis für Fachwissen, Methodik und Kontext. In der Konsequenz bedeutet das: Jedes Mal, wenn ich eine Fachaufgabe wie eine Vertragsprüfung delegiere, muss ich dem Chatbot von vorne erklären, wie er vorgehen soll, was dabei wichtig ist und welche Rahmenbedingungen er berücksichtigen muss.

Jedes Mal.

Der KI-Chatbot ist also wie ein neuer Mitarbeiter, der jedes Mal ein vollständiges Onboarding benötigt, um gute Arbeit leisten zu können. Lässt man auch nur eine wichtige Information weg, wird er in relevanten Situationen mit hoher Wahrscheinlichkeit falsch bewerten, falsch klassifizieren, falsch entscheiden.

In der regulatorischen Facharbeit ist das besonders gravierend — denn die Prüflogik für IKT-Verträge ist kein allgemeines Weltwissen, zumindest noch nicht. Alles, was wir zu DORA wissen, ist noch keine zwei Jahre alt, denn DORA gilt ja erst seit 17. Januar 2025.

Die Mindestvertragsinhalte nach Art. 30, deren Auslegung, Formulierungsbeispiele und daraus abgeleitete Prüfmethoden sind in den Trainingsdaten aktueller KI-Modelle bestenfalls schwach vertreten — denn regulatorische Fachpublikationen, Aufsichtspraktiken und operative Erfahrungen brauchen Zeit, bis sie sich im Internet in einem Umfang verbreiten, der für das Training von KI-Modellen wirklich relevant wird.

Entsprechend müssten wir bei jedem neuen Chat alles mitgeben: das Fachwissen, die Normenkenntnis, die juristische Einordnung und die jahrelang eingespielten Prüfmethoden.

In jeden einzelnen Prompt.

Das ist der eigentliche Engpass. Nicht die Intelligenz des KI-Modells. Sondern das fehlende Wissen in den Trainingsdaten und das fehlende Gedächtnis für Fachwissen, Methodik und Kontext.

Die Maschine ist nicht das Problem

Was wir hier sehen, lässt sich sehr gut am Thermomix-Beispiel erklären. Vielleicht kennt ihr dieses Gerät von zuhause? 😄 Die Maschine steht in der Küche auf der Anrichte, und das große Werbeversprechen lautet: „Jedes Essen gelingt!“

Die Realität: Irgendetwas stimmt nicht. Es schmeckt nicht nach Sterneküche, sondern eher nach Imbissbude von nebenan.

Das Problem? Ist nicht die Maschine!

Das Problem ist, dass der Thermomix keine Rezepte aus der Sterneküche kennt. Ein Thermomix kann kochen, rühren, wiegen, dampfgaren, zerkleinern und vieles mehr. Er ist technisch außerordentlich leistungsfähig. Aber er braucht ein Rezept — mit Zutaten, Mengen, Reihenfolge, Temperatur, Timing, Hinweisen für Ausnahmen. Erst dann passiert das, wofür man ihn gekauft hat.

KI-Systeme sind Thermomixe.

Hochleistungsmaschinen für Sprache, Struktur und Wissen. Aber ohne das richtige Rezept produzieren sie das, was Thermomixe ohne Rezept auch produzieren: irgendwas. Manchmal gut, manchmal nicht. Nicht reproduzierbar, nicht skalierbar, nicht prüfbar.

Ein KI-Skill ist dieses Rezept.

Was ein KI-Skill von einem Prompt unterscheidet

KI-Skills unterscheiden sich deutlich von einfachen Prompts und sie sind auch nicht nur „bessere“ Prompts.

Ein Prompt ist eine Anfrage. Er beschreibt, was ich will. Er ist situationsgebunden, personenabhängig, einmalig — und er hilft mir, im Hier und Jetzt eine (hoffentlich) gute Antwort zu bekommen.

Ein KI-Skill ist eine Fähigkeit — eine Methode. Er beschreibt, wie eine Aufgabe erledigt werden soll: strukturiert, wiederholbar, mit eingebetteter Fachlogik. Er besteht aus konkreten fachlichen Anweisungen, Arbeitsschritten und Vorgaben zu Rahmenbedingungen. Er funktioniert heute, morgen und in sechs Monaten. Er funktioniert, wenn ich ihn nutze — und er funktioniert genauso, wenn ihn jemand nutzt, der noch nie etwas von der Fachlichkeit gehört hat.

Das ist ein fundamentaler Unterschied, den ich gerne an einem klassischen DORA-Beispiel erkläre.

Der DORA-Vertragschecker

Ein (zugegeben sehr stark vereinfachter) Prompt für eine DORA-Vertragsprüfung könnte lauten:

Prüfe diesen IKT-Vertrag auf DORA-Konformität und liste fehlende Klauseln gemäß Artikel 30 DORA auf.

Der KI-Chatbot würde vermutlich die entsprechenden Anforderungen im Internet recherchieren, dann eine irgendwie geartete Prüfmethodik für sich festlegen und in wenigen Sekunden ein Ergebnis zurückliefern.

Das Ergebnis wird sich für gut ausgebildete Vertragsjuristen jedoch wahrscheinlich sehr oberflächlich und wenig sachgerecht lesen — das ist der Punkt, an dem viele Menschen zur Schlussfolgerung kommen: „KI kann sowas einfach nicht.“

Ein KI-Skill für dieselbe Aufgabe würde hingegen völlig anders aussehen. Er müsste zunächst designed werden — so wie gute Software auch designed werden muss.

In meiner Welt nehme ich dazu meinen DORA-Sollmaßnahmenkatalog her und suche mir alle inhaltlichen Anforderungen an IKT-Verträge heraus. Diese Anforderungen lasse ich mir mithilfe von KI in Prüffragen umarbeiten. Zusätzlich entwickle ich eine Prüf- und Bewertungslogik, die ich dem KI-Chatbot mitgeben kann, sowie ein Template, das beschreibt, in welchem Format, mit welcher Darstellung und welchen Inhalten ich das Prüfergebnis erwarte.

Der Prompt ist also eine einfache Frage — der KI-Skill ist eine kodierte fachliche Prüfmethode. Beides fließt als Text in das KI-System ein, aber was dabei herauskommt, ist grundlegend verschieden.

Was ich unter „ausführbarem Fachwissen“ verstehe

Wenn ich über KI-Skills spreche, benutze ich auch den Ausdruck „ausführbares Fachwissen“. Das klingt abstrakt und sehr technisch — ist jedoch so nicht zu verstehen. Es geht nicht darum, ausführbaren Quellcode zu programmieren.

Es bedeutet, dass die Methodik so präzise formuliert werden muss, damit sie eine Kollegin oder ein Kollege — sei es Mensch oder KI — verstehen und in gleicher Qualität wiederholt ausführen kann.

Wie das geht? Eigentlich ganz einfach.

Jede Fachspezialistin und jeder Fachexperte trägt ein riesiges Wissens- und Methodenrepertoire in sich. Jahrelange Erfahrung hat sich zu impliziten Faustregeln, Prüfroutinen, Entscheidungsmustern und Qualitätsstandards verdichtet. Vieles davon wurde jedoch nie aufgeschrieben — in der Fachsprache: Es wurde niemals externalisiert. Manches steckt vielleicht in Excel-Vorlagen, in Checklisten, in internen Wiki-Einträgen. Aber vollständig externalisiert, als ausführbare, strukturierte Logik — das liegt selten vor.

Genau das ist ein KI-Skill: eine Methodik so explizit und strukturiert formuliert, dass ein KI-System sie zuverlässig anwenden kann.

Die neue KI-Skill-Ökonomie

Mit diesen KI-Skills entsteht auf mehreren Ebenen etwas völlig Neues: eine ganz neue Art zu arbeiten, ein völlig neuartiges Berufsbild und eine gänzliche neue Skill-Ökonomie.

Der Kern dabei: Echte Fachexperten werden zunehmend als „Skillentwickler“ gefragt sein, die ihr eigenes internalisiertes Wissen — die Fachlichkeit, die Methoden, die Abläufe und Routinen — so explizit und strukturiert formulieren, dass die Arbeit zukünftig zuverlässig von KI-Systemen übernommen werden kann.

Das ist kein Prompt-Engineering, so wie man es vor zwei Jahren mal gedacht hatte, denn es geht nicht um kluge Formulierungen, wie der Chatbot antworten soll und wie er die Antwort formatieren soll.

Der KI-Skill trägt eine ganze Methodik. In in ihm stecken Gesetze, Normen, Prüflogiken, Entscheidungsregeln, Qualitätsstandards. Er kann nicht von jemandem mit „gutem“ Formulierungsgeschick gebaut werden — und er kann auch nicht von einem Technik-Experten gebaut werden.

Er kann nur von jemandem gebaut werden, der das Fachwissen mitbringt, das im Skill kodiert werden soll — denn die eingebettete Methodik, die Entscheidungslogik, die Grenzfälle, die Qualitätsmaßstäbe: All das braucht echte Fachkompetenz. Und so ein Skill ist genau so gut oder schlecht wie der Fachexperte, der ihn erstellt hat.

Ein neuer Arbeitsmarkt für Wissensarbeiter

Und genau hier wird es auch für den Arbeitsmarkt interessant, denn vor zwei Jahren war das Bauen eines solchen KI-Skills ohne Entwicklerkenntnisse schlicht nicht möglich. Heute ist es möglich — für jeden, der bereit ist, das eigene Fachwissen explizit zu machen und in eine Struktur zu bringen.

Klingt spannend, oder? Und es ist keine Zukunftsvision! Es ist eine Gegenwartsbeschreibung für alle wissensgetriebenen Berufszweige:

• Ein IT-Consultant, der seine Mandanten in Informationssicherheit, IT-Compliance und Auslagerungsmanagement unterstützt, könnte heute schon seine gesamte regulatorische Fachexpertise in verschiedenen KI-Skills kapseln, diese öffentlich bereitstellen — und damit eine ganze Branche entlasten.
• Ein Steuerberater, der Unternehmen bei Betriebsprüfungen begleitet, könnte einen KI-Skill entwickeln, der die maßgebliche Prüflogik systematisch verfügbar macht — nicht nur für die eigene Beratungspraxis, sondern für einen ganzen Wirtschaftszweig.
• Eine Datenschutzbeauftragte könnte einen KI-Skill entwickeln, der die gesamte Welt der DSGVO-Anforderungen beinhaltet und Datenschutz-Folgeabschätzungen vollständig automatisiert — reproduzierbar, nachvollziehbar, dokumentierbar.

Das sind keine Spielzeuge mehr und auch keine Testballons.

Das sind echte Arbeitsfähigkeiten der Zukunft über die wir dringend reden sollten. Denn bislang wird dieses Thema kaum irgendwo diskutiert. Kein Tutorial erklärt, wie eine Compliance-Spezialistin ihre Prüflogik in einen Skill überführt. Keine Dokumentation zeigt, wie ein IT-Risikomanager sein Bewertungsframework strukturiert. Keine Anleitung beschreibt, wie Fachwissen zu ausführbarer KI-Methodik wird.

Mit dem KI-Machwerk arbeite ich genau an diesem Thema — ich zeige, wie das mit den KI-Skills konkret funktioniert. Mit echten Beispielen und mit dem klaren Ziel, Fachleute zu befähigen, ihre eigene Methodik ausführbar zu machen.

Neue Möglichkeiten, neue Grundsatzfragen

Doch mit den neuen Möglichkeiten kommen auch völlig neue Grundsatzfragen auf uns zu. Und ich wette, bei Lesen dieses Textes ist nicht jedem wohl bei der Sache…

Denn wem gehört eigentlich ein gut gebauter KI-Skill in der Zukunft? Hochwertiges Fachwissen, das einmal explizit gemacht wurde, ist ein dauerhaftes Asset — im eigenen Unternehmen, aber faktisch überall dort, wo es zur Anwendung kommt.

Und was passiert, wenn ein wirklich guter Skill einmal „erfunden“ wurde und anfängt zu skalieren?

Ein Beispiel: Mein KI-Checker-Skill. Er hat das Potenzial, Zehntausende von Stunden Prüfarbeit zu automatisieren — enormes Einsparpotenzial. Aber auch eine ernsthafte Frage: Was passiert mit uns Wissensarbeitern, wenn wir eines Tages alles, was uns im Kopf schwirrt, aufgeschrieben haben — und Maschinen es erledigen können?

Wir bauen gerade etwas, das es so noch nicht gibt. Es hat riesiges Potenzial — und bringt echte Herausforderungen mit sich. Ich bin gespannt, wie ihr das bewertet.

Wenn euch das Thema beschäftigt: Folgt mir hier auf LinkedIn, vernetzt euch, kommentiert. Die interessantesten Gespräche entstehen immer aus den Fragen, die ihr mitbringt.