Wir haben doch eigene Skills
Eigene Skills und MD-Dateien machen die KI besser. Für einen Menschen, auf einem Rechner, in einem Projekt. Warum das für ein Team nicht reicht und was es stattdessen braucht.
Wenn wir ai-boost vorstellen, fällt früher oder später ein Satz: „Wir haben doch unsere eigenen Skills und MD-Dateien.“ Er kommt meist von Entwicklern, die mit KI schon weit sind. Sie pflegen eine CLAUDE.md, haben eigene Skills geschrieben und ihre KI damit spürbar verbessert.
Der Einwand ist berechtigt. Wer das gebaut hat, hat das Problem erkannt: Ohne Projektwissen schreibt die KI generischen Code. Die Frage ist, wie weit diese Lösung trägt.
Was Skills und MD-Dateien leisten
Eine Anweisungsdatei gibt der KI Regeln und Konventionen mit, ein Skill bündelt eine wiederkehrende Aufgabe. Für eine Person, auf einem Rechner, in einem Projekt funktioniert das gut. Die Grenzen zeigen sich, sobald mehr dazukommt: mehr Menschen, mehr Projekte, mehr Zeit.
Wo sie an Grenzen stoßen
Sie gelten nicht firmenweit. Eine MD-Datei liegt in einem Repository, ein Skill auf einem Rechner. Regeln, die für das ganze Unternehmen gelten sollen, werden in jedes Projekt kopiert. Nach einigen Monaten gibt es so viele Fassungen wie Projekte.
Sie laden alles. Jede Sitzung lädt die Anweisungsdatei komplett, egal um welche Aufgabe es geht. Je mehr drinsteht, desto mehr füllt sich das Kontextfenster mit Regeln, die gerade nicht gelten.
Verfügbar ist nicht genutzt. Ob die KI einen Skill oder ein Werkzeug aufruft, entscheidet sie selbst. Darauf kann man sich nicht verlassen.
In einer Messung mit 45 Testläufen rief die KI verfügbare Werkzeuge nur in 16 Fällen von selbst auf. Deshalb liefert ai-boost den Kontext mit jedem Prompt mit, ohne dass sie fragen muss.
Jeder Rechner hat seinen eigenen Stand. Dateien werden kopiert, angepasst und veralten. Niemand weiß, welche Fassung gilt, und durchgesetzt wird nichts.
Sie kennen keine Tickets. Was in Jira, Confluence oder der Commit-Historie steht, kommt nur hinein, wenn es jemand von Hand pflegt.
Niemand sieht, ob sie wirken. Ob eine Regel befolgt wurde, ob der Code zur Architektur passt und was die Sitzung gekostet hat, bleibt unsichtbar.
Sie hängen am Anbieter. Viele Formate sind an das Werkzeug eines Anbieters gebunden. Wer wechselt, fängt neu an.
Vom eigenen Setup zur Vorgabe für alle
Die Lösung ist nicht, Skills abzuschaffen. Die Lösung ist, das Wissen darin dorthin zu bringen, wo es für alle gilt. Dafür braucht es vier Dinge.
Zentral statt verteilt. Regeln und Arbeitsweise werden einmal gepflegt und gelten firmenweit, über alle Projekte und auf jedem Rechner.
Passend zur Aufgabe. Statt alles zu laden, kommt mit jedem Prompt der Kontext, den die Aufgabe braucht.
Durchgesetzt statt empfohlen. Eine Vorgabe wirkt nur, wenn Abweichungen auffallen und abgewiesen werden.
Messbar. Ob Regeln greifen und was eine Sitzung kostet, muss sichtbar sein.
So setzt ai-boost das um
ai-boost pflegt Werkzeuge, Modelle je Phase, Pflichtschritte und Arbeitsregeln zentral im Portal und verteilt sie auf jeden Rechner. Die Vorgaben gelten firmenweit, über alle Projekte. Kein Entwickler muss selbst etwas einbinden.
Zu jedem Prompt liefert ai-boost den passenden Kontext aus Code, Konventionen, Commit-Historie, Tickets und Dokumentation. In der Sitzung werden Abweichungen vom vorgegebenen Modell abgewiesen. Jede Sitzung mit Codeänderungen wird bewertet, Verbrauch und Kosten sind pro Entwickler, Repository und Projekt sichtbar. Über den offenen Standard MCP arbeitet jeder KI-Agent mit demselben Kontext.
Das Wissen, das heute in einzelnen Dateien steckt, gehört in eine Vorgabe, die für alle gilt.
Eigene Skills sind ein guter Anfang. Eine Vorgabe für alle ist das Ziel.
Die Frage ist nicht, ob Ihr Team gute Skills hat. Sondern ob alle im Team davon profitieren, in jedem Projekt.