Skill Trees fuer KI-Nutzer

Viele Menschen denken bei KI-Faehigkeit an eine Wahl zwischen verschiedenen Tools oder Modellen. In der Praxis zaehlt die Faehigkeit des Operators mehr. Zwei Personen koennen dasselbe Tool nutzen und sehr unterschiedliche Ergebnisse bekommen, weil eine weiss, wie die Arbeit strukturiert werden muss, und die andere nicht.

Der Schritt vom Prompting zu bedeutet, eine Abfolge von Faehigkeiten zu lernen. Abkuerzungen funktionieren hier nicht wirklich. Man kann die Tools wechseln, aber man muss trotzdem lernen, wie man sie einsetzt. Viele dieser Tools sehen fuer Nutzer, die in dieser Lernkurve noch nicht weit sind, auch ziemlich aehnlich aus. Dieser Artikel betrachtet die Faehigkeiten, die Menschen brauchen, um mit agentischen Workflows wirksam zu werden, und wie jede auf der vorherigen aufbaut. Rollenspiele ordnen Faehigkeiten oft in einem Tree. Man beginnt mit grundlegenden Faehigkeiten und schaltet mit der Zeit fortgeschrittene frei. Genau so laesst sich agentische Arbeit ebenfalls sinnvoll betrachten.

Fuer die meisten Nutzer ist das Problem nicht der Zugang zu Tools. Kein Produkt liefert von allein verlaessliche Ergebnisse. Man muss lernen, wie man fragt, wonach man fragt, wann man korrigiert und wie man wiederholbare Resultate erzeugt. KI-Systeme geben einem oft genau das, wonach man gefragt hat, auch wenn die Antwort falsch ist. Halluzinationen, schwache Verankerung in Quellen und falsche Sicherheit sind nach wie vor haeufig. Gute Operatoren erkennen und korrigieren diese Fehlermuster konsequent.

Der Skill Tree

Die meisten Nutzer starten am unteren Ende dieser Entwicklung, weil sie genau das bereits kennen. Sie haben ChatGPT oder aehnliche Tools genutzt, um Fragen zu stellen, Dokumente zusammenzufassen oder Texte zu entwerfen. Sie haben aber auch die Grenzen gesehen: ueberzeugend klingende Antworten, die falsch sind, fehlende Quellen, schwache Verankerung und Outputs, die auseinanderfallen, sobald die Aufgabe konkreter wird. Die naechste Ebene beginnt dann, wenn Nutzer KI nicht mehr als One-shot Antwortmaschine behandeln, sondern ihr begrenzte Aufgaben, besseren Kontext und klarere Review-Kriterien geben. Von dort aus bewegt sich die Entwicklung in Richtung wiederholbarer Workflows, delegierter Systeme und Veraenderungen daran, wie Teams die Arbeit selbst organisieren.

Es ist ausserdem immer noch frueh. Viele KI-Nutzer bauen diese Faehigkeiten gerade erst auf, und ein grosser Teil des Marktes ist weiterhin experimentell. Je weiter man in dieser Entwicklung nach oben kommt, desto weniger ausgereift wirkt die Erfahrung oft. Das gilt besonders fuer Tools, die vor allem fuer Nutzer gebaut sind, die noch am unteren Ende des Skill Trees arbeiten.

Bei XYZ by FORMATION helfen wir Menschen und Teams dabei, agentische Workflows pragmatisch einzufuehren und echten Arbeitsfortschritt zu erzielen. Wir haben viel Zeit damit verbracht, die Faehigkeiten in diesem Baum zu testen, verschiedene Tools auszuprobieren und zu lernen, was in welchem Kontext funktioniert und was noch rau ist.

flowchart TD
    subgraph L0["One-Shot Prompting"]
        direction LR
        A1["Aufgaben-Definition"]
        A2["Rollen-Prompting"]
        A3["Few-shot Prompting"]
        A4["Quellenrecherche"]
        A5["Nach Zitaten fragen"]
        A6["Antworten pruefen"]
        A7["Halluzinationen erkennen"]
        A8["Output spezifizieren"]
    end

    subgraph L1["Einfache Agents"]
        direction LR
        B1["Aufgaben zerlegen"]
        B2["Kontext verpacken"]
        B3["System Prompts"]
        B4["Agent-Anweisungen"]
        B5["Tool-Auswahl"]
        B6["Datei- und Repo-Verankerung"]
        B7["Ablauf planen"]
        B8["Artefakte pruefen"]
    end

    subgraph L2["Workflows und "]
        direction LR
        C1["Workflow-Design"]
        C2["Guard-Rail-Design"]
        C3["Strukturierte Outputs"]
        C4["Eval-Design"]
        C5["Retry- und Fallback-Logik"]
        C6["Freigabe-Gates"]
        C7["State- und Memory-Design"]
        C8["Planung und Alerting"]
    end

    subgraph L3["Delegation und Kontrolle"]
        direction LR
        D1["Delegations-Design"]
        D2["Rollen-Design"]
        D3["Supervisor-Patterns"]
        D4["Kontext-Handoffs"]
        D5["Freigabe-Routing"]
        D6["Berechtigungs-Design"]
        D7["Queue-Design"]
        D8["Eskalationspfade"]
    end

    subgraph L4["Organisatorische Transformation"]
        direction LR
        E1["Funktionen neu gestalten"]
        E2["Workflow-Verantwortung"]
        E3["Governance"]
        E4["Operator-Training"]
        E5["Change Management"]
        E6["Kosten- und Risikokontrollen"]
        E7["Funktionsuebergreifende Integration"]
        E8["Capability-Rollout"]
    end

    A1 --> B1 --> C1 --> D1 --> E1
    A2 --> B2 --> C2 --> D2 --> E2
    A3 --> B3 --> C3 --> D3 --> E3
    A4 --> B4 --> C4 --> D4 --> E4
    A5 --> B5 --> C5 --> D5 --> E5
    A6 --> B6 --> C6 --> D6 --> E6
    A7 --> B7 --> C7 --> D7 --> E7
    A8 --> B8 --> C8 --> D8 --> E8
    B2 --> C7
    B3 --> C2
    B5 --> C4
    B6 --> C3
    C4 --> D3
    C5 --> D8
    C6 --> D5
    C7 --> D4

One-Shot Prompting

Das ist die gewoehnliche ChatGPT-artige Nutzung: einen Artikel anfragen, ein Thema recherchieren, eine Frage beantworten, ein Dokument zusammenfassen oder Optionen brainstormen. Die Arbeit ist weiterhin meist ein einzelner Lauf oder nur leicht iterativ. Das Modell soll nicht lange autonom arbeiten oder einen Prozess steuern.