Ein 5-köpfiges Team, das alle ihre eigenen AI-prompts frei formulieren lässt, verbrennt nicht nur Tokens - es verbrennt auch Stunden und liefert uneinheitliche Arbeit. Dies ist eine repräsentative Fallstudie (eine zusammengesetzte Darstellung, kein realer namentlich genannter Kunde), die zeigt, wie diese Verschwendung von Monat zu Monat tatsächlich aussieht und was sich ändert, wenn dasselbe Team auf eine kleine gemeinsame Bibliothek von AI-Skill-Dateien umsteigt.
Auf dieser Seite
- Das Setup: ein normaler, Ad-hoc-AI-Workflow
- Die Rechnung: 5 Personen, mehrere Sitzungen täglich, jeden Tag
- Die tatsächlichen Kosten sind nicht Tokens - es sind Minuten, multipliziert mit fünf
- Die zweiten Kosten: Qualitätsdrift
- Was sich mit einer gemeinsamen Skill-Bibliothek ändert
- Onboarding: der unterschätzte Gewinn
- Häufig gestellte Fragen
Illustrative Fallstudie · Vom KissMySkills-Team
Das Setup: ein normaler, Ad-hoc-AI-Workflow
Stellen Sie sich ein 5-köpfiges Marketing- und Ops-Team bei einem Startup in der Frühphase vor - einen Content Lead, einen Social-Media-Manager, eine CRO-/Analytics-Fachkraft, eine Ops-Koordination und einen Gründer, der sich in alles einmischt. Alle nutzen täglich Claude, ChatGPT oder Gemini. Niemand hat etwas Formelles eingerichtet. Alle tippen einfach ...
Das bedeutet, dass jeder neue Chat bei null beginnt. Bevor die AI einen brauchbaren ersten Entwurf erstellen kann, muss jemand Folgendes erneut erklären:
- Wer die Marke ist und mit wem sie spricht
- Die Tonalitätsregeln („direkter, weniger konzerntypisch“, „sagen Sie nie ‚delve‘“, „enden Sie immer mit einem klaren CTA“)
- Formatierungsstandards (Überschriften, Aufzählungsstil, Wortanzahlbereiche)
- Für welchen Kanal das gedacht ist und wie dort „gut“ aussieht
- Kontext zur aktuellen Kampagne, zum Produkt oder Quartal
Nichts davon ist als wiederverwendbares Asset festgehalten. Es lebt als implizites Wissen, halb erinnert und jedes Mal - leicht anders - neu eingetippt.
Die Rechnung: 5 Personen, mehrere Sitzungen täglich, jeden Tag
Diese Zahlen sind Richtwerte, nicht geprüft - entscheidend ist das Ausmaß der Verschwendung, nicht die Dezimalgenauigkeit. Nehmen wir an, jede Person führt täglich 4-6 AI-Chats für die Arbeit: eine Caption erstellen, eine E-Mail umformulieren, eine Landingpage-Überschrift prüfen, einen Anruf zusammenfassen. Wenn auch nur die Hälfte dieser Sitzungen mit einem neuen Block von 150-300 Wörtern beginnt, nach dem Muster „Lassen Sie mich unsere Markenstimme und Formatierungsregeln noch einmal erklären“, ergibt das ungefähr:
- 5 Personen × ~3 kontextintensive Sitzungen/Tag = 15 redundante Kontexterklärungen pro Tag
- 15 × ~20 Arbeitstage/Monat = etwa 300 redundante Wiedererklärungen pro Monat
- Bei konservativ angenommenen 200 Wörtern erneut eingegebenem Kontext pro Vorgang sind das etwa 60.000+ Wörter pro Monat reiner Wiedererklärung - Kontext, der keinerlei neue Ausgabe erzeugt, sondern lediglich die Ausgangslage erneut herstellt.
Multiplizieren Sie das mit den Eingabetokens, die bei jeder einzelnen Nachricht im Thread verarbeitet werden (die meisten Chat-Tools senden den bisherigen Kontext bei jeder Runde erneut), und der Token-Overhead wächst schnell. Aber die Tokenrechnung ist das kleinere Problem. Das größere ist die Zeit.
Die tatsächlichen Kosten sind nicht Tokens - es sind Minuten, multipliziert mit fünf
Nehmen wir an, das erneute Eintippen oder Kopieren eines Blocks mit „Hier sind unsere Marken- und Formatierungskontexte“ dauert pro Sitzung 2-4 Minuten, zuzüglich des zusätzlichen Hin und Her, wenn der erste Entwurf der AI das Ziel verfehlt, weil der Kontext unvollständig war oder anders formuliert wurde als beim letzten Mal. In einem fünfköpfigen Team werden so leicht 1-2 Stunden pro Woche und Person dafür aufgewendet, den Kontext erneut herzustellen - obwohl er einmal hätte festgelegt werden sollen.
Über einen Monat hinweg entspricht das pro Person einem beträchtlichen Teil eines ganzen Arbeitstags - Zeit, die nicht für die eigentliche Arbeit draufgeht, sondern dafür, der AI erneut zu erklären, wie sie die Arbeit erledigen soll. In einem fünfköpfigen Team summiert sich das jeden Monat auf fast die zusätzliche Arbeitsleistung einer ganzen Person als „Kontextsteuer“.
Füge Maya einmal in Claude, ChatGPT oder Gemini ein, und jede Caption, jeder Redaktionskalender und jeder plattformgerechte Beitrag klingt nach deiner Stimme - ohne Tonalität oder Formatierung für jede Sitzung neu zu erklären.
Maya ansehen - Social-Media-Managerin →Die zweiten Kosten: Qualitätsdrift
Überflüssige Tokens und verlorene Zeit sind die sichtbaren Kosten. Die leisere Belastung ist der Drift. Wenn fünf verschiedene Personen aus dem Gedächtnis jeweils ihre eigene Version von „Das ist unsere Markenstimme“ verfassen, schreiben sie sie kein zweites Mal gleich - geschweige denn genauso wie die anderen. Die spontane Formulierung der einen Person klingt eher formell, die nächste verwendet Slang, den die Marke eigentlich nicht nutzt, und die dritte vergisst vollständig, die CTA-Regel zu erwähnen.
Das Ergebnis: Inhalte, E-Mails und Analysen sind technisch gesehen alle „markenkonform“, tragen aber jeweils einen leicht anderen Akzent. Kunden und Interessenten bemerken das, selbst wenn niemand im Team genau sagen kann, warum sich etwas uneinheitlich anfühlt. Es ist der Tod durch tausend kleine Abweichungen.
Das zeigt sich besonders deutlich an zwei Stellen: im CRO-/Analytics-Workflow, wo eine uneinheitliche Einordnung dessen, „was einen signifikanten Anstieg ausmacht“, dazu führt, dass verschiedene Personen aus denselben Daten unterschiedliche Schlussfolgerungen ziehen, und in der Marketingautomatisierung, wo Sequenzlogik und Annahmen zur Lead-Bewertung jedes Mal informell neu erfunden werden, sobald jemand Neues eine Kampagne übernimmt.
Beck diagnostiziert, bevor er testet - Funnel-Abbruchanalyse, A/B-Test-Design und Ergebnisinterpretation, die konsistent bleibt, unabhängig davon, wer im Team die Sitzung durchführt.
Beck anzeigen - CRO-Spezialist →Was sich mit einer gemeinsamen Skill-Bibliothek ändert
Die Lösung ist weder ein neues Tool noch ein neues Prozessdokument, das niemand liest. Sie besteht darin, Ad-hoc-Prompting durch eine kleine, gemeinsame Bibliothek von Skill-Dateien zu ersetzen - eine pro Funktion, für die das Team tatsächlich AI nutzt. Eine Skill-Datei ist einfach ein gespeicherter System-Prompt: Markenstimme, Formatierungsregeln, Rollenkontext und interne Standards, einmal geschrieben und zu Beginn jeder Claude-, ChatGPT- oder Gemini-Sitzung eingefügt (oder als Anweisung in einem Claude-Projekt gespeichert, damit sie immer geladen wird).
Für ein 5-köpfiges Marketing-/Operations-Team sieht das typischerweise nach 3-4 Skill-Dateien aus, die die wiederkehrenden Aufgaben abdecken: Content und Social Media, CRO/Analytics sowie Marketingautomatisierung/Lifecycle. Alle im Team verwenden dieselbe Datei für dieselbe Aufgabe, statt jedes Mal ihre eigene Version zu schreiben.
Was sich tatsächlich ändert:
- Das wiederholte Erklären von Kontext sinkt auf nahezu null - Markenstimme und Formatierungsregeln sind bereits in der Skill-Datei hinterlegt, statt pro Sitzung erneut eingegeben zu werden
- Die Konsistenz der Ergebnisse steigt - fünf Personen, die dieselbe Skill-Datei verwenden, erstellen Arbeit, die klingt, als stamme sie von einem Team, nicht von fünf Einzelpersonen
- Das Onboarding wird deutlich schneller - ein neuer Mitarbeiter erhält die Skill-Dateien, statt sich durch alte Slack-Threads zu arbeiten und zu rekonstruieren, „wie wir diese Texte normalerweise schreiben“
- Die Zeit pro Sitzung verkürzt sich - weniger Einrichtung, weniger erneute Entwürfe, weil dem ersten Ergebnis unausgesprochener Kontext fehlte, mehr brauchbare Ergebnisse bereits im ersten Durchlauf
Finn entwirft Systeme statt einmaliger Sequenzen - Workflow-Architekturen und Lead-Scoring-Modelle, die das gesamte Team wiederverwenden kann, anstatt die Logik jedes Mal aus dem Gedächtnis neu aufzubauen.
Finn anzeigen - Spezialist für Marketingautomatisierung →Onboarding: der unterschätzte Gewinn
Die Einsparungen bei Token und Zeit sind wichtig, aber den Onboarding-Effekt bemerken Teams nach dem Wechsel am deutlichsten. Statt dass ein neuer Mitarbeiter die ersten zwei Wochen damit verbringt, durch Osmose zu lernen, „wie wir die Dinge hier machen“, und in jedem Review-Zyklus wegen des Tons korrigiert zu werden, öffnet er am ersten Tag die relevante Skill-Datei, und sein erstes Ergebnis ist bereits nah an der Markenausrichtung. Das institutionelle Wissen, das früher nur in den Köpfen erfahrener Mitarbeiter existierte - und jedes Mal aus dem Unternehmen verschwand, wenn jemand ging - ist nun eine portable Datei, die mit dem Team weiterreist.
Wenn dein Team mehr als eine dieser Funktionen abdeckt, lohnt es sich, die vollständige Skill-Bibliothek für Marketing & Anzeigen zu durchsuchen, anstatt für jede Funktion einzelne prompts zu erstellen.
Zusammenfassung:
Ein fünfköpfiges Team, das Markenstimme und Formatierung in jeder AI-Sitzung von Grund auf neu erklärt, verliert unbemerkt jede Woche Stunden durch redundanten Kontext und liefert dadurch uneinheitliche Ergebnisse. Die Standardisierung auf eine kleine gemeinsame Bibliothek - Maya für Inhalte und Social Media, Beck für CRO und Analytics sowie Finn für Marketingautomatisierung - reduziert das erneute Tippen, verbessert die Konsistenz und macht das Onboarding zu einer einfachen Dateiübergabe anstelle eines Slack-Archäologieprojekts.
Gib ein, wie du (oder dein Team) AI-Chats tatsächlich nutzt, und erhalte eine realistische monatliche Schätzung der Tokenverschwendung und Kosten in Dollar für das erneute Formulieren von prompts im Vergleich zu einer dauerhaften Skill-Datei. Keine Anmeldung, keine E-Mail-Adresse - nur die auf deine Zahlen angewandte Berechnung aus diesem Beitrag.
Rechner ausprobieren →Häufig gestellte Fragen
Basiert dies auf den Zahlen eines echten Kunden?
Nein - dies ist eine illustrative, zusammengesetzte Fallstudie, die auf typischen Mustern basiert, die wir bei kleinen Marketing-/Operations-Teams beobachten, die AI-Chat-Tools spontan nutzen, und keine geprüften Daten eines realen, namentlich genannten Kunden. Die Token- und Zeitangaben dienen als Richtwerte, um das Ausmaß der Verschwendung zu veranschaulichen, und sind keine exakten Messungen.
Wie unterscheidet sich eine Skill-Datei davon, einfach einmal einen guten prompt zu schreiben und ihn wiederzuverwenden?
Es ist dieselbe Idee, nur formalisiert und gemeinsam genutzt. Das Problem der meisten Teams ist nicht, dass niemand jemals einen guten prompt schreibt - sondern dass jede Person ihre eigene Version schreibt, diese in den persönlichen Notizen liegt und niemand sonst im Team sie verwendet. Eine Skill-Datei ist eine einzige, gepflegte Version, die das gesamte Team einfügt oder als Project-Anweisung lädt, sodass alle mit derselben Grundlage starten statt mit fünf leicht unterschiedlichen Versionen.
Funktionieren Skill-Dateien auch außerhalb von Claude?
Ja. Skill-Dateien sind markdownbasierte System-prompts und funktionieren daher überall dort, wo du Anweisungen einfügen kannst - Claude Projects, benutzerdefinierten Anweisungen oder Custom GPTs in ChatGPT sowie Gemini Gems. Das Team muss sich nicht auf ein einziges AI-Tool festlegen, um einen gemeinsamen Kontext zu standardisieren.