Ein fünfköpfiges Team, in dem alle ihre eigenen AI-prompts frei formulieren, verbrennt nicht nur Tokens – es verbrennt auch Stunden und liefert inkonsistente Arbeit. Diese repräsentative Fallstudie (eine Zusammenstellung, kein realer namentlich genannter Kunde) 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.
Beispielhafte Fallstudie · Vom KissMySkills-Team
Das Szenario: ein normaler, improvisierter AI-Workflow
Stellen Sie sich ein fünfköpfiges Marketing- und Operations-Team in einem Startup in der Frühphase vor – eine Content-Leitung, eine Social-Media-Managerin bzw. ein Social-Media-Manager, eine Person für CRO/Analytics, eine Operations-Koordination und eine Gründerin bzw. ein Gründer, die oder der sich in alles einmal einmischt. Jede Person nutzt täglich Claude, ChatGPT oder Gemini. Niemand hat etwas Formelles eingerichtet. Alle tippen einfach los.
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 wen sie anspricht
- Die Tonalitätsregeln („direkter, weniger korporativ“, „niemals ‚delve‘ sagen“, „immer mit einem klaren CTA enden“)
- Formatierungsstandards (Überschriften, Aufzählungsstil, Wortzahlbereiche)
- Für welchen Kanal das gedacht ist und wie dort „gut“ aussieht
- Kontext zur aktuellen Kampagne, zum Produkt oder Quartal
Nichts davon wird als wiederverwendbares Asset festgehalten. Es existiert als implizites Wissen, halb erinnert und jedes Mal aufs Neue – leicht anders – eingetippt.
Die Rechnung: 5 Personen, täglich mehrere Sitzungen
Diese Zahlen dienen als Orientierung und sind nicht geprüft – entscheidend ist das Ausmaß der Verschwendung, nicht die Genauigkeit bis zur letzten Nachkommastelle. Nehmen wir an, jede Person führt täglich 4–6 AI-Chats für die Arbeit: eine Bildunterschrift verfassen, eine E-Mail umschreiben, eine Überschrift für eine Landingpage prüfen, einen Anruf zusammenfassen. Wenn auch nur die Hälfte dieser Sitzungen mit einem neuen Block von 150–300 Wörtern beginnt, in dem es wieder heißt: „Lassen Sie mich unsere Markenstimme und Formatierungsregeln erklären“, ergibt das ungefähr:
- 5 Personen × ~3 kontextintensive Sitzungen/Tag = 15 redundante Kontextwiederholungen pro Tag
- 15 × ~20 Arbeitstage/Monat = etwa 300 redundante Wiederholungen pro Monat
- Bei konservativ angenommenen 200 Wörtern erneut eingegebenem Kontext pro Durchgang sind das etwa 60.000+ Wörter pro Monat an reiner Wiederholung – Kontext, der keine neuen Ergebnisse liefert, sondern lediglich die Ausgangslage erneut herstellt.
Multipliziert man das auf die Eingabetokens, die bei jeder einzelnen Nachricht im Thread verarbeitet werden (die meisten Chat-Tools senden den bisherigen Kontext bei jedem Durchgang erneut), summiert sich der Token-Overhead schnell. Aber die Token-Rechnung ist das kleinere Problem. Das größere ist die Zeit.
Die tatsächlichen Kosten sind nicht Tokens, sondern Minuten – multipliziert mit fünf
Nehmen wir an, das erneute Eintippen oder Kopieren und Einfügen eines Blocks mit „unserem Marken- und Formatierungskontext“ dauert pro Sitzung 2–4 Minuten, zuzüglich des zusätzlichen Hin und Hers, wenn der erste Entwurf der AI am Ziel vorbeigeht, weil der Kontext unvollständig war oder anders formuliert wurde als beim letzten Mal. In einem fünfköpfigen Team sind das leicht 1–2 Stunden pro Woche und Person, die dafür aufgewendet werden, einen Kontext erneut herzustellen, der einmal hätte geklärt werden sollen.
Über einen Monat hinweg entspricht das pro Person einem beträchtlichen Teil eines ganzen Arbeitstags – der nicht in die eigentliche Arbeit fließt, sondern in die erneute Einweisung der AI, wie sie die Arbeit erledigen soll. In einem fünfköpfigen Team summiert sich das jeden Monat auf nahezu die zusätzliche Arbeitsleistung einer ganzen Person an „Kontextsteuer“.
Füge Maya einmal in Claude, ChatGPT oder Gemini ein, und jede Caption, jeder Redaktionskalender und jeder plattformspezifische Beitrag erscheint in deiner Sprache – ohne Tonalität oder Formatierung für jede Sitzung erneut erklären zu müssen.
Maya ansehen – Social-Media-Managerin →Die zweiten Kosten: Qualitätsdrift
Überflüssige Tokens und verlorene Zeit sind die sichtbaren Kosten. Die leisere ist der Drift. Wenn fünf verschiedene Personen jeweils aus dem Gedächtnis ihre eigene Version von „So klingt unsere Marke“ verfassen, schreiben sie es kein zweites Mal auf dieselbe Weise – geschweige denn alle auf dieselbe Weise. Die spontane Formulierung der einen Person klingt förmlicher, die nächste verwendet Slang, den die Marke eigentlich gar nicht nutzt, und eine dritte vergisst die CTA-Regel vollständig zu erwähnen.
Das Ergebnis: Inhalte, E-Mails und Analysen sind technisch gesehen alle „markenkonform“, tragen aber jeweils einen leicht anderen Akzent. Kunden und potenzielle Kunden bemerken das, selbst wenn niemand im Team genau sagen kann, warum etwas inkonsistent wirkt. Es ist der Tod durch tausend kleine Abweichungen.
Am deutlichsten zeigt sich das an zwei Stellen: im CRO-/Analytics-Workflow, wo eine uneinheitliche Einordnung dessen, „was ein aussagekräftiger Lift ist“, 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 ansehen – 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, gemeinsam genutzte Bibliothek aus Skill-Dateien zu ersetzen – eine pro Funktion, für die das Team tatsächlich AI einsetzt. Eine Skill-Datei ist einfach ein gespeicherter System-prompt: Markenstimme, Formatierungsregeln, Rollenkontext und interne Standards, einmal verfasst und zu Beginn jeder Claude-, ChatGPT- oder Gemini-Sitzung eingefügt (oder als Anweisung in einem Claude-Projekt gespeichert, sodass sie immer geladen wird).
Für ein fünfköpfiges Marketing-/Operations-Team bedeutet das typischerweise 3–4 Skill-Dateien, die die wiederkehrenden Aufgaben abdecken: Content und Social Media, CRO/Analytics sowie Marketingautomatisierung und Lifecycle-Marketing. Alle im Team verwenden für dieselbe Aufgabe dieselbe Datei, anstatt jedes Mal ihre eigene Version zu schreiben.
Was sich tatsächlich ändert:
- Das wiederholte Erklären von Kontext sinkt nahezu auf null – Markenstimme und Formatierungsregeln sind bereits in der Skill-Datei hinterlegt und müssen nicht in jeder Sitzung erneut eingegeben werden
- Die Konsistenz des Outputs nimmt zu – fünf Personen, die dieselbe Skill-Datei verwenden, erstellen Arbeit, die klingt, als stamme sie von einem Team und nicht von fünf Einzelpersonen
- Das Onboarding wird deutlich schneller – ein neuer Mitarbeitender erhält die Skill-Dateien, statt sich durch alte Slack-Threads zu wühlen und zu rekonstruieren, „wie wir solche Texte normalerweise schreiben“
- Die Zeit pro Sitzung verkürzt sich – weniger Einrichtung, weniger Überarbeitungen, weil dem ersten Output unausgesprochener Kontext fehlte, und bereits im ersten Durchlauf mehr nutzbarer Output
Finn entwickelt 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 ansehen – Spezialist für Marketingautomatisierung →Onboarding: der unterschätzte Vorteil
Die Zeit- und Tokenersparnis ist wichtig, aber der Onboarding-Effekt fällt Teams am stärksten auf, sobald sie umgestellt haben. Anstatt dass ein neuer Mitarbeitender die ersten zwei Wochen damit verbringt, durch Beobachtung zu lernen, „wie wir es hier machen“, und in jedem Review-Zyklus wegen des Tons korrigiert wird, öffnet er am ersten Tag die relevante Skill-Datei, und der erste Output ist bereits nahezu markenkonform. Das institutionelle Wissen, das früher nur in den Köpfen erfahrener Mitarbeitender existierte – und jedes Mal aus dem Unternehmen verschwand, wenn jemand ging –, ist jetzt eine portable Datei, die das Team begleitet.
Wenn Ihr Team mehr als eine dieser Funktionen abdeckt, lohnt es sich, die vollständige Skill-Bibliothek für Marketing & Anzeigen zu durchsuchen, statt 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 still und leise jede Woche mehrere Stunden durch redundanten Kontext und liefert infolgedessen 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, erhöht die Konsistenz und macht das Onboarding zu einer einfachen Übergabe einer Datei an neue Mitarbeitende statt zu einem Slack-Archäologieprojekt.
Geben Sie ein, wie Sie (oder Ihr Team) AI-Chats tatsächlich nutzen, und erhalten Sie eine realistische monatliche Schätzung der Tokenverschwendung und der Kosten für wiederholtes Prompting im Vergleich zu einer dauerhaften Skill-Datei. Keine Registrierung, keine E-Mail-Adresse – nur die auf Ihre Zahlen angewandte Berechnung aus diesem Beitrag.
Probieren Sie den Rechner aus →Häufig gestellte Fragen
Basiert das auf den Zahlen eines realen 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 unstrukturiert nutzen. Sie beruht nicht auf den geprüften Daten eines realen, namentlich genannten Kunden. Die Token- und Zeitangaben dienen als grobe Orientierung, um das Ausmaß der Verschwendung zu zeigen, und sind keine exakten Messwerte.
Wie unterscheidet sich eine Skill-Datei davon, einfach einmal einen guten prompt zu schreiben und 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 erstellt, 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 Markdown-basierte Systemprompts und funktionieren daher überall dort, wo Sie Anweisungen einfügen können – Claude Projects, benutzerdefinierten Anweisungen oder Custom GPTs in ChatGPT und Gemini Gems. Das Team muss sich nicht auf ein einziges AI-Tool festlegen, um einen gemeinsamen Kontext zu standardisieren.
