Eine Skill-Datei ist günstiger als ein prompt von Grund auf, weil sie ihre Einrichtungskosten einmal statt bei jeder einzelnen Nachricht verursacht. Jedes Mal, wenn du einer leeren AI-Chat-Instanz deine Rolle, deinen Ton und dein Format erneut erklärst, bezahlst du diese Erklärung in Tokens – und Tokens sind Geld, Nachrichtenlimits und Kontextfensterplatz, die du für Zusatzaufwand ausgibst, statt für deine eigentliche Arbeit.
Teil 1 der Serie „Wiederverwendbarer Kontext“ · Vom KissMySkills-Team
Die 300 Tokens, die du jedes einzelne Mal bezahlst
Öffne einen leeren Chat mit Claude, ChatGPT oder Gemini und bitte darum, dir beim Verfassen eines Board-Updates zu helfen. Bevor die AI etwas Nützliches tun kann, musst du ihr sagen, wer du bist, was das Unternehmen macht, welchen Ton das Board erwartet, welchem Format das Update folgen soll und was für dich „gut“ bedeutet. Das ist keine Bitte in einer Zeile – es ist ein Absatz, manchmal drei.
Tippe diesen Absatz ab und lasse ihn durch einen Tokenizer laufen. Ein typischer Vorspann nach dem Muster „Hier ist meine Rolle, hier ist der Kontext, hier ist, wie ich die Dinge formatiert haben möchte“ umfasst 200–400 Tokens. Und das, bevor du die eigentliche Frage gestellt hast. Da die meisten Menschen diesen Vorspann nirgendwo speichern, tippen sie jedes Mal, wenn sie einen neuen Chat öffnen, eine Version davon erneut ein – leicht anders, leicht unvollständig.
Multipliziere das damit, wie oft du AI tatsächlich für die Arbeit nutzt. Wenn du täglich fünf neue Chats öffnest und jedes Mal den Kontext neu erklärst, verbrennst du 1.000–2.000 Tokens pro Tag allein damit, erneut festzulegen, wer die AI sein soll. Über einen Monat sind das 20.000–40.000 Tokens, die ausschließlich fürs Vorgeplänkel draufgehen – Tokens, die keinerlei Ergebnis erzeugt haben.
Vorher und nachher: dieselbe Anfrage auf zwei Arten
Ohne Skill-Datei sieht ein typischer prompt so aus:
„Du unterstützt mich als Chief of Staff. Ich leite ein SaaS-Unternehmen mit 40 Mitarbeitenden, wir berichten an ein fünfköpfiges Board, sie mögen prägnante Updates mit der Kernaussage zuerst, ohne Fülltext, immer mit Burn-Rate und Reichweite, formatiert in Markdown mit einem TL;DR ganz oben … [wird um weitere 150 Wörter fortgesetzt] … schreibe jetzt das Update für diesen Monat.“
Das ist die Steuer fürs erneute Erklären – nächste Woche wieder fällig und in der Woche danach erneut, meist mit etwas, das vergessen wurde (letztes Mal hast du die Reichweite erwähnt, dieses Mal vergessen, daher ist die Ausgabe inkonsistent).
Mit einer Skill-Datei lautet dieselbe Anfrage einfach: „Schreibe das Board-Update für diesen Monat: Umsatz 340.000 $, Burn 85.000 $, zwei neue Enterprise-Deals abgeschlossen.“ Rolle, Ton, Format und Standards sind bereits geladen – einmal geschrieben, jedes Mal angewendet und nie vergessen.
Lade Ryan einmal und jedes Board-Paket, jede All-Hands-Mitteilung und jedes Entscheidungsbriefing, das du anforderst, kommt mit den wichtigsten Punkten zuerst und vorstandstauglich zurück – ohne dass du dein Unternehmen oder deine Standards jedes Mal neu erklären musst.
Ryan anzeigen – Chief of Staff →Warum das für deinen Geldbeutel wichtig ist
Wenn du nach API-Tarifen abgerechnet wirst (weil du etwas auf Claude oder GPT aufbaust oder ein Tool verwendest, das nach Nutzung abrechnet), ist die Rechnung direkt: Eingabe-Tokens kosten Geld. Eine 300 Token umfassende, wiederholt erklärte Einleitung, die bei jedem Aufruf über Tausende Aufrufe pro Monat gesendet wird, ist ein echter Kostenpunkt – kein Rundungsfehler. Teams, die AI-gestützte Produkte entwickeln, stellen regelmäßig fest, dass die erneute Herstellung des Kontexts 15–30 % ihrer Token-Ausgaben verschlingt, bevor das Modell überhaupt etwas Nützliches tut. Eine Skill-Datei – oder ihr Äquivalent als System-prompt, gecachter Kontext oder Projektanweisung – verwandelt diese wiederkehrenden Kosten in einmalige Kosten.
Wenn du Claude, ChatGPT oder die Verbrauchertarife von Gemini regelmäßig in einer Chat-App nutzt, wird dir nicht direkt pro Token etwas berechnet. Du bist jedoch durch Nutzungslimits begrenzt, die im Hintergrund selbst tokenbasiert sind. Jede Nachricht, die mit drei Absätzen nach dem Muster „Lass mich erklären, wer du bist“ beginnt, zählt gegen dein Limit und bringt dir nichts. Wenn du das erneute Erklären kürzt, bekommst du aus demselben täglichen Kontingent mehr echte Arbeit heraus.
Warum das nicht nur für die Kosten, sondern auch für die Qualität wichtig ist
Das ist der Punkt, den viele übersehen: Neu erklärter Kontext ist nicht nur teuer, sondern auch schlechterer Kontext. Wenn du mitten in einem geschäftigen Tag deine Rolle und Standards aus dem Gedächtnis erneut eingibst, lässt du Dinge aus. Du vergisst zu erwähnen, dass in Vorstands-Updates die Burn-Rate ganz oben stehen muss. Du vergisst, dass der Kunde Aufzählungspunkte statt Fließtext bevorzugt. Du vergisst das Format, das beim letzten Mal gut funktioniert hat. Die Qualität der Ergebnisse sinkt nicht, weil das Modell dümmer geworden ist, sondern weil deine Anweisungen schlampiger geworden sind – und zwar uneinheitlich schlampiger, sodass manche Sitzungen großartig und andere merklich schlechter ausfallen.
Eine gut geschriebene Skill-Datei hat dieses Problem nicht. Sie ist die vollständige Version deiner Anweisungen – einmal verfasst, als du Zeit hattest, sie sorgfältig zu durchdenken – und nicht die hastig zusammengereimte Version, an die du dich an einem Donnerstag um 16 Uhr erinnern kannst. Das ist der wahre Grund, warum Skill-gesteuerte Ergebnisse oft senioriger und konsistenter wirken: Die AI ist nicht klüger geworden, sondern arbeitet jedes Mal mit einem vollständigen Briefing statt mit einem halb erinnerten.
Es gibt noch einen weiteren Qualitätseffekt. Lange Chats werden zunehmend schlechter, wenn sich das Kontextfenster mit Hin und Her, Korrekturen und Klarstellungen füllt – ein Phänomen, das manchmal als „Kontextverfall“ bezeichnet wird. Wenn ein großer Teil jeder Nachricht damit verbracht wird, grundlegende Rolle und Format erneut festzulegen, ist das Speicherplatz im Kontextfenster, der stattdessen für die eigentliche Arbeit hätte genutzt werden können, und der Zeitpunkt, an dem das Gespräch den Faden zu verlieren beginnt, wird schneller erreicht. Eine Skill-Datei stellt die Einrichtung effizient voran, anstatt sie über Dutzende von Nachrichten hinweg stückweise zu wiederholen.
Diane verfasst E-Mails in deinem Stil, bereitet Besprechungsunterlagen vor und sortiert deinen Posteingang, ohne dass du in jedem neuen Chat deinen Ton und deine Prioritäten erneut erklären musst.
Diane – Executive Assistant ansehen →Was tatsächlich als „Skill-Datei“ zählt
Eine Skill-Datei ist nichts Exotisches – sie ist ein Markdown-Dokument, das du einmal als System-Prompt, als ChatGPT-Projektanweisung, als benutzerdefinierte Anweisung eines Claude-Projekts oder in der Konfiguration eines Custom GPT einfügst. Sie legt die Rolle fest („du bist ein Chief of Staff auf Senior-Level mit 9 Jahren Erfahrung in der Unterstützung von CEOs“), die Standards („Überschrift zuerst, kein Fülltext, immer Burn Rate und Runway angeben“) und das Format („Markdown, TL;DR oben“). Sobald sie in einen persistenten Kontext geladen wurde – ein Projekt, ein Custom GPT oder ein System-Prompt in deinem eigenen Tool –, übernimmt jedes neue Gespräch sie automatisch. Du musst sie nie wieder neu eingeben.
Letztlich ist weniger entscheidend, wo genau sie hinterlegt ist (System-Prompt, Projektanweisungen oder Custom GPT), als vielmehr die grundlegende Gewohnheit: Den Kontext einmal vollständig aufschreiben, wenn du Zeit hast, es richtig zu machen – und dann aufhören, ihn unter Zeitdruck aus dem Gedächtnis erneut zu erklären.
Zusammengefasst:
Das erneute Erklären von Rolle, Ton und Format von Grund auf kostet 200–400 Token pro Nachricht, summiert sich im Laufe der Zeit zu echten Ausgaben oder einem unnötig hohen Verbrauch der Nutzungslimits und führt zu uneinheitlichen Ergebnissen, weil unter Zeitdruck zusammengefasster Kontext unvollständiger Kontext ist. Eine Skill-Datei wie Ryan (Chief of Staff) oder Diane (Executive Assistant) verursacht diese Kosten einmal und liefert danach in jeder Nachricht konsistente Ergebnisse auf Senior-Level.
Gib ein, wie du (oder dein Team) AI-Chats tatsächlich nutzt, und erhalte eine realistische monatliche Schätzung der Token- und Dollarverschwendung durch erneutes Prompten im Vergleich zu einer persistenten Skill-Datei. Keine Anmeldung, keine E-Mail-Adresse – nur die auf deine Zahlen angewandte Mathematik aus diesem Beitrag.
Teste den Rechner →Häufig gestellte Fragen
Wie viele Tokens kostet das erneute Erklären des Kontexts tatsächlich?
Eine typische Präambel zu Rolle und Format umfasst 200–400 Tokens pro Nachricht. Über Dutzende Chats pro Woche summiert sich das auf Zehntausende verschwendete Tokens pro Monat – Tokens, die für die Einrichtung statt für die eigentliche Arbeit ausgegeben werden.
Hilft eine Skill-Datei nur bei API-Kosten oder auch regulären Chat-Nutzern?
Beides. Bei der API-Preisgestaltung führt eine geringere Anzahl wiederholter Tokens direkt zu einer niedrigeren Rechnung. Bei Chat-Abos für Verbraucher (Claude, ChatGPT, Gemini) sind die Nutzungslimits im Hintergrund tokenbasiert. Wenn du also die Kosten des erneuten Erklärens reduzierst, steht ein größerer Teil deines täglichen Kontingents für die eigentliche Ausgabe statt für die Einrichtung zur Verfügung.
Ist eine Skill-Datei einfach ein längerer Prompt?
Nein – der Unterschied liegt in der Persistenz, nicht in der Länge. Eine Skill-Datei wird einmal geschrieben und in einen System-Prompt, Projektanweisungen oder ein Custom GPT geladen, sodass sie automatisch in jeder neuen Unterhaltung vorhanden ist. Ein regulärer Prompt muss jedes Mal aus dem Gedächtnis neu eingegeben werden, wodurch Qualität und Vollständigkeit leiden.
Verbessert die Verwendung einer Skill-Datei tatsächlich die Ausgabequalität oder spart sie nur Geld?
Beides. Geld wird gespart, weil du nicht für wiederholte Tokens bezahlst. Die Qualität verbessert sich, weil eine Skill-Datei die vollständige, sorgfältig formulierte Version deiner Anweisungen enthält und nicht bloß das, woran du dich unter Zeitdruck zu erinnern vermagst – deshalb sind durch Skills gesteuerte Ausgaben tendenziell konsistenter und haben einen souveräneren Ton.
Als Nächstes in dieser Serie
Dies ist der zentrale Beitrag einer kurzen Serie darüber, warum wiederverwendbarer Kontext besser ist als erneutes Prompten. Als Nächstes: „Die versteckten Kosten des erneuten Promptens“, „System-Prompt vs. Projektanweisungen vs. Custom GPT: Wo sollte dein Skill eigentlich hinterlegt sein?“, „Warum lange Chats dümmer werden (und wie du das ohne Neustart behebst)“, „Der wirkliche Unterschied zwischen einem Prompt und einem Skill (es geht nicht nur um Semantik)“, „Wie viel kostet es tatsächlich, Claude/ChatGPT für die Arbeit zu nutzen? Eine realistische Aufschlüsselung der Token-Kosten“ und „Wiederverwendbarer Kontext ist das neue Prompt Engineering.“
