Notion AI Skills: Skill Engineering Guide

Notion AI Skills sind der mit Abstand wirksamste Hebel, den du gerade hast, um KI von einem Spielzeug in ein echtes Betriebswerkzeug zu verwandeln – und die meisten kratzen nur an der Oberfläche. Wenn du Notions KI-Funktionen nutzt, aber das Gefühl hast, die Ergebnisse sind generisch, inkonsistent oder klingen einfach nicht nach dir: Das Problem liegt mit hoher Wahrscheinlichkeit nicht an der KI selbst. Sondern daran, wie du sie anweist. Ein Skill ist eine einfache Notion-Seite mit wiederverwendbaren Anweisungen für deine KI. Du @erwähnst sie im Chat, die KI liest sie und führt sie aus. Eine Seite, ein Skill. Hinter dieser Einfachheit steckt jedoch eine ganze Disziplin – das sogenannte Skill Engineering – die Menschen, die mit KI herumspielen, von denen trennt, die sie wirklich operationalisieren. Dieser Leitfaden erklärt alles: Was Notion AI Skills sind, warum sie viel wichtiger sind als du denkst – und wie du sie mithilfe der Frameworks aufbaust, reviewst und skalierst, die wir in unserer Beratung entwickelt und auf der Notion-Konferenz in München vorgestellt haben.

Was sind Notion AI Skills – und wie funktionieren sie?

Ein Notion AI Skill ist eine dedizierte Notion-Seite mit wiederverwendbaren Anweisungen für deine KI – und der einfachste, effektivste Weg, KI-Output konsistent und zuverlässig zu machen.

Wenn du diesen Skill brauchst, @erwähnst du die Seite im Notion AI Chat. Die KI liest die Seite, befolgt die Anweisungen und liefert das Ergebnis. Kein Copy-Pasten von Prompts, kein Erklären von vorn bei jeder Nutzung.

Stell es dir so vor: Jedes Mal, wenn du einen Prompt eintippst, gibst du eine einmalige Anweisung. Ein Skill macht diese Anweisung dauerhaft, wiederholbar und teilbar.

So sieht das in der Praxis aus:

1. Du erstellst eine Notion-Seite, z.B. Wöchentlicher Kundenbericht
2. Auf dieser Seite schreibst du die Anweisungen – welche Daten verwendet werden, wie der Bericht strukturiert ist, welchen Ton er hat, wie der Output aussieht
3. Wann immer du diesen Bericht brauchst, öffnest du Notion AI Chat, @erwähnst die Skill-Seite und lässt sie laufen

Das ist alles. Eine Seite, ein Skill. Die Magie liegt nicht in der Technik – sondern darin, was passiert, wenn du diese Anweisungen gut schreibst.

Warum sind Notion AI Skills so wichtig für Teams?

Notion AI Skills verwandeln KI von einem persönlichen Produktivitäts-Hack in eine gemeinsame Team-Fähigkeit – und dafür gibt es drei konkrete Gründe, die wichtiger sind als die meisten denken.

Sie zwingen dich, versteckte Annahmen aufzudecken

Wenn du der KI sagst “Erstell einen Bericht”, weißt du intuitiv bereits, was das bedeutet. Welches Material verwendet wird, wie der Output aussieht, was “gut” heißt.

Die KI weiß das nicht. Sie muss raten. Und manchmal geht das spektakulär schief.

Das ist nicht nur ein KI-Problem – es passiert zwischen Menschen ständig. Aber Menschen haken nach, fragen Kolleginnen und Kollegen, greifen auf Erfahrung zurück. KI rät stillschweigend und macht weiter.

Das Schreiben eines Skills zwingt dich, jede Annahme zu hinterfragen, die du über eine Aufgabe gemacht hast. Das allein verbessert deine Prozesse – noch bevor die KI sie berührt.

Pro-Tipp: Je mehr versteckte Annahmen du aufdecken und explizit machen kannst, desto besser wird dein KI-Output. Skills sind das beste Trainingsfeld für diesen Muskel.

Strukturierte Techniken dazu findest du in unserem Leitfaden zu Prompting-Tipps, die wirklich einen Unterschied machen.

Sie lösen das Context-Overload-Problem

Du hast vermutlich schon versucht, einen riesigen “Master-Prompt” zu erstellen, der jede Regel, jeden Sonderfall und jede Präferenz enthält. Es fühlt sich gründlich an. Es funktioniert schlecht.

KI-Forschung bestätigt das – es wird als Fluch der Anweisungen bezeichnet. Je mehr parallele Regeln du der KI gleichzeitig gibst, desto schlechter führt sie alle aus. Es ist wie menschliches Multitasking: Je mehr Teller du jonglierst, desto mehr fallen herunter.

Skills lösen das, indem sie die KI auf eine Sache gleichzeitig fokussieren. Statt alles upfront zu laden, lädst du den richtigen Skill im richtigen Moment. Dieses Prinzip nennt sich Progressive Disclosure – und es ist zentral für alles, was in diesem Leitfaden folgt.

Sie operationalisieren KI für deine Organisation

Skills sind ergebnisorientiert. Jeder produziert ein spezifisches Resultat – einen zusammengefassten Bericht, ein verarbeitetes Meeting, eine priorisierte Inbox.

Wenn du eine Skill-Bibliothek aufbaust, beantwortest du automatisch die Frage: Wofür nutzt unsere Organisation KI eigentlich? Nicht abstrakt. In konkreten, wiederholbaren, messbaren Ergebnissen.

Da Skills zuverlässig und wiederholbar sind, kannst du sie in verschiedene Workflows einbinden. Derselbe Skill kann drei verschiedene Prozesse bedienen. Später kannst du ihn an einen Agenten übergeben, der ihn autonom ausführt.

Und entscheidend für Teams: Skills sind teilbar. Statt “jeder findet seine eigenen Prompts” erstellst du eine Bibliothek gemeinsamer Ressourcen. Wenn jemand Neues ins Team kommt, zeigst du auf die Bibliothek: So nutzen wir hier KI. Deshalb empfehlen wir, mit Notion for Teams zu starten – unserem kostenlosen 7-Tage-Kurs mit 5 essenziellen Frameworks.

Was ist Skill Engineering – und was unterscheidet es vom Prompting?

Skill Engineering ist die Disziplin, wiederverwendbare Notion AI Anweisungen zu entwerfen, zu testen und zu pflegen, die zuverlässige Geschäftsergebnisse liefern – und es ist das, was Teams, die echten Wert aus KI ziehen, von denen trennt, die noch experimentieren.

“Schreib gute Prompts” ist ein Ratschlag. Skill Engineering ist ein Framework. Es fügt eine gemeinsame Sprache, einen strukturierten Prozess und ein System hinzu, das von generischem Prompt-Schreiben zu spezifischen, wiederholbaren Ergebnissen führt.

Die Analogie passt: Prompt-Schreiben verhält sich zu Skill Engineering wie Code schreiben zu Software Engineering. Dasselbe Medium, ein anderes Maß an Rigor und Prozess.

Das fügt Skill Engineering zum reinen Prompting hinzu:

• Struktur – ein definierter Prozess zur Skill-Erstellung (wir nutzen das AC/DC Framework, das weiter unten erklärt wird)
• Qualitätskontrolle – dedizierte Review- und Kompressionsschritte, um Skills scharf zu halten
• Skalierbarkeit – ein Organisationssystem (das Plugin-Modell), damit Skills nicht zu einem Friedhof vergessener Seiten werden
• Iteration – Skills als lebendige Dokumente behandeln, die sich verbessern, nicht als einmal-schreiben-fertig-Artefakte

Wenn du Notion AI wirklich über einmalige Aufgaben hinaus nutzen willst, ist das die entscheidende Verschiebung. Praxisnahe Use Cases helfen zu verstehen, wo Skills den größten Mehrwert schaffen.

Was sind die 5 Levels des Notion AI Skill Writings?

Nicht alle Notion AI Skills sind gleich gut. Wir haben fünf Levels identifiziert, die beschreiben, wie Menschen typischerweise mit dem Skill-Schreiben voranschreiten – und wo die meisten steckenbleiben.

Level	Name	Wie es aussieht	Warum es scheitert	Wie du aufsteigst
1	Keine Skills	Du erklärst jedes Mal alles von vorn, wenn du KI nutzt	Kein Leverage – jede Interaktion startet bei null	Identifiziere eine Aufgabe, die du wöchentlich wiederholst, und schreib sie als Skill-Seite auf
2	Blinde Delegation	Du lädst eine Vorlage herunter oder bittest die KI, “mir einen Skill zu schreiben” – ohne Kontext	Kein Domain-Wissen – die KI rät alles und produziert generischen Output	Hör auf, dein Denken auszulagern. Füge zuerst deinen eigenen Kontext hinzu
3	Manuelles Schreiben	Du schreibst den Skill selbst wie eine traditionelle SOP	Versteckte Annahmen schleichen sich ein – du überspringst unbewusst, was dir offensichtlich erscheint	Nutze das AC/DC Framework, um mit der KI zu ko-kreieren statt alleine zu schreiben
4	Ko-Kreation (AC/DC)	Du nutzt einen strukturierten Prozess, um Domain-Wissen zu extrahieren und mit KI zu iterieren	Starke Ergebnisse, aber der Skill selbst folgt möglicherweise nicht strukturellen Best Practices	Bring der KI bei, wie ein gut strukturierter Skill aussieht, bevor sie deinen schreibt
5	Engineered Skills	Level-4-Wissen kombiniert mit strukturellen Prinzipien aus Forschung und Best Practices	Erfordert laufende Pflege – Skills driften ohne Review-Zyklen	Füge einen Skill Reviewer und Skill Compressor zu deinem Workflow hinzu

Warum Level 2 das gefährlichste Level ist

Level 2 ist eine Falle. Es ist das gefährlichste Level, weil es sich produktiv anfühlt – du hast eine Skill-Seite, sie sieht richtig aus – aber der Output ist mittelmäßig.

Hier geben die meisten Notion AI Skills auf und kehren zu Level 1 zurück, mit dem Fazit: “Skills funktionieren nicht.”

Sie funktionieren. Du hast nur den Teil übersprungen, wo du der KI erklärst, was du eigentlich meinst.

Die zwei häufigsten Level-2-Fehler:

• Eine Skill-Vorlage aus dem Internet herunterladen. Ein Skill dreht sich grundlegend um deinen spezifischen Prozess. Eine generische Vorlage hat keinen deiner Kontexte, keine deiner Sonderfälle, keine deiner Definition von “gut.”
• Die KI bitten, einen Skill ohne Input zu schreiben. “Hey, schreib mir einen Marketing-Skill” gibt der KI nichts zu arbeiten. Sie produziert etwas, das plausibel aussieht und schlecht performed.

Der 80/20-Sprung: Von Level 3 zu Level 4

Der Sprung von Level 3 zu Level 4 ist der Punkt, an dem die echte Transformation stattfindet. Das ist der 80/20-Move.

Auf Level 3 schreibst du den Skill selbst – besser als blinde Delegation, aber du bist noch durch dein eigenes Bewusstsein begrenzt, was du weißt. Dinge, die dir offensichtlich erscheinen, werden weggelassen. KI füllt die Lücken mit Vermutungen.

Auf Level 4 nutzt du einen strukturierten Ko-Kreations-Prozess (AC/DC, kommt gleich), um diese versteckten Annahmen systematisch aufzudecken. Das Ergebnis ist dramatisch besser.

Level 5 fügt die letzten 20% hinzu – den strukturellen Schliff, der Skills wiederholbar, reviewbar und teamweit skalierbar macht.

Was ist das AC/DC Framework zur Erstellung von Notion AI Skills?

AC/DC ist das Skill-Erstellungs-Framework, das wir entwickelt und auf der Notion-Konferenz in München vorgestellt haben. Es steht für Assess, Collaborate, Draft, Certify – und ist darauf ausgelegt, die versteckten Annahmen systematisch aufzudecken, die die meisten KI-Outputs scheitern lassen.

So funktioniert jeder Schritt.

Schritt 1: Assess – Alles rausschütten, was du weißt

Sammle jeden Kontext, den du über die Aufgabe hast. Frühere Beispiele, Meeting-Transkripte, bestehende SOPs, Screenshots, Notizen.

Wirf alles in einen KI-Chat. Dann fang an zu reden – Diktierwerkzeuge sind hier brillant, weil du natürlich mehr Nuancen und Farbe hinzufügst als beim Tippen.

Das Ziel ist ein bewusstseinsstromartiges Brain-Dump. Struktur kommt später. Du versuchst, alles aus deinem Kopf herauszubekommen – auch die Dinge, die du dir nicht mal bewusst bist, dass du sie weißt.

Pro-Tipp: Filtere in dieser Phase nicht. Je unordentlicher, desto besser. Wenn du einem Kollegen beim Mittagessen durch diesen Prozess geführt hättest – was würdest du sagen? Das ist die Energie, die du willst.

Schritt 2: Collaborate – Die KI interviewt dich

Nach dem Brain-Dump bittest du die KI, alles zu reviewen und dir Fragen zu stellen, was unklar ist.

Hier passiert die Magie. KI ist außergewöhnlich gut darin, Lücken und Inkonsistenzen zu erkennen. Sie könnte bemerken, dass du in einer alten SOP etwas anderes gesagt hast als in deinem Brain-Dump. Sie fragt nach Sonderfällen, die du vergessen hast.

Nimm dir Zeit. Für einen einfachen Skill dauert das vielleicht fünf Minuten. Für einen komplexen Reporting-Workflow können es Stunden sein. Die Investition zahlt sich aus.

Schritt 3: Draft – Die KI führt einen ersten Versuch durch

Sobald das Hin und Her vollständig wirkt, bittest du die KI, die Aufgabe tatsächlich auszuführen. Nicht den Skill zu schreiben – die eigentliche Arbeit zu tun.

Mit dem ganzen Kontext aus den vorherigen Schritten hat die KI jetzt viel mehr zu arbeiten als von einem Kaltstart aus. Diese erste Ausführung ist dein Testlauf.

Schritt 4: Certify – Review, Verfeinern, Wiederholen

Schau dir den Output an. Er wird wahrscheinlich zu 70–90% stimmen, je nach Komplexität und wie gründlich du in den früheren Schritten warst.

Hier ist der Schlüssel: Hör hier nicht auf. Geh zurück zum Anfang. Teile, was nicht stimmt, was dich überrascht hat, was du zu erwähnen vergessen hast. Dann mach einen weiteren Loop.

Jeder Loop wird schneller. Jeder deckt Annahmen auf, die du vorher nicht entdeckt hast. Du machst weiter, bis du den Output ansiehst und denkst: Ja, das hätte ich selbst so produziert.

AC/DC Schritt	Was du tust	“Fertig” sieht so aus	Häufiger Fehler
Assess	Brain-Dump alles – Beispiele, SOPs, Notizen, diktierter Bewusstseinsstrom	KI hat Rohmaterial, das den vollen Umfang der Aufgabe abdeckt	Zu früh filtern – Details weglassen, die sich “offensichtlich” anfühlen
Collaborate	KI stellt Fragen, du antwortest – mehrere Runden, bis die Lücken geschlossen sind	Beide Seiten einig: keine offenen Fragen mehr zum Prozess	Diesen Schritt überstürzen – eine Runde Fragen reicht selten
Draft	KI führt die eigentliche Aufgabe aus (schreibt nicht die Skill-Seite – macht die echte Arbeit)	Ein konkreter Output, den du gegen deine Erwartungen prüfen kannst	Die KI bitten, die Skill-Anweisungen zu schreiben statt die Aufgabe selbst auszuführen
Certify	Output reviewen, Lücken identifizieren, Korrekturen zurück in Assess einspeisen – Loop wiederholen	Output stimmt mit dem überein, was du selbst produziert hättest	Nach einem Loop aufhören – der erste Entwurf ist nie der letzte

Ein wichtiger Vorbehalt zum AC/DC Framework

AC/DC funktioniert am besten, wenn du bereits weißt, wie “gut” aussieht. Du hast die Aufgabe vorher gemacht, Intuition aufgebaut, den Standard herausgefunden.

Wenn du einen Skill für etwas völlig Neues erstellst – z.B. ein KI-generiertes Morning Briefing, das du noch nie hattest – funktioniert der Prozess trotzdem. Aber du startest viel tiefer. Statt nach dem ersten vollständigen Loop bei 80% Genauigkeit zu landen, bist du vielleicht bei 20–30%.

Das ist in Ordnung. Die iterative Natur des AC/DC Frameworks bedeutet, dass du dich mit jedem Zyklus verbessern wirst. Erwarte nur, dass es länger dauert, und sei ehrlich zu dir selbst, dass du die Aufgabe lernst und gleichzeitig lehrst.

In unserer Arbeit mit Klientinnen und Klienten sehen wir das am häufigsten bei KI-Reporting-Workflows. Niemand hatte vorher ein persönliches KI-Briefing, also kann niemand am ersten Tag artikulieren, wie “gut” aussieht. Deshalb ist der iterative Loop so wichtig – du entdeckst, was du wirklich brauchst, indem du siehst, was die KI produziert, und darauf reagierst.

Die Investitionsphase ist real

Ehrlich gesagt: Eine Zeit lang wird das Aufbauen von Skills mehr Zeit kosten als die Arbeit manuell zu erledigen.

Das ist die Investitionsphase. Du investierst Zeit jetzt, um Leverage aufzubauen, der sich später auszahlt. Der Break-even-Punkt kommt schneller als erwartet – besonders für Aufgaben, die du wöchentlich oder täglich wiederholst – aber du musst bereit sein, den anfänglichen Aufwand durchzuhalten.

Die Zinseszins-Renditen nach dem Break-even sind erheblich. Ein gut aufgebauter Skill spart dir nicht nur einmal Zeit. Er spart jedes Mal Zeit, wenn er läuft – für jede Person im Team, die ihn nutzt.

Wie vermeidest du den “Fluch der Anweisungen” in Notion AI Skills?

Der Fluch der Anweisungen ist einfach: Je mehr Regeln du der KI gleichzeitig zu befolgen gibst, desto schlechter führt sie alle aus. Das ist der größte strukturelle Fehler beim Schreiben von Notion AI Skills.

Das ist durch KI-Forschung belegt und stimmt mit dem überein, was du wahrscheinlich selbst erlebt hast. Dieser sorgfältig ausgearbeitete 3.000-Wörter-Prompt, der jeden Sonderfall abdeckt? Er underperformt gegenüber einem fokussierten 500-Wörter-Skill, der eine Sache gut macht.

Die Lösung ist Progressive Disclosure – eine geschichtete Architektur, bei der die KI nur lädt, was sie braucht, wann sie es braucht. Dieses Prinzip ist auch zentral für Notion Automationen, wo Trigger und Aktionen ähnlich geschichtet werden.

Wie funktioniert Progressive Disclosure für Notion AI Skills?

Stell dir dein Notion AI Setup als Stack mit mehreren Layers vor:

Layer 1: Persönliche Anweisungen oder Agent-Anweisungen (immer geladen)

Das ist dein Context Layer Prompt (CLP). Er sollte leichtgewichtig sein – gerade genug, um der KI den Workspace, die wichtigsten Datenbanken und die allgemeinen Regeln zu erklären. Wenn dieser Layer wie ein halbes Buch klingt, startet jede einzelne Konversation mit diesem Gepäck.

Layer 2: Skill-Seiten (bei Bedarf geladen)

Wenn du einen Skill @erwähnst, liest die KI diese Seite. Der Skill deckt ein spezifisches Ergebnis ab – wie man es produziert, wonach man sucht, wie der Output aussehen soll.

Layer 3: Referenzseiten (vom Skill bei Bedarf geladen)

Für komplexe Skills liegen die detaillierten Anweisungen für bestimmte Schritte auf separaten Seiten. Der Skill sagt der KI: “Wenn du Schritt 4 erreichst, lies diese Referenzseite.” Bis dahin bleibt die KI auf den aktuellen Schritt fokussiert.

Pro-Tipp: KI-Forschung zeigt, dass Elemente am Anfang und Ende eines Prompts die meiste Aufmerksamkeit bekommen – die Mitte wird tendenziell überflogen. Klingt bekannt? Genau so lesen Menschen. Strukturiere deine Skills so, dass die wichtigsten Regeln oben oder unten auf der Seite stehen.

Layer	Was es ist	Wann es lädt	Was es enthalten sollte	Häufiger Fehler
CLP / Agent-Anweisungen	Persistenter Kontext für deine KI	Bei jeder Konversation, automatisch	Workspace-Überblick, wichtige Datenbanken, Interaktionsstil, allgemeine Regeln	Aufgabenspezifische Anweisungen hier reinpacken statt in dedizierte Skills
Soul.md / Identitätsseite	Agent-Identität, Persönlichkeit und Kommunikationsstil	Bei jeder Konversation, automatisch	Wer der Agent ist, wie er kommuniziert, handlungsleitende Prinzipien	Prozessanweisungen in den Identitäts-Layer mischen
Skill-Seite	Wiederverwendbare Anweisungen für ein spezifisches Ergebnis	Bei Bedarf – wenn im Chat @erwähnt	Ziel, Prozessschritte, Output-Format, Regeln – alles fokussiert auf eine Aufgabe	Zu lang machen – wenn sie ~1.500 Wörter übersteigt, zieh eine Aufteilung in Betracht
Referenzseite	Detaillierter Kontext für einen spezifischen Schritt innerhalb eines Skills	Wenn der Skill die KI ausdrücklich auffordert, ihn bei einem bestimmten Schritt zu lesen	Style-Guides, Output-Templates, Beispiele, detaillierte Spezifikationen	Zu früh laden – KI wird von Details abgelenkt, bevor sie relevant sind
Plugin	Eine gruppierte Sammlung von Skills, die auf ein größeres Ergebnis hinarbeiten	Wenn KI nach relevanten Skill-Gruppen anhand von Beschreibungen sucht	Plugin-Beschreibung, verwandte Skills, verbundene Agenten	Keine Beschreibungen – KI kann nicht finden oder vorschlagen, worüber sie nichts lesen kann
Agent	Autonomer Ausfüher, der einen oder mehrere Skills nach Zeitplan oder Trigger ausführt	Bei Trigger (Zeitplan, Ereignis) oder manueller Aktivierung	Agent-Identität, welche Skills referenziert werden, wann gehandelt wird	Skill-Anweisungen in der Agent-Konfiguration duplizieren statt zu referenzieren

Wie baust du die Notion AI Skill Production Pipeline auf?

Sobald du Progressive Disclosure verstehst, stellt sich die nächste Frage: Wie erstellst du Notion AI Skills konsistent gut?

Die Antwort: Behandle die Skill-Erstellung selbst als Skill – buchstäblich. Wir verwenden eine Drei-Skill-Pipeline, die sicherstellt, dass jeder Skill, den du aufbaust, eine konsistente Qualität erreicht.

Der Skill Creator

Ein Notion AI Skill, der deinen AC/DC Output nimmt – all den Kontext, die Frage-Antwort-Runden, die Entwurfs-Iterationen – und ihn in eine ordentlich strukturierte Skill-Seite verwandelt.

Er wendet die Prinzipien aus diesem Leitfaden automatisch an: schlanke Hauptseite, Progressive Disclosure, Antwort-zuerst-Struktur, wichtigste Regeln oben und unten.

Der Skill Reviewer

Ein separater Skill, der das fertige Produkt mit frischen Augen betrachtet. Er prüft nicht nur, ob der Creator seine eigenen Regeln befolgt hat – das wäre sinnlos. Stattdessen führt er andere Analysen durch:

• Eine Kaltstart-Simulation – Könnte jemand ohne jeglichen Kontext diesen Skill lesen und verstehen, was er tut?
• Eine Failure-Mode-Analyse – Wo könnte dieser Skill schlechten Output produzieren, und werden diese Sonderfälle behandelt?
• Strukturelle Checks – Ist der Skill schlank genug? Werden Referenzseiten richtig genutzt? Stehen die wichtigsten Regeln an den richtigen Positionen?

Der Skill Compressor

Mit der Zeit häufen Skills Sonderfälle und Erkenntnisse an. Sie werden länger. Der Compressor reviewed einen Skill periodisch und verdichtet ihn zurück auf das, was wirklich wichtig ist – oder schlägt vor, ihn in mehrere Skills aufzuteilen, wenn er seinen Umfang überwachsen hat.

Pro-Tipp: Du kannst den Compressor an einen Notion-Agenten anhängen, der nach Zeitplan läuft – etwa monatlich. So bleiben deine Skills schlank, ohne dass du daran denken musst, sie manuell zu reviewen.

Alle drei Skills – Creator, Reviewer und Compressor – sind kostenlos für Abonnentinnen und Abonnenten unseres Newsletters verfügbar. Zusammen mit 41+ weiteren Notion-Ressourcen gibt es sie hier → matthiasfrank.de/special

Wie baust du eine skalierbare Notion AI Skill-Bibliothek auf?

Einzelne Notion AI Skills sind mächtig. Ein System aus Skills ist transformativ. Aber ohne Organisation wird deine Skill-Bibliothek zu einem Friedhof vergessener Seiten.

Die Lösung ist das sogenannte Notion Plugin-System – ein Framework, das aus dem Konzept der Plugins in Claude übernommen und an Notions native Stärken als Wissensorganisator angepasst wurde.

Was ist die Plugin-System-Architektur?

Du benötigst mindestens drei miteinander verbundene Notion-Datenbanken:

Plugins – die Top-Level-Gruppierung. Ein Plugin repräsentiert ein größeres Geschäftsergebnis, wie “Content Production” oder “Client Onboarding.” Jedes Plugin hat eine Beschreibung (damit KI es finden kann) und Links zu den Skills, die es antreiben.

Skills – die einzelnen ausführbaren Einheiten. Jeder Skill hat eine Beschreibung, Links zu seinen Plugin(s) und optional Links zu Agenten, die ihn ausführen.

Agenten – die autonomen Ausfüher. Ein Agent nimmt einen oder mehrere Skills und führt sie nach Zeitplan oder als Reaktion auf einen Trigger aus. Der Agent dupliziert nicht die Skill-Anweisungen – er liest einfach die Skill-Seite, wenn er handeln muss.

Wenn Notion seine Plattform mit Features wie Custom MCPs und Code-Ausführung (Workers) erweitert, fügen sich diese neuen Fähigkeiten natürlich in das Plugin-System als zusätzliche Datenbanken ein, die mit Skills und Agenten verknüpft sind.

Warum ist diese Struktur so wichtig für Notion AI Skills?

Auffindbarkeit. Dein Context Layer Prompt kann der KI sagen, die Plugin-Datenbank bei größeren Aufgaben zu durchsuchen. Basierend auf Beschreibungen allein – nicht den vollständigen Skill-Seiten – kann KI relevante Skills vorschlagen. Du entscheidest, ob sie automatisch aufgerufen oder nur empfohlen werden.

Wiederverwendbarkeit. Ein Skill kann mehrere Workflows bedienen. Ein Report-Formatierungs-Skill könnte von drei verschiedenen Plugins genutzt werden. Wenn du ihn verbesserst, profitiert sofort jeder Workflow.

Team-Adoption. Nicht jeder in deinem Team wird ein KI-Power-User sein. Indem du Skills durchsuchbar und mit Notions nativen Datenbankfunktionen organisiert machst, kann jede Person einen Skill entdecken und nutzen, ohne von vornherein zu wissen, dass er existiert.

Zukunftssicherheit. Die Plugin-Architektur wächst natürlich mit. Neuer Skill? Eine Zeile hinzufügen. Neuer Agent? Ihn verlinken. Neuer Tool-Typ wie ein MCP? Eine Datenbank erstellen und verbinden. Das System skaliert ohne Redesign.

Wann solltest du einen Notion AI Skill in mehrere Skills aufteilen?

Das ist eine Ermessensfrage, aber hier sind zuverlässige Signale, dass ein Skill seinen Umfang überwachsen hat:

• Die Skill-Seite übersteigt etwa 1.500 Wörter
• Der Skill deckt mehr als ein klar definiertes Ergebnis ab
• Du fügst “wenn X, dann das; wenn Y, dann das” Verzweigungslogik hinzu
• Die KI underperformt konsistent bei den späteren Schritten (ein Zeichen, dass der mittlere Kontext verloren geht)

Wenn du aufteilst, sollte jeder neue Skill unabhängig Wert liefern. Wenn Skill B nur Sinn ergibt, nachdem Skill A ausgeführt wurde, ist das in Ordnung – aber Skill B sollte trotzdem einen klaren, eigenständigen Output produzieren.

Was sind die 3 Prinzipien, die Notion AI Skills zum Performen bringen?

Jenseits der Frameworks und Systeme trennen drei Prinzipien konsistent Skills, die auf dem Papier gut aussehen, von Skills, die tatsächlich zuverlässige Ergebnisse liefern.

Prinzip 1: Zeigen statt Erzählen

Wenn du der KI zeigen kannst, wie guter Output aussieht, ist sie bemerkenswert gut darin, herauszufinden, wie sie dort hinkommt.

Schließe Beispiele in deine Skills ein. Ein Beispiel für einen gut geschriebenen Berichtsabschnitt. Ein Vorher-Nachher einer Kunden-E-Mail. Ein Beispieloutput mit Annotationen, die erklären, warum er gut ist.

Interessanterweise legt aktuelle KI-Forschung nahe, dass Rollen-Prompting (“Du bist ein Experte für Marketing”) die KI hauptsächlich selbstbewusster macht, nicht kompetenter. Dein Domain-Wissen – was “gut” konkret in deinem spezifischen Kontext bedeutet – ist viel wichtiger als ein Persona-Label.

Prinzip 2: Das Warum hinter jeder Regel erklären

Statt “Verwende nie Passiv” schreib: “Verwende Aktivform, weil sie den Leser stärker einbindet und Absätze kürzer hält.”

Wenn die KI die Begründung hinter einer Regel versteht, kann sie diese Begründung auf Situationen anwenden, die die Regel nicht explizit abdeckt. Du erhältst bessere Generalisierung aus weniger Anweisungen.

Das ist eine kleine Änderung in der Art, wie du Skill-Anweisungen schreibst, die einen unverhältnismäßig großen Unterschied in der Output-Qualität macht.

Prinzip 3: Jeden Skill als lebendes Dokument behandeln

Deine erste Version wird nicht perfekt sein. Das ist zu erwarten und in Ordnung.

Baue eine Feedback-Schleife auf: Wenn du einen Skill nutzt und etwas Falsches bemerkst, aktualisiere die Skill-Seite. Mit der Zeit sammelt er Erkenntnisse und Sonderfälle an. Führe periodisch den Skill Compressor aus, um ihn wieder auf das Wesentliche zu destillieren.

Die besten Notion AI Skills sind nicht die, die von der klügsten Person geschrieben wurden. Es sind die, die die meisten Iterationen durchlaufen haben.

---

Willst du eine skalierbare Skill-Bibliothek aufbauen, aber unsicher, wie du anfängst? Unser Newsletter Special enthält die Skill-Creator-, Reviewer- und Compressor-Templates – kostenlos für Abonnenten.

Wie fängst du heute mit Notion AI Skills an?

Wenn sich das alles nach viel anfühlt, hier ist der einfachste mögliche Startpunkt:

1. Wähle eine Aufgabe, die du mindestens wöchentlich wiederholst. Sie muss nicht komplex sein. Ein Status-Update, eine Meeting-Zusammenfassung, eine Kunden-Check-in-E-Mail – irgendetwas, das du regelmäßig tust.
2. Schreib auf, wie du es machst. Nicht für KI – für dich selbst. Welche Schritte folgst du? Wie sieht der Output aus? Was sind deine Qualitätskriterien?
3. Pack das in eine Notion-Seite. Das ist dein erster Skill. @Erwähne ihn das nächste Mal, wenn du die Aufgabe erledigen musst.
4. Beobachte, was die KI falsch macht. Aktualisiere die Skill-Seite. Führe sie erneut aus. Wiederholen.

Du bist gerade in den AC/DC Loop eingetreten, ohne es zu merken. Von hier aus kannst du schrittweise mehr Skills hinzufügen, den Skill Creator und Reviewer einführen und schließlich das vollständige Plugin-System aufbauen.

Die Teams, die außergewöhnliche Ergebnisse mit Notion AI erzielen, verwenden keine andere Technologie. Sie verwenden Skills – gut geschriebene, gut gepflegte, gut organisierte Skills.

Und jetzt weißt du genau, wie du sie aufbaust.

💼 Brauchst du die Unterstützung zertifizierter Notion Berater? Mein Team und ich sind hier, um zu helfen!

💡 Willst du mehr Tipps? Schließ dich 39.000 Notion-Fans in unserem zweiwöchentlichen Newsletter – mit Zugang zu 41+ kostenlosen Ressourcen an

Häufig gestellte Fragen

Was ist der Unterschied zwischen einem Notion AI Skill und einem normalen Prompt?

Ein Prompt ist eine einmalige Anweisung, die du in den KI-Chat eintippst. Ein Notion AI Skill ist eine dedizierte Notion-Seite mit wiederverwendbaren Anweisungen, die du @erwähnst, wann immer du dieses spezifische Ergebnis brauchst. Der entscheidende Unterschied ist Persistenz und Teilbarkeit – ein Skill funktioniert jedes Mal gleich, für jeden in deinem Team, ohne dass jemand Anweisungen neu tippen muss.

Wie lang sollte eine Notion AI Skill-Seite sein?

Es gibt keine feste Obergrenze, aber versuche, die Hauptskill-Seite unter etwa 1.500 Wörtern zu halten. Wenn sie darüber wächst, nutze Referenzseiten für detaillierte Abschnitte und lass den Skill der KI sagen, wann sie sie laden soll. Das Prinzip ist Progressive Disclosure – fokussierte Anweisungen outperformen umfassende, weil KI schlechter abschneidet, wenn sie zu viele parallele Regeln jongliert.

Können Notion AI Skills mit Custom Agents genutzt werden?

Ja, und sie sind darauf ausgelegt, zusammenzuarbeiten. Ein Skill ist ein Satz von Anweisungen. Ein Agent ist ein Ausfüher, der Skills autonom nach Zeitplan oder als Reaktion auf einen Trigger ausführen kann. Das beste Setup: Anweisungen in der Skill-Seite halten und den Agenten darauf referenzieren – Anweisungen niemals in beiden duplizieren. So verbessert das Verbessern des Skills automatisch den Agenten.

Muss man programmieren können, um Notion AI Skills zu erstellen?

Überhaupt nicht. Notion AI Skills sind Anweisungen in natürlicher Sprache, die auf einer normalen Notion-Seite geschrieben sind. Wenn du einem Kollegen einen Prozess erklären kannst, kannst du einen Skill schreiben. Das AC/DC Framework hilft dir, dieses Wissen systematisch zu extrahieren und zu strukturieren – auch wenn du noch nie einen Prompt geschrieben hast.

Wie bringt man ein Team dazu, eine Skill-Bibliothek wirklich zu nutzen?

Drei Dinge helfen am meisten: Skills in einer durchsuchbaren Datenbank mit klaren Beschreibungen halten, deine Skill-Bibliothek in den KI-Context-Layer-Prompt deines Teams aufnehmen, damit relevante Skills automatisch gefunden werden – und mit zwei oder drei wirkungsvollen Skills starten, die echte Pain Points lösen, statt zu versuchen, von Beginn an eine erschöpfende Bibliothek aufzubauen. Adoption folgt dem Wert – wenn Menschen sehen, dass ein Skill ihnen 30 Minuten spart, suchen sie nach mehr.