Claude Skills: Workflow-Muster für KI-Agenten für den perfekten Dienstplan

Nachdem Claude seit einigen Monaten mein favorisierte KI-ChatBot ist, bin ich zwangsläufig mit den Claude Skills konfrontiert. Dahinter steckt eine Funktion, die es Claude ermöglicht, spezialisierte Aufgaben und Workflows gezielter und effizienter auszuführen. Man kann sie sich wie „Experten-Module“, "Rezepte" oder „Apps“ vorstellen, die Claude bei Bedarf lädt, um über reines Textschreiben hinaus zu nutzen. Man könnte diese Skills auch als kleine Subagenten sehen, die unterschiedliche Aufgaben haben und für eine übergeordnete Aufgabe zusammengetrommelt werden, um gemeinsam das Ziel zu erreichen. Soweit - so lässig!

Jetzt hat Claude auf deren BLOG einen ziemlich spannenden Beitrag veröffentlicht (LINK) mit einer praktische Anleitung zur Strukturierung von Agentenaufgaben anhand von 3 gängigen Workflow-Mustern. Ich erlaube mir das ganze jetzt auf die Gastronomie zu übertragen und anhand von 3 Beispielen das leidige Thema "Dienstplanmanagement" zu erörtern.

A. Sequentiell: klassischer Planungsprozess

1. Bedarf ermitteln: Für jede Schicht (Früh/Spät/Wochenende) Arbeitslast und benötigte Rollen (Küche, Service, Bar) bestimmen.​

2. Wunschzeiten einsammeln: Agent holt Verfügbarkeiten und Wünsche der Mitarbeitenden.

3. Planentwurf erzeugen: Agent erstellt einen ersten Dienstplan auf Basis von Bedarf, Verfügbarkeiten, Verträgen, Ruhezeiten.​

4. Regeln prüfen: Zweiter Schritt/Agent checkt Arbeitsrecht, interne Regeln, Fairness (nicht immer dieselben am Wochenende).

5. Konflikte lösen: Agent passt Schichten an, schlägt Tauschoptionen vor, markiert offene Lücken für den Manager.

Hier hängen die Schritte aufeinander auf – daher sequentiell.

B. Parallel: viele Optionen gleichzeitig prüfen

Statt nur einen Planentwurf zu machen, lässt du den Agenten z. B. 5 alternative Dienstpläne generieren, die sich in Prioritäten unterscheiden (Mitarbeiterwünsche, Kosten, Erfahrungsmix).

• Alle 5 Entwürfe werden parallel erzeugt.

• Ein Bewertungs‑Schritt berechnet für jeden Entwurf Scorekarten: Regelkonformität, Fairness, Wunsch‑Match, Personalkosten.​

• Der Manager bekommt 2 Top‑Vorschläge zur Auswahl.

Die Generierung der Varianten läuft parallel, weil die Entwürfe unabhängig sind.​

C. Evaluator‑Optimizer: Plan iterativ verbessern

Hier arbeitest du mit einem „Planer“ und einem „Prüfer“:

1. Planer erstellt einen Dienstplan‑Entwurf aus den Rohdaten.

2. Prüfer bewertet den Plan: „Küche am Freitag unterbesetzt, 3 Mitarbeiter mit >6 Tagen am Stück, Person X hat Wunsch frei am Samstag ignoriert.“

3. Planer verbessert den Plan gezielt anhand dieser Kritik.

4. Schleife wiederholen, bis ein Zielscore erreicht ist (z. B. „mindestens 90/100 Punkte“).​

Das ist ein typischer Evaluator‑Optimizer‑Loop: ein Agent generiert, der andere kritisiert, bis es gut genug ist.

Alleine wenn man sich diese 3 Systeme ansieht, merkt man schnell: Es gibt nicht die eine richtige Methode. In der Praxis entstehen die besten Ergebnisse fast immer aus einer Kombination mehrerer Muster.

Ein Gastronom könnte zum Beispiel zunächst sequentiell arbeiten, um einen ersten stabilen Plan zu erzeugen. Danach lässt er parallel mehrere Varianten berechnen, um unterschiedliche Prioritäten abzuwägen. Anschließend läuft ein Evaluator-Optimizer-Loop, der den ausgewählten Plan noch einmal iterativ verbessert. Genau hier zeigt sich die eigentliche Stärke von Agent-Systemen. Sie ersetzen keine Entscheidung, sondern strukturieren komplexe Aufgaben so, dass mehrere Denkwege gleichzeitig möglich werden. Während ein Mensch typischerweise eine Lösung nach der anderen durchdenkt, können Agenten verschiedene Ansätze parallel ausprobieren, bewerten und wieder verwerfen.

Überträgt man dieses Prinzip auf den Gastronomiealltag, wird klar, dass Dienstplanmanagement nur ein kleines Beispiel ist. Die gleichen Muster funktionieren auch bei Menüplanung, Warenbestellungen, Marketingkampagnen oder Preisoptimierung. Immer geht es darum, ein Problem zuerst in klare Teilschritte zu zerlegen und dann zu entscheiden, welche davon linear ablaufen müssen, welche parallel entstehen können und wo iterative Verbesserung sinnvoll ist.

Viele setzen KI mit LLMs gleich - doch das ist "nur" die unterste Entwicklungsstufe. Der eigentliche Mehrwert von KI liegt daher weniger im „Antworten geben“, sondern im Strukturieren von Arbeit. Wer beginnt, betriebliche Abläufe in solche Agent-Workflows zu übersetzen, baut sich Schritt für Schritt eine digitale Assistenz, die Routinearbeit übernimmt und gleichzeitig bessere Entscheidungsgrundlagen liefert. Skills sind eine ganz einfache Art sich mit dem Thema zu beschäftigen.

Die spannende Frage für die nächsten Jahre lautet daher nicht mehr, ob KI im Betrieb eingesetzt wird. Entscheidend wird sein, wer seine Prozesse so modelliert, dass Agenten sinnvoll mitarbeiten können. Genau dort beginnt die eigentliche Transformation.