Kerangka Keterampilan Claude Bergeser Menjadi Standar Industri dengan Sunyi

Ketika Anthropic meluncurkan Skills pada Oktober, pengumuman tersebut terbaca seperti fitur pengembang niche. Dua bulan kemudian, OpenAI mengadopsi arsitektur yang sama—dan konvergensi sunyi mengungkapkan sesuatu yang signifikan tentang ke mana agen AI menuju.

Keterampilan secara menipu sederhana: folder yang berisi file Markdown yang memberitahu sistem AI tentang cara melakukan tugas tertentu. Namun, adopsi oleh kedua laboratorium AI utama menunjukkan bahwa industri telah menemukan jawaban umum untuk pertanyaan mendasar: bagaimana membuat asisten AI konsisten baik dalam pekerjaan khusus?

Apa yang Baru Dilakukan OpenAI

Pengembang Elias Judin menemukan implementasi OpenAI pada 12 Desember saat bereksperimen dengan ChatGPT’s Code Interpreter. Dengan meminta model untuk membuat file zip dari direktori /home/oai/skills, dia menemukan folder untuk PDF, spreadsheet, dan dokumen—masing-masing berisi file instruksi yang identik secara struktural dengan spesifikasi Anthropic.

Arsitektur yang sama muncul di alat CLI Codex OpenAI dua minggu sebelumnya, melalui pull request berjudul “feat: experimental support for skills.md.” Implementasi tersebut mencerminkan pendekatan Anthropic: keterampilan hidup di direktori lokal (~/.codex/skills), masing-masing didefinisikan oleh file SKILL.md dengan metadata dan instruksi.

OpenAI belum secara resmi mengumumkan fitur tersebut. Namun, kehadirannya di ChatGPT dan Codex menunjukkan strategi yang disengaja daripada eksperimen.

Mengapa Keterampilan Penting

Pendekatan tradisional untuk membuat AI lebih baik dalam tugas tertentu melibatkan fine-tuning—pelatihan model yang mahal dan memakan waktu pada data khusus. Keterampilan menawarkan alternatif yang lebih ringan: instruksi dan sumber daya yang hanya dimuat ketika relevan.

Tim insinyur Anthropic menjelaskan prinsip desain sebagai “pengungkapan progresif.” Setiap keterampilan hanya membutuhkan beberapa lusin token ketika diringkas, dengan detail lengkap yang dimuat hanya ketika tugas memerlukannya. Ini memecahkan masalah praktis: jendela konteks adalah lahan yang berharga, dan memasukkan setiap instruksi yang mungkin ke setiap permintaan membuang sumber daya.

Arsitektur ini bekerja karena model AI modern dapat membaca dan mengikuti instruksi secara dinamis. Keterampilan untuk menangani PDF mungkin termasuk perpustakaan yang disukai, penanganan kasus tepi, dan pemformatan output—informasi yang model butuhkan hanya ketika memproses PDF.

Cerita Konvergensi

OpenAI mengadopsi pendekatan Anthropic tidak biasa dalam isolasi. Laboratorium AI secara teratur belajar dari karya yang diterbitkan oleh satu sama lain. Yang menonjol adalah identitas struktural: konvensi penamaan file yang sama, format metadata yang sama, organisasi direktori yang sama.

Kemampuan kompatibilitas ini bisa berarti keterampilan yang ditulis untuk Claude Code dapat bekerja dengan Codex CLI OpenAI, dan sebaliknya. Pengembang bisa berbagi keterampilan di GitHub seperti paket npm. Ekosistem menjadi interoperabel daripada terfragmentasi.

Waktu ini bertepatan dengan upaya standardisasi yang lebih luas. Anthropic mendonasikan Model Context Protocol ke Linux Foundation pada 9 Desember, dan kedua perusahaan bersama-sama mendirikan Agentic AI Foundation bersama Block. Google, Microsoft, dan AWS bergabung sebagai anggota.

Yayasan tersebut akan mengawasi MCP, proyek goose Block, dan spesifikasi AGENTS.md OpenAI. Keterampilan sesuai dengan dorongan standardisasi—modul kemampuan yang dapat digunakan kembali yang bekerja di seluruh platform.

Apa yang Dimaksud untuk Alat Pemrograman AI

Arsitektur keterampilan paling penting untuk alat pemrograman AI, di mana pengetahuan khusus secara dramatis meningkatkan kualitas output. Keterampilan untuk pengembangan React mungkin menentukan pola komponen, pengelolaan state, dan konvensi pengujian. Keterampilan untuk migrasi database bisa termasuk periksaan keamanan dan prosedur rollback.

Perusahaan pemrograman AI seperti Cursor telah membangun bisnis dengan membuat AI lebih berguna untuk tugas pengembangan tertentu. Kerangka keterampilan memberikan penyedia model cara baku untuk menawarkan kustomisasi yang serupa—potensial mengancam atau melengkapi alat pihak ketiga tergantung pada eksekusi.

Untuk pengembang perusahaan, keterampilan yang interoperabel berarti pengetahuan institusional menjadi portabel. Standar pengkodean internal perusahaan, kebutuhan keamanan, dan preferensi alur kerja dapat dikodekan sekali dan diterapkan di seluruh alat AI yang digunakan tim.

Subteks Strategis

Adopsi OpenAI membawa implikasi strategis. Perusahaan ini secara historis lebih memilih pendekatan proprietary—GPT Actions, GPT kustom, integrasi platform-spesifik. Keterampilan mewakili pivot menuju standar terbuka yang bekerja di seluruh alat.

Salah satu interpretasi: OpenAI mengakui bahwa ekosistem pengembang lebih penting daripada kunci proprietary pada tahap ini. Jika keterampilan menjadi standar, kompatibilitas lebih penting daripada mengontrol spesifikasi.

Interpretasi lain: bersaing dengan pengalaman pengembang Anthropic memerlukan mencocokkan fitur-fiturnya. Claude Code telah tumbuh agresif, mencapai $1 miliar dalam pendapatan tahunan dan mengintegrasikan ke Slack. Keterampilan adalah bagian dari apa yang membuat Claude Code berguna; OpenAI perlu merespons.

Kebenaran kemungkinan besar mencakup kedua faktor. Laboratorium AI bersaing intensif pada benchmark dan kemampuan sambil berkolaborasi pada standar infrastruktur yang menguntungkan semua orang. Keterampilan jatuh ke dalam kategori kedua.

Apa yang Terjadi Selanjutnya

Kesempatan langsung adalah pasar keterampilan—repository GitHub di mana pengembang berbagi set instruksi khusus untuk tugas umum. Anthropic sudah memiliki repository anthropics/skills. Harapkan OpenAI untuk mengikuti, dan harapkan keterampilan yang dikontribusikan oleh komunitas untuk berkembang.

Pertanyaan jangka panjang adalah seberapa dalam keterampilan terintegrasi ke dalam produk AI. Saat ini, keterampilan sebagian besar relevan untuk pengembang yang menggunakan alat CLI. Namun, arsitektur yang sama bisa memungkinkan kustomisasi di produk konsumen—asisten penulisan yang dipersonalisasi, alat penelitian khusus, chatbot domain-spesifik.

Untuk saat ini, konvergensi pada keterampilan mewakili sesuatu yang jarang terjadi di AI: perusahaan yang bersaing setuju bahwa standardisasi melayani semua orang. Apakah kerja sama ini diperluas ke area lain yang diperdebatkan—standar keamanan, pengungkapan kemampuan, pedoman penerapan—tetap tidak pasti.

Namun, bagi pengembang yang membangun di platform AI, pesan tersebut jelas: keterampilan menjadi infrastruktur. Belajar menulisnya sekarang berarti siap untuk cara kerja alat AI di masa depan.