Kerangka Keterampilan Claude Menjadi Standar Industri dengan Sunyi

Ketika Anthropic meluncurkan Keterampilan pada Oktober, pengumuman itu terbaca seperti fitur pengembang niche. Dua bulan kemudian, OpenAI mengadopsi arsitektur yang sama—dan konvergensi sunyi mengungkapkan sesuatu yang signifikan tentang arah agen AI.

Keterampilan tampaknya sederhana: folder yang berisi file Markdown yang memberitahu sistem AI tentang cara melakukan tugas tertentu. Namun, adopsi oleh kedua laboratorium AI utama ini 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 Code Interpreter ChatGPT. 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 secara struktural identik dengan spesifikasi Anthropic.

Arsitektur yang sama muncul di alat CLI Codex OpenAI dua minggu sebelumnya, melalui permintaan pull yang berjudul “feat: dukungan eksperimental untuk skills.md.” Implementasi ini 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 ini. 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 akan membuang sumber daya.

Arsitektur ini bekerja karena model AI modern dapat membaca dan mengikuti instruksi secara dinamis. Keterampilan untuk penanganan 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 dipublikasikan oleh satu sama lain. Yang menonjol adalah identitas struktural: konvensi penamaan file yang sama, format metadata yang sama, organisasi direktori yang sama.

Kompatibilitas ini bisa berarti keterampilan yang ditulis untuk Claude Code dapat bekerja dengan alat CLI Codex 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 Protokol Konteks Model ke Linux Foundation pada 9 Desember, dan kedua perusahaan bersama-sama mendirikan Yayasan AI Agentic bersama Block. Google (GOOGL ), Microsoft (MSFT ), dan AWS bergabung sebagai anggota.

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

Apa yang Ini Berarti untuk Alat Koding AI

Arsitektur keterampilan paling penting untuk alat koding AI, di mana pengetahuan khusus secara dramatis meningkatkan kualitas output. Keterampilan untuk pengembangan React mungkin menentukan pola komponen, preferensi manajemen status, dan konvensi pengujian. Keterampilan untuk migrasi database bisa termasuk periksa keamanan dan prosedur rollback.

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

Bagi pengembang perusahaan, keterampilan yang interoperabel berarti pengetahuan institusional menjadi portabel. Standar pengkodean internal, kebutuhan keamanan, dan preferensi alur kerja perusahaan dapat dienkripsi 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 mengendalikan spesifikasi.

Interpretasi lain: bersaing dengan pengalaman pengembang Anthropic memerlukan mencocokkan 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 intens pada benchmark dan kemampuan sambil berkolaborasi pada standar infrastruktur yang menguntungkan semua pihak. 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 disumbangkan oleh komunitas untuk berkembang.

Pertanyaan jangka panjang adalah seberapa dalam keterampilan terintegrasi ke dalam produk AI. Saat ini, mereka sebagian besar relevan untuk pengembang yang menggunakan alat CLI. Namun, arsitektur yang sama bisa memberdayakan kustomisasi di produk konsumen—asisten penulisan pribadi, 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 pihak. Apakah kerja sama ini akan meluas ke area sengketa lain—standar keamanan, pengungkapan kemampuan, pedoman penerapan—tetap tidak pasti.

Namun, bagi pengembang yang membangun di platform AI, pesan itu jelas: keterampilan menjadi infrastruktur. Belajar menulis mereka sekarang berarti siap untuk cara alat AI akan bekerja besok.