Claudes Ferdighetsramme Blir Stille En Industristandard

Når Anthropic lanserte Skills i oktober, lød annonseringen som en nisjeutviklerfunksjon. To måneder senere har OpenAI adoptert samme arkitektur – og den stille konvergeringen avslører noe betydningsfullt om hvor AI-agenter er på vei.

Ferdigheter er bedragende enkle: mapper som inneholder Markdown-filer som forteller AI-systemer hvordan de skal utføre bestemte oppgaver. Men deres adopsjon av både store AI-laboratorier tyder på at bransjen har funnet en felles løsning på et grunnleggende spørsmål: hvordan gjør du AI-assistentene konsekvent gode på spesialisert arbeid?

Hva OpenAI Nettopp Har Gjort

Utvikler Elias Judin oppdaget OpenAI’s implementering den 12. desember mens han eksperimenterte med ChatGPT’s kodefortolker. Ved å be modellen om å opprette en zip-fil av sin /home/oai/skills-mappe, fant han mapper for PDF-er, regneark og dokumenter – hver inneholdt instruksjonsfiler strukturelt identiske med Anthropics spesifikasjon.

Den samme arkitekturen dukket opp i OpenAI’s Codex CLI-verktøy to uker tidligere, gjennom en pull-forespørsel med tittelen “feat: eksperimentell støtte for skills.md.” Implementeringen speiler Anthropics tilnærming: ferdigheter bor i en lokal mappe (~/.codex/skills), hver definert av en SKILL.md-fil med metadata og instruksjoner.

OpenAI har ikke offisielt annonsert funksjonen. Men dens tilstedeværelse i både ChatGPT og Codex tyder på en bevisst strategi snarere enn et eksperiment.

Hvorfor Ferdigheter Måtte

Den tradisjonelle tilnærmingen til å gjøre AI bedre på bestemte oppgaver innebar finjustering – dyrt og tidskrevende modelltrening på spesialisert data. Ferdigheter tilbyr en lettere alternativ: instruksjoner og ressurser som lastes bare når de er relevante.

Anthropics ingeniørteam beskrev designprinsippet som “progressiv avdekning.” Hver ferdighet tar bare noen dusin token når den summeres, med fullstendige detaljer som lastes bare når oppgaven krever det. Dette løser et praktisk problem: kontekstvinduer er verdifulle eiendommer, og å stoppe hver mulig instruksjon i hver forespørsel ødelegger ressurser.

Arkitekturen fungerer fordi moderne AI-modeller kan lese og følge instruksjoner dynamisk. En ferdighet for PDF-håndtering kan inkludere foretrukne biblioteker, håndtering av kanter og utdataformatering – informasjon modellen trenger bare når den behandler PDF-er.

Konvergenshistorien

OpenAI’s adopsjon av Anthropics tilnærming er ikke uvanlig i isolasjon. AI-laboratorier lærer jevnlig av hverandres publiserte arbeid. Det som er bemerkelsesverdig er den strukturelle identiteten: samme filnavnkonvensjoner, samme metadataformat, samme mappeorganisering.

Dette kan bety at ferdigheter skrevet for Claude Code kan fungere med OpenAI’s Codex CLI, og vice versa. Utviklere kan dele ferdigheter på GitHub som npm-pakker. Økosystemet blir interoperabelt snarere enn fragmentert.

Tidsplanen sammenfaller med bredere standardiseringsbestrebelser. Anthropic donerte Model Context Protocol til Linux Foundation den 9. desember, og begge selskapene var med å etablere Agentic AI Foundation sammen med Block. Google (GOOGL ), Microsoft (MSFT ) og AWS sluttet seg som medlemmer.

Stiftelsen vil være ansvarlig for MCP, Blocks goose-prosjekt og OpenAI’s AGENTS.md-spesifikasjon. Ferdigheter passer naturlig inn i denne standardiseringsdriften – gjenbrukbare kapabilitetsmoduler som fungerer på tvers av plattformer.

Hva Dette Mener for AI-kodingverktøy

Ferdighetsarkitekturen betyr mest for AI-kodingverktøy, hvor spesialisert kunnskap dramatisk forbedrer utgangskvaliteten. En ferdighet for React-utvikling kan angi komponentmønster, statlige ledelsespreferanser og testingkonvensjoner. En ferdighet for database-migreringer kan inkludere sikkerhetssjekker og rollback-prosedyrer.

AI-kodingstartupper som Cursor har bygget forretninger på å gjøre AI mer nyttig for bestemte utviklingsoppgaver. Ferdighetsrammen gir modelltilbydere en standardisert måte å tilby lignende tilpasning – potensielt truende eller komplementerende tredjepartsverktøy avhengig av gjennomføringen.

For bedriftsutviklere betyr interoperable ferdigheter at institusjonell kunnskap blir bærbar. Et selskaps interne kodestandarder, sikkerhetskrav og arbeidsflytpreferanser kan kodes én gang og brukes på tvers av hvilke AI-verktøy teamet bruker.

Den Strategiske UnderTeksten

OpenAI’s adopsjon har strategiske implikasjoner. Selskapet har historisk favorisert proprietære tilnærminger – GPT-aksjoner, tilpassede GPT-er, plattformsbestemte integrasjoner. Ferdigheter representerer en vending mot åpne standarder som fungerer på tvers av verktøy.

En tolkning: OpenAI erkjenner at utviklerøkosystemer betyr mer enn proprietær låsning på dette stadiet. Hvis ferdigheter blir standard, er det viktigere å være kompatibel enn å kontrollere spesifikasjonen.

En annen tolkning: å konkurrere med Anthropics utvikleropplevelse krever å matche dens funksjoner. Claude Code har vokst aggressivt, nådd $1 milliard i årlig omsetning og integrert i Slack. Ferdigheter er en del av hva gjør Claude Code nyttig; OpenAI måtte svare.

Sannheten inkluderer sannsynligvis begge faktorene. AI-laboratorier konkurrerer intensivt på benchmark og kapasiteter samtidig som de samarbeider om infrastrukturstandarder som fordeler alle. Ferdigheter faller i den siste kategorien.

Hva Som Kommer Neste

Den umiddelbare muligheten er en ferdighetsmarkedsplass – GitHub-repositorier hvor utviklere deler spesialiserte instruksjonssett for vanlige oppgaver. Anthropic har allerede en anthropics/skills-repository. Forvent at OpenAI følger, og forvent at samfunnsbidragsfødte ferdigheter vil florere.

Den lengrevarige spørsmålet er hvordan dypt ferdigheter integreres i AI-produkter. For øyeblikket er de mest relevante for utviklere som bruker CLI-verktøy. Men samme arkitektur kunne drive tilpasning i forbrukerprodukter – personlige skrivehjelpere, spesialiserte forskningsverktøy, domenespesifikke chatboter.

For nå representerer konvergeringen på ferdigheter noe sjeldent i AI: konkurrerende selskaper som enes om at standardisering tjener alle. Om denne samarbeidspolitikken utvides til andre kontroversielle områder – sikkerhetsstandarder, kapabilitetsavsløringer, deployeringsretningslinjer – er usikkert.

Men for utviklere som bygger på AI-plattformer, er beskjeden klar: ferdigheter blir infrastruktur. Å lære å skrive dem nå betyr å være forberedt på hvordan AI-verktøyene vil fungere i morgen.