- Kein Sammel-, ein Findeproblem: Unternehmen haben nicht zu wenig Wissen, sondern finden das richtige nicht im richtigen Moment. Mehr Dateien anzuhäufen verschärft das — die Collector's Fallacy.
- Second-Brain-Ansätze skalieren das Chaos: Markdown-Ordner, Knowledge Graphs und „KI über alles jagen" funktionieren privat, brechen aber im Unternehmen an Menge, Mehrbenutzer-Betrieb und Veränderung.
- Starre Klassifizierung ist zum Scheitern verurteilt: Jedes eingefrorene Schema veraltet — wie die Universalsprache, die Wale zu Fischen erklärte.
- Was trägt, sind zwei Ebenen: ein lebendes Company Brain als Single Source of Truth plus je Anwendungsfall der passende Retrieval-Ansatz — souverän betrieben, damit das Firmenwissen im Haus bleibt.
Der Reflex ist verständlich. KI hat uns Zugang zu praktisch allem Wissen der Menschheit gegeben — eine Frage an ChatGPT, und die Relativitätstheorie kommt sauber erklärt zurück. Also, so der Gedanke, müsste dasselbe doch mit dem eigenen Firmenwissen gehen: alles in einen Ordner, KI drüber, fertig. Doch genau hier bricht es. Frag ein Sprachmodell „Welchen Preis setze ich für meine neuen Reifen an?", und es scheitert — weil dieses Wissen in Excel-Tabellen, im Erfahrungswissen von Jahrzehnten und in den Live-Preisen der Wettbewerber steckt, nicht im Modell. „Wie läuft unser Prozess bei einer Überbuchung?" — dieselbe Leere. Das Wissen existiert, aber in Köpfen, PDFs und Handbüchern, auf die das Modell keinen sinnvollen Zugriff hat.
Das eigentliche Problem ist uralt — und es ist kein Sammelproblem
Dass der Zugang zu Information nicht dasselbe ist wie Wissen, ist keine KI-Erkenntnis. Schon 1945 schrieb Vannevar Bush, damals Leiter des US-Forschungsamts, in seinem berühmten Essay As We May Think, die Wissenschaft habe kein Problem, neue Information zu erzeugen — sie müsse das vorhandene Wissen besser verwalten. Derselbe Gedanke zieht sich durch die ganze Geistesgeschichte, am schönsten in Borges' Bibliothek von Babel: eine Bibliothek, die jedes denkbare Buch enthält — jede Wahrheit, aber auch jeden Unsinn. Wer darin lebt, besitzt alles Wissen und findet trotzdem nichts, weil zwischen zwei sinnvollen Büchern Millionen aus reinem Buchstabensalat stehen.
Genau das haben wir mit großen Sprachmodellen technisch nachgebaut: Zugriff auf nahezu jede denkbare Information — und das tägliche Verlorensein darin. Für Unternehmen ist das keine Metapher, sondern Alltag. Erhebungen wie der viel zitierte State-of-Teams-Report beziffern die Zeit, die Wissensarbeiter allein mit dem Suchen von Informationen verbringen, auf rund ein Viertel ihrer Arbeitszeit (Zahl laut Report; Größenordnung deckt sich mit unserer Erfahrung aus Vorgesprächen). Bei vier Mitarbeitenden sucht rechnerisch einer den ganzen Tag nur. Das ist der Preis eines ungelösten Findeproblems — und kein Ordner-Aufräumen löst es.
Warum die Second-Brain-Bastellösungen im Unternehmen scheitern
„Die KI findet das schon" — die Collector's Fallacy. Der häufigste Ansatz: möglichst viele Dateien bereitstellen und darauf hoffen, dass ein guter KI-Agent das Richtige findet. Dahinter steckt der Trugschluss, dass Sammeln bereits Wissen sei. Das Gegenteil stimmt. Wenn von 2.000 Dateien nur 10 relevant sind, machen die anderen 1.990 die Antwort schlechter, nicht besser — sie sind Rauschen. Wissen entsteht durch Reduktion und Struktur, durch bewusstes Weglassen. Wer rohe KI über einen unstrukturierten Datenberg schickt, skaliert das Chaos, statt es zu ordnen.
Der Knowledge Graph — schön anzusehen, statisch im Kern. Der elegantere Ansatz zieht mit Obsidian oder Notion einen Knowledge Graph über die Dateien: ein Netz aus Kategorien und Verbindungen, das aussieht wie ein echtes Wissenssystem. Das Problem ist die Starrheit. Jede feste Klassifizierung veraltet, sobald sich das Wissen ändert. Das historische Lehrstück lieferte John Wilkins, der im 17. Jahrhundert eine Universalsprache entwarf, in der die Bedeutung schon in der Schreibweise steckte — und in der Wale unter den Fischen standen. Als klar wurde, dass Wale Säugetiere sind, war die Systematik hinfällig. Automatisch generierte Knowledge Graphs teilen dieses Schicksal: Ein lebendes Unternehmen passt in kein eingefrorenes Schema.
„Dann eben mehr Regeln" — die Endlosschleife. Wenn die KI von den Vorgaben abweicht — heute funktioniert's, morgen nicht —, ist die Reaktion meist: noch eine Regel, noch eine Markdown-Datei mit dem letzten Fehler, in der Hoffnung, das System werde schon schlauer. Wer das ein paar Wochen betreibt, merkt: Es hält der Praxis nicht stand. Man verwaltet am Ende einen wuchernden Regel-Wust, der neue Widersprüche produziert, statt Wissen zu ordnen. Diese Ansätze sind selten schlecht gemeint — oft kommen sie von Leuten, die noch nie ein reales Unternehmen aufgebaut haben und nicht wissen, wie Wissensmanagement im Betrieb wirklich funktioniert. Für eine so zentrale Geschäftsentscheidung ist das die falsche Quelle.
Was stattdessen trägt: zwei Ebenen
Funktionierendes KI-Wissensmanagement besteht aus zwei Dingen, die man parallel fährt.
Erstens das Company Brain. Statt eines persönlichen Second Brain eine zentrale, lebende Wissensgrundlage des gesamten Unternehmens: Meetings, Entscheidungen, Kennzahlen, Kommunikation — an einem Ort, als Single Source of Truth. Entscheidend ist das Wort „lebend": Es ist die Ontologie des Unternehmens, kein eingefrorenes Schema. Menschen greifen darauf zu, und — immer wichtiger — die eigenen KI-Agenten und Apps auch. Ein konkreter Baustein, den jedes Unternehmen mit KI-Agenten braucht, ist ein Decision Log: ein Protokoll jeder getroffenen Entscheidung, das im Nachhinein prüfbar macht, wer was warum entschied — der Mensch oder ein Agent. Auf derselben Grundlage entstehen dann Projektmanagement, Management-Dashboards und Reports, ohne dass sich jemand die Daten erst mühsam zusammensucht.
Zweitens der passende Ansatz je Anwendungsfall. Es gibt nicht „das eine RAG für alles" — und wer das verkauft, hat entweder nur ein Werkzeug oder verkauft von der Stange. Je nach Aufgabe ist etwas anderes richtig: klassisches RAG für einen Onboarding-Chatbot, Hybrid Search mit lexikalischer Komponente für komplexere Fälle, Reranking für Präzision, multimodales RAG, wenn Bilder, Audio und Dokumente zusammenkommen, oder klassische Machine-Learning-Verfahren wie Gradient Boosting — etwa fürs Matching von Leistungsverzeichnissen. Den richtigen Ansatz je Fall zu wählen, ist der Unterschied zwischen einem durchdachten System und einem hübschen Graphen aus dem Bastelkasten.
Wie beide Ebenen konkret aussehen und was sie kosten, steht auf unserer Seite zum KI-Wissensmanagement. Dass es im großen Maßstab trägt, zeigt unsere eigene Kanzleisoftware Justitia mit 548.000 durchsuchbar aufbereiteten Urteilen — jede Antwort mit Quellenangabe.
Der dritte, oft vergessene Punkt: Es muss dir gehören
Ein Company Brain ist das Privateste, was ein Unternehmen besitzt — die gebündelte Wahrheit über Kunden, Zahlen, Entscheidungen. Wer diese Grundlage einem fremden Anbieter überlässt, gibt genau das aus der Hand, was ihn unterscheidbar macht. Deshalb gehört ein Company Brain auf eine Infrastruktur, die dem Betrieb gehört: lokal oder in EU-Cloud unter eigener Kontrolle, mit austauschbarem Modell und Code im eigenen Besitz. Das ist derselbe Souveränitätsgedanke, der in der aufkommenden Intentionsökonomie zur Überlebensfrage wird — und die Voraussetzung dafür, dass die eigenen KI-Agenten auf einer verlässlichen Grundlage arbeiten.
Warum das gerade in Deutschland dringt, hat einen demografischen Kern: Das Erfolgsgeheimnis unserer Hidden Champions ist Erfahrungswissen — und genau das verlässt in den kommenden Jahren mit den geburtenstarken Jahrgängen den Betrieb. Diese Rechnung geht über Ausbildung allein nicht mehr auf. Ein Company Brain ist der Ort, an dem dieses Wissen bleibt, wenn die Menschen gehen. Der erste Schritt dahin ist unspektakulär und sollte schnell erfolgen: eine sauber aufbereitete Wissensbasis, bevor die erfahrensten Köpfe in Rente sind.
Quellen und Einordnung
Geistesgeschichtliche Bezüge: Jorge Luis Borges, „Die Bibliothek von Babel" (1941) und „Die analytische Sprache von John Wilkins"; Vannevar Bush, „As We May Think", The Atlantic (1945); „Collector's Fallacy" als etablierter Begriff der Wissensmanagement-Literatur. Die Zwei-Ebenen-Struktur (Company Brain plus use-case-spezifisches Retrieval) und die genannten Retrieval-Verfahren (RAG, Hybrid Search, Reranking, multimodales RAG, Gradient Boosting) folgen dem Stand der Praxis; die Einordnung deckt sich mit einer Analyse von Everlast AI (Vortrag, 2026) und unserer eigenen Projekterfahrung. Zitierte Kennzahlen zu Suchzeiten und Demografie stammen aus den jeweils genannten Reports (u. a. State of Teams) und sind nicht unabhängig durch uns verifiziert. Keine Rechtsberatung.
Häufige Fragen: Company Brain und Wissensmanagement
Was ist der Unterschied zwischen Second Brain und Company Brain?
Ein Second Brain ist ein persönliches Wissenssystem — meist eine Ordnerstruktur aus Markdown-Dateien, oft mit Obsidian oder Notion und einem Knowledge Graph darüber. Das funktioniert für eine einzelne Person und ihre Notizen. Ein Company Brain ist etwas anderes: eine zentrale, lebende Wissensgrundlage des gesamten Unternehmens — Meetings, Entscheidungen, Kennzahlen, Kommunikation — als Single Source of Truth, auf die Menschen und KI-Agenten gemeinsam zugreifen. Der Unterschied ist nicht die Größe, sondern die Architektur: Ein Second Brain ist statisch und persönlich, ein Company Brain ist dynamisch, mehrbenutzerfähig und für den Zugriff durch Agenten gebaut.
Warum reicht es nicht, Claude Code oder ChatGPT einfach auf alle Dateien zugreifen zu lassen?
Weil mehr Daten nicht mehr Wissen bedeuten — im Gegenteil. Das ist die sogenannte Collector's Fallacy: der Trugschluss, dass Sammeln schon Wissen sei. Wenn ein KI-Agent 2.000 Dateien durchsuchen soll, aber nur 10 relevant sind, verwirren ihn die anderen 1.990 eher, als dass sie helfen. Gute Antworten entstehen durch Reduktion und Struktur, nicht durch Anhäufung. Deshalb scheitert der beliebte Ansatz „ich lege alles in einen Ordner und lasse die KI schon das Richtige finden" in der Praxis zuverlässig — er skaliert das Chaos, statt es zu ordnen.
Was ist falsch an einem Knowledge Graph über meine Dateien?
Nichts grundsätzlich — aber er verspricht mehr, als er hält. Ein Knowledge Graph legt Verbindungen und Kategorien fest; er ist eine starre Klassifizierung. Das Problem: Jede feste Klassifizierung veraltet. Das klassische Beispiel ist John Wilkins, der im 17. Jahrhundert eine Universalsprache baute und Wale unter die Fische einordnete — als sich herausstellte, dass Wale Säugetiere sind, brach die ganze Struktur. Genauso brechen automatisch generierte Knowledge Graphs, sobald sich Wissen ändert. Sie sehen beeindruckend aus, aber ein lebendes Unternehmen lässt sich nicht in ein eingefrorenes Schema pressen.
Braucht jedes Unternehmen dasselbe Wissensmanagement-System?
Nein — und das ist ein zentraler Fehler vieler Anbieter. Es gibt nicht „das eine RAG für alles". Je nach Aufgabe ist ein anderer Ansatz richtig: klassisches RAG für einen Onboarding-Chatbot, Hybrid Search mit lexikalischer Suche für komplexere Fälle, Reranking für Präzision, multimodales RAG, wenn Bilder und Dokumente zusammenkommen, oder klassische Machine-Learning-Verfahren wie Gradient Boosting, etwa fürs Matching von Leistungsverzeichnissen. Ein seriöses Setup wählt den Ansatz je Anwendungsfall — das unterscheidet ein durchdachtes System von einer Universallösung von der Stange.
Baut ihr gerade an Markdown-Ordnern — oder an einem Fundament?
Der Unterschied entscheidet, ob eure KI-Projekte tragen. Was ein Company Brain für deinen Betrieb bedeutet, oder prüf in 10 Minuten mit dem KI-Selbstcheck, wo dein Wissen heute steht — kein Pitch, ehrliche Einordnung.