Ursprünglich auf Französisch verfasst. Von KI übersetzt — der Sinn wurde bewahrt, nicht der Stil.
In einem früheren Artikel habe ich erklärt, warum das zweite Gehirn — ein Netzwerk atomarer, miteinander verknüpfter Notizen — für das Product Management ungeeignet ist. Zu viele Fehlerausbreitung, zu viel Rauschen, zu wenig Kontrolle.
Aber es gibt einen Bereich, wo dieser Ansatz funktioniert: „by the book"-Wissen. Normen, Regulierung, Fachvokabular, seit Jahrzehnten etablierte Best Practices. „Faktische", stabile Informationen, die sich von einer Gelegenheit zur nächsten nicht ändern.
Genau das brauchte ich für die Industriewartung (mein Fachbereich). Und das war es, was mich dazu gebracht hat, ein KI-Wiki aufzubauen.
Das Ausgangsproblem
Was gute PM von schlechten unterscheidet, ist das tiefe Verständnis des Kontexts. Nicht Allgemeinheiten. Das genaue Wissen über Kundenherausforderungen, das Terrain, die Geschäftsregeln.
Das Problem: Dieses Wissen ist verstreut — in Büchern, Artikeln, Normen, Feldrückmeldungen, internen Dokumenten. Man kann nicht alles behalten. Und man kann nicht jedes Mal alles neu lesen, wenn man es braucht.
Die erste Reaktion ist, sich an ein LLM zu wenden. Man lädt Dokumente, stellt Fragen. Klassisches RAG — NotebookLM, ChatGPT mit hochgeladenen Dateien — funktioniert so: Die KI sucht die relevanten Stellen in deinen Dokumenten und synthetisiert eine Antwort.
Das Problem: Sie fängt bei jeder Anfrage von vorne an. Keine Kapitalisierung. Kein strukturiertes Gedächtnis. Eine subtile Frage, die fünf Dokumente kreuzen muss, zwingt die KI, alles jedes Mal neu zu finden und zusammenzusetzen. Die Ideen bleiben „schwach": einzeln aus jedem Dokument extrahiert, ohne jemals konsolidiert worden zu sein.
Die Idee kommt von Karpathy
Andrej Karpathy ist ein KI-Forscher, ehemaliger Director of AI bei Tesla, Mitgründer von OpenAI, zuletzt zu Anthropic gewechselt. Er ist auch einer der besten Pädagogen des Feldes — seine Kurse in Stanford und seine YouTube-Videos sind eine Referenz.
Im Mai 2025 veröffentlichte er ein Gist, das ein Muster beschreibt, das er „LLM Wiki" nennt. Die Idee ist einfach, aber kraftvoll: Statt RAG auf rohen Dokumenten zu betreiben, bittet man die KI, schrittweise ein persistentes Wiki aufzubauen.
Wenn eine neue Quelle hinzukommt, indexiert die KI sie nicht einfach. Sie liest sie, extrahiert die wichtigsten Informationen, aktualisiert die bestehenden Wiki-Seiten, erstellt Verknüpfungen zwischen Konzepten, meldet Widersprüche und reichert Zusammenfassungen an. Das Wissen wird einmal kompiliert und dann aktuell gehalten — nicht bei jeder Frage neu entdeckt.
Der Unterschied ist grundlegend: Das Wiki ist ein kumulatives Artefakt. Die Synthesen, Verknüpfungen und Widersprüche existieren bereits, bevor die nächste Frage kommt.
Was ein KI-Wiki ist
Konkret funktioniert ein KI-Wiki auf drei Schichten:
- Die rohen Quellen: Bücher, Artikel, PDFs, Normen. Sie sind unveränderlich und bleiben die Wahrheitsquelle.
- Das Wiki: Markdown-Dateien, die das LLM generiert — atomare Notizen, Glossar, Normenblätter, thematische Synthesen, Index.
- Die Anweisungen: Eine Datei (vom Typ CLAUDE.md), die dem Agenten erklärt, wie er das Wiki pflegen soll — Dateien benennen, eine Quelle aufnehmen, klassifizieren, Konzepte verknüpfen.
Wenn man eine Frage stellt, greift die KI nicht auf die Original-PDFs zurück. Sie liest zuerst das Wiki, findet die relevanten Notizen und produziert eine Antwort aus bereits konsolidiertem Wissen.
Und wenn man eine Quelle hinzufügt, kann eine einzige Aufnahme 10 bis 15 Wiki-Notizen berühren: Definitionen aktualisieren, Nuancen hinzufügen, Verknüpfungen erstellen, Widersprüche erkennen.
KI-Wiki und Zettelkasten: die Parallele und der Unterschied
Das Zettelkasten — die Methode des Soziologen Niklas Luhmann — basiert auf demselben Prinzip atomarer, miteinander verknüpfter Notizen. Eine Idee pro Notiz, Verknüpfungen zwischen Notizen, ein wachsendes Netzwerk.
Die Parallele ist offensichtlich: Das KI-Wiki produziert ebenfalls miteinander verbundene atomare Notizen. Aber die Natur ist unterschiedlich.
Das Zettelkasten / zweite Gehirn ist auf Verknüpfungen ausgerichtet. Es spiegelt dein eigenes Denken, deine Erfahrungen, deine Intuitionen wider. Es zwingt dich, deinen Weg zu vertiefen, Ideen zu konfrontieren, eigene Thesen zu formulieren. Es ist ein Werkzeug für persönliche Reflexion.
Das KI-Wiki ist auf Nähe ausgerichtet. Die Information ist „faktisch", nicht meinungsgeleitet. Es dient als strukturierte, „objektive" Quelle. Es ist eine Wissensbasis, kein Denksystem.
Beide ergänzen sich. Das KI-Wiki liefert die Fakten; das zweite Gehirn interpretiert sie. Das Wiki sagt dir: „Das sagt die Norm NF X 60-010 zur vorbeugenden Wartung." Dein zweites Gehirn sagt dir: „Diese Norm wird in diesem Kontext schlecht angewendet, weil…"
Meine Erfahrung: Industriewartung
Ich habe dieses Muster auf die Industriewartung angewendet — den Bereich meines CMMS-Produkts. Ein „by the book"-Bereich par excellence: Normen (NF, ISO, EN), Regulierung, präzises Fachvokabular, seit Jahrzehnten dokumentierte Prozesse.
Aus einem Dutzend Quellen — Referenzbücher, Normen, Fachartikel — hat die KI 950 atomare Notizen extrahiert und strukturiert: Glossardefinitionen, Normenblätter, Prozessnotizen, Qualifikationen, Leistungskennzahlen.
Die Kalibrierung: die KI muss gezähmt werden
Die größte Arbeit war nicht die Extraktion. Es war die Kalibrierung.
In V0 (dem POC) war ich zu permissiv. Zu breite Erkennung, zu viele generierte Notizen, unzureichende Qualität. Die KI erfasste alles — einschließlich Rauschen.
In V1 habe ich die Filter verschärft. Die Qualität wurde ausgezeichnet. Aber einige relevante Notizen (die im POC vorhanden waren) wurden ignoriert — zu restriktiv.
Die Herausforderung ist, den Kipppunkt zwischen Vollständigkeit und Relevanz zu finden. Und das gelingt nicht in zwei Zeilen Prompt. Die Aufnahmeanweisungen umfassen mehrere Dutzend Zeilen: genaue Definition jedes Notiztyps, Gültigkeitskriterien, Erkennungsregeln für regulatorische Referenzen, abschließende Terminologierunde.
Die Methode, die ich zum Iterieren verwendet habe: V1 bitten, die Notizen von V0 zu analysieren. Verstehen, was es verpasst hat, warum, und die Regeln anpassen, ohne die Klassifikationsstrenge zu verlieren. Eine Kreuzvalidierung zwischen zwei Versionen desselben Systems.
Wofür ist es gut?
Sobald das Wiki aufgebaut ist, gibt es viele Anwendungsfälle.
Suche und semantische Nähe. Mit einer Vektordatenbank (in meinem Fall LanceDB) kann man nach Konzepten suchen — nicht nur nach Schlüsselwörtern. Die Suche nach „regulatorische Wartung" gibt auch Blätter zu periodischen Kontrollen, Qualifikationen und Normen NF X 60-010 zurück, auch wenn keine davon genau diesen Ausdruck enthält.
Wiederholung und Selbstlernern. Ich habe ein Lernkartensystem auf dem Wiki aufgebaut. 10 Minuten täglich, um mein Wissen der fachlichen Grundlagen zu vertiefen. Normen, Prozesse, Definitionen memorisieren — nicht um sie aufzusagen, sondern um sie im Kopf zu haben, wenn eine Produktentscheidung ansteht.
Quelle für andere LLM-Projekte. Das Wiki wird zu einem wiederverwendbaren Baustein. Wenn ich eine Produktchance untersuche, kann ich das Wiki zusätzlich zu meinen anderen Quellen befragen: Quellcode, Wettbewerbsbeobachtung, Produktwissen. Der fachliche Kontext ist bereits strukturiert und bereit zur Einspeisung.
Die Grenzen
Das alles funktioniert nur, wenn man bereits einen gewissen Hintergrund im Bereich hat.
Die KI ändert nichts an dieser Realität: Man konnte einem Dienstleister nicht vertrauen, ohne das Fachgebiet zu kennen. Beim KI-Wiki ist es genauso. Wer nicht die Kompetenz hat, das zu validieren, was die KI extrahiert, baut auf Sand.
Das KI-Wiki strukturiert und kapitalisiert Wissen. Es ersetzt es nicht.
Mehr dazu
Der PM als Kontext-Architekt Von der einzelnen Datei zum Kontextsystem: Warum das Gedächtnis eines LLM nicht in ein einziges Dokument passt Warum eine einzige Klassifikation nicht ausreicht, um Kundenfeedback zu strukturieren Die Produktfrage muss vom Quellcode ausgehen
Quellen
- LLM Wiki — Andrej Karpathy: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
- Zettelkasten-Methode: https://en.wikipedia.org/wiki/Zettelkasten
- Das zweite Gehirn ist eine Sackgasse für das Product Management: https://malorean.net/articles/2026-05-03-le-second-cerveau-est-une-impasse-pour-le-product-management.html