Wieso KI „Second Brains” SCHEITERN & was wirklich funktioniert (Vortrag Leonard Schmedding)

Das Company Brain, der wichtigste KI Use Case. Wir sprechen über den Second Brain Hype, die sogenannten KI Betriebssysteme, was das Problem bei all dem ist, ein AI Human, was es damit auf sich hat, was jetzt wirklich funktioniert, worauf es jetzt ankommt und was die Zukunft bringt.

Also, wir haben einige Themen heute vor und das Beste, was man machen kann, wenn man in die Zukunft schaut, ist erstmal 1000 Jahre in die Vergangenheit zu gehen. Jeder KI Vortrag, der gut ist, wenn ihr mir zustimmt, fängt erstmal damit an vor 1000 Jahren. Also, wenn ihr ein Pitch macht oder ein KI Vortrag haltet, dann sollte es so losgehen. Und deswegen habe ich mir gedacht, mache ich es gleich richtig.

Und zwar schauen wir 2400 Jahre nun mal in die Vergangenheit und viele kennen die berühmte Bibliothek von Babel von Jorge Luis Borges, der bekannte Nationalbibliothekar von Argentinien, der diese berühmte Bibliothek von Babel formuliert. Und ich fasse das noch mal ganz kurz zusammen. Es ist ja diese universelle Bibliothek, die jedes denkbare Buch, jedes Wissen, jede Lüge, jeden Sinn, aber auch jeden Unsinn, der theoretisch erzeugbar ist, enthält. Was viele aber nicht wissen, ist, dass Jorge Luis Borges schon 1939 diese totale Bibliothek durchdacht hat, bevor sie dann in der finalen Form 1941 ausformuliert hat und sich die Frage gestellt hat, wieso hat es eigentlich so lange gedauert, dass man auf diesen Gedanken gekommen ist?

Und also ist er in die Vergangenheit gegangen und hat sich angeschaut, was waren denn die ersten Ideen einer solch universellen Bibliothek? Und das hat ihn zu Aristoteles Metaphysik geführt, die ja dann im ersten Jahrhundert vor Christus in etwa zusammengestellt wurde. Und in dieser Metaphysik vom Aristoteles beschreibt er den Demokrit und den Leukipp, den kennt heute äh jeder. Und zwar waren das die Vordenker der Atome. Und zwar hat sich dieser Demokrit, das war etwa 400 vor Christus, etwa zu Zeiten Sokrates haben beide gelebt und der hat sich gedacht, die Welt die wird im Wesentlichen zusammengehalten aus den gleichen elementaren Bausteinen und seine Analogie für diese Atome war das Alphabet, also die Sprache. Ja, hat sich überlegt, die die Buchstaben, die haben verschiedene Formen. Also das A, das sieht anders aus als das N. Ich kann diese in verschiedenen Anordnungen formieren. Also, ich kann an und na bilden. Ich kann die Lage verändern. Also, wenn ich ein Z um 90° drehe, dann habe ich auf einmal ein N. Das heißt, ich kann aus den bereits vorhandenen Buchstaben im Wesentlichen alles formen. Also eine Komödie oder auch eine Tragödie, es ist dann die Schlussfolgerung von Aristoteles, die exakt gleichen ähm Schriftzeichen, Formen, eine Tragödie oder eine Komödie und die gleichen Elemente können ein Baum oder einen Menschen hervorbringen. Und das waren also die ersten Gedanken, dass aus den bereits vorhandenen Schriftzeichen im Wesentlichen jedes denkbare Wissen bereits heute vorhanden ist.

Und das wurde dann erstmals kritisiert von Cicero etwa 40 vor Christus. Der hat sich nämlich gesagt, es ist doch eine aberwitzige Vorstellung. Ich kann nicht einfach goldene Buchstaben in die Luft schleudern und erhalte anschließend die ähm die Gedichte, die Analen des Ennius. Ja, das war ja einer der größten Dichter des alten Roms und ich kann nicht aus absolutem Zufall auf einmal sinnvolle Texte, erst rechtlich die ja intellektuell eindrucksvollsten Texte der Menschheitsgeschichte hervorbringen. Also, das ist ja eigentlich schon eine irrsinnige Vorstellung und die gab es aber immer wieder in der Menschheitsgeschichte, das berühmte Infinite Monkey Theorem, das sagt er im Kern, ich kann einfach Millionen von Affen den ganzen Tag auf der Tastatur herumhämmern lassen von Émile Borel, der hat das 1913 beschrieben und dann habe ich irgendwann die gesamte Bibliothèque Nationale zusammen, also die Nationalbibliothek Frankreichs, einfach nur durch reinen Zufall, indem ich Affen ja den ganzen Tag auf einer Tastatur herumhämmern lasse. Wurde vor allem später bekannt. Ja, durch die Engländer, die gesagt haben, ähm dann habe ich ja irgendwann Shakespeare oder ein Hamlet, das kennt man heute schon öfter, diese Analogie der tippenden, zufällig tippenden Affen, die auf einmal in Hamlet ja äh produzieren. Er hat damit aber auch gleichzeitig schon das Gegenargument formuliert, dass es zwar endlich viele Möglichkeiten an Schriftzeichenvariationen gibt, aber nahezu unendlich viele Versuche dazu jetzt bräuchte, diese Nationalbibliothek zu replizieren, geschweige denn mal nur ein Shakespeare zu replizieren.

Und der Kurt Laswitz, das ist der Urvater der deutschen Science Fiction, also der hat schon 1897 eines der ersten äh ja intergalaktischen Beziehungsbücher sozusagen geschrieben zwischen Menschen und Masianern. Und dieser äh Kurt Laswitz, der hat die Universalbibliothek 1904 beschrieben. Und diese Universalbibliothek, die rechnet das mal tatsächlich durch. Also, was würde das denn bedeuten? Wie viele Bücher bräuchte es denn, um wie gesagt die gesamte Vergangenheit, jedes Buch, das je erzeugt wurde, jedes Buch, das erzeugt werden kann, wirklich jede denkbare Information in Büchern abzubilden. Und er nimmt 100 Schriftzeichen an. Er sagt 100 Schriftzeichen wären völlig ausreichend für jede äh ja funktionierende Sprache. Und wenn ich mir jetzt Bücher vorstelle mit 500 Seiten, diese Bücher haben auf diesen 500 Seiten je äh 40 Zeilen, je 50 Zeichen, dann bin ich bei einer Million möglichen Schriftzeichen in einem Buch. Und das rechne ich jetzt mal 100 Schriftzeichen, die ich zur Verfügung habe und dann landet er bei einer abstrushohen Zahl von 10 hoch 200 Millionen möglichen Büchern, die es heute schon gibt. Also das Alphabet mit 100 Schriftzeichen setzt diese Informationen von 10 hoch 2 Millionen voraus. Wir haben von über Demokrit gesprochen, das erkennbare Universum hat etwa 10 hoch 80 Atome, dass man sich das jetzt mal vorstellen kann. Also selbst wenn wir alle Bücher der Welt auf Atomgröße komprimieren würden, dann könnten wir bei weitem nicht das erkennbare Universum damit füllen. Und damit zeigt eben schon, dass der Gedanke an sich absurd ist, aber prinzipiell natürlich denkbar.

Und das hat dann eben wie gesagt dieser Jorge Luis Borges in der finalen Form dieser Bibliothek von Babel ausformuliert. Und zwar stellt er sich Bibliothekare vor, die tatsächlich in dieser universellen Bibliothek leben und sie verbringen ihr gesamtes Leben damit nach Wissen zu suchen. Also sie suchen den Katalog der Kataloge, der ihn zur Wahrheit äh führt. Und im Rahmen dieser dieses kurzen Essays, etwa fünf Seiten lang, kommt dann der Vater dieses Protagonisten irgendwann zum Schluss, dass ein Großteil, weil diese Bibliothekare, die wissen das erstmal gar nicht, also, dass viele dieser Bücher völliger Unsinn sind. Und dieser Vater des Protagonisten kommt dann irgendwann zum Schluss, dass er Bücher entdeckt, die einfach nur drei Buchstaben enthalten, also CVM und das wirklich das gesamte Buch aneinander gereiht. Und das kann keine vergangene Sprache, keine Hieroglyphen können daraus in irgendeiner Form etwas Sinnvolles kreieren. Und dadurch ist man dann darauf gekommen, dass viele dieser vorhandenen Informationen völlig wertlos und völlig sinnlos sind. Und das hat dann die Bibliothekare ähm lange beschäftigt.

Also, es gab vier Reaktionen auf diese totale Fülle an Informationen und die kennt heute jedes Unternehmen. Und zwar gab es zum einen die Sucher. Ja, die Sucher, das sind diejenigen, die ihr gesamtes Leben damit verbringen, nach Wissen zu suchen, nach dem Katalog der Kataloge, nach dem perfekten Klassifizierer, nach der Wahrheit zu suchen. Das scheitert natürlich völlig. Dann gibt es die Reiniger. Ja, das sind die, die sagen, wenn wir unsinnige Bücher entdecken, dann müssen wir die verbrennen, dann müssen wir die zerstören. Und das sind heute die, die sagen: "Oh, wir haben so ein Datenchaos. Ich gehe rein, ich lösche einfach mal alte Sachen." Ist es in jedem Fall besser mal als mit dem Chaos umzugehen, aber zur Wahrheit kommt man natürlich noch lange nicht. Dann gibt es den Mann des Buches. Der Mann des Buches, das ist derjenige, der vermeintlich das einzig wahre Buch gelesen hat und das ist derjenige, der 30 Jahre im Unternehmen ist und eigentlich alles kennt. Also, der weiß, wo welche Informationen liegen und den kann ich einfach fragen und der weiß schon, was das Richtige ist. Und es gab diejenigen, die an dieses kaminsrote Hexagon geglaubt haben. Also, es gab ein Sechseck in dieser Bibliothek, welches eben solche kaminsroten Bücher wohl enthielt, welches zu welche dann ja besser wären als die anderen, welche die Wahrheit enthielten. Und das sind diejenigen, die heute nach dem magischen Tool suchen. Ja, nach dem magischen KI Tool, das mit meinem vorhandenen Wissen dieser schieren Vielzahl an Informationen auf einmal Sinn bildet.

Alle diese Versuche, die sind natürlich völlig gescheitert, weil für jedes Buch, für jedes Buch, dass ich zerstöre, es Millionen weitere Bücher gibt, die einfach nur ein anderes äh Schriftzeichen enthalten. Also, so komme ich natürlich nicht zur Wahrheit. Die Quintessenz, die er damals schon geschlussfolgert hat, er hat diesen Lasswitz-Gedanken dann dann weitergedacht und gesagt, okay, wir nehmen jetzt mal 25 Schriftzeichen an. Das kommt wahrscheinlich aus dem Hebräischen mit 22 Buchstaben und drei orthographischen Zeichen und er ist aber auf eine ähnliche Größe gekommen, also auch 10 hoch 1 Million irgendwas. Und er stellt aber fest, wir haben kein Problem vom Sammeln von Wissen. Also es geht im Endeffekt nicht darum, dass wir Informationen sammeln müssen, weil jede Information ist ja theoretisch heute schon vorhanden. Auf Basis des vorhandenen Alphabets können wir jede denkbare Information heute bereits erzeugen. Und das führt dazu, dass in diesem Moment bereits die miniziöse Geschichte der Zukunft eigentlich schon fest beschrieben steht. Die Autobiografien der Erzengel stehen fest, aber auch schon die exakt genaue Beschreibung des eigenen Todes kann heute schon auf Basis der Logik ähm dargestellt stehen. Also diese Information existiert im Wesentlichen bereits und genau das haben wir im Kern mit KI mit diesen großen Sprachmodellen heute erschaffen. Also wir können jede denkbare Information aus diesen Sprachmodellen heute abrufen. Wir haben kein Informationsproblem. Jedes Wissen der Menschheitsgeschichte, jeder Sinn, aber auch jeder Unsinn steht in diesem Moment bereit zur Verfügung. Und wir sind umgeben von all dem Wissen der Menschheit, aber wir verlieren uns darin, das wirklich richtige Wissen zu finden.

Und das hat auch schon Vannevar Bush durchdacht. Das ist der wissenschaftliche Koordinator des Manhattan Projekts 1945 in einem unscheinbaren Artikel "As We May Think" damals im Atlantic erschienen und er hat genau das konstatiert. Die Wissenschaft, die hat kein Problem neue Informationen äh zu finden. Wir brauchen keine neuen Ideen. Wir müssen das bereits vorhandene Wissen besser managen. Also dieses Problem, das hatte man schon 1945 im Rahmen des Manhattan Projekts und das ist meine Leitidee. Also der Traum vom totalen Wissen, der ist im Wesentlichen uralt. KI ist nur das neueste, das jüngste Kapitel davon. Das Problem war allerdings nie der Besitz von Wissen, das Sammeln von Wissen, das war noch nie das Problem, sondern das Finden des Richtigen im richtigen Moment. Und genau das erleben wir heute jeden Tag. Also, wir haben alles Wissen der Welt per einfache Textabfrage zur Verfügung. Wir können ChatGPT oder Claude heute fragen: "Bitte erkläre mir die Relativitätstheorie" und wir bekommen eindrucksvolle Antworten. Wenn wir dann aber eine Frage stellen, wie: "Bitte hilf mir mal dabei, die perfekten Preise für meine Produkte zu finden", dann scheitern diese Systeme erstmal ohne Wissensmanagement kläglich.

Und das spiegelt sich im realen Alltag unserer Kunden wieder. Nehmen wir Beispiele eines Reifengroßhändlers, ein einer unserer Kunden, der die Frage stellt: "Welchen Preis setze ich für meine neuen Reifen an?" Dieses Wissen, das hat ein Sprachmodell nicht, weil das existiert in Excel-Tabellen, das existiert in Erfahrungswissen, was über Jahrzehnte gesammelt wurde, das existiert in den Preisdaten der Konkurrenz, also den Live-Websites meiner Wettbewerber, die ich kennen muss. Oder eine Hotelkette, die wir begleiten. Ja, wie läuft unser Standardprozess bei einer Überbuchung ab? Ja, dieses Wissen existiert erstmal nur in den Köpfen von von Menschen, in PDFs, in Handbüchern. ChatGPT selbst, wenn man es da hochladen würde, hat erstmal keinen Zugriff auf das Wissen und das ist bei weitem auch sicherlich nicht der richtige Weg. Darüber haben wir beim letzten Mal schon gesprochen, einfach so PDFs da hochzuladen.

Und das erlebt also jeder von uns auch in ganz banalen Alltagssituationen. Ich habe z.B. will jetzt Flüge buchen äh müssen und wenn ich jetzt heutzutage Claude Code sage: "Füll mir bitte dieses Formular aus und buch diesen Flug", dann hat Claude Code oder welcher Agent auch immer erstmal nicht die Information zu meiner Person, die er eintragen muss. Und all diese Informationen muss ich ja immer wieder erstmal zuliefern, damit diese Agenten wirklich nützlich arbeiten können. Ja, oder gibt mir ein Produktivitätsreporting meiner Vertriebsmitarbeiter, das ist heute so nicht möglich mit einem einfachen Sprachmodell, selbst auch nicht mit Agenten. Ja, gib mir die To-Dos aus den letzten Teammeetings. All diese Informationen sind erstmal schlicht nicht vorhanden und demnach stellt sich heute für jedes Unternehmen die Frage: Wie gestalte ich denn mein Wissensmanagement? Also jeder braucht heute ein KI Wissensmanagement, ansonsten verliert sich jeder Mitarbeiter jeden Tag immer wieder in dieser Bibliothek von Babel.

Warum ist Wissensmanagement aber jetzt wichtiger denn je? Der State of Teams Report von 2025, der hat das mal ausgemessen und das bestätigt auch unsere eigene Erfahrung, weil wir fragen das in Vorgesprächen immer wieder, also wie viel Zeit verbringt ihr und eure Mitarbeiter mit der Wissensuche und landet ist zum Punkt gekommen, 25% der gesamten Arbeitszeit. Äh, das ist wie wenn ihr vier Vollzeitmitarbeiter habt und ein Vollzeitmitarbeiter beschäftigt sich den ganzen Tag nur mit dem Zusammensuchen von irgendwelchen Wissen. Das ist Realität. Heute in ja, den meisten Unternehmen. Also, wie gesagt, ein Viertel aller aller ähm Arbeitszeit ist die reine äh Wissensuche.

Das Problem geht aber viel weiter und das wohl möglich größte Problem, das ist das demographische, dass wir vor allem hierzulande haben. Denn was zeichnet uns in Deutschland aus? Was ist denn eigentlich der Keim und die Keimzelle des Erfolges unserer Weltmarktführer, unserer Hidden Champions? Wir haben einige davon heute hier. Das ist Erfahrungswissen. Ja, das ist nicht die beste Regulatorik, dass wir die besten Steuergesetze weltweit haben, sicherlich nicht. Äh, dass wir die besten besten bürokratischen Abläufe haben, sicherlich nicht. Ja, also unser Erfolgsgeheimnis, das ist doch das Fachwissen, das Erfahrungswissen. Aber diese Gleichung, die geht schlicht nicht mehr auf. Also wir können nicht darauf wetten, dass was wir jetzt Generation lang gemacht haben, das Wissen einfach von Generation zu Generation durch Ausbildung, Weiterbildung einfach weiterzugeben, das geht mathematisch nicht auf. Alleine in den nächsten 15 Jahren verlassen 13,4 Millionen Fachkräfte den Arbeitsmarkt. Wir haben heute 57% aller mittelständischen Unternehmen im Alter von über 55. Ja, vor 20 Jahren waren das nur 20%. Wir erleben es auch immer wieder bei Kunden, die schon Nachfolger suchen, schlicht gar keine Nachfolger finden. 4000 Fachkräfte verlassen jeden Tag den Arbeitsmarkt. Das ist wohl möglich das größte Problem neben Datenschutz, neben all diesen Dingen ähm welches wir hierzulande haben und somit somit lösen müssen.

Und wie arbeiten Firmen denn heute wirklich? Also, die meisten haben, das hat der neue State of the E Report von McKinsey herausgefunden, die meisten, die haben heute schon mal irgendwelche Pilotprojekte gemacht. Also 88% aller Unternehmen geben an, dass sie schon mal irgendwelche Experimente mit KI gemacht haben, irgendwelche Pilotprojekte, aber nur 7% aller Unternehmen sagen, sie haben KI wirklich breitflächig im Unternehmen ausgerollt. Und warum? Das ist genau das Problem. Es existiert in den meisten Unternehmen und deswegen sagte ich eingangs, dass dies ist der wichtigste Use Case für jedes einzelne Unternehmen. Es existiert heute schlicht kein KI Wissensmanagement, weil das ist ja der zentrale Use Case, den das gesamte Unternehmen braucht und es ist zugleich auch das Fundament für alles. Also das Wissensmanagement ist das Fundament für eure Dashboards, die ihr baut, für eure Agenten, für eure Apps. Wenn ihr eben mit KI-Agenten wie wie Claude Code wie mit Codex arbeitet, wenn ihr Controlling jeglicher Form macht, dann braucht ihr dieses Wissensmanagement als Fundament und könnt ja überhaupt erst die volle Kraft dieser übermächtigen Tools, die wir heute vor uns finden, wirklich entfalten.

Und dieser Gedanke, der ist auch nicht unbedingt neu. So, Ramon Lull, der hat schon um 1300 die Denkmaschine ja gebaut und durchdacht, das waren im Wesentlichen Drehscheiben, das war ein ja ein apologetisches Projekt, dass man versuchte die Bibel und das Christentum durch die Vernunft den Leuten beizubringen und aufzuzwingen. Aber im Wesentlichen hat er das hat im übrigen auch den Leibniz damals inspiriert, denn im Wesentlichen hat er diese Drehscheiben gebaut, welche zur Wahrheit führen sollten. Also er hat dann z.B. Wörter wie wie Güte, wie Größe genommen und allein durch das Drehen dieser Scheiben komme ich zu wahren Aussagen natürlich im biblischen Sinne, aber es war ein schon ein erster Vorläufer solcher Denkmaschinen. Auch Jorge Luis Borges hat das in dem Alef durchdacht. Das ist im Prinzip in dem Keller in Braner's Iris ein Portal, in dem ich in einer Sekunde das gesamte Wissen der Menschheit abrufen kann. Natürlich führt das auch ins absolute Nichts, weil ich erschlagen bin, weil ich jede Information auf einen Schlag erhalte. Aber dieses diese Idee des perfekten Wissensmanagements, die ist auch nicht zwingend neu.

Und das jüngste Kapitel dieser Idee, das sind die sogenannten zweiten Gehirne, die Second Brains. Das kommt jetzt gerade im amerikanischen Bereich. Auch in Deutschland wird's immer größer. Das wird teilweise auch KI Betriebssystem getauft oder auch diese ganzen Agent Harnesses wie Hermes und all diese Dinge, die ihr gerade seht. Ja, ihr seht, das geht super viral das Thema und jeder ist gerade drauf und dran, sich diese zweiten Gehirne zu bauen und das ist im Wesentlichen genau der gleiche Traum, den die Menschheit schon lange hat. Worum geht's dabei? Ein Second Brain, das ist im Prinzip eine riesige Ordnerstruktur zum einen von Markdown Files. Ja, also das ist der banalste Ansatz, den ihr aber im Internet gerade immer wieder vorfindet und den vielleicht der ein oder andere auch gerade in diesem Moment nutzt. Also, ich strukturiere mein Wissen mehr schlecht als recht in irgendwelchen Markdown Files. Dann ziehe ich im besten Fall noch mit Obsidian oder vergleichbaren Tools Notion ziehe ich mir Knowledge Graph über dieses ganze Wissen von mir und dann habe ich doch einen schönen Graphen, der der super aussieht und der ja doch wie ein Wissensmanagement System erstmal funktionieren könnte. Oder auch Kapfi's LLM Knowledge Base Ansatz, bei dem man eigentlich sagt, wir brauchen gar keine RAG-Systeme, gar keine Vektordatenbanken, keine Pipelines mehr, weil diese Coding Agents, die können ja super gut Bash-Befehle ausführen. Wir können ja einfach Grab nutzen und irgendwelche Schlagbegriffe in meinen ganzen Markdown-Files suchen und das funktioniert ja tatsächlich auch in privaten Projekten, nicht aber und darüber sprechen wir ja in Unternehmen, also in einem Company Brain.

Wieso scheitern also diese klassischen Ansätze, die wir gerade immer wieder vorgehalten bekommen und wie gesagt, immer die es auch immer schon gab in der Menschheitsgeschichte. Zum einen hofft man ja, das wird schon. Also, wenn ich einfach nur genug Markdown Files, Claude Code oder anderen vergleichbaren KI-Agenten Tools zur Verfügung stelle, dann wird der irgendwie schon die richtigen Informationen zur richtigen Zeit finden. Ja, also je besser die Modelle werden, das wird schon irgendwie alles hinhauen. Also man sendet einfach die rohe KI über eine Vielzahl von unstrukturierten Daten von einer Unmenge an Informationen einfach drüber und hofft, dass da ja irgendwie was Sinnvolles bei rauskommt. Und auch das hat Jorge Luis Borges im übrigen schon durchdacht in der analytischen Sprache von John Wilkins. Der hat genau das nämlich versucht, also der hat versucht eine Universalsprache zu kreieren, die bereits inhärent schon die Wahrheit enthält. Ja, z.B. für das Wort Element ähm nutzt er oder für das ähm ja für [schnauben] die Begrifflichkeit Element nutzt er dann das Wort D. Für das Feuer nutzt er de und für die Flamme nutzt er de bar. Das heißt, rein aus der Sprache habe ich schon die Struktur geschaffen, um zur Wahrheit und zu den richtigen Informationen zu kommen. Das hat dann etwas polemisch der Borges wiederum auseinander genommen mit der fiktiven chinesischen Enzyklopädie, indem man Tiere klassifiziert, nach die, die dem Kaiser gehören, nach den äh Milchschweinen, nach den Sirenen und so weiter. So völlig unlogische Kategorien im ersten Moment, aber im Wesentlichen ist das nichts anderes als das, was John Wilkins versuchte, weil er sagt, jede Klassifizierung ist im Wesentlichen auch nur ein gedankliches Konstrukt, welches wir nutzen, was erstmal so nichts mit der Wahrheit zu tun hat.

Und dann ganz eindrucksvolles Beispiel, weil das betrifft heute jeden Knowledge Graph, die ja super toll aussehen. Ähm nichts dahingehen gegen Knowledge Graphs, aber sie versuchen genau das, also starres Wissen perfekt zu klassifizieren, die Verbindungen festzulegen. Äh ganz absurd wird's dann, wenn man sagt: "Hey, ich habe hier Claude Code und sende den jetzt wirklich über all meine Markdown-Files und schaut mal, was der für Knowledge Graph hier gebaut hat." Man hat das Gefühl jetzt auf einmal ein Wissensmanagement System zu haben, aber im Wesentlichen ist das genau der Fehler. Bei Wilkins gab's dann auch z.B. die die Situation, dass er die äh Wale unter den Fischen in seiner Sprache formuliert hat. Später stellte sich dann heraus, Wale sind Säugetiere. Also die ganze Sprache funktioniert später nicht mehr, wenn ich einmal starre Klassifizierungen vornehme. Das heißt, dieser Ansatz, der ist bereits inhärent zum Scheitern verurteilt.

Was man dann schnell versucht, ist einfach mehr Regeln zu setzen. Also je mehr die KI, das kennt doch jeder, ja, also die KI weicht immer wieder ab von meinen Vorgaben, einmal hat's funktioniert, am nächsten Tag funktioniert, schon wieder nicht. Und das führt dann dazu, dass man immer mehr und mehr Regeln und immer mehr und mehr Wissen äh diesen KI-Agenten zur Verfügung stellt und im besten Fall dann einfach immer sagt, wenn ein Fehler gemacht wurde, merkt ihr das jetzt, speichert dann eine Markdown-File ab und irgendwie wird die KI ja dann schon schlauer werden und beim nächsten Mal das Wissen äh richtigerweise wiederfinden. Aber wer das mal ein paar Mal versucht hat, wird schnell feststellen, auch das ist zum Scheitern verurteilt und hält der Praxis schlicht nicht stand. Das ist nämlich genau diese sogenannte Collectors Falla, also der Aberglaube oder der Irrglaube, dass je mehr Wissen ich sammle, desto mehr Wissen habe ich. Ja, das kennt jeder. Also ich lade mir einfach irgendwo eine PDF runter, ich lege die sauber in einem Ordner ab und auf einmal habe ich Wissen. Das ist aber nicht der Fall. Also das reine Sammeln von Wissen, es bringt mir nichts, wenn ich 2000 Dateien habe, die KI aber vielleicht nur 10 Dateien davon braucht. Alles andere verwirrt sie ja nur äh genauso wie es äh die die letzten Jahrzehnte, Jahrhunderte, Jahrtausende auch die Menschen immer nur verwirrt hat, zu viele Informationen zu haben. Das ist ja genau die Konklusion dieser Bibliothek von Babel, dass Wissen und Wahrheit durch Reduktion und Struktur kommt, durch Vergessen kommt und nicht dadurch, dass ich möglichst viel Wissen sammle und anhäufe.

Das heißt, so baut man Wissensmanagement Systeme sicherlich nicht, also tausende Dateien und Tools in den Knowledge Graph reinkippen vom vom Bastler aus dem Kinderzimmer bauen lassen, das ist ja ganz häufig auch der Fall. Diese Dinge sind häufig gar nicht schlecht gemeint, sondern ich habe es mit Leuten zu tun, die noch nie ein reales Unternehmen ja aufgebaut haben und demnachher gar nicht wissen, wie Wissensmanagement in einem Unternehmen funktioniert. Aber davon kann ich mich doch natürlich nicht leiten lassen für solch wichtige Geschäftsentscheidungen und äh Wissen in statischen Dateien einfrieren. Auch das kann man sich ja einfach überlegen, wie wir es jetzt zuletzt gemacht haben, dass das nicht funktionieren kann, das ist einmal statisch in irgendwelchen Markdown Files äh abzulegen. KI alleine entwickelt sich ja schon so schnell, dass es bereits inhärent zum Scheitern verurteilt ist.

Also, was brauchen wir? Wir brauchen zwei Dinge, die ich unterscheide. Das ist zum einen das Company Brain oder auch AI Human statt einem persönlichen Second Brain und ich brauche Wissensmanagement Systeme für spezifische Use Cases. Was genau bedeutet das jetzt? Also, was ist ein Human? Ein Human sammelt zunächst einmal wirklich alle Informationen meines gesamten Unternehmens. Das Ziel ist wirklich so eine Art gläsernes Unternehmen zu schaffen, eine Single Source of Truth, in der das gesamte Wissen, die gesamte Wahrheit meines Unternehmens existiert. Also durch aus allen Meetings, allen Entscheidungen, allen Kennzahlen der gesamten Kommunikation. All das liegt an einem zentralen Ort und darauf können dann wiederum meine KI-Agenten zugreifen, meine Apps greifen auf diese zentrale Single Source of Truth, auf dieses Human zu und der Name impliziert es schon, das ist ein äh lebendes äh System, also die Ontologie eures Unternehmens, wenn man so möchte und kein statisches Konstrukt. Auch alle Workflows, alle Prozesse basieren auf diesem Human, also auf diesem Company Brain.

Ein paar ganz reale Beispiele, weil wir das bei uns schon umgesetzt haben und laufend immer erweitern, z.B. Projektmanagement, das ist unser internes Projektmanagement und das basiert auf dieser Single Source of Truth, auf diesem Human, der zentralen Wissensdatenbank. Projektmanagement braucht jedes Unternehmen, auch Kanban-Ansichten, ja, wie man es aus klassischen Projektmanagement Tools kennt. Ja, all das basiert auf diesem zentralen Wissensspeicher, unser Projektportfolio, unser Backlog, all unsere Ideen von allen Mitarbeitern über alle Abteilungen entwickelt, alles basiert auf der gleichen Single Source of Truth. Management Dashboards. Ja, also wenn unsere Abteilungsleiter im Marketing, im Vertrieb sagen, ich brauche jetzt mal ein eigenes Dashboard, ich muss einen Überblick bekommen über meine Vertriebs-KPIs, dann können sie einfach zugreifen auch als normale Mitarbeiter auf dieses Single Source of Truth und sich ein eigenes Dashboard bauen oder auf die bereits vorhandenen Dashboards zugreifen und müssen sich nicht erst die Daten aus irgendwelchen Excel-Tabellen oder Markdown-Files zuliefern lassen. Ein Meeting Cockpit, eine ganz amüsante Situation, die ich neulich in einem unserer Meetings hatte, dass man dass wir immer wieder gesagt haben, wenn eine Entscheidung getroffen wurde: "Dies ist jetzt eine Entscheidung." Warum machen wir das? Weil die KI dann im Nachgang bei der Transkription erkennt: "Aha, das ist eine Entscheidung" und daraus wird ein sogenanntes Decision Logbuch geführt. Sollte jedes Unternehmen haben. Gerade, wenn immer mehr KI-Agenten in eurem Unternehmen Entscheidungen treffen, dann braucht es ja ein Logbuch darüber, welche Entscheidung wurden denn eigentlich getroffen? Oder auch ein Sales Care BI X-Ray. Ja, wer jetzt große Augen bekommen hat, das sind natürlich fiktive Zahlen hier, ja, die ähm mal zeigen sollen, wie man da in die Tiefe gehen kann bei seinen Vertriebs-KPIs und seinen Marketing-KPIs über ein X-Ray. Alles ist immer noch die gleiche Single Source of Truth, also das Human oder den Decision Log. Ja, den habe ich bereits angesprochen. Das wird elementar wichtig, gerade eben, wenn ich mit Agenten arbeite, aber auch in einem normalen Unternehmen sollte das schon Standard sein, dass jede einzelne Entscheidung, die in irgendeiner Form getroffen wird, dokumentiert wird, danach geprüft wird, war die Entscheidung richtig, wohin hat sie uns geführt? Hat es zu Mehrumsatz geführt? Hat das zu Nachteilen geführt? Ich muss ja alles rückverfolgbar machen. E-Mailkampagnen. Ja, also wir haben ein ganz eigenes Tool entwickelt, über das wir all unsere E-Mailkampagnen steuern. Wir hatten zuvor ein Tool, für das haben wir 10.000 € im Jahr bezahlt und eines Tages habe ich mir gedacht, das kann doch nicht sein. Also, das sind doch alles triviale Wrapper im Wesentlichen solche E-Mail-Tools und das stellte sich auch als richtig heraus. Also haben wir einen halben Tag äh unser eigenes E-Mailkampagnen-Tool gebaut, wofür wir etwa 60 € äh im im Jahr jetzt zahlen. Ja, also all das ist bereits heute schon möglich und dies greift auch wieder auf die exakt gleiche Infrastruktur und Single Source of Truth zu. Also, das ist das Company Brain.

Und der zweite Ansatz, den sollte man parallel fahren, das ist dann der Use Case basierte Ansatz. Also zum einen habe ich mein Company Brain, zum anderen habe ich je nach meinem spezifischen Use Case wiederum einen anderen Wissensmanagement Ansatz, weil es eine ganze Vielzahl solcher Ansätze gibt. Die meisten haben davon noch nie gehört, sei BM25, RAG, ähm Chunking, Entic RAG, Reranking, klassische Machine Learning Algorithmen, ich kann eigene neuronale Netze äh programmieren. Also, es gibt ja zig Ansätze und je nach Use Case muss ich natürlich unterscheiden. Das sind ein paar Beispiele. Ja, also je nach Use Case den tatsächlich richtigen Ansatz zu wählen, z.B. wenn es darum geht Leistungsverzeichnisse zu matchen. Ja, einer unserer Kunden, da nutzen wir z.B. Grage and Boosting, das ist ein Machine Learning Algorithmus. Oder bei Onboarding Chatbots, da reichen klassische RAG-Systeme aus. Wenn ich einen komplexeren Chatbot habe, dann brauche ich vielleicht einen Hybrid Search Ansatz mit lexikalischer Suche. Bei einem Corporate LM, wir werden darüber noch sprechen, da habe ich Multimodel RAG, weil ich muss ja auch Bilder will ich vielleicht hochladen, ich will Audio-Dateien, ich will vielleicht Videos hochladen. Multihop bei Entic Coding reicht vielleicht eine LM Knowledge Base völlig aus und so muss ich je nach Use Case dann nochmals differenzieren, welches KI Wissensmanagement System ist in diesem exakten Fall das Richtige?

Also, was nehmt ihr mit aus dem heutigen Vortrag? Jetzt KI Wissensmanagement einführen ist der wichtigste Use Case für jedes Unternehmen. Egal, ob als Agentur, der Markt ist quasi leer. Das liegt auch daran, weil dieser Use Case in den USA schlicht nicht so groß und so pikant ist wie in Deutschland. Wir haben darüber gesprochen, vor allem über das demographische Problem und unsere Hidden Champions, also eine gigantische Chance für jede Agentur, die sich jetzt in diesem Bereich positioniert, für jedes Unternehmen, welches diese Infrastruktur jetzt aufbaut, weil die Realität ist in den meisten Unternehmen ist das Wissen schlicht nicht mal digitalisiert vorhanden. Also da haben wir es immer noch mit PDF und Excel-Tabellen zu tun. Da muss man jetzt den ersten Schritt schnellstens gehen. Den Second Brain Hype. Ja, wer gerade nicht die Hand oben hatte, der hat alles richtig gemacht, weil den könnt ihr ignorieren. Das braucht ihr nicht. Genauso diese ganzen ähm Agent Harness Konstrukte, die könnt ihr genauso ignorieren. Und das, was wir bauen mit Corporate LM, das ist im Wesentlichen genau diese Vision, also so ein Company Brain zu schaffen, dass es eben nicht jetzt jeder selbst tun muss, sondern dass ich ein System habe, indem ich mein Company Brain anlegen kann. Und das ist also die nächste Stufe für alle, die sagen, ich will das ein bisschen leichter machen, aber das ist in jedem Fall das, was wir jetzt benötigen, also ein Company Brain und KI Wissensmanagement Systeme für meine spezifischen Use Cases. Vielen Dank. [Applaus]