Unternehmenswissen, das die KI lesen kann — ein Praxisbericht mit Obsidian
Warum verstreutes Firmenwissen KI ausbremst — und wie ein Second Brain in Obsidian aus Markdown-Notizen eine durchsuchbare, KI-lesbare Wissensbasis macht.
„Das weiß bei uns nur der Thomas.” Diesen Satz hört man in fast jedem kleinen Unternehmen. Er ist so normal, dass kaum jemand darin ein Risiko sieht — bis Thomas in Rente geht, kündigt oder drei Wochen krank ist. Dann fehlt nicht nur eine Person, sondern Wissen, das nie irgendwo stand.
Mit KI wird dieses alte Problem plötzlich akut auf eine neue Art. Denn eine KI ist nur so gut wie der Kontext, den sie bekommt. Und der wichtigste Kontext eines Unternehmens — wie hier gearbeitet wird, warum Entscheidungen so fielen, welche Prozesse gelten — liegt verstreut in Köpfen, Mail-Postfächern und Chat-Verläufen. Genau da setzt dieser Praxisbericht an.
Die Antwort vorweg
Wer KI sinnvoll im Unternehmen nutzen will, braucht zuerst strukturiertes, maschinenlesbares Wissen. Das einfachste Mittel dafür ist kein teures System, sondern reiner Text: Markdown-Notizen in einem Obsidian-Vault, der gleichzeitig als Second Brain für Menschen und als Wissensbasis für KI dient.
Der Rest dieses Beitrags zeigt, warum das funktioniert — und woran es in der Praxis scheitert.
Warum verstreutes Wissen die KI ausbremst
Die meisten Unternehmen probieren KI so aus: jemand öffnet ChatGPT, stellt eine Frage zum eigenen Geschäft — und bekommt eine generische Antwort. Logisch, denn das Modell kennt das Unternehmen nicht. Also kopiert man Kontext in den Chat, Absatz für Absatz. Beim nächsten Chat fängt man von vorn an.
Das Problem ist nicht die KI. Das Problem ist, dass das Wissen nirgends in einer Form liegt, die sie lesen kann:
- in einem Word-Dokument, das ein Modell nicht ohne Konvertierung versteht
- in OneNote oder Notion, gebunden an Format und Anbieter
- in E-Mail-Verläufen, die niemand systematisch durchsucht
- im Kopf erfahrener Mitarbeiter — gar nicht festgehalten
Solange das so bleibt, bleibt KI ein cleverer Textgenerator ohne Bezug zum eigenen Betrieb. Der Hebel liegt nicht in einem besseren Prompt, sondern in einer besseren Wissensgrundlage.
Warum reiner Text die robusteste Grundlage ist
Die naheliegende Reaktion ist, ein größeres Tool zu kaufen. Die pragmatischere ist, das Format zu vereinfachen. Markdown — reiner Text mit ein paar Formatierungszeichen — hat dabei Eigenschaften, die für KI-Nutzung entscheidend sind:
| Eigenschaft | Bedeutung in der Praxis |
|---|---|
| Portabel | Lesbar in jedem Editor, auf jedem System — kein Lock-in |
| KI-lesbar | Ein LLM erkennt Struktur (Überschriften, Listen) direkt |
| Versionierbar | Änderungen nachvollziehbar wie bei Code |
| Lokal | Dateien liegen auf dem eigenen Rechner, nicht zwingend in der Cloud |
Der letzte Punkt ist für viele KMU der wichtigste: Datenhoheit. Ein Vault aus Markdown-Dateien gehört dem Unternehmen — nicht einem Cloud-Anbieter, der sein Preismodell oder seine AGB ändert.
Was Obsidian daraus macht
Obsidian ist im Kern ein Editor für genau solche Markdown-Dateien. Ein Vault ist nichts weiter als ein Ordner mit Textdateien. Was Obsidian hinzufügt, sind drei Dinge, die aus losen Notizen ein nutzbares System machen:
- Verlinkung. Notizen verweisen über
[[Wikilinks]]aufeinander. Statt Wissen in Ordnerhierarchien zu vergraben, entsteht ein Netz — Zusammenhänge bleiben sichtbar. - Suche. Volltext über den gesamten Vault, in Millisekunden.
- Plugins. Aufgabenverwaltung, KI-Chat und semantische Suche lassen sich bei Bedarf nachrüsten — aber nicht als Pflicht.
Das ist die Methodik hinter Personal Knowledge Management, in ein konkretes Werkzeug gegossen. Und weil alles Text bleibt, ist der Vault von Anfang an für KI anschlussfähig.
Der entscheidende Schritt: die KI andocken
Hier wird aus einem Notizsystem eine Wissensbasis. Ein Vault aus reinem Text lässt sich auf mehreren Wegen mit KI verbinden — gestaffelt nach technischem Aufwand:
- Direkt in Obsidian. Ein Plugin wie Copilot bringt ein Chat-Fenster in die App. Der Modus „Vault-QA” beantwortet Fragen über den gesamten Notizbestand. Kein Terminal, nur ein API-Schlüssel.
- Datei-Upload. Ein ChatGPT-Projekt oder Claude Desktop bekommt die wichtigsten Vault-Dateien als Wissensbasis hinterlegt.
- Direkter Ordnerzugriff. Werkzeuge wie Claude Code oder ein über MCP angebundener Agent lesen und schreiben direkt im Vault. Eine zentrale Datei — oft
CLAUDE.md— erklärt der KI einmalig Rolle, Unternehmen und Ton. Danach kennt sie den Kontext, ohne dass man ihn in jedem Chat wiederholt.
Technisch steckt dahinter das Prinzip Retrieval-Augmented Generation: Die KI sucht relevante Stellen im eigenen Wissensbestand und nutzt sie als Grundlage für ihre Antwort — mit Quellenangabe statt frei erfunden.
Drei Use-Cases, die in der Praxis sofort funktionieren
Das klingt abstrakt — wird aber schnell greifbar. Drei Beispiele, wie ein Vault im Alltag konkrete Arbeit abnimmt:
Wissen aus einem Artikel strukturieren. Du liest einen interessanten Beitrag, schickst den Inhalt an deine KI und gibst den Prompt: „Mach daraus einen Glossar-Eintrag in meinem Stil — Zielgruppe und Ton stehen in der CLAUDE.md.” Das Ergebnis ist ein fertiger, einpflegbarer Eintrag, der deinen Kunden erklärt — nicht der Allgemeinheit. Kein Rohentwurf, kein Umschreiben.
Meeting-Notizen in Aufgaben umwandeln. Die Stichpunkte vom letzten Kundengespräch landen als Daily Note. Prompt: „Extrahiere alle Aufgaben aus diesen Notizen — mit Verantwortlichen und Fälligkeiten im Tasks-Format.” Die Aufgaben erscheinen sofort im Dashboard, ohne manuelles Eintippen. Das Tasks-Plugin sammelt sie über alle Notizen hinweg automatisch ein.
Wochenreview automatisieren. Freitagabends fasst die KI deine Daily Notes der Woche zusammen: Was lief gut? Welche Erkenntnisse lohnen sich für das Langzeitgedächtnis in der MEMORY.md? Das Review dauert fünf Minuten statt einer halben Stunde — und wird dadurch tatsächlich gemacht, statt auf Montag verschoben zu werden.
Das Muster ist immer dasselbe: Der Vault liefert den Kontext, du lieferst die Rohdaten, die KI macht daraus strukturierte Ergebnisse — in deinem Stil, auf deine Zielgruppe zugeschnitten. Weitere Einsatzfelder aus der Praxis: Angebote vorbereiten, Onboarding-Dokumente, SOPs aktualisieren, Kundenanfragen einordnen, Entscheidungen dokumentieren.
Wo es in der Praxis scheitert
Ein ehrlicher Praxisbericht nennt auch die Stolpersteine. Drei sind die häufigsten:
Der Vault pflegt sich nicht von selbst. Die Struktur ist schnell aufgesetzt, aber der Nutzen entsteht erst durch regelmäßiges Einpflegen. Wer nichts hineingibt, bekommt nichts heraus. Das ist keine Tool-Frage, sondern eine Gewohnheits-Frage.
Das leere Programm lähmt. Ein frisches, leeres Obsidian ist einschüchternd. Ohne vorgegebene Ordnerstruktur und ein paar Beispielnotizen versanden die meisten Anläufe in der ersten Woche. Der Einstieg gelingt deutlich besser mit einem vorstrukturierten Starter statt mit weißem Blatt.
Cloud-KI sieht die Inhalte. Wer ChatGPT oder Claude nutzt, überträgt die hochgeladenen Notizen an den Anbieter. Für Sensibles ist eine lokale KI wie Ollama die bessere Wahl — dann verlässt kein Inhalt den Rechner. Diese Entscheidung sollte bewusst fallen, nicht aus Versehen.
Vom Wissensspeicher zur Automatisierung
Ein gut gepflegter Vault ist mehr als ein Nachschlagewerk. Sobald das Wissen strukturiert vorliegt, wird es zur Datenbasis für Workflow-Automatisierung: Auf diesem Kontext lassen sich wiederkehrende Abläufe vorbereiten — eingehende Anfragen einordnen, Antwortentwürfe erzeugen, Dokumente aus Vorlagen befüllen.
Das ist auch der Grund, warum gutes Wissensmanagement der Automatisierung vorausgeht — nicht umgekehrt. Was nicht festgehalten ist, lässt sich auch nicht automatisieren. Diesen Gedanken vertieft der Beitrag Prozessoptimierung vor Automatisierung.
Human First — Wissen gehört den Menschen, die es schaffen
Der Reiz dieses Ansatzes liegt nicht in der Technik, sondern in der Kontrolle: Das Wissen bleibt im Unternehmen, lokal, in einem offenen Format. Die KI ist Werkzeug, nicht Eigentümer. Und das festgehaltene Wissen nützt zuerst den Menschen, die damit arbeiten — die KI ist der zweite Leser, nicht der erste.
Wer nicht bei null anfangen will, findet einen praktischen Startpunkt im KI-Second-Brain-Setup: ein vorstrukturierter Obsidian-Vault, vorausgefüllt mit den eigenen Angaben und einer fertigen Kontextdatei für ChatGPT, Claude oder Ollama. Der Einstieg dauert wenige Minuten — die Substanz liefert man selbst.