Unternehmenswissen, das die KI lesen kann — vom Obsidian-Vault zu BrainHub
Warum verstreutes Firmenwissen KI ausbremst — und wie BrainHub, unser eigenes Second-Brain-System, daraus 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 Second Brain, das gleichzeitig für Menschen und als Wissensbasis für KI dient. Wir haben diesen Ansatz jahrelang mit Obsidian umgesetzt — und daraus inzwischen BrainHub gebaut, unser eigenes, gehostetes Nachfolgesystem.
Der Rest dieses Beitrags zeigt, warum das Prinzip funktioniert — und wie wir vom Obsidian-Vault zu BrainHub gekommen sind.
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 möglich | Dateien können auf dem eigenen Rechner oder Server liegen, nicht zwingend in fremder Cloud |
Der letzte Punkt ist für viele KMU der wichtigste: Datenhoheit. Ein Wissensspeicher aus Markdown gehört dem Unternehmen — nicht einem Cloud-Anbieter, der sein Preismodell oder seine AGB ändert.
Vom Obsidian-Vault zu BrainHub
Obsidian war lange unser Werkzeug dafür: ein Editor für genau solche Markdown-Dateien. Ein Vault ist nichts weiter als ein Ordner mit Textdateien, verlinkt über [[Wikilinks]] zu einem Netz aus Wissen statt einer Sammlung isolierter Dokumente.
Für den ersten Einstieg ist das immer noch eine solide Wahl. Für den täglichen Einsatz im Unternehmen ist es das aus unserer Erfahrung nicht mehr — aus drei Gründen:
- Tote Dateien statt lebendiger Daten. Ein
[[Projekt]]-Link in Obsidian ist Text, kein Objekt. Er kennt keinen Status, keine Frist, keine Verbindung zu den echten Geschäftsdaten dahinter. - Plugins statt eingebauter Funktion. Semantische Suche, KI-Chat, Aufgabenverwaltung — alles nur über ein wachsendes Ökosystem aus Community-Plugins, das gepflegt und aktuell gehalten werden muss.
- Single-User-App statt Server. Ein Vault lebt auf einem Rechner. Teamzugriff, Automatisierung von außen oder die Anbindung mehrerer Anwendungen sind nicht vorgesehen.
Deshalb haben wir BrainHub gebaut: ein eigenständiges, webbasiertes Second-Brain-System, das dieselbe Grundidee — Markdown, Wikilinks, Backlinks, Graph — serverseitig umsetzt. Ohne Plugin-Chaos, dafür mit nativer semantischer Suche (lokale KI-Embeddings, keine Cloud-Pflicht) und mit Verknüpfungen, die auf echte Objekte zeigen statt auf tote Dateien: Ein [[Projekt]]-Verweis ist klickbar und trägt seinen aktuellen Status. Notizen, die eine KI etwa aus einem Meeting erzeugt, landen automatisch als verlinktes Dokument im System — ohne manuellen Zwischenschritt.
BrainHub ist erreichbar unter brainhub.automate-the-process.de. Wer lieber komplett lokal bleibt und selbst Hand anlegt, findet mit Obsidian weiterhin eine solide Wahl — die Prinzipien in diesem Beitrag gelten für beide Wege.
Der entscheidende Schritt: die KI andocken
Hier wird aus einem Notizsystem eine Wissensbasis. Ein Second Brain aus reinem Text lässt sich auf mehreren Wegen mit KI verbinden — gestaffelt nach technischem Aufwand:
- Nativ im System. BrainHub bringt semantische Suche und einen MCP-Server direkt mit — Claude Desktop oder Claude Code lesen und schreiben, ohne dass ein zusätzliches Plugin nötig ist.
- Per Plugin 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 Dateien als Wissensbasis hinterlegt.
- Direkter Zugriff. Werkzeuge wie Claude Code oder ein über MCP angebundener Agent lesen und schreiben direkt im System. 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 gut geführtes Second Brain 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 Notiz. Prompt: „Extrahiere alle Aufgaben aus diesen Notizen — mit Verantwortlichen und Fälligkeiten.” Die Aufgaben erscheinen sofort strukturiert, ohne manuelles Eintippen — bei BrainHub direkt als verlinkte, klickbare Aufgaben-Objekte, bei Obsidian über das Tasks-Plugin.
Wochenreview automatisieren. Freitagabends fasst die KI die Notizen 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: Das System 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:
Das System 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.
Die leere Oberfläche lähmt. Egal ob Obsidian oder BrainHub: Ein frischer, leerer Start ist einschüchternd. Ohne vorgegebene Struktur 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 gepflegtes Second Brain 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, 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 zwei praktische Startpunkte: BrainHub, unser gehostetes Second-Brain-System, oder — für den vollständigen Do-it-yourself-Weg — das KI-Second-Brain-Setup mit einem vorstrukturierten Obsidian-Vault, vorausgefüllt mit den eigenen Angaben und einer fertigen Kontextdatei für ChatGPT, Claude oder Ollama. Beide Einstiege dauern wenige Minuten — die Substanz liefert man selbst.