Kuration ist der teure Teil: Was ein Second Brain wirklich leistet

Cornelius Illi ist Product Cluster Lead für Innovation und GenAI und betreibt einen der durchdachtesten Wissensaufbauten, die in diesem Podcast bisher vorgestellt wurden. 130 Quellen laufen automatisch ein, werden gerankt und bewertet, höchstens ein Drittel schafft es in den wöchentlichen Digest.

Und dann sagt er den Satz, der die Folge trägt: Er liest diesen Digest selbst nicht mehr.

Was ein Second Brain ist, und was daran neu ist

Das Konzept ist älter als die Debatte um Sprachmodelle. Geprägt hat es Tiago Forte mit der CODE-Methode: Capture, Organize, Distill, Express. Alles hereinholen, ordnen, den Sinn herausdestillieren, am Ende etwas damit bauen.

Neu ist eine Umdeutung. Nachdem Andrej Karpathy Anfang des Jahres seinen LLM-Wiki-Ansatz vorgestellt hat, ist vielen aufgefallen, dass so ein Speicher womöglich gar nicht für den Menschen gedacht ist. Er ist der Kontextspeicher für die Maschine.

Das klingt nach einer Nuance und verändert die Anforderungen vollständig. Ein Speicher für Menschen braucht Übersicht, Gliederung und einen Einstieg. Ein Speicher für ein Modell braucht Belegbarkeit, eindeutige Begriffe und ein Format, das sich sparsam in Tokens übersetzen lässt. Das eine ist ein Regal, das andere ein Nachschlagewerk.

Die Zahlen und was sie kosten

Cornelius hat den ersten Buchstaben von CODE automatisiert. 130 Quellen liefern 400 bis 500 Inhalte pro Woche. Die werden gerankt und bewertet, höchstens ein Drittel landet im Digest, der Rest fliegt raus, entweder als irrelevant oder als bloßes Repackaging fremder Inhalte.

Sogar die eigenen LinkedIn-Likes holt er sich zurück, über eine selbstgeschriebene Anwendung und die Betroffenenrechte, die ihm als EU-Bürger zustehen. Das ist der praktische Nutzen der Datenschutz-Grundverordnung, über den selten gesprochen wird: Sie ist auch ein Werkzeug, um an die eigenen Daten zu kommen.

Beachten Sie, was hier automatisiert wurde und was nicht. Das Einsammeln läuft von allein. Das Bewerten läuft von allein. Was danach kommt, läuft nicht von allein, und genau daran hängt die ganze Folge.

Warum der Digest ungelesen bleibt

Der ehrlichste Moment der Folge ist ein Eingeständnis. Cornelius liest seinen eigenen Digest nicht mehr. Zu viel, und es bleibt ja nicht beim Lesen: Danach muss man mit der KI darüber diskutieren, um überhaupt zu Erkenntnissen zu kommen.

Sein Befund ist der wertvollste Teil des Gesprächs. Kuration ist der eigentlich schwierige Teil, und der Mensch bleibt darin noch lange nötig.

Die Begründung dafür ist präzise. Eine KI kann erklären, was Harness Engineering ist und wer den Begriff geprägt hat. Was sie nicht liefert, sind Best Current Practices, also die Antwort auf die Frage, was in genau dieser Kombination aus Modellversion und Harness gerade tatsächlich funktioniert. Dieses Wissen ist wenige Wochen alt, steht in keinem Trainingsdatensatz und lässt sich nur aus der Praxis ziehen.

Wo Automatisierung dagegen etwas leistet, das ein Mensch nicht kann: beim Aufdecken der eigenen Verzerrung. Cornelius hielt das LLM-Wiki-Thema für riesig und musste an der Auswertung feststellen, dass in hundert Tagen nur 23 von 5.000 Inhalten davon handelten. Ein Randthema, das sich im eigenen Kopf groß angefühlt hat.

Das ist ein Argument für Messung, das über Wissensmanagement hinausreicht. Was einem häufig begegnet, hält man für häufig. Eine Zählung korrigiert das, und sonst nichts.

Zwei Wege, ein Ziel

Beim Werkzeug gehen die drei auseinander, und der Streit ist lehrreich, weil beide Seiten recht haben.

Der eine Weg verzichtet auf einen Vault.

„Wissen in solchen Systemen entsteht durch Reduktion, durch Struktur, dadurch, dass das System in der Lage ist, auch zu vergessen, und nicht nur durch Anhäufung möglichst vieler Dokumente in möglichst unstrukturierter Art und Weise.“

Konkret heißt das: ein einziger Skill statt eines Second Brains. Darin zehn Jahre Apple-Entwicklerdokumentation, WWDC-Transkripte und eigene Fachartikel. Als Zip ein paar Megabyte, entpackt ein paar hundert, Antwortzeit rund zwei Minuten. Kein RAG, nicht perfekt, dafür portabel und in jedem Harness lauffähig, ob Codex, Claude Code oder das eigene System der Firma.

Der andere Weg braucht das Bild. Über 20.000 Dokumente liegen in Jens’ Vault. Gezielt eine einzelne Markdown-Datei zu suchen ist mühsam, aber der Blick auf den Graphen gibt ein Gefühl für die Gewichtung. Sah er am Wochenende falsch aus, läuft eben eine neue Logik darüber.

Der Vault liegt bewusst lokal auf einem Mac Mini. Dort arbeiten Gemma-Modelle, die archivieren und vergessen, ein Beirat aus den Autoren, denen er am meisten folgt, und ein Wächter, der prüft, was aus dem Vault heraus überhaupt an eine öffentliche Schnittstelle gehen darf.

Dieser Wächter ist der Teil, den die meisten Aufbauten vergessen. Ein Wissensspeicher, der alles enthält, was man weiß, ist genau deshalb heikel: Bei jeder Anfrage an ein fremdes Modell entscheidet sich, welcher Ausschnitt davon das Haus verlässt.

Das eigentliche Problem beim Teilen

Weil in der Folge viele Begriffe durch den Äther gehen, übersetzt Cornelius zwei davon in Normaldeutsch. Ein RAG, Retrieval Augmented Generation, zerlegt Texte in Abschnitte, wandelt sie in Embeddings und ordnet sie in einem hochdimensionalen Raum an, in dem Nähe Bedeutung heißt. Das klassische Beispiel: König minus Mann plus Frau ergibt Königin. Eine Ontologie stammt aus der Graphentheorie, Knoten und Kanten, und beschreibt, wie Begriffe zusammenhängen, damit sich Pfade entlanghangeln lassen.

Warum das praktisch zählt, zeigt sich beim Teilen. Wer ein Wissenssystem selbst gebaut hat, kennt die Begriffe darin. Wer es erbt, kann nicht danach suchen, weil ihm das Schlüsselwort fehlt. Ein grep hilft dann nicht, und eine Brute-Force-Suche über 200 Treffer kennt keine Relevanzgewichtung.

Für Unternehmen ist das der entscheidende Punkt. Eine Single Source of Truth für Richtlinien, FAQs, Organigramme, Architekturdokumentation und Verträge scheitert selten an der Technik. Sie scheitert daran, dass niemand die Begriffe kennt, unter denen abgelegt wurde. Wer so etwas baut, baut zuerst die Begriffswelt und danach den Speicher.

Fazit

Die Folge liefert zwei Empfehlungen für den Einstieg, und sie widersprechen sich nur scheinbar.

Die erste: Fangen Sie mit Skills an. Nicht das Monster bauen, sondern sich für eine konkrete Aufgabe überlegen, welche Informationen ein Skill braucht und wie sie strukturiert sein müssen. Ein Skill plus ein paar Dateien im Projektordner ist bereits ein kleines Second Brain.

Die zweite verschiebt den Blickwinkel: weg von „was könnte ich noch wissen wollen“ hin zu „woran arbeite ich gerade und was will ich erreichen“. Dann braucht es oft weniger Wissen als gedacht, sondern eine gezielte Suche, und der Speicher wächst von selbst.

Dazu ein Trostpflaster für alle, die auf Vollständigkeit hoffen.

„Kuration ist nicht vollständig ausgliederbar, und ich glaube, das wird schon auch der Job sein, dass wir da reingehen und viel machen. Wenn ich 90 Prozent des Zeitaufwands spare und der macht 30 Prozent falsch, habe ich immer noch großen Mehrwert.“

Und eine Beobachtung, die zum Nachdenken taugt: Wir haben Modelle, die Videos erzeugen, und speichern unser Wissen in schlichten Textdateien. Das ist kein Rückschritt, sondern die Erkenntnis, dass Format und Wert wenig miteinander zu tun haben.