Persönliches Wissensmanagement („Second Brain“)

Menschen sammeln weit mehr, als sie wiederfinden können: Notizen in fünf Apps, PDFs in Ordnern, Lesezeichen, die nie wieder geöffnet werden. Ein KI-gestütztes „Second Brain“ hält alles in einem persönlichen Speicher, indexiert es semantisch und lässt Sie Fragen stellen, Verknüpfungen und Zusammenfassungen vorschlagen und vergessenes Material wieder hervorholen. Die entscheidende Gestaltungsfrage ist, wo Daten und Modell liegen: in einer Cloud-SaaS, in einer Local-First-App mit optionaler API oder in einem vollständig selbst betriebenen Stack.

Problem & Nutzen

• Heute: Notizen liegen in Apps mit reiner Schlagwortsuche; manuelles Verschlagworten und Verknüpfen (Zettelkasten, PARA) erfordert Disziplin, die die meisten nicht durchhalten. Markierungen aus der Lektüre werden selten erneut angesehen.
• KI-Nutzen: bedeutungsbasierte Suche statt exakter Schlagwörter, „Frag meine Notizen“ mit Verweis auf die Quellnotiz, automatische Vorschläge für Verknüpfungen und verwandte Notizen, Zusammenfassung langer Quellen und Entwürfe aus dem eigenen Material.
• Belegstand: Die Verbreitung ist klar erkennbar (viele gängige Apps liefern KI-Funktionen), aber es gibt keine belastbaren unabhängigen Studien zu Produktivitätsgewinnen bei persönlicher Nutzung; Zeitersparnis-Aussagen von Anbietern sind mit Vorsicht zu behandeln.
• Abgrenzung: Dieser Anwendungsfall betrifft bewusst geschriebenes und gesammeltes Material. Durchgängige Umgebungsaufzeichnung ist PERS-017; Besprechungsnotizen sind SPEECH-001; gemeinsames Unternehmenswissen ist KNOW-002/KNOW-014; Fotosammlungen sind PERS-006; Lernen mit Karteikarten wird in den Anwendungsfällen zur Bildung behandelt.

Varianten

• Privat / Studierende: quellenbasierte Notizbücher im Stil von NotebookLM, Obsidian-Vaults, Apple Notes/OneNote mit eingebauten Assistenten.
• Freiberufler / Berater: Kundennotizen, Recherchen und Schnipsel; die Vertraulichkeit gegenüber Kunden spricht für Local-First.
• Forschende / Schreibende: Literaturnotizen mit Markierungen und Zitaten (siehe KNOW-008), Entwürfe aus dem eigenen Bestand.
• Entwickler: Vault auf Markdown-/Git-Basis, MCP-Server, der Notizen für Coding-Agenten und Chat-Clients bereitstellt.
• Kleines Team (KMU): gemeinsame Arbeitsbereiche (Notion, Confluence) als schlankes Team-Gehirn; darüber hinaus siehe KNOW-002.

So funktioniert es

1. Erfassung (Tippen, Web-Clipper, Teilen-Menü, E-Mail-Eingang, Sprachnotiz
2. ASR, Scan
3. OCR)
4. Normalisierung zu Markdown/Blöcken + Metadaten (Quell-URL, Datum, Schlagwörter)
5. Chunking + Einbettung (lokales oder API-Embedding-Modell)
6. Vektor- + Stichwortindex (hybrid)
7. Retrieval (Hybridsuche
8. optionaler Reranker)
9. LLM: Antwort mit Quellenangaben / zusammenfassen / Verknüpfungen vorschlagen / entwerfen / Wochenrückblick
10. Nutzer übernimmt, bearbeitet oder verwirft Vorschläge (die Notizen bleiben die maßgebliche Quelle)

• Maßgebliche Quelle (Source of Truth): einfache Dateien (Markdown) oder eine offene Datenbank, damit der Index immer neu aufgebaut werden kann und die Nutzer nicht an einen Anbieter gebunden sind.
• Embeddings: Mehrsprachige Modelle sind wichtig für gemischte deutsch-englische Notizen.
• Agenten-Schicht: Agenten mit Werkzeugzugriff können Notizen anlegen und bearbeiten, Ausschnitte ablegen und geplante Zusammenfassungen ausführen; vergeben Sie Schreibrechte eng und führen Sie eine Versionshistorie (Git, Sync-Verlauf), um Fehler rückgängig zu machen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die KI schlägt Schlagwörter, Verknüpfungen und Zusammenfassungen vor; die Person entscheidet, was Teil des Vaults wird. KI-generierter Text sollte gekennzeichnet werden, damit die spätere Suche ihn nicht für eine Primärquelle hält.

Datenaufbereitung

Die Daten sind das, was Menschen ohnehin aufbewahren: Notizen in Apps, Markdown-Dateien, gespeicherte Webseiten, PDFs, Sprachmemos, E-Mails und fotografiertes Papier. Im KMU liegt es in persönlichen Ordnern, OneNote, Postfächern und Chatverläufen, also genau im Problem des verstreuten Wissens.

Typische Lücken: Dubletten und halbfertige Notizen, fehlende Titel oder Datumsangaben, PDFs und Fotos ohne Textebene, gemischtes Deutsch und Englisch, Notizen mit Kundendaten, die das Unternehmen nicht verlassen dürfen, und keine Regel, wer was sehen darf.

Schritte der Aufbereitung: - Eine einfache Dateiablage (Markdown-Ordner) als maßgebliche Quelle und eine einfache Benennungs- und Schlagwortkonvention festlegen; nicht zuerst alles umorganisieren, sondern mit den letzten sechs Monaten beginnen. - Notizen per Export oder Web-Clipper übernehmen; alte Formate umwandeln (PREP-007). - Scans und Fotos per OCR erfassen (Paperless-ngx oder die OCR der App) und Sprachmemos mit Whisper transkribieren (siehe PREP-006 und DOC-014). - Vertrauliche Notizen kennzeichnen und aus Cloud-Indizes heraushalten (PREP-024). - 20 bis 30 Testfragen schreiben, um die Suchqualität zu prüfen (PREP-018).

Die Aufbereitung ist eine laufende Gewohnheit, kein Projekt; rechnen Sie für den ersten Import mit einem Wochenende. Die Datenaufbereitung macht etwa 10 bis 20 Prozent des Aufwands aus, und der größte Teil ist die eigene Disziplin beim Aufräumen.

Umsetzungswege

Welcher Weg für wen

• Privat: Weg A, weil Notiz-Apps wie NotebookLM, Notion oder Capacities ausgereift und günstig sind und keine technischen Kenntnisse erfordern.
• KMU: Weg C, weil geschäftliche Notizen oft Kunden- und Geschäftsgeheimnisse enthalten und ein Local-First-Stack (Obsidian mit Smart Connections, Ollama) auf einem Laptop (HW1) läuft, keinen AVV mit einem Notiz-Anbieter braucht und dieselbe Plattform ist, die später KNOW-001 bedienen kann (Baukasten-Effekt).
• Entwickler: Weg C, weil Khoj, Logseq oder Obsidian mit lokalen Modellen und MCP-Zugriff volle Kontrolle bieten und zu Entwickler-Arbeitsabläufen passen.

Weg A — Kaufen (empfohlen für Privatnutzer)

• Quellenbasierte Notizbücher: Google NotebookLM (Quellen hochladen, Fragen mit Quellenangabe stellen; laut Hilfeseite darf eine Quelle bis zu 500.000 Wörter oder 200 MB umfassen) [1].
• Notiz-Apps mit KI: Notion (Notion AI), Obsidian mit Community-Plugins, Mem, Reflect, Tana, Capacities (aus Deutschland), Apple Notes, Microsoft OneNote/Copilot. Anytype (Schweizer Verein, Local-First, Ende-zu-Ende-verschlüsselte Synchronisation) ist eine datenschutzorientierte Alternative [5].
• Wählen Sie A, wenn: Komfort wichtiger ist als Datenkontrolle und die Notizen keine Kundengeheimnisse oder besonderen Datenkategorien enthalten. Prüfen Sie: Datenhaltung in der EU, ob Inhalte für Training verwendet werden, Export nach Markdown, AVV für die geschäftliche Nutzung.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Einen Markdown-Vault (Obsidian, Logseq) über Plugins wie Copilot for Obsidian, das Bring-your-own-Key und OpenAI-kompatible Anbieter unterstützt [3], an ein gehostetes LLM anbinden; nutzen Sie in der EU gehostete Endpunkte (z. B. La Plateforme von Mistral, Azure OpenAI/Bedrock in EU-Regionen), wenn die Notizen personenbezogene Daten enthalten.
• Eigene Pipeline: n8n oder ein kleiner Python-Dienst → Embedding-API → pgvector/Qdrant → LLM mit Quellenangabe; über MCP bereitstellen, damit Chat-Clients und Coding-Agenten den Vault abfragen können.
• Wählen Sie B, wenn: Sie individuelles Verhalten (z. B. nächtliche Zusammenfassungen, Erfassung per E-Mail) wollen, ohne selbst Modelle zu betreiben.

Weg C — Selbst betreiben (Open Source; empfohlen für KMU)

• Apps: Obsidian (Daten lokal gespeichert; die App ist Closed Source, aber dateibasiert) mit Smart Connections, das standardmäßig ein lokales Embedding-Modell nutzt und offline funktioniert [2][6]; Logseq (AGPL-3.0, lokale Markdown-/Org-Dateien; die Datenbank- Version ist noch Beta, sichern Sie also regelmäßig) [7]; Khoj (AGPL-3.0, selbst betreibbar, funktioniert mit lokalen oder Online-LLMs, erreichbar über Browser, Obsidian, Emacs, WhatsApp) [4]; Anytype (Lizenz mit offenem Quellcode, „source-available“) [5].
• Modelle: lokale Laufzeit über Ollama oder llama.cpp; offene Embedding-Modelle wie Qwen3-Embedding (0,6B/4B/8B, über 100 Sprachen) [8]; ein anweisungsoptimiertes Open-Weight-LLM mit 7–14B für Antworten; ASR der Whisper-Klasse für Sprachmemos.
• Hardware: Ein moderner Laptop mit NPU/GPU oder ein kleiner Heimserver (HW1) genügt für Embeddings und 7–8B-Modelle; 14–30B-Modelle für bessere Antworten brauchen eine GPU mit 16–24 GB (HW2). Teilt die Infrastruktur mit PERS-005.
• Betriebsaufwand: gering; die Hauptaufgaben sind Datensicherung und Neuindexierung nach einem Wechsel des Embedding-Modells.

Weg D — Eigenes Training

Für Einzelpersonen selten sinnvoll. Das Feintuning eines Embedding-Modells auf den eigenen Notizen bringt gegenüber einem guten mehrsprachigen Basismodell plus Reranker wenig. Nur eine Forschungsgruppe oder ein Werkzeughersteller mit großen annotierten Beständen könnte domänenspezifische Embeddings oder Suchmodelle trainieren.

Stand der Technik (2026)

• Local-First plus offene Modelle: leistungsfähige Embedding-Modelle laufen auf Laptops, und Apps liefern eingebaute lokale Indexierung (Smart Connections [2]); die Rangliste für mehrsprachige Embeddings (MTEB) wird von offenen Modellen angeführt, mit Qwen3-Embedding-8B auf Rang 1 im Juni 2025 [9]; prüfen Sie die aktuelle Rangliste, bevor Sie wählen.
• Agenten in Notiz-Apps: Obsidian Copilot ist inzwischen auf einen Agentenmodus ausgerichtet, der Notizen einsehen, Werkzeuge nutzen, Dateien anlegen und über mehrere Schritte mit vom Nutzer kontrollierten Berechtigungen arbeiten kann und sich mit Claude Code, Codex oder lokalen Modellen verbinden lässt [3].
• Quellenbasierte Arbeitsbereiche: Produkte im Stil von NotebookLM beschränken Antworten auf hochgeladene Quellen und zitieren sie, was Halluzinationen verringert (aber nicht ausschließt) [1].
• Offene Schnittstellen: MCP-Server lassen jeden kompatiblen Assistenten einen Markdown-Vault lesen und beschreiben.
• Grenzen: Die Suche übersieht relevante Notizen, wenn die Zerlegung in Abschnitte schlecht ist oder Notizen knapp und kryptisch sind; Zusammenfassungen können Fehler enthalten; automatische Verknüpfungen können plausible, aber bedeutungslose Zusammenhänge erzeugen; Anbieterprodukte ändern Preise, Funktionen und Lizenzen schnell (z. B. sind Khoj und Anytype nicht in allen Teilen klassisch OSI-anerkannt – prüfen Sie die Lizenzen); KI-geschriebene Notizen können den Vault mit ungeprüften Behauptungen verunreinigen; Prompt Injection über gespeicherte Webseiten ist ein reales Risiko für Agenten mit Schreibzugriff (siehe SEC-010).

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (embedding-text + vector-db + llm-general): KNOW-001 (Unternehmenssuche), KNOW-002 (RAG über Unternehmens- dokumente), KNOW-011 (Wissensdatenbank-Erzeugung) und KNOW-014 (organisationales Gedächtnis) nutzen dieselbe Suchpipeline im Teammaßstab; ein selbst betriebener Embedding- + LLM-Server (HW1/HW2) kann persönliche Nutzung und ein kleines Team gemeinsam bedienen.
• Dokumenteneinlesen: DOC-014 (PDF-Verarbeitung für RAG) und OCR für Scans speisen den Vault.
• Sprache und Besprechungen: Transkripte aus SPEECH-001 und Sprachmemos werden zu Notizen; PERS-017 (Lifelogging mit Wearables) ist die Erweiterung zur Umgebungsaufzeichnung mit höherem rechtlichem Risiko.
• Recherche: KNOW-008 (Literaturübersicht) und KNOW-013 (Wissensgraph / GraphRAG) erweitern Verknüpfung und Synthese.
• Lokaler Assistent: PERS-005 (privates lokales KI-System auf eigener Hardware) stellt den Modellserver bereit; PERS-006 betreut Fotoarchive.
• Automatisierung: AGENT-001 (E-Mail-Triage) und AGENT-002 (Workflow-Automatisierung) können E-Mails und Ausschnitte automatisch ablegen.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden für die Einrichtung; Abo meist pro Nutzer und Monat; einige Werkzeuge sind für den persönlichen Gebrauch kostenlos.
• Weg B: ein Wochenende bis wenige Wochen für eine eigene Pipeline; API-Kosten wachsen mit der Nutzung und sind bei persönlichen Mengen gering.
• Weg C: ein bis mehrere Tage; Hardware, die Sie womöglich schon besitzen; Hauptkosten sind Ihre Zeit.
• Kennzahlen: Trefferquote bei 20–30 eigenen Testfragen, Anteil der Antworten mit korrekter Quellenangabe, Zeit bis zum Finden einer bekannten Notiz, Anzahl der pro Woche erneut aufgerufenen Notizen, Anteil der angenommenen KI-Vorschläge, bestandener Test von Sicherung und Wiederherstellung.

Menschen & Veränderung

Wer und wann: Geschäftsleitung und IT-Sicherheit legen zuerst die Regeln fest: welche Notizen in welches Werkzeug dürfen (GUIDE-007). Die Endanwender sind die Hauptakteure und sollten innerhalb dieser Regeln ihr Werkzeug selbst wählen. Die IT stellt die freigegebene lokale Einrichtung und die Datensicherung bereit; die Datenschutzbeauftragten werden einbezogen, wenn Notizen Kunden- oder Mitarbeiterdaten enthalten.

Betriebsrat: Kommt darauf an. Ein rein persönlicher Vault auf einem lokalen Laptop eignet sich nicht zur Verhaltensüberwachung. Sobald das Unternehmen ein gemeinsames Werkzeug mit Nutzungsprotokollen oder Admin-Berichten einführt, gilt §87 Abs. 1 Nr. 6 BetrVG (nach der Rechtsprechung des BAG genügt die objektive Eignung), und der Betriebsrat sollte nach §90 Abs. 1 Nr. 3 BetrVG unterrichtet werden. In der öffentlichen Hand ist der Personalrat einzubeziehen.

Datenschutz: Notizen über Kunden oder Kollegen sind personenbezogene Daten. Cloud-Werkzeuge erfordern einen AVV (Art. 28 DSGVO); eine DSFA ist bei persönlicher Nutzung meist nicht nötig, klären Sie aber bei systematischen Mitarbeiterdaten mit den Datenschutzbeauftragten.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; kurze praktische Einheiten zu Quellenangaben, Halluzinationen und dazu, keine Geheimnisse einzufügen, genügen (GUIDE-006).

Kommunikation und Pilot: Bieten Sie es freiwillig an; beginnen Sie mit 3 bis 5 Freiwilligen, die als KI-Botschafter auftreten (GUIDE-008).

Bedenken: „Wird meine private Notizsammlung überwacht?“ Sagen Sie klar, dass keine Auswertung der Nutzung stattfindet. KI-Vorschläge bleiben Vorschläge; die Person entscheidet, was in den Vault kommt.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei persönlicher Nutzung; keine Kategorie aus Anhang III. Die KI-Kompetenz nach Artikel 4 gilt für Organisationen, die es für Beschäftigte einsetzen. Werden KI-generierte Inhalte veröffentlicht, können Transparenzpflichten nach Artikel 50 für den Betreiber von Texten von öffentlichem Interesse oder Deepfakes greifen [10].
• DSGVO: Ein rein privater Vault fällt unter die Haushaltsausnahme, aber die geschäftliche Nutzung (Kundendaten, Personalnotizen, Kontaktdaten Dritter) löst die DSGVO aus: Es braucht eine Rechtsgrundlage, einen AVV mit dem SaaS- oder API-Anbieter, Datenminimierung sowie Lösch- und Aufbewahrungskonzepte. Besondere Datenkategorien (Gesundheit, Gewerkschaftszugehörigkeit) gehören ausschließlich in lokale oder in der EU gehostete Umgebungen.
• Vertraulichkeit: Rechtsanwälte, Ärzte, Steuerberater und Journalisten unterliegen Berufsgeheimnispflichten (z. B. §203 StGB); die Nutzung von Cloud-KI braucht sorgfältige vertragliche und technische Absicherung.
• Sicherheit: Vault und API-Schlüssel sind wertvolle Angriffsziele; verschlüsseln Sie Geräte und Sicherungen, nutzen Sie Ende-zu-Ende-verschlüsselte Synchronisation, wo verfügbar (Obsidian Sync gibt an, dass Dateinamen und Inhalte Ende-zu-Ende-verschlüsselt sind [6]); Vorsicht vor bösartigen Plugins und Prompt Injection aus gespeicherten Inhalten.
• Gegenmaßnahmen: standardmäßig Local-First, EU-Endpunkte, enge Agentenberechtigungen, Versionshistorie, regelmäßiger Export in offene Formate.

Erste Schritte

1. Die maßgebliche Quelle wählen: ein einfacher Markdown-Ordner (portabel) oder eine App mit gutem Export; die Notizen dorthin übernehmen.
2. Weg A mit einer unkritischen Teilmenge ausprobieren (NotebookLM oder Notion AI) und 20 Fragen aufschreiben, die Sie wirklich stellen.
3. Eine Local-First-Einrichtung testen: Obsidian + Smart Connections (lokale Embeddings), dann Ollama für Antworten ergänzen.
4. Eine Datenregel festlegen: was an Cloud-APIs gehen darf, was lokal bleibt; Ende-zu-Ende-verschlüsselte Synchronisation und Sicherungen aktivieren.
5. Einen wöchentlichen Rückblick einrichten, in dem die KI Verknüpfungen/Zusammenfassungen vorschlägt und Sie sie annehmen oder ablehnen; die Trefferquote messen.

Quellen

1. Google NotebookLM Help — adding sources, source limits — https://support.google.com/notebooklm/answer/16215270
2. Smart Connections (Obsidian plugin) — https://github.com/brianpetro/obsidian-smart-connections
3. Copilot for Obsidian — https://github.com/logancyang/obsidian-copilot
4. Khoj — open-source AI second brain — https://github.com/khoj-ai/khoj
5. Anytype (anytype-ts) — local-first, encrypted, Swiss association — https://github.com/anyproto/anytype-ts
6. Obsidian privacy policy — https://obsidian.md/privacy
7. Logseq — https://github.com/logseq/logseq
8. Ollama library — Qwen3-Embedding — https://ollama.com/library/qwen3-embedding
9. Qwen3-Embedding repository (MTEB multilingual result, June 2025) — https://github.com/QwenLM/Qwen3-Embedding
10. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj