KI-Wissensspeicher anlegen: extern statt eingebaut

Ein Planungsbüro arbeitet seit Monaten mit ChatGPT und hat der KI in unzähligen Chats die eigenen Standards beigebracht, von Formulierungen über Prüfschritte bis zu den Ausnahmen für Sonderfälle. Dann wechselt das Büro das Werkzeug, und das gesammelte Wissen bleibt zurück, eingeschlossen in einem Verlauf, den niemand vollständig herausbekommt. Diese Abhängigkeit vermeidest du, wenn das Wissen von Anfang an außerhalb der KI-Software liegt, auf der eigenen Ablage, in einem Format, das jede KI lesen kann.

Was ein KI-Wissensspeicher ist

Ein KI-Wissensspeicher ist eine geordnete Sammlung von Textdateien auf der eigenen Infrastruktur, die eine KI bei Bedarf liest. Darin steht, was eure Leute sonst im Kopf haben oder in verstreuten Dokumenten suchen. Wie ihr Angebote schreibt, welche Formulierungen ihr vermeidet, in welcher Reihenfolge ein Vorgang geprüft wird, welche rechtlichen Grenzen gelten.

Tippst du dein Wissen in den Verlauf von ChatGPT oder Claude, liegt es danach im System eines einzelnen Anbieters. Speicherst du es als Dateien auf dem eigenen Server, behältst du es in der Hand. Die KI greift darauf zu, wenn sie es braucht, mehr nicht.

Ein solcher Speicher hat 2 Arten von Inhalten. Wissensdokumente beschreiben Sachverhalte, etwa eine Wartungsanleitung oder eine Liste interner Abkürzungen. Skills beschreiben Abläufe, also wie eine Aufgabe Schritt für Schritt erledigt wird. Beides sind einfache Textdateien, und eine Übersichtsdatei ganz oben sagt, was wo liegt.

Warum der Speicher außerhalb der KI-Software liegen sollte

Seit Dezember 2025 gibt es für den Ablauf-Teil einen gemeinsamen Standard. Anthropic hat mit den Agent Skills ein offenes Format veröffentlicht, eine Datei namens SKILL.md mit kurzer Beschreibung und Anleitung. Innerhalb weniger Monate haben konkurrierende Anbieter es übernommen. Bis März 2026 unterstützten nach Angaben von Anthropic 32 Werkzeuge dieses Format, darunter Claude Code, OpenAI Codex und OpenCode (Agent Skills Specification, anthropics/skills auf GitHub).

Für ein Unternehmen heißt das, eine einmal geschriebene Anleitung läuft über Anbietergrenzen hinweg. Wechselst du die KI, bleibt die Wissensbasis. Der KI-Forscher Andrej Karpathy hat dasselbe Prinzip Anfang 2026 unter dem Namen LLM-Wiki beschrieben, als Sammlung von Markdown-Dateien, die eine KI selbst pflegt und verknüpft (VentureBeat, AI Critique, Mai 2026). Der gemeinsame Nenner ist immer dasselbe schlichte Format, das auch ohne KI lesbar bleibt. Warum Markdown dafür die richtige Wahl ist, steht an anderer Stelle ausführlich.

Dazu kommt der Datenschutz. Liegt der Speicher im eigenen Unternehmen, kannst du eine Sprachmodell auf eigener Hardware darauf ansetzen. Für Steuerkanzleien, Praxen und Fertigungsbetriebe ist das oft die Bedingung dafür, KI überhaupt einsetzen zu dürfen.

Der Aufbau in der Praxis

Der Einstieg braucht keine Anschaffung. Du brauchst einen Ort für die Dateien, eine grobe Ordnung und eine Person, die sich zuständig fühlt. Fang mit einem einzigen abgegrenzten Bereich an, etwa der Angebotserstellung, und bilde ihn vollständig ab, bevor der nächste dazukommt.

1. Den Ort festlegen. Ein Ordner auf dem Dateiserver oder in einer selbst betriebenen Ablage wie Nextcloud, kein Dienst, dessen Inhalte du nicht kontrollierst.
2. Die Struktur anlegen. Wenige Themenordner und eine Übersichtsdatei, die auflistet, was wo liegt. Diese Datei liest die KI zuerst.
3. Mit einem Bereich anfangen, also eine Aufgabe vollständig beschreiben statt 20 Bereiche halb.
4. Das Format vereinheitlichen. Alles als Markdown, damit jede KI und jeder Mensch es ohne Zusatzsoftware liest.
5. Die Pflege regeln, also festlegen, wer ändern darf und wie oft geprüft wird.

Als Oberfläche für die tägliche Arbeit nehmen wir Obsidian, das genau diese Markdown-Dateien anzeigt und untereinander verlinkt. Unser eigenes Firmenwissen liegt darin. Die Dateien bleiben dabei einfache Textdateien im Ordner, und fällt das Programm weg, bleibt der Inhalt.

Für einen Maschinenbaubetrieb sieht so ein Speicher zum Beispiel so aus.

Maschinenbau Müller GmbH/
    index.md                 Übersicht und Einstieg
    Angebote/
        angebots-standards.md
        kalkulation.md
    Konstruktion/
        cad-richtlinien.md
        werkstoffe.md
    Wartung/
        wartungsplan-cnc.md
        stoerungen.md
    Skills/
        angebot/SKILL.md
        pruefbericht/SKILL.md

Die Datei wartungsplan-cnc.md enthält dann den Wartungsplan für die CNC-Fräse mit den wöchentlichen Arbeiten als Checkliste, dazu die Angabe der Maschine, die zuständige Abteilung und Verweise auf werkstoffe.md und stoerungen.md. Über diese Verweise findet die KI von einer Störung zum passenden Werkstoff, ohne dass jemand die Verbindung im Text ausschreibt.

Eine einheitliche Struktur zahlt sich aus

Sobald mehrere Personen Anleitungen beisteuern, entscheidet die Struktur darüber, ob der Speicher nützlich bleibt. Ist jeder Skill gleich aufgebaut, kurze Beschreibung oben, klare Schritte darunter, findet die KI verlässlich den passenden, und niemand muss raten, wie eine neue Anleitung auszusehen hat. Was ein Skill ist und wie du den ersten anlegst, steht im Leitfaden zu Skills.

Der eigentliche Gewinn entsteht durch die Verknüpfung. Skills verweisen aufeinander, sodass die KI Wissen aus mehreren Bereichen gleichzeitig heranzieht. Ein Finanzdaten-Unternehmen hat öffentlich beschrieben, wie daraus eine firmenweite Wissensebene wurde. Fachleute schreiben ihr Wissen einmal als Skill nieder, und die KI wendet es danach in jedem passenden Vorgang an, auch bei Kollegen aus anderen Abteilungen (Hedgineer, 2026). Eine Mitarbeiterin arbeitet so mit einer Anleitung, von deren Existenz sie nichts weiß.

Die häufigsten Fallstricke

An der Technik scheitert ein Wissensspeicher selten. Ein Speicher, den niemand pflegt, veraltet schneller, als er Nutzen stiftet, und eine KI, die mit überholten Standards arbeitet, richtet mehr Schaden an als gar keine.

Alles auf einmal erfassen zu wollen ist der erste Fehler. Ein Berg unsortierter Dateien hilft niemandem, ein vollständiger Bereich schon.

Ohne eine zuständige Person verwaist der Speicher innerhalb weniger Monate, das ist der zweite.

Der dritte ist der Wildwuchs beim Format. PDF, Word, Screenshots und Textdateien durcheinander zwingen die KI zu Mehrarbeit und liefern schlechtere Antworten.

Der vierte betrifft sensible Inhalte. Personenbezogene und vertrauliche Daten gehören nur hinein, wenn der Zugriff darauf geregelt ist.

Und der fünfte sind veraltete Inhalte. Eine alte Preisliste oder ein überholter Prüfschritt führt die KI verlässlich in die Irre.

Wie du verhinderst, dass Wissen versehentlich gelöscht wird

Sobald mehrere Personen Zugriff haben, ist die Sorge berechtigt, dass jemand eine Datei überschreibt. Dagegen gibt es 4 Mittel, und mindestens 2 davon gehören kombiniert.

Ein Versionsverlauf speichert jeden Stand. Git oder der Versionsverlauf von Nextcloud holen eine gelöschte oder falsch geänderte Datei mit wenigen Klicks zurück.

Eingeschränkte Schreibrechte verhindern die häufigste Ursache. Die meisten Leute brauchen nur Lesezugriff, ändern dürfen wenige.

Eine regelmäßige Sicherung nach der 3-2-1-Regel hält 3 Kopien auf 2 Medien, eine davon an einem anderen Standort. Damit übersteht der Speicher auch einen Hardware-Ausfall.

Und die KI greift nur lesend zu. Schlägt sie Inhalte vor, prüft ein Mensch sie vor dem Speichern. Ein Modell mit Schreibrecht auf den ganzen Bestand ist ein vermeidbares Risiko.

Welche Alternativen es gibt

Der dateibasierte Speicher ist nicht für jeden Zweck die beste Wahl. Bei sehr großen Beständen, etwa hunderttausenden Dokumenten, kommt ein RAG-System ins Spiel, das Inhalte über ihre Bedeutung findet statt über den genauen Wortlaut. Wie du deiner KI auf diesem Weg Firmenwissen beibringst, steht im Beitrag zu RAG.

Notion liefert eine bequeme Oberfläche und hält die Inhalte hinter der Schnittstelle und dem Rechtemodell eines Anbieters. Verschwindet der Dienst oder ändert er seine Preise, steht der Umzug an. Eine Vektordatenbank lohnt sich erst, wenn die Suche über die Bedeutung bei großen Mengen wirklich gebraucht wird. Für Scans und Belege ist ein Dokumentenmanagement wie Paperless der passendere Ort als der Wissensspeicher.

Am Ende läuft die Entscheidung auf eine Frage hinaus, nämlich wem das Wissen gehören soll. Wer es in die eigene Dateistruktur legt, behält die Kontrolle über sein Erfahrungswissen, statt sie einem Anbieter zu überlassen.