Über künstliche Intelligenz wird meist so geredet, als hänge die Qualität der Antwort vor allem an der richtigen Formulierung der Frage. In meiner Erfahrung liegt der entscheidende Hebel woanders, nämlich nicht darin, wie ich etwas frage, sondern darin, was ich der KI überhaupt an Material und Hintergrund mitgebe. Ein gut vorbereiteter Kontext bringt mir bessere Ergebnisse als jeder noch so ausgefeilte Prompt.

Dieser Kontext ist aber nichts anderes als strukturiertes Wissen. Die Struktur dahinter habe ich mir nicht selbst ausgedacht. Sie ruht auf Modellen, die das Wissensmanagement seit Jahrzehnten beschäftigen, und auf einem noch jungen Feld aus der KI-Forschung. Spannend finde ich daran, dass beide Seiten, die alten Theorien und die neue Technik, unabhängig voneinander bei fast derselben Ordnung landen.

Diesen Text habe ich deshalb anders angelegt als die Beschreibung meines Systems. Wie ich das Ganze konkret als Wissensspeicher in Obsidian gebaut habe, steht an anderer Stelle. Hier geht es mir um die Theorie dahinter. Ich gehe die sechs Modelle einzeln durch und stelle bei jedem dieselbe Frage: Was sagt es eigentlich und was bedeutet das für die tägliche Arbeit mit KI?

Die Landkarte

Mein Modell besteht aus drei Wissensschichten, eingefasst in einen System-Rahmen. Jede Schicht steht auf einem eigenen Denkmodell, der Rahmen auf einem weiteren. Das Schaubild zeigt den Überblick. Darunter erkläre ich jede einzelne Schicht und den Rahmen der Reihe nach.

Die drei Wissensschichten

Schicht 1, Knowledge DIKW-Pyramide

Das Konzept
Die DIKW-Pyramide beschreibt, wie aus rohem Material nach und nach nutzbares Wissen wird, und zwar in vier Stufen, die aufeinander aufbauen: Daten, Information, Wissen und Weisheit. Bekannt gemacht hat das Modell Russell Ackoff im Jahr 1989.¹ Am einfachsten lässt es sich an einem Beispiel zeigen. Die Zahl 38 ist zunächst nur ein Datum, ein Symbol ohne jede Bedeutung. Sage ich dagegen, dass ein Patient 38 Grad Fieber hat, wird daraus Information, weil die Zahl nun in einem Zusammenhang steht und eine konkrete Frage beantwortet. Weiß ich aus Erfahrung, dass leichtes Fieber meist kein Grund zur Sorge ist, habe ich Wissen, also eine Vorstellung davon, wie ich mit dieser Information umgehe. Und die Entscheidung, ob dieser eine Patient trotzdem genauer angeschaut werden sollte, ist Weisheit: das abwägende Urteil darüber, was im konkreten Fall wirklich zählt.

Der Ansatz
Der eigentliche Kern des Modells liegt darin, dass jede dieser Stufen erst durch menschliche Arbeit entsteht. Aus mehr Daten wird eben nicht von allein Wissen, sondern erst dann, wenn jemand sie in Beziehung setzt, anwendet und am Ende bewertet. Der Weg von unten nach oben ist also kein Automatismus, sondern eine Leistung, die an jeder Stufe neu erbracht werden muss.

Für die Arbeit mit KI
Genau an diesem Punkt wird das Modell für die Arbeit mit KI interessant. Das antrainierte Wissen einer KI ist zwar riesig, aber es ist allgemein gehalten, stark komprimiert und auf dem Stand ihres Trainings stehengeblieben. Für viele Standardthemen reicht das vollkommen aus. Sobald ich mich jedoch in meinen eigenen Spezialgebieten bewege, wird dieses Weltwissen dünn, ungenau oder schlicht veraltet. Genau diese Lücken füllt die Knowledge-Schicht, indem sie der KI eine kuratierte und schon verdichtete Faktenbasis für die Bereiche mitgibt, in denen ich tatsächlich arbeite. So muss die KI nicht aus ihrem verschwommenen Gedächtnis raten, sondern arbeitet mit der scharfen, aktuellen Version. Die Breite liefert sie, die Tiefe und das abschließende Urteil liefere ich.

Schicht 2, Identity Polanyi, implizites Wissen

Das Konzept
Michael Polanyi prägte den Satz: „Wir wissen mehr, als wir sagen können."² Er trennt explizites Wissen, das sich in Worte fassen und weitergeben lässt, von implizitem Wissen, das wir verkörpern, aber nicht vollständig formulieren können. Fahrradfahren, ein Gesicht erkennen, das Gespür für eine Verhandlung: alles gewusst, nichts davon vollständig sagbar.

Der Ansatz
Das eigentlich Spannende an Polanyis Gedanken ist, dass diese Grenze nicht fest liegt. Vieles, was sich zuerst nach reinem Bauchgefühl anfühlt, lässt sich doch in Worte fassen, wenn man sich die Mühe macht, genau hinzuschauen. Eine erfahrene Verhandlerin kann oft erstaunlich klar erklären, woran sie merkt, dass ihr Gegenüber gleich nachgibt, auch wenn sie es im Moment selbst nur spürt. Ein Rest bleibt allerdings immer stumm. Egal wie viel sie erklärt, das letzte Quäntchen Gespür bekommt sie nie ganz in Sätze. Für mich heißt das: Ein guter Teil meiner Erfahrung ist sagbar, ich muss ihn nur bewusst aus mir herausholen, statt ihn vorschnell als unsagbar abzutun.

Für die Arbeit mit KI
Eine KI kann nur mit dem arbeiten, was sich in Worte fassen lässt. Mein Bauchgefühl bekommt sie nicht, sondern allein das, was ich tatsächlich aufgeschrieben habe. Genau das sammelt die Identity-Schicht: meine Rolle, meine Projekte, meine Analysen, meine Arbeitsweise, also den Teil von mir, den ich benennen kann. Sie zu pflegen bedeutet für mich, mein stummes Erfahrungswissen immer wieder in klare Worte zu bringen, so weit es eben geht. Und was sich partout nicht festhalten lässt, bleibt am Ende mein Vorsprung: das Urteil, mit dem ich entscheide, ob das, was die KI liefert, wirklich taugt.

Schicht 3, Sensemaking Weick

Das Konzept
Karl Weick prägte den Begriff Sensemaking, zu Deutsch etwa Sinnstiftung, und meint damit das aktive Herstellen von Bedeutung aus dem, was wir beobachten.³ Sein bekanntester Satz bringt es auf den Punkt: „Wie kann ich wissen, was ich denke, bevor ich sehe, was ich sage?" Bedeutung liegt also nicht fertig in einem Speicher, aus dem wir sie nur abrufen müssten. Wir stellen sie selbst her, oft erst rückblickend und während wir schon handeln. Wichtig ist dabei eine Beobachtung: Sensemaking folgt der Plausibilität und nicht der reinen Genauigkeit. Wir bauen uns die Geschichte, die am stimmigsten wirkt, nicht zwangsläufig die nachweislich richtige.

Der Ansatz
Der Kern dieses Gedankens ist, dass wir zuerst handeln und erst danach deuten. Aus lauter mehrdeutigen Signalen formen wir eine Geschichte, die stimmig genug ist, um weiterzumachen. Das ist kein Denkfehler, sondern genau die Art, wie unter Unsicherheit überhaupt ein Urteil entsteht. Für mich ist Sensemaking damit der Moment, in dem aus vielen Einzelinformationen ein Zusammenhang wird, auf den ich eine Entscheidung stützen kann.

Für die Arbeit mit KI
Das ist die oberste Schicht, denn hier wird aus Information Bedeutung, Schluss und Strategie. Und gerade hier zeigt sich, warum ich den Begriff Sensemaking so treffend finde. Das Verbinden von Einzelteilen zu einem großen Zusammenhang ist nämlich genau das, worin eine KI richtig stark ist. Sie erkennt Muster, kombiniert Argumente und legt Erkenntnisse nebeneinander, die ich selbst vielleicht nie zusammengebracht hätte. Wenn meine Knowledge- und Identity-Schicht gut gefüllt sind, kann die KI einen großen Teil dieser Sinnstiftung übernehmen, weil sie in echten, sauber aufbereiteten Daten tatsächlich Sinn und Zusammenhang erkennt, statt sich etwas auszudenken.

Eine Grenze bleibt trotzdem. Eine KI ist im Kern eine Plausibilitätsmaschine. Sie erzeugt das, was stimmig klingt, nicht zwangsläufig das, was stimmt. Weicks Sensemaking ist dagegen an meine eigene Rolle und mein Handeln rückgebunden. Genau daraus zieht es seine Verantwortung. Für mich heißt das: Die KI darf den Zusammenhang vorschlagen und mir die halbe Arbeit abnehmen, das letzte Festlegen und Verantworten aber bleibt bei mir.

Der Rahmen: Anthropics Context Engineering

Der Rahmen ist kein viertes Stockwerk an Wissen, sondern liegt im Schaubild oben um alle drei Schichten herum. Er steuert, wie die KI mit ihnen umgeht.

Das Konzept
Anthropic beschreibt Context Engineering als Nachfolger des Prompt Engineering.⁴ Nicht die Formulierung entscheidet, sondern was im Kontextfenster steht, dem Arbeitsgedächtnis des Modells. Dieses Fenster ist endlich und hat abnehmenden Grenznutzen: je voller, desto eher übersieht das Modell Teile davon, ein Effekt namens Context Rot.

Der Ansatz
Das Ziel ist deshalb, dem Modell nicht möglichst viel mitzugeben, sondern möglichst das Richtige. Statt alles vorab in den Chat zu kippen, lädt man gezielt genau das, was die aktuelle Aufgabe gerade braucht, und bewahrt die dauerhaften Vorgaben an einem festen Ort außerhalb des laufenden Gesprächs auf.

Für die Arbeit mit KI
Das ist die Ebene, die aus den drei Schichten erst ein echtes Steuerungswerkzeug macht. Denn eine KI hat nicht ein Gedächtnis, sondern gleich drei, die sehr unterschiedlich funktionieren. Da ist zuerst das Kontextfenster, ihr Arbeitsgedächtnis. Es hält nur das, was gerade im Gespräch steht, und genau hier kann ich pro Aufgabe direkt bestimmen, was hineinkommt. Dann gibt es die Memory-Dateien als eine Art Langzeitgedächtnis, das meine festen Vorgaben über alle Sitzungen hinweg behält. Und schließlich das antrainierte Wissen im Modell selbst, eine Art Allgemeinbildung, auf die ich keinen direkten Zugriff habe und die nur als Rückfallebene dient.

Mein Modell ist die Brücke zwischen diesen drei Speichern. Pro Aufgabe schiebe ich gezielt die passende Schicht in das Arbeitsgedächtnis. Den Rahmen dagegen schreibe ich nur ein einziges Mal, damit er sich danach von selbst in das Langzeitgedächtnis lädt. Auf diese Weise rückt die KI aus der Rolle der erfindenden Erstquelle in die einer aufmerksamen Kritikerin, die meine Vorarbeit schärft, statt sie zu ersetzen.

Das Ordnungsprinzip: Luhmann und Forte

DIKW, Polanyi und Weick erklären, was in den Schichten liegt. Luhmann und Forte erklären, wie man es ablegt, damit es brauchbar bleibt. Dieses Ordnungsprinzip liegt im Schaubild quer unter allen drei Schichten.

Luhmanns Zettelkasten eine Quelle

Der Soziologe Niklas Luhmann arbeitete sein Leben lang mit einem Zettelkasten von rund 90.000 handschriftlichen Notizen und brachte daraus dutzende Bücher hervor.⁵ Sein System folgte dabei ein paar einfachen Regeln: Auf jedem Zettel stand immer nur ein einziger Gedanke mit einer eindeutigen Kennung. Statt einer starren Ordnung verband Luhmann die Zettel über Querverweise miteinander, sodass ihm ein Register jederzeit einen Einstieg bot. Das eigentlich Bemerkenswerte ist aber, wie er diesen Kasten beschrieb: als Kommunikationspartner, als eine Art zweites Gegenüber, das ihn beim Schreiben immer wieder überraschte.

Für die Arbeit mit KI sind daran zwei Dinge wertvoll. Das erste ist das strenge Prinzip, jede Information nur ein einziges Mal abzulegen. Weil sie dann an genau einer Stelle steht, entstehen saubere und klar abgegrenzte Wissensbausteine, die ich später gezielt in den Kontext der KI laden kann. Genau das ist mein „eine Quelle"-Prinzip. Das zweite ist Luhmanns Bild vom Kommunikationspartner. Sein Zettelkasten war im Grunde ein Denkpartner, der ihm beim Schreiben Neues entgegenhielt. Genau diese Rolle übernimmt heute eine KI, die auf meinem Vault sitzt. Die Idee ist dieselbe geblieben, nur das Medium ist ein anderes.

Fortes Second Brain Wissen auslagern

Tiago Forte hat dieselbe Grundidee in zwei handliche Werkzeuge übersetzt. Das eine ist CODE, ein Prozess in vier Schritten: sammeln, ordnen, verdichten und ausdrücken (im Original Capture, Organize, Distill, Express). Das andere ist PARA, eine Ablage, die alles danach sortiert, wie nah es an einer konkreten Handlung ist (Projects, Areas, Resources, Archives).⁶ Hinter beidem steht ein Gedanke, der älter ist als jedes Tool: Wer sein Wissen verlässlich nach außen auslagert, hält den eigenen Kopf frei für das eigentliche Denken.

Mein Vault ist im Grunde genau so ein zweites Gehirn. Der eigentliche Unterschied ist nur, dass nicht mehr allein ich darin lese, sondern auch eine KI. Daraus ergibt sich eine kleine Abweichung von Forte: Er ordnet sein Wissen nach Handlungsnähe, ich dagegen nach Wissenstyp, weil die KI die einzelnen Schichten dann gezielter laden kann. Die beiden Ansätze sind eng verwandt, aber eben nicht deckungsgleich.

Was mir das im Alltag bringt

Seitdem ich mit KI arbeite, optimiere ich meinen Kontext. Denn ich habe früh gemerkt, dass ein guter Kontext die Zusammenarbeit mit der KI verlässlicher und qualitativ hochwertiger macht. Ich merke jeden Tag den positiven Effekt meines Setups. Ich habe mir die Modelle in diesem Text noch einmal bewusst rausgesucht, um zu verstehen, warum das Ganze überhaupt funktioniert.

Was ich dagegen wirklich jeden Tag merke, ist der Effekt. Die KI startet nie bei null, sondern kennt meine Rolle, meine Projekte und meine Arbeitsweise schon, bevor ich die erste Frage stelle. Für eine konkrete Aufgabe gebe ich ihr genau das Fachwissen mit, das sie dafür braucht, und bekomme im Gegenzug Ergebnisse, die ich tatsächlich weiterverwenden kann, statt sie erst mühsam geradezuziehen. Genau das ist für mich Context Engineering: kein Trick, sondern die tägliche Erfahrung, dass gut vorbereitetes Wissen die KI von einer netten Spielerei zu einem verlässlichen Werkzeug macht.

Wie aus diesen Modellen ein konkretes Steuerungswerkzeug wird, mit dem ich die drei Gedächtnisse der KI gezielt bediene, habe ich hier beschrieben: Drei Schichten, drei Gedächtnisse: wie ich die KI gezielt steuere.

Kritische Einordnung

Dazu gehören ein paar ehrliche Einschränkungen. Die erste betrifft das Tempo. Modelle und KI-Werkzeuge verändern sich rasant. Was heute der sinnvollste Weg ist, der KI Kontext mitzugeben, kann in einem halben Jahr schon überholt sein. Mein Ansatz ist deshalb nichts, das man einmal aufsetzt und dann liegen lässt. Ich muss regelmäßig prüfen, ob er noch zu dem passt, was die Werkzeuge inzwischen können, und ihn aktiv aktuell halten.

Die zweite betrifft die saubere Trennung der drei Gedächtnisse. Sie ist vor allem eine Sicht, die das Erklären leichter macht. In der tatsächlichen Arbeit greift alles ineinander, die Speicher spielen ständig zusammen. So sauber getrennt wie im Schaubild erlebe ich sie im Alltag nie.

Die dritte betrifft die Modelle selbst. Mein Ausgangspunkt war nicht die Theorie, sondern ein Setup, das einfach funktioniert hat. Erst der Versuch, dieses Funktionieren zu erklären, hat mich zu DIKW, Polanyi, Weick, Luhmann und Forte geführt. Diese Ansätze sind alle deutlich älter als das KI-Zeitalter. Ursprünglich drehen sie sich um etwas viel Allgemeineres: darum, wie Wissen oder Identität überhaupt entsteht. Sie auf die Arbeit mit KI zu übertragen ist kein Beweis, sondern mein Versuch, das Ganze für mich besser zu verstehen.

Was bleibt für jeden Tag