Seitdem ich meine KI systematisch trainiere, optimiere ich laufend Fakten, Regeln und Systeme. Im Resultat führt das zu starken Ergebnissen. Aber es hat eine blinde Stelle: Alles, was im Speicher steht, musste ich explizit festlegen, proaktiv analysieren, optimieren. Dinge, die ich nie ausspreche, tauchen dort nie auf. Das könnten Verhaltensmuster sein wie Formate, die ich ständig wegklicke oder die Art, wie ich Sätze anfange. Unbewusste Muster, die ich der KI nicht proaktiv mitgebe. Und somit nur aus der halben Datenmenge meines täglichen Verhaltens Regeln formuliere. Aber für ein starkes, persönliches Wissenssystem brauche ich nicht nur Erkenntnisse, was ich weiß. Sondern auch, wie ich arbeite. Das Erste ist einfacher, weil ich es explizit formulieren muss, damit das System sauber funktioniert. Das Zweite ist die eigentliche Arbeit, denn das Wissen liegt versteckt in meinen gewohnten Verhaltensmustern. Lange hat mir dafür eine Materialquelle gefehlt, aus der sich das Zweite überhaupt ablesen lässt.

Zwei Sorten Wissen, nur eine landet im Speicher

Deklaratives und prozedurales Wissen

Die Kognitionswissenschaft trennt zwei Arten von Wissen. Deklaratives Wissen sind Fakten und Regeln, das "Ich weiß, dass". Prozedurales Wissen sind Fertigkeiten und Gewohnheiten, das "Ich weiß, wie". Cohen und Squire zeigten das 1980 an Patienten, die eine neue Fertigkeit behielten, sich aber nicht erinnern konnten, sie je gelernt zu haben. Knowledge-Management-Systeme adressieren fast nur das Deklarative: Notizen, Karteikarten, Zweitgehirne. Das Prozedurale wird ausgelassen, weil es sich schlecht formalisieren lässt. Für die Zusammenarbeit mit einer KI ist es aber die wichtigere Hälfte. Die KI muss nicht nur wissen, was ich weiß. Sie muss wissen, wie ich arbeite.

Explizite und implizite Signale

Explizite Signale sind leicht. "Keine Emojis", "Deutsch im Chat", "kurze Anweisungen sind normal". Das landet im Speicher und funktioniert. Implizite Signale sind schwerer zu fassen: wiederkehrende Formulierungen, Abbruchsignale, akzeptierte aber nie gelobte Formate, Muster in der Tageszeit. Dazwischen liegt die Bestätigung ohne Worte. Wenn ich drei Sessions lang keinen Einspruch gegen einen Ansatz erhebe, ist das ein Signal. Aber es entsteht kein Eintrag daraus. Michael Polanyi nannte das die stille Dimension des Wissens: Wir wissen mehr, als wir sagen können. Genau dieser Teil bleibt im Speicher leer.

Die zwei Schleifen, die ein lebendes System braucht

Ein Wissenssystem, das beide Hälften abdeckt, braucht zwei Lernschleifen. Die explizite Schleife läuft wöchentlich. Im Freitags-Review schaue ich auf beobachtbare Fähigkeiten und Methoden: Was habe ich diese Woche gelernt, was gehört ins Profil. Das ist der bewusste Akt des Weiterlernens. Die implizite Schleife läuft monatlich. Die KI liest alte Sessions zurück und extrahiert Muster, die ich selbst nicht gesehen habe: Frust-Signale, Übergänge im Arbeitsfluss, wiederkehrende Reibungspunkte. Das ist der Blick von außen auf mich. Donald Schön nannte diesen rückblickenden Modus die Reflexion über das eigene Handeln. Beide Schleifen zusammen decken beide Wissensarten ab, deklarativ und prozedural. Das System lernt, wie ich denke und wie ich arbeite.

Woher die implizite Schleife ihr Material nimmt

Die Schwachstelle dieses Aufbaus ist die implizite Schleife selbst. Ein Agent, der alte Sessions nach Mustern durchsucht, arbeitet auf einem unscharfen Signal: Er sieht Gesprächsverläufe, aber nicht, was am Ende tatsächlich verwendet wurde. Daniel Blum, Produktmanager bei Melio, nutzt in seinem eigenen Aufbau eine präzisere Quelle. Er lässt wöchentlich vergleichen, was das System entworfen hat und was er am Ende abgeschickt hat, und behandelt diese Differenz als Trainingsmaterial. Kein Formular, keine Bewertung, kein zusätzlicher Arbeitsschritt.

Der Wert liegt in der Kostenstruktur. Explizites Feedback ist teuer, weil es einen eigenen Vorgang bildet, und genau deshalb bleibt es liegen. Die Korrektur dagegen passiert ohnehin, sie wird bisher nur weggeworfen. In meinem eigenen Regelwerk steht eine Zeile, die das belegt: das Verbot des optionalen Kommas vor "und" und "oder". Diese Regel existiert, weil ich dieselbe Korrektur wochenlang von Hand gemacht habe, bis sie mir bewusst wurde. Zwischen der ersten Korrektur und der Regel liegen Wochen, in denen jeder Entwurf denselben Fehler wieder enthielt.

Ein zweiter Mechanismus dreht die Prüfrichtung um. Blums Morgenübersicht meldet nicht nur, was ansteht, sondern auch, welche Begriffe und Vorhaben im Tagesumfeld auftauchen, die in keiner Kontextdatei stehen. Statt eine plausible Bedeutung zu erfinden, stellt das System eine gezielte Frage und speichert die Antwort. Dazu kommt eine Art Telemetrie: Jeder Baustein protokolliert Reibungsmomente, einmal pro Woche verdichten sie sich zu Verbesserungsvorschlägen. Die Arbeitsteilung verschiebt sich damit. Ich prüfe die Ausgabe, das System prüft seine eigene Abdeckung.

Gegen diesen Maßstab sah mein eigenes System einseitig aus, als ich anfing. Es besteht aus 16 Workflow-Commands, 15 Regelwerken und einer Steuerdatei, zusammen rund 12.500 Wörter. Alles davon habe ich geschrieben. Zurück in die Praxis las genau eine Routine, zwölfmal im Jahr gegen etwa 250 Arbeitstage. Ich pflegte das System, das System pflegte sich nicht. Genau dort setzen die Experimente weiter unten an.

Damit ändert sich, was die implizite Schleife überhaupt tut. Sie durchsucht nicht mehr Gesprächsverläufe nach etwas, das nach Muster aussieht, sondern vergleicht zwei Fassungen desselben Textes, von denen eine nachweislich getragen hat. Aus einer Suche wird ein Abgleich und aus einer Vermutung über mich eine belegbare Differenz. Genau das ist die Version, die ich haben will: keine KI, die Hypothesen über meinen Arbeitsstil aufstellt, sondern eine Routine, die eine tatsächlich stattgefundene Korrektur auswertet und mir das Ergebnis zur Entscheidung vorlegt.

Kritische Einordnung

Vier Vorbehalte gehören dazu.

Zu Blums Aufbau kommen eigene Vorbehalte. Seine Zahlen sind Selbstauskunft: Die 70 bis 80 Prozent seines Arbeitstages beschreibt er selbst, aus dem eigenen Aufbau heraus. Was diese Zahl für einen anderen Arbeitsalltag bedeutet, sagt sie nicht. Und sein System hängt an den Werkzeugen seines Arbeitgebers. Wer privat arbeitet, hat diese Anbindung nicht und sollte sie auch nicht herstellen, denn Firmendaten gehören nicht in eine private Umgebung. Übertragbar ist die Mechanik, nicht die Datenlage. Bleibt der unangenehmste Einwand: Ein System, das aus meinen Korrekturen lernt, übernimmt auch meine Inkonsistenzen. Nicht jede Änderung an einem Entwurf ist eine Verbesserung, manche ist Tagesform.

Was ich ausprobiere

Reifegrad: Experiment. Gestartet, Wirkung offen. Ich teste einen monatlichen Session-Retro. Er läuft bewusst im Morgen-Check-in, weil ich da Zeit habe und nicht unter Druck stehe. Drei Schritte:

Ob der Workflow echte Muster findet oder nur Rauschen produziert, muss sich erst zeigen. Genau das ist der Punkt eines Experiments: Ich behaupte nicht, dass es funktioniert. Ich baue es so, dass ich es sehe, wenn es nicht funktioniert.

Dazu kommen zwei kleinere Experimente aus Blums Aufbau. Beide sind noch ungetestet. Ich will wissen, ob die Fragen echte Lücken treffen oder nur Rauschen erzeugen.