Der Selbstversuch mit einem kognitiven Betriebssystem

Personal Transport. Copyright: @an_improbable_future

Kürzlich habe ich hier mein AI-Setup beschrieben. Es besteht aus einem lokalen Markdown-Vault in Obsidian, einem persistenten autonomen Agenten (Hermes Agent) und der Rechenleistung von Gemini. Mein Ziel: Anti-Lock-In, Datensouveränität, das Konservieren von Prozesslogik und das Schützen des eigenen geistigen Eigentums.

Ich arbeite mit diesem Setup seitdem fast täglich, und es macht, was es soll. Sogar das LLM-Hopping funktioniert völlig problemlos. Doch je mehr Ergebnisse ich produziere, desto mehr frage ich mich, wie ich ihm das Lernen noch besser beibringen kann.

Also konkret: Wie unterrichte ich das System effizienter, damit es mir im Gegenzug dabei hilft, meine blinden Flecken schneller zu erkennen und mein Wissen besser zu verdichten? Am besten natürlich thesaurierend.

Salopp gesagt: Ich hätte gerne so etwas wie ein maßgeschneidertes "kognitives" Exoskelett, also ein Werkzeug, das meine Kraft potenziert und mir bei meiner Arbeit hilft. Analog eines kraftunterstützenden Lastenexoskeletts – nur eben, dass ich nicht schwerer heben, sondern schneller denken will.

Ganz klar: Es geht mir um bessere Wissensarbeit – und nicht darum, bequemer und weniger zu arbeiten. Ich will einfach qualitativ hochwertigere Ergebnisse erzielen. Aber ich beginne zu ahnen, dass der Engpass bei mir selber liegt. Und dass er sich nur mit Fleiß aufheben lässt.

Die Suche nach Vordenkern

Wenn man nach „KI und Notizen“ sucht, landet man schnell in zwei Lagern. Auf der einen Seite stehen die SaaS-Plattformen (Notion AI, Mem, Reflect). Sie versprechen das Paradies auf Knopfdruck: "Schieb einfach all deine Notizen in unsere Cloud, stelle eine Frage, und du erhältst sofort die Antwort!" In der Realität ist das aber wieder nur eine weitere Sackgasse: Vendor-Lock-In, Null Mandantenschutz und vor allem die völlige Fragmentierung des Kontexts. Man chattet am Ende doch wieder nur mit einer Blackbox. Das ist nicht die Lösung, die ich suche.

Auf der anderen Seite gibt es aber ein paar Vordenker, die das Problem tiefer durchdringen:

• Andrej Karpathy beschreibt das LLM treffend nicht als Antwort-Maschine, sondern als CPU eines neuen Betriebssystems, dessen RAM das Kontextfenster und dessen langlebiges Dateisystem ein sauber gepflegtes, interlinking-fähiges Markdown-Wiki ist.

• Andy Matuschak und Michael Nielsen prägten den Begriff der „Tools for Thought“. Ihre zentrale These lautet: Das Ziel von Software sollte nicht bloß passive Bequemlichkeit oder Auslagerung von Denkarbeit sein („Cognitive Outsourcing“), sondern die Erweiterung menschlicher Erkenntnis und das Ermöglichen neuer Denkweisen.

• Dan Shipper untersucht in seinem Magazin Every und in seinem Newsletter Chain of Thought seit Jahren, wie KI-Modelle das menschliche Denken erweitern, anstatt es zu ersetzen.

Mein Bauch sagt: Hier zeichnen sich Lösungsansätze ab, auch wenn es noch keinen klaren Weg gibt. Also ausprobieren, Erfahrungen sammeln und ein Gefühl entwickeln. Dazu gehört übrigens auch das Scheitern und Wiederaufstehen; Skin in the Game wird das gerne genannt. Ich habe das damals mindworks, mediadeck, Chromjuwelen und LeSupra genannt.

Die Aufgabe: Das Denken vom Ich trennen

Ich hadere noch mit dem Begriff „Kognitives Exoskelett“, weil er mir zu sehr nach Sci-Fi-Labor und Silicon-Valley-Pathos klingt. Was ich aber daran mag: Ein Exoskelett ersetzt nichts. Es verstärkt lediglich die Kraft, die bereits vorhanden ist. Und es setzt voraus, dass man selbst läuft, steuert und die Richtung vorgibt. Einfach ausgedrückt: Ich muss schon noch selber denken, ansonsten passiert eben auch nichts.

Was dieser sperrige Arbeitstitel noch illustriert, das ist ja, dass ein Exoskelett umso besser funktioniert, desto maßgeschneiderter es ist. Und da ich das ja nur selber erledigen kann, setzt das viel Abstraktionsvermögen meinerseits voraus. Womit ich beim eingangs erwähnten Engpass wäre. Hinzu kommt, dass es mit dem Denken alleine ja auch nicht getan ist – denn individuell wird das System ja erst, wenn ich es auch mit meinen Erfahrungen füttere. Wer hier längst ausgestiegen ist: Mir geht es darum, dem System meinen Fingerprint beizubringen.

Das alles setzt Fleiß und Ausdauer voraus. Und war der "alte" Fleiß noch mechanisch – stundenlang Daten zusammentragen, Transkripte wälzen, Folien formatieren – ist der neue Fleiß kognitiv: Man muss die Abstraktion lernen, das Denken von der eigenen Person zu trennen. Und das ist anstrengend, denn man nimmt seine unfertige Intuition und macht sie zum Systemobjekt. Und dann nutzt man den Agenten nicht als Orakel, sondern als Schleifstein. Das System hält dagegen. Es fordert mehr Kontext und deckt logische Brüche auf. Es verlangt: „Auf welcher Prämisse steht diese These? Was passiert, wenn Annahme B wegbricht?“ Das System macht die Denkarbeit nicht bequemer, es macht sie anstrengender – dafür aber radikaler und schonungsloser.

Der Lohn ist – so zumindest die Theorie –, dass sich das System mit jedem Inhalt verbessert. Und umso sorgfältiger es aufgebaut ist, desto erfolgreicher kann es unterstützen. Was auch bedeutet, dass Wissensarbeiter hier einen echten "Burggraben" aufbauen können. Vorausgesetzt natürlich, dass sie bereit sind, den angesprochenen Fleiß aufzubringen.

Offener Werkstattbericht

Ich weiß heute noch nicht im Detail, wer am Ende dieses Setup wirklich braucht oder wie das fertige Produkt aussehen wird. Dafür sind die Konzepte dahinter noch viel zu frisch.

Mich reizt die Produkt-Seite: Wie müssen Werkzeuge beschaffen sein, die Haltung, Handwerk und geistige Schärfe belohnen, statt Bequemlichkeit zu zelebrieren?

Photo/Copyright: An Improbable Future.

Recursive Intelligence: Meine KI soll lernen

Im Vollbildmodus anzeigen

In meiner Arbeit als Markenstratege geht es selten um schnelle Antworten, sondern vielmehr um Nachdenken und “Synthetisieren”, also das Zusammenfassen von verschiedenen Informationen und Fakten zu einer neuen, einheitlichen Sache. Komplexe Markt- und Umfeldanalysen, scharfe Positionierungen und strategische Perspektivenwechsel entstehen nicht auf Knopfdruck in einer Prompt-Zeile. Sie erfordern kontinuierliches Hinterfragen, das Verknüpfen von branchenspezifischem Kontext und das schrittweise Schärfen von Argumenten.

Wer diese strategische Denkarbeit in die geschlossene Chatbox eines einzelnen KI-Anbieters (ChatGPT, OpenAI) verlegt, baut sich das nächste Silo. Eine Browser-Oberfläche versteht keine gewachsenen Markenidentitäten, kann keine lokalen Datenbestände verknüpfen und behält kein Gedächtnis über komplexe Mandate hinweg. Jedes Mal, wenn ein neues Sprachmodell erscheint, beginnt dasselbe Spiel: Benchmarks vergleichen, Prompts anpassen, im Kreis drehen.

Für meine Strategiearbeit und meinen AI Stack favorisiere ich deshalb ein anderes Prinzip: Recursive Intelligence. Dieser Ansatz basiert auf fünf Prinzipien, die ich für wichtig erachte:

1. Anti-Lock-In: Das Wissen bleibt im eigenen System

   Ein KI-Modell ist eine reine Zahlensammlung, kein Aufbewahrungsort für meine Arbeit. Hinzu kommt, dass du die Übersicht (und damit die Kontrolle) verlierst, sobald Notizen, Regeln und Arbeitskontexte in proprietären Plattformen gefangen sind.

   Ein nachhaltiger "AI Stack", also die Sammlung von Software-Werkzeugen, trennt deshalb die Rechenleistung strikt von der eigenen Wissensbasis. Das Fundament liegt auf dem eigenen Rechner, etwa in einem lokalen Personal Knowledge Management (PKM), z. B. auf Markdown-Basis. Autonome Agenten greifen direkt darauf zu, arbeiten mit lokalen Dateien und nutzen die Werkzeuge im System. Welches Modell im Hintergrund rechnet, sollte so gebaut sein, dass es sich jederzeit austauschen lässt.

2. Datensouveränität & DSGVO: Volle Kontrolle über sensible Daten

   Wer mit sensiblen Unternehmens- oder Kundendaten arbeitet, kann nicht jeden Kontext ("Your Secret Sauce"!) in beliebige Cloud-Prompts werfen. Nur die strikte Trennung von Daten und Modell schafft hier echte Datensouveränität.

   Je nach Schutzbedarf der Daten wählst du das passende Modell. Sensible Informationen verbleiben im besten Fall lokal bei Open-Source-Modellen auf der eigenen Hardware oder laufen über europäische Cloud-Endpunkte mit Zero-Data-Retention und AVV. Unkritische Rechenaufgaben kann das jeweils leistungsfähigste globale Modell übernehmen. So bestimmst du, welche Daten das eigene System verlassen.

3. Prozesslogik: Das "Warum" konservieren

   Kein Sprachmodell kennt von Haus aus die gewachsene Logik meiner Arbeit. Es weiß nicht, warum ein Prozess bei mir so abläuft und nicht anders.

   Standardmodelle liefern lediglich Allgemeinwissen. Die eigentliche Differenzierung entsteht durch das Dokumentieren von Entscheidungsgründen. Ein funktionierender Stack speichert nicht nur Ergebnisse, sondern hält fest, warum bestimmte Entscheidungen getroffen wurden. Erst dadurch kann ein Agent, also ein KI-Programm, künftig im eigenen Sinne handeln.

4. Recursive Loops: Kontext verdichten im Alltag

   Sprachmodelle verändern ihre Parameter im laufenden Betrieb nicht. Aber der Kontext lässt sich systematisch schärfen.

   In der Praxis sieht das so aus: Du korrigierst ein Arbeitsergebnis. Das Feedback bleibt nicht im Chatfenster hängen, sondern fließt als strukturierte Regel zurück ins eigene System. Beim nächsten Durchlauf greift diese Regel automatisch. Aus einzelnen Korrekturen werden geschärfte Anweisungen, aus Anweisungen entstehen verlässliche Routinen.

   Der Output von heute wird auf diesem Weg zum verdichteten Kontext von morgen. Und damit wächst die Qualität der eigenen Prozesskette.

5. IP-Wertschöpfung: Eigene Methoden kapitalisieren statt Fremdmodelle füttern

   Generische KI-Modelle machen Standardwissen billig. Der eigentliche wirtschaftliche Wert liegt im eigenen proprietären Wissen, dem eigenen Framework und der eigenen spezifischen Methode.

   Wenn du dein Intellectual Property (auf Deutsch "geistiges Eigentum", kurz IP) strukturiert im eigenen System verankerst, wird es von einer passiven Wissenssammlung zu einem skalierbaren "Betriebssystem". Die KI nutzt so die eigene Logik als Ausführungsschicht, statt das eigene Wissen in fremden Cloud-Silos zu verwässern. Auf diesem Weg kultivierst du dein geistiges Eigentum mit jeder Iteration und verwandelst gewachsene Erfahrung in kapitalisierbare Assets für Produkte, Mandate und Services.

Mein Setup in der Praxis

In meinem eigenen Alltag übersetze ich dieses Prinzip mit drei Bausteinen: Obsidian, Hermes Agent und Gemini.

Das Fundament bildet Obsidian. Sämtliche Notizen, Prozessregeln und Frameworks liegen als lokale Markdown-Dateien auf meinem Rechner. Keine proprietären Datenbanken, kein Cloud-Silo. Das Wissen gehört mir und bleibt zukunftssicher.

Als operative Ausführungsschicht dient Hermes Agent. Statt in isolierten Chatfenstern zu arbeiten, agiert ein lokaler, persistenter Agent direkt auf meinem Dateisystem. Er führt Skripte aus, nutzt gespeicherte Skills und baut über Sessions hinweg ein strukturiertes Systemgedächtnis auf.

Für die nötige Rechenleistung sorgt Gemini, angebunden über die kommerzielle Google Cloud API. Der direkte API-Zugriff unterscheidet sich grundlegend von normalen Verbraucher-Webinterfaces: Durch den kommerziellen Rahmenvertrag und Zero-Data-Retention-Garantien ist sichergestellt, dass keine Daten für das Training von Modellen verwendet werden. Das gewährleistet echten Mandantenschutz und DSGVO-Konformität bei maximaler Performance.

Fazit

Modelle kommen und gehen. Was bleibt und kontinuierlich an Wert gewinnt, ist das eigene kultivierte IP und die gewachsene Logik im eigenen System. Das Modell liefert die Rechenpower, die rekursive Schleife veredelt das Kapital.