Recursive Intelligence: Meine KI soll lernen
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.
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:
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.
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.
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.
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.
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.