„Für was hilft das?" Das fragte mich mein Sohn, als ich ihm mein aktuelles Experiment zeigte: Claude von Anthropic und Codex von OpenAI arbeiten gemeinsam an meinem Wissensspeicher. Es ist eine gute Frage, und die Antwort sagt mehr über die Zukunft der KI im Unternehmen aus als jede Debatte darüber, welches Modell gerade das beste ist.
Zwei Modelle, ein Wissensspeicher
Mein Second Brain ist ein geordneter, dauerhafter Wissens- und Strategiespeicher. Warum ich Wissen so bündele, statt es über viele Systeme verstreut liegen zu lassen, habe ich in Second Brain. Wissen defragmentieren beschrieben, und warum genau diese geordnete Kontextschicht der eigentliche Hebel für gute KI-Ergebnisse ist, in Die KI kennt Ihr Geschäft nicht. Beide Modelle sehen denselben Speicher. Sie stimmen sich nicht über einen gemeinsamen Chat ab, sondern über eine einfache Datei. Darin steht, was entschieden wurde, was noch offen ist und wer als Nächstes arbeitet. Das eine Modell schreibt seinen Beitrag, reicht weiter, das andere liest und antwortet. Wie zwei Kollegen, die sich über ein gemeinsames Dokument abstimmen, statt sich gegenseitig ins Wort zu fallen.
Warum das hilft
Im Gespräch mit meinem Sohn wurde der Nutzen schnell konkret. Drei Punkte:
Gegenseitige Kontrolle. Zwei verschiedene Systeme von zwei Anbietern prüfen denselben Sachverhalt mit unterschiedlichen Arbeitsweisen. Das garantiert keine Fehlerfreiheit, aber es erhöht die Chance, dass ein Fehler auffällt. Genau beim Erstellen dieses Textes ist das passiert: Das eine Modell hatte zwei Formulierungen zu stark geraten, das andere hat sie gefunden und korrigiert.
Stärken gezielt einsetzen. Ich verteile die Arbeit bewusst nach Zuständigkeit. Das eine Modell nutze ich vor allem für Strategie, Wissen und Außentexte, das andere für Programmierung, Skripte und technische Prüfungen. Nicht, weil das eine objektiv besser wäre, sondern weil ich es so für meine Aufgaben am wirksamsten einsetze.
Unabhängigkeit vom einzelnen Anbieter. Der Wissensspeicher ist neutral. Er gehört keinem Modell. Ich könnte ein weiteres Modell andocken und auf demselben Speicher arbeiten lassen. Und ich nutze zunächst nur Dienste, die ich ohnehin abonniert habe. Meine Arbeit hängt damit nicht am Fortbestand eines einzelnen Anbieters. Warum diese Wechselfähigkeit der eigentliche Kern digitaler Souveränität ist, habe ich in Wenn das Werkzeug über Nacht verschwindet ausgeführt.
Die vier Kontext-Stufen
Um zu verstehen, was sich zwischen zwei Modellen teilen lässt und was nicht, hilft ein einfaches Bild von vier Stufen, wie viel ein KI-Chat weiß:
Stufe 4 ist die stärkste, und sie lässt sich zwischen zwei verschiedenen Modellen nicht direkt teilen. Der rohe Gesprächsverlauf liegt in einem modell-eigenen Format und ist an die Arbeitsweise des jeweiligen Modells gebunden. Deshalb habe ich einen Übergabe-Prozess definiert, einen Handover. Er überführt die relevanten Entscheidungen und offenen Punkte aus dem privaten Gesprächskontext in den gemeinsamen Wissensspeicher, also von Stufe 4 nach Stufe 3. Beide Modelle kennen danach den Arbeitsstand, ohne denselben Roh-Chat besitzen zu müssen.
Dieselbe Umgebung, getrennte Zugänge
Neben dem Wissensspeicher teilen sich beide Modelle inzwischen einen großen Teil der Umgebung: über hundert wiederverwendbare Fähigkeiten und die systemweiten Kommandozeilenwerkzeuge auf meinem Rechner. Was nicht identisch ist, sind die Zugänge zu externen Diensten. Manche Schnittstellen stehen nur einem der beiden zur Verfügung. Auch das ist bei mir dokumentiert, damit keine Fähigkeit einfach angenommen wird, die es in Wahrheit gar nicht gibt. Ehrlichkeit über die eigenen Grenzen ist Teil der Architektur.
Dieser Text ist der Beweis
Der kleine Clou an dieser Sache: Auch dieser Beitrag ist genau so entstanden. Das eine Modell hat die erste Fassung geschrieben, das andere hat sie gegengelesen, zwei Übertreibungen gestrichen und den Text gekürzt, dann habe ich die Endfassung freigegeben. Für die Abstimmung untereinander prüfen beide inzwischen selbst in kurzen Abständen, ob sie wieder an der Reihe sind, statt auf mein Kommando zu warten. Das ist kein fertiges autonomes System, aber ein erster Schritt in diese Richtung. Und es läuft heute, auf meinem Rechner, mit Werkzeugen, die es gibt. Wie solche Systeme im Alltag bereits für mich arbeiten, während ich denke, habe ich in Die Systeme arbeiten, während ich denke gezeigt.
Was der Mittelstand daraus lernt
Für Unternehmen steckt darin eine unbequeme, aber befreiende Erkenntnis. Der Hebel ist nicht das nächste, größere Modell. Der Hebel ist die Architektur drumherum: ein geordneter Wissensspeicher, klare Zuständigkeiten, saubere Übergaben. Wer das hat, für den werden Modelle austauschbar und kombinierbar. Wer es nicht hat, jagt jedem neuen Modell hinterher und bleibt trotzdem abhängig.
Das ist dieselbe Lehre, die ich in fast jedem Mandat sehe: Nicht das Werkzeug ist der Engpass, sondern die Ordnung, in der es wirkt. Dass KI selten an der Technik scheitert und fast immer an der Umsetzung, habe ich in Microsoft baut auf. Nicht ab. mit Zahlen belegt. Wer sein Wissen und seine Abläufe ordnet, bevor er automatisiert, macht KI erst wirksam und bleibt zugleich unabhängig.
Welche Aufgabe würden Sie bewusst von zwei Modellen bearbeiten lassen?