Ein Gast, den Mark sich lange gewünscht hat: Cornelius Illi,
Product Cluster Lead für Innovation und GenAI, mit dem er sich nach
eigener Aussage immer gerne unterhält und von dem er einiges lernt.
Bevor es losgeht, darf Jens noch von seinem Wochenende erzählen,
und das passt besser zum Thema, als ihm lieb ist. Er wollte mit
seinem Sohn ein altes Computerspiel spielen, das es für den Mac
nicht mehr gibt, also hat er Crossover gekauft und Claude
Vollzugriff auf seinen Mac Mini gegeben. Das Ding hat die halbe
Nacht durchprobiert, tausendmal gestartet, geschaut, ob es zwischen
3D-Animation und Intro-Video abstürzt, eigene Shader gebaut,
Software installiert, wieder gelöscht und nebenbei die Festplatte
aufgeräumt. Gespielt wurde am Ende auf dem Linux-Rechner des
Sohnes. Immerhin hat Claude noch die Support-Mail für die
Rückerstattung geschrieben, inklusive Liste aller Versuche, damit
niemand mit „haben Sie es schon so probiert" antwortet. Dann die
Freitagabend-Frage, Bier in der Hand, jemand hat den Begriff Second
Brain aufgeschnappt: Was ist das eigentlich? Cornelius holt aus.
Das Konzept ist älter als die LLM-Debatte, geprägt hat es Tiago
Forte mit der CODE-Methode: Capture, Organize, Distill, Express.
Alles reinladen, ordnen, den Sinn herausdestillieren, am Ende etwas
damit bauen. Neu ist, dass Andrej Karpathy Anfang des Jahres seinen
LLM-Wiki-Ansatz vorgestellt hat und viele daraufhin gemerkt haben,
dass so ein Speicher vielleicht gar nicht für den Menschen gedacht
ist, sondern der perfekte Kontextspeicher für die KI. Cornelius hat
genau deshalb das Capture automatisiert: 130 Quellen liefern ihm
400 bis 500 Inhalte pro Woche, die werden gerankt und bewertet,
höchstens ein Drittel landet im wöchentlichen Digest, der Rest
fliegt als irrelevant oder als bloßes Repackaging raus. Sogar seine
LinkedIn-Likes zieht er sich zurück, über eine selbstgeschriebene
App und die Betroffenenrechte, die ihm als EU-Bürger zustehen. Und
dann kommt der ehrlichste Moment der Folge. Cornelius liest seinen
eigenen Digest nicht mehr. Zu viel, und es bleibt ja nicht beim
Lesen, danach muss man mit der KI darüber diskutieren, um überhaupt
Insights zu bekommen. Sein Befund: Kuration ist der eigentlich
schwierige Teil, und der Mensch bleibt darin noch lange nötig. Die
KI kann erklären, was Harness Engineering ist und wer den Begriff
geprägt hat. Was sie nicht liefert, sind Best Current Practices,
also die Frage, was in genau dieser Version von Modell und Harness
gerade wirklich funktioniert. Wo eine Visualisierung dagegen hilft:
beim Aufdecken der eigenen Verzerrung. Cornelius hielt das
LLM-Wiki-Thema für riesig und musste feststellen, dass in hundert
Tagen nur 23 von 5.000 Inhalten davon handelten. Ein Randthema, das
sich in seinem Kopf groß angefühlt hat. Beim Werkzeug gehen die
drei auseinander. Mark hält dagegen, dass Wissen durch Reduktion
entsteht, durch Struktur und dadurch, dass ein System auch
vergessen kann, und nicht durch das Anhäufen möglichst vieler
Dateien. Er selbst nutzt kein Obsidian, sondern packt alles in
einen einzigen Skill: zehn Jahre Apple-Entwicklerdokumentation und
WWDC-Transkripte, dazu seine eigenen Mobile-Artikel, als Zip ein
paar MB, entpackt ein paar hundert. Antwortzeit rund zwei Minuten.
Perfekt ist das nicht, ein RAG ist es auch nicht, aber es ist
portabel und läuft in jedem Harness, ob Codex, Claude Code oder das
eigene System der Firma. Das Ding heißt SkillSafe
(godmodeai2025.github.io/SkillSafe), ein lokaler Wissenstresor als
portabler Skill: Wissensbausteine im OKF-Format mit Quelle und
Fundstelle an jeder Kernaussage, kontrollierte Begriffswelten mit
Synonymen statt Vektor-Blackbox, und sechs eiserne Regeln, von
denen die erste lautet: Deckt der Bestand eine Frage nicht ab,
heißt die Antwort „Nicht im Bestand". Modellwissen füllt das nie
auf. Genau deshalb hat Mark sich überlegt, mit welchen
Begriffswelten er überhaupt an seinen Skill herankommt, statt sich
auf ein grep zu verlassen. Jens dagegen braucht die Grafik. Über
20.000 Dokumente liegen in seinem Vault, gezielt eine einzelne
Markdown-Datei zu suchen ist die Hölle, aber der Blick auf den
Graphen gibt ihm ein Gefühl für die Gewichtung. Am Wochenende sah
der falsch aus, also läuft jetzt eine neue Logik darüber. Sein
Vault liegt bewusst lokal auf einem Mac Mini, mit lokal laufenden
Gemma-Modellen, die archivieren und vergessen, einem Advisory Board
aus den Autoren, denen er am meisten folgt (Karpathy sitzt mit
drin), und einem Wächter, der prüft, was aus dem Vault heraus
überhaupt an eine öffentliche API gehen darf. Weil viele Begriffe
durch den Äther gingen, übersetzt Cornelius zwei davon in
Normaldeutsch. Ein RAG, Retrieval Augmented Generation, zerlegt
Texte in Chunks, wandelt sie in Embeddings und ordnet sie in einem
hochdimensionalen Raum an, in dem Nähe Bedeutung heißt. Das
klassische Beispiel: König minus Mann plus Frau ergibt Königin.
Eine Ontologie kommt aus der Graphentheorie, Knoten und Kanten, und
beschreibt, wie Begriffe zusammenhängen, damit sich Pfade
entlanghangeln lassen. Warum das zählt, wird beim Teilen klar: Wer
ein Wissenssystem selbst gebaut hat, kennt die Begriffe darin. Wer
es geerbt bekommt, kann nicht danach suchen, weil ihm das
Schlüsselwort fehlt. Ein grep hilft dann nichts, und Brute Force
über 200 Treffer kennt keine Relevanzgewichtung. Für die Firma
heißt das: Single Source of Truth, oder wie Mark es nennt, ein
Knowledge Hive, für Richtlinien, FAQs, Organigramme,
Architekturdokumentation, Verträge. Nur eben ohne den nächsten
Monolithen zu bauen, für den man erst eine Schulung braucht. Zum
Schluss die Empfehlung für alle, die anfangen wollen. Mark sagt:
mit Skills starten. Nicht das Monster bauen, sondern sich für eine
konkrete Aufgabe überlegen, welche Informationen ein Skill braucht
und wie sie strukturiert sein müssen. Ein Skill plus ein paar
Dateien im Projektordner ist bereits ein Mini-Second-Brain.
Cornelius empfiehlt etwas anderes: den Fokus verschieben, weg von
„was könnte ich noch wissen wollen" hin zu „woran arbeite ich
gerade und was will ich erreichen". Dann braucht es oft gar nicht
so viel Wissen, sondern eine gezielte Suche, und das Brain wächst
von selbst. Sein Trostpflaster für Perfektionisten: Wenn er 90
Prozent des Zeitaufwands spart und das System 30 Prozent falsch
macht, bleibt immer noch ein großer Mehrwert. Jens' Schlusswort ist
wie immer einfach machen, und Marks Beobachtung zum Mitnehmen: Wir
haben Modelle, die Videos generieren, und speichern unser Wissen in
schlichten Textdateien. Schaut euch Markdown an. Enterprise Brains
und die Frage, wie tausend Second Brains miteinander reden, bleiben
liegen. Dafür gibt es schon die Einladung zur zweiten Folge mit
Cornelius. — Think Different. Think AI. mit Mark Zimmermann und
Jens Scharnetzki. Hören: Apple, Spotify, YouTube, RSS
https://think-ai.podigee.io Neue Folge zuerst im WhatsApp-Kanal
https://whatsapp.com/channel/0029VbDJ4ZlGufIrpquad004 Wenn euch die
Folge was gebracht hat: einmal bei Apple bewerten. Das entscheidet,
ob jemand Neues uns findet.
https://podcasts.apple.com/de/podcast/think-different-think-ai/id1828021699
Feedback und Gäste: über die Show-Seite.
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.