Second Brain für Unternehmen - womit anfangen?

Ein Second Brain für Unternehmen ist ein System, in dem verstreutes Wissen – Dokumente, Verfahren, Verträge und E-Mail-Threads – für KI durchsuchbar wird; Antworten beruhen auf Ihren Daten und nennen ihre Quelle. Es beginnt nicht mit der Wahl eines Werkzeugs, sondern mit der Wahl eines Wissensausschnitts, der am stärksten schmerzt.

„RAG“ und „Knowledge Graph“ sind Technologie, also die Antwort auf „Wie funktioniert das?“. Das „zweite Gehirn des Unternehmens“ ist das Versprechen, also die Antwort auf „Was bringt es mir?“. Dieser Beitrag handelt von Letzterem.

Schritt 1. Einen Ausschnitt wählen, nicht alles

Das Projekt „Wir indexieren alles“ wächst leicht ohne klares Abschlusskriterium. Ein engeres Ziel wie „Wir beantworten Fragen zu Garantiebedingungen“ erlaubt es, schneller einen Qualitätstest zu bauen; der Termin hängt weiterhin von Zahl der Quellen, Berechtigungen und Zustand der Dokumentation ab.

Drei Kriterien für die Wahl eines Ausschnitts:

Kriterium	Warum
Fragen kehren häufig wieder oder ein einzelner Fehler ist teuer	Häufigkeit begünstigt den Return, aber auch ein seltener Fall kann durch das Risiko eine Einführung rechtfertigen
Antworten haben eine glaubwürdige, zugängliche Quelle	Ohne Quelle gibt es weder Grundlage für eine Antwort noch einen Weg zur Aktualisierung
Korrektheit lässt sich bewerten	Ohne sie können Sie Qualität nicht messen

Ein guter erster Ausschnitt sind interne Verfahren und Anleitungen, Vertrags- und Garantiebedingungen, technische Produktdokumentation oder eine Datenbank gelöster Anfragen – vorausgesetzt, ein Verantwortlicher für die Quellen lässt sich bestimmen und die Antwort bewerten.

Schritt 2. Quellen inventarisieren und entscheiden, was wahr ist

Diese Etappe kann einen erheblichen Teil des Projekts ausmachen. Es geht nicht darum, Dateien zu kopieren, sondern Entscheidungen zu treffen:

• Welche Version gilt? Drei Varianten desselben Verfahrens in drei Ordnern können zu widersprüchlichen Antworten führen. Das System sollte einen Konflikt erkennen oder offenlegen und zur Klärung weiterleiten, statt eine Version grundlos auszuwählen.
• Was ist veraltet? Ein Dokument vom letzten Jahr, das niemand formal zurückgezogen hat, kann für das System genauso glaubwürdig sein wie das aktuelle.
• Was lassen wir gar nicht hinein? Arbeitsnotizen, Zwischenversionen, Korrespondenz mit einzelnen Absprachen.
• Wer darf was sehen? Berechtigungen müssen im System abgebildet werden, damit der Assistent Informationen nicht an Personen ohne entsprechenden Zugang weitergibt. Mehr dazu in Datensicherheit bei der KI-Einführung.

Ehrlich gesagt: Das Ordnen der Quellen kann einen erheblichen Teil des Projekts beanspruchen. Das System repariert kein Chaos – es kann aber veraltete Informationen in überzeugender Form liefern, wenn es solche Materialien als Eingabe erhält.

Schritt 3. Fragen sammeln, die das System beantworten soll

Bevor wir etwas bauen, bitten wir um eine Liste realer Fragen mit erwarteten Antworten. Für einen Pilot reichen oft 30–50 gut ausgewählte Fälle, doch die Zahl muss an Themenvielfalt und Fehlerrisiko angepasst werden. Diese Liste ist zugleich:

• Spezifikation (sie zeigt, was das System können soll),
• Evaluierungsset (wir messen die Qualität nach jeder Änderung),
• Machbarkeitstest (wenn zu der Hälfte der Fragen keine Antwort in den Dokumenten steht, wissen wir das vor dem Bau, nicht danach).

Das Set sollte Fragen enthalten, bei denen „Ich weiß es nicht“ die richtige Antwort ist. Sie prüfen, ob das System ohne Grundlage ablehnen kann; sie müssen durch beantwortbare Fragen ausgeglichen sein, damit die Lösung nicht nur auf Ablehnung optimiert wird.

Schritt 4. Erst ein Pilot, nicht sofort Produktivbetrieb

Ein Pilot für den gewählten Ausschnitt umfasst Indexierung, Suche, Antwort mit Quellenangabe und ein einfaches Interface. Nach unserer Preisliste vom August 2026 dauert er ungefähr 3–5 Wochen und kostet 12.000–30.000 PLN netto.

Ein Pilot mit repräsentativen Fragen und realer Nutzung ermöglicht die Messung von drei Dingen, die sich aus einer Präsentation nicht verlässlich vorhersagen lassen:

1. Wie gut Antworten auf Ihren Daten sind. Das lässt sich nicht allein aus einer Modelldemonstration ableiten, sondern muss mit Fragen aus dem Prozess gemessen werden.
2. Ob und wie das Team ihn nutzt. Es gilt, fehlenden Bedarf von Problemen beim Zugang, Interface oder der Einführung bei Nutzenden zu unterscheiden.
3. Wie hoch die ungefähren laufenden Kosten bei beobachteter Zahl und Länge der Fragen sind; die vollständigen Produktionskosten hängen auch von Monitoring, Integrationen und erforderlicher Reaktionszeit ab.

Schritt 5. Entscheiden, ob ein Graph benötigt wird

Die Suche nach Textabschnitten (RAG) behandelt Fragen vom Typ „Wo steht das?“ gut. Sie kann jedoch für Fragen unzureichend sein, die einen zuverlässigen Übergang über mehrere Beziehungen verlangen, zum Beispiel: „Welche Verträge mit diesem Subunternehmer enden vor dem Audit?“.

Wenn solche Fragen wichtig sind, ist ein Knowledge Graph eine Lösung – teurer und mit Bedarf an einem Domänenmodell. Eine Alternative kann eine direkte Abfrage einer gut strukturierten Datenbank sein. Unsere Empfehlung: Beginnen Sie mit der einfachsten Lösung, messen Sie, bei welchen Fragen das System scheitert, und ergänzen Sie einen Graphen erst dort, wo Beziehungen das Ergebnis wirklich verbessern. Die umgekehrte Reihenfolge ist Bauen nach Gefühl.

Schritt 6. Betrieb vom ersten Tag an planen

Wissen verändert sich. Ein in einen Ordner gelegtes Dokument sollte in den Index gelangen, ein zurückgezogenes daraus verschwinden – gemäß einer vereinbarten Aktualisierungsrichtlinie. Andernfalls wächst das Risiko glaubwürdig klingender Antworten auf Basis einer veralteten Version; ohne Tests und Kennzeichnung der Quellen kann dieses Problem lange unsichtbar bleiben.

Der minimale Betriebsumfang umfasst meist eine automatische Indexaktualisierung, ein Protokoll darüber, was ein- und ausgegangen ist, die regelmäßige Ausführung des Evaluierungssets und einen Wissensverantwortlichen auf Kundenseite, der zweifelhafte Fälle entscheidet.

Wann ein Second Brain nicht funktioniert

• Wenn Wissen keine glaubwürdige, zugängliche Quelle hat. Die Quelle kann Text, Tabelle, eine nach Transkription vorliegende Aufnahme oder multimodal behandeltes Material sein, muss aber beschafft, kontrolliert und aktualisiert werden können. Das System ersetzt kein Wissen, das nur in Köpfen existiert.
• Wenn Fragen Zahlen und Aggregationen betreffen. „Wie viele Kunden sind im Juni abgewandert?“ verlangt eine kontrollierte Datenabfrage, nicht nur semantische Suche. Solche Fälle entwerfen wir im Rahmen von Daten und Analyse.
• Wenn die Sammlung klein ist und sicher in den Kontext passt. Dem Modell die überprüfte Gesamtheit zu geben kann einfacher sein als eine Pipeline zu bauen, sofern Kosten, Berechtigungen und Kontextlimits es erlauben.
• Wenn niemand Quellen ordnen möchte. Ohne verbindliche Versionen, Berechtigungen und Wissensverantwortlichen lassen sich Antworten schwer sicher betreiben.

Was kostet das?

Unsere Preisrahmen vom August 2026: Pilot 12.000–30.000 PLN netto, Produktivsystem mit Integrationen 30.000–120.000 PLN netto. Den Betrieb kalkulieren wir separat nach Aktualisierungsfrequenz, Umfang der Observability und Reaktionszeit. Hinzu kommen Kosten für Modelle und Infrastruktur. Ihre Höhe hängt unter anderem von Zahl der Fragen, Kontextlänge, gewähltem Modell und Caching ab.

Häufige Fragen

Werden unsere Dokumente zum Trainieren des Modells verwendet?

Das müssen sie nicht, aber es hängt vom gewählten Anbieter, Produkt und Vertragstext ab. In einer typischen RAG-Architektur bleiben Dokumente im angegebenen Repository und nur die für eine Antwort erforderlichen Abschnitte gelangen zum Modell. Aufbewahrung, Verarbeitungsort, Regeln der Datennutzung und Zugang von Subunternehmern müssen jedoch geprüft und im Vertrag festgehalten werden.

Lässt sich das an Werkzeuge anschließen, die wir bereits nutzen?

In der Regel ja, wenn das jeweilige Werkzeug eine API, Webhooks oder einen anderen sicheren Integrationsweg bereitstellt. Das Interface kann Chat, Suche im Intranet oder Messenger sein. Die endgültige Form hängt von technischen Einschränkungen, Berechtigungen und der Arbeitsweise des Teams ab.

Worin unterscheidet sich das von einer gewöhnlichen Dateisuche?

Eine klassische Suche gibt Dokumente oder Abschnitte zurück. Ein Second Brain kann eine Antwort auf eine natürlichsprachliche Frage zusammensetzen und die verwendeten Quellen nennen; die Qualität dieser Synthese braucht weiterhin eine Evaluierung.

---

Wissensgraphen und RAG-Pipelines bauen wir auch für uns selbst – wir zeigen sie im Labor, weil es unsere eigenen Werkzeuge sind, keine fremden Präsentationsprojekte. Sehen Sie sich Second Brain für Unternehmen an oder beschreiben Sie, wonach Sie am häufigsten suchen.