Wie wir eine KI gebaut haben, die unser Unternehmen kennt

Ich nutze KI-Tools seit über einem Jahr täglich. ChatGPT, Claude, Gemini, Perplexity — wie sie alle heissen. Sie sind unglaublich. Aber vor ein paar Monaten wurde mir klar, dass ich 90 Prozent ihres Potenzials liegen liess.

Am Anfang startete jedes Gespräch bei null. Ich erklärte mein Unternehmen, mein Produkt, meinen Markt, mein Team — immer wieder. Ich hatte in einer Chat-Session einen echten Durchbruch und verlor ihn bis zur nächsten Session komplett wieder.

Dann zogen die Tools nach. Custom GPTs bei ChatGPT. Custom Gems bei Gemini. Projects bei Claude. Ich fing an, Wissensdateien zu erstellen — Unternehmensübersichten, Produktbeschreibungen, Marktkontext — und sie an jedes Tool anzuhängen. Das half enorm. Jedes Mal, wenn ich eine Wissensdatei aktualisierte, wurde die Qualität der Ausgabe spürbar besser, manchmal in verblüffendem Ausmass. Plötzlich konnte ich mit einem Modell Dinge tun, die am Tag zuvor noch unmöglich schienen.

Aber der Workflow war brutal. Ich nutzte mehrere KI-Tools, jedes für andere Stärken, und jedes hatte seine eigene Art, mit Wissensdateien umzugehen. Eine Aktualisierung bedeutete: Datei auf dem Computer bearbeiten, alte Version aus dem Tool löschen, neue Version hochladen — und das auf jeder Plattform. Meine Wissensdateien waren ständig veraltet, weil die Reibung beim Aktualisieren so hoch war. Dann führte ChatGPT Memories ein — Dinge, an die es sich aus Gesprächen erinnert — und andere Tools zogen nach. In der Theorie grossartig. In der Praxis hatte ich kaum Kontrolle darüber, was gespeichert wurde, und das Bearbeiten oder Korrigieren dieser Erinnerungen war eine eigene Art von Aufwand.

Rückblickend war das ein notwendiger Entwicklungsschritt. Er hat mir etwas Wichtiges beigebracht: Unternehmensspezifischer Context ist es, der nützliche KI von beeindruckender, aber generischer KI unterscheidet. Und er liess mich den Schmerz eines Systems spüren, das keinen geschlossenen Kreislauf hat — keine Möglichkeit, aus sich selbst zu lernen, keine Möglichkeit, aktuell zu bleiben, ohne manuellen Aufwand. Ich wollte den sich verstärkenden Effekt von besserem Wissen, ohne die ständige manuelle Pflege.

Also habe ich etwas anderes gebaut. Bei Carewell, dem Schweizer Healthcare-Startup, wo ich CPO und Chief AI Officer bin, habe ich das gebaut, was ich ein Company AI Operating System nenne — ein strukturiertes Wissenssystem, das der KI ein permanentes Gedächtnis über unser Unternehmen, unsere Entscheidungen und unser kollektives Denken gibt. Ein System, das sich selbst aktualisiert, während wir es nutzen.

Der Unterschied ist wie Tag und Nacht. Ich bin davon weggekommen, KI als brillanten Fremden zu nutzen, hin dazu, sie zum kenntnisreichsten Mitglied unseres Teams zu machen.

Dieser Guide erklärt, warum das wichtig ist und wie du dein eigenes System bauen kannst.

Das Problem: Alle nutzen KI, niemand lernt daraus

So sieht es 2026 in den meisten Unternehmen mit KI aus:

Die Marketingperson nutzt ChatGPT, um Social-Media-Posts zu entwerfen. Jedes Mal erklärt sie erneut den Markenton, die Zielgruppe, die Produktpositionierung. Der Sales Lead nutzt Claude, um sich auf Kundengespräche vorzubereiten. Jedes Mal fügt er denselben Hintergrund zum Unternehmen und zum Kunden ein. Der CEO nutzt Perplexity, um Wettbewerber zu recherchieren. Die Erkenntnisse leben in seinem Browserverlauf und sonst nirgends. Eine neue Person kommt ins Team und startet bei KI bei absolut null, genau wie alle vor ihr.

Kommt dir bekannt vor? Jedes Gespräch beginnt bei null. Jede Erkenntnis verpufft. Dein Team verbringt zusammengerechnet jede Woche Stunden damit, der KI Dinge beizubringen, die sie schon gelernt hat — von jemand anderem, in einem anderen Chat-Fenster.

Es ist, als würdest du einen brillanten Berater engagieren, der jede Nacht an Amnesie leidet.

Was ein Company AI Operating System eigentlich ist

Ein Company AI OS ist eine strukturierte Wissensbasis, die der KI einen dauerhaften, gemeinsamen Context über deine Organisation gibt. Statt dass jede Person isolierte Gespräche mit der KI führt, arbeitet das ganze Team mit demselben KI-«Gehirn», das dein Unternehmen genau kennt und mit der Zeit klüger wird.

Es ist keine Software, die du kaufst. Es ist ein System, das du aus drei Zutaten baust:

1. Ein Wissens-Repository — organisierte Informationen über dein Unternehmen (Produkt, Markt, Sales, Betrieb, Strategie), gespeichert als reine Textdateien
2. Instruction-Dateien — Regeln, die der KI sagen, wie sie sich verhalten soll, was sie zitieren muss, wann sie vorsichtig sein soll und wie sie mit deinem Team interagiert
3. Learning Loops — Gewohnheiten und Integrationen, die dem System jeden Tag neues Wissen zurückspeisen

Stell es dir so vor: ChatGPT ist das brillante neue Teammitglied, das alles über die Welt weiss, aber nichts über dein Unternehmen. Ein Company AI OS ist dieselbe Intelligenz, aber beladen mit tiefem Wissen über dein spezifisches Geschäft — dein Produkt, deine Kunden, deine Konkurrenten, deine Entscheidungen, das Fachwissen deines Teams.

Und entscheidend: Es ist gemeinsam genutzt. Wenn dein Sales Lead in einem Kundengespräch etwas lernt, wird dieses Wissen über die KI für das ganze Team verfügbar — statt in den Notizen einer einzigen Person gefangen zu bleiben.

Warum sich der Aufwand lohnt

Context bestimmt die Qualität

Es gibt einen direkten Zusammenhang zwischen der Spezifität dessen, was du der KI gibst, und der Qualität dessen, was du zurückbekommst. Generischer Input, generischer Output.

Wenn ich ein ChatGPT ohne jeden Context frage: «Wie sollten wir uns gegenüber Konkurrenten im Schweizer Markt für Gesundheitspersonalvermittlung positionieren?» — bekomme ich eine vernünftige, aber generische Antwort über Differenzierungsstrategien.

Wenn ich unserem AI OS dieselbe Frage stelle, greift es auf unsere dokumentierte Konkurrenzanalyse von sechs konkreten Unternehmen zurück. Es prüft ausserdem unsere regionalen Sales-Playbooks, die Produkt-Roadmap, die Preisstrategie und aktuelle Kundennotizen. Die Antwort ist unsere, verankert in Dingen, die nur wir wissen.

Es verstärkt sich selbst

Genau das begeistert mich am meisten. Zusammenfassungen von Kundengesprächen fliessen ins System ein. Jede Produktentscheidung wird mit ihrer Begründung festgehalten. Wir erfassen Wettbewerbserkenntnisse und protokollieren Meinungsverschiedenheiten im Team.

Nach ein paar Wochen weiss deine KI Dinge, die keine einzelne Person in deinem Team weiss. Sie hat jede Battlecard zu Wettbewerbern gelesen, jeden Entscheidungsrecord, jede Erkenntnis aus jedem Meeting. Sie verbindet Punkte über Bereiche hinweg, auf die kein Einzelner kommen würde.

Nach drei Monaten ist die Lücke zwischen diesem System und einem leeren ChatGPT-Gespräch riesig. Diese Lücke ist dein Wettbewerbsvorteil — und sie wächst jeden Tag. Ich habe mehr darüber geschrieben, warum diese Lücke so schwer aufzuholen ist.

Institutionelles Gedächtnis, das wirklich funktioniert

Jedes Unternehmen sagt, ihm sei Dokumentation wichtig. Fast keines macht es gut. Meeting-Notizen landen in einem Google Doc, das niemand liest. Entscheidungen werden in Slack-Threads getroffen und vergessen. Strategisches Denken existiert ausschliesslich im Kopf der Gründerin oder des Gründers.

Ein Company AI OS löst das nicht, indem es Leute bittet, mehr zu dokumentieren, sondern indem es Dokumentation zu einem natürlichen Nebenprodukt der Arbeit mit KI macht. Wenn du ein strategisches Gespräch mit der KI führst, bietet sie an, die wichtigsten Entscheidungen festzuhalten. Wenn jemand bestehendem Wissen widerspricht, markiert das System das. Wenn Wissen veraltet, bemerkt das System es.

Das Ergebnis: Das institutionelle Gedächtnis deines Unternehmens funktioniert wirklich — und ist über eine einfache Frage jederzeit zugänglich.

Wenn die KI merkt, dass ihr uneinig seid

Etwas, das für mich überraschend wertvoll wurde: Das System erkennt, wenn Teammitglieder unterschiedliche Ansichten vertreten.

Unser CEO glaubt, KI solle vor allem die Umsetzung beschleunigen, aber keine kreative Strategie vorantreiben. Ich glaube, KI kann echte neue Erkenntnisse liefern, wenn sie genug spezifischen Context bekommt. Beide Sichtweisen wurden aus getrennten Gesprächen in der Wissensbasis erfasst.

Das System markierte das als «Divergenz». Nicht um Konflikt zu erzeugen, sondern um einen philosophischen Unterschied sichtbar zu machen, der praktische Auswirkungen darauf hat, wie wir unser Team schulen und unsere Workflows gestalten. Statt monatelang unausgesprochen vor sich hin zu köcheln, wurde diese Meinungsverschiedenheit zu einer strukturierten Diskussion, in der beide Positionen klar dargelegt wurden.

Die meisten Unternehmen haben Dutzende solcher versteckter Meinungsverschiedenheiten. Sie bremsen alles aus, weil Leute von unterschiedlichen Annahmen ausgehen, ohne es zu merken.

Wie sich das im Alltag zeigt

Lass mich zeigen, was sich dadurch wirklich ändert. Das sind reale Szenarien von Carewell.

Vorbereitung auf ein Kundengespräch: Unser Sales Lead fragt die KI: «Bereite mich auf mein Meeting mit Krankenhaus X morgen vor.» Die KI greift auf die Historie des Kunden mit uns und Notizen aus letzten Interaktionen zurück. Sie identifiziert, welcher Konkurrent gerade bei ihnen pitcht, passende Produktfähigkeiten und relevante regionale Marktdynamiken. Was früher 30 Minuten Wühlen in E-Mails bedeutete, wird zu einer 30-Sekunden-Frage.

Ein neues Teammitglied fragt zu Vorschriften: «Welche Bewilligungsanforderungen gelten für die Temporärvermittlung im Kanton Waadt?» Die KI antwortet aus der Wissensbasis — aber weil das als regulatorischer Bereich markiert ist, fügt sie automatisch hinzu: «Das ist eine regulatorische Frage. Bitte mit dem Compliance-Team abklären oder die aktuellen SECO-Richtlinien prüfen, bevor du danach handelst.» Das System weiss, welche Themen risikoreich sind, und passt sich entsprechend an.

Wissenserfassung am Ende des Tages: Jeden Abend um 17 Uhr bekommt jedes Teammitglied über unseren Teamchat eine unaufwendige Nachricht: «Woran hast du heute gearbeitet? Gibt es Erkenntnisse, die es wert sind, festgehalten zu werden?» Dauert ein bis drei Minuten. Einen Tag auszulassen ist völlig in Ordnung. Sogar eine Ein-Satz-Antwort ist wertvoll. Die KI strukturiert das zu einer wöchentlichen Teamzusammenfassung — wer woran arbeitet, wo sich Aufgaben überschneiden, welche Erkenntnisse entstanden sind. Unser Führungsteam hat jetzt einen Puls für das ganze Unternehmen, für den es sonst ein wöchentliches All-Hands-Meeting gebraucht hätte.

Die KI erkennt Widersprüche: Ein Teammitglied äussert eine Marktannahme. Die KI merkt an: «Das weicht von dem ab, was in unserer Marktanalyse von vor zwei Wochen dokumentiert ist. Hier ist die bestehende Sicht im Vergleich zu deiner. Soll ich einen Divergenz-Eintrag anlegen oder das bestehende Wissen aktualisieren?»

Dabei geht es nicht um Pedanterie. Es geht darum, deine Wissensbasis akkurat zu halten und sicherzustellen, dass unterschiedliche Perspektiven sichtbar werden, statt begraben zu werden.

Das Flywheel

Der eigentliche Wert liegt nicht im initialen Setup — er liegt darin, wie das System mit der Zeit klüger wird.

Wissen fliesst hinein durch tägliche Rituale, Session-Erfassungen, Meeting-Zusammenfassungen, Teamgespräche. Jede Interaktion ist eine Chance für das System, etwas Neues zu lernen.

Bessere Antworten kommen heraus, weil die KI mehr Context hat, mehr Historie, mehr bereichsübergreifendes Wissen. Die Antworten werden von Woche zu Woche spürbar besser.

Das Vertrauen wächst, weil das Team sieht, dass die KI unternehmensspezifische Antworten statt generischer Ratschläge gibt. Sie nutzen sie öfter.

Noch mehr Wissen fliesst hinein, weil die Leute dem System vertrauen und es füttern wollen. Der CEO teilt eine strategische Erkenntnis. Der Sales Lead erfasst ein Kundengespräch. Der Operations Manager dokumentiert einen neuen Workflow.

Und so geht es immer weiter.

Aber das Flywheel braucht auch Selbstkorrektur:

• Gap Tracking: Jedes Mal, wenn das System eine Frage nicht beantworten kann, protokolliert es die Lücke. Nach einem Monat hast du eine klare Übersicht darüber, welches Wissen fehlt.
• Freshness Monitoring: Wissen veraltet. Konkurrenzanalysen veralten monatlich. Regulatorische Informationen brauchen ereignisgesteuerte Updates. Das System markiert, wenn Einträge ihr Überprüfungsdatum überschritten haben.
• Divergence Surfacing: Widersprüchliche Ansichten zwischen Teammitgliedern werden erfasst und zur Diskussion sichtbar gemacht, statt vor sich hin zu schwelen.
• Error Tracking: Wenn die KI eine falsche Antwort gibt, wird die Korrektur protokolliert. Muster in den Fehlern zeigen systematische Lücken auf.

Wie du das Wissen tatsächlich aufbaust

Die Architektur — Ordner, Dateien, Instruction-Dateien — macht vielleicht 20 Prozent des Aufwands aus. Die anderen 80 Prozent bestehen darin, das System mit Wissen zu füllen, das es wert ist. Und «einfach alles dokumentieren» funktioniert nicht. Leute wissen nicht, was sie wissen, und sie wissen nicht, was fehlt.

Das ist der Vier-Phasen-Prozess, der bei uns funktioniert hat.

Phase 1: Deep Research. Bevor wir irgendjemanden interviewten, bauten wir eine externe Wissensbasis auf. Dutzende Deep-Research-Sessions mit Perplexity, um unseren Markt umfassend zu kartieren — jedes potenzielle Kundensegment, jeder Konkurrent, das regulatorische Umfeld, geltendes Recht. Alles zusammengefasst und als strukturierte Markdown-Dateien gespeichert. Ich habe einen eigenen Guide über diesen Research-Workflow geschrieben, falls du die Details willst.

Phase 2: KI-Interviews. Das ist der kontraintuitive Teil. Statt dass ich Dokumentation schreibe, liess ich die KI mich interviewen. Nicht ich stelle Fragen — die KI stellt mir Fragen. Dutzende Runden, die Produkt, Strategie, Betrieb und Vision abdeckten. Sie holte implizites Wissen heraus, an dessen Dokumentation ich nie gedacht hätte — Annahmen, auf denen ich operierte, Verbindungen zwischen Entscheidungen, die ich nie explizit ausgesprochen hatte. Dinge, die verloren gegangen wären, hätte ich versucht, sie von Grund auf aufzuschreiben.

Phase 3: Team-Fragebögen. Sobald die KI eine Grundlage aus meinen Interviews hatte, erstellte sie massgeschneiderte Fragebögen für jedes Mitglied des Führungsteams. Keine generischen Umfragen — gezielte Fragen, basierend auf der Rolle jeder Person und den Lücken, die in der Wissensbasis noch bestanden. Unser CEO beantwortete 35 Fragen. Mehrere davon brachten ihn dazu, Dinge zu formulieren, die er dem Team vorher nie mitgeteilt hatte.

Phase 4: Divergence Detection. Die KI verglich die Antworten aller und fand sechs Stellen, an denen Mitglieder des Führungsteams grundlegend unterschiedliche Ansichten über die Richtung des Unternehmens hatten. Echte, substanzielle Meinungsverschiedenheiten mit praktischen Auswirkungen, die niemand zuvor angesprochen hatte. Wir setzten gezielte Diskussionen an und lösten jede davon. Was monatelang unausgesprochen hätte vor sich hin köcheln können, wurde in strukturierten Gesprächen angegangen.

Ich habe einen ausführlichen Guide zu diesem Wissensextraktionsprozess geschrieben — von der einfachen «Stell mir 5 Fragen»-Technik, die du heute schon ausprobieren kannst, bis zur kompletten Extraktion auf Teamebene, die verändert, wie ein Unternehmen über sein eigenes Wissen denkt.

Wie du dein eigenes System baust

Hier ist eine Schritt-für-Schritt-Anleitung, basierend auf dem, was wir bei Carewell gebaut haben. Ich werde bei unseren Tools konkret, aber die Architektur ist tool-agnostisch — pass sie an die KI-Plattform an, die du bevorzugst.

Schritt 1: Wähle dein KI-Backbone

Du brauchst eine Plattform, die Project Context unterstützt — die Fähigkeit, Dateien und Instructions zu laden, die über Gespräche hinweg bestehen bleiben.

Meine Empfehlung: Claude mit Claude Code. Claude unterstützt Instruction-Dateien (genannt CLAUDE.md), die festlegen, wie sich die KI für dein Projekt verhält. Claude Code gibt dir ein terminalbasiertes Interface, das direkt mit deinem Dateisystem arbeitet — perfekt für ein Wissens-Repository, das in Git gespeichert ist. Für einen tiefen Einblick ins gesamte Anthropic-Ökosystem, sieh dir meinen Guide zum Claude-Ökosystem an.

Alternativen: Du kannst etwas Ähnliches mit ChatGPT über Custom GPTs und Projects bauen, auch wenn das Dateimanagement weniger flexibel ist. Die zentrale Voraussetzung ist persistenter Project Context — nicht nur einzelnes Gesprächsgedächtnis.

Schritt 2: Richte dein Wissens-Repository ein

Erstelle ein Git-Repository mit einer Ordnerstruktur, organisiert nach Wissensbereich:

company-ai-os/
├── knowledge-base/
│   ├── product/          # Was du baust
│   ├── market/           # Konkurrenz, Marktdynamik
│   ├── sales/            # Playbooks, Kundenerkenntnisse
│   ├── company/          # Strategie, Werte, OKRs
│   ├── operations/       # Prozesse, Automatisierungen
│   └── technical/        # Infrastruktur, Tools
├── memory/
│   ├── decisions/        # Was entschieden wurde und warum
│   ├── insights/         # Erkenntnisse und Analysen
│   └── divergences/      # Wo das Team unterschiedlicher Meinung ist
├── team/
│   └── profiles/         # Wer was weiss, Arbeitsstile
└── templates/            # Wiederverwendbare Formate für Einträge

Alles sind einfache Markdown-Dateien. Keine proprietären Formate, keine Datenbanken, keine Spezialsoftware. Markdown in Git gibt dir Versionsgeschichte (wer hat was wann geändert), Zusammenarbeit (mehrere Leute können beitragen) und Portabilität (wenn du die KI-Plattform wechselst, kommt dein Wissen mit).

Fang klein an. Versuch nicht, am ersten Tag alles zu dokumentieren. Beginn mit dem Bereich, den du am besten kennst — wahrscheinlich dein Produkt oder deine Unternehmensübersicht. Eine gut geschriebene Datei ist mehr wert als zwanzig leere Ordner.

Schritt 3: Schreib deine Instruction-Dateien

Das ist das Gehirn des Systems. Instruction-Dateien sagen der KI, wer sie ist, wie sie sich verhalten soll und welchen Regeln sie folgen soll. Im Claude-Ökosystem sind das CLAUDE.md-Dateien, die im Root-Verzeichnis und in Unterverzeichnissen liegen.

Deine Root-Instruction-Datei sollte Folgendes abdecken:

Identität und Zweck: «Du bist das KI-Backbone von [Firmenname]. Dieses Repository ist die gemeinsame Wissensbasis und das institutionelle Gedächtnis des Unternehmens.»

Verhaltensregeln: Wie soll die KI kommunizieren? Bei Carewell haben wir unsere so konfiguriert, dass sie direkt ist, Annahmen hinterfragt und bei komplexen Fragen First-Principles-Analysen anbietet.

Anti-Halluzinations-Protokolle: Das ist entscheidend. Konfiguriere die KI so, dass sie:

• bei jeder faktischen Antwort ihre Quelle zitiert
• Confidence-Level verwendet: «verified» (gegengeprüft), «working assumption» (für richtig gehalten, aber nicht validiert), «needs validation» (potenziell veraltet)
• verpflichtende Warnungen für risikoreiche Bereiche ergänzt (Regulierung, Recht, Kundenzusagen)
• sagt: «Dazu habe ich keine verlässlichen Informationen», wenn sie es nicht weiss

Sprache und Ton: Wichtig für mehrsprachige Teams. Wir haben unsere so konfiguriert, dass sie Input auf Englisch, Französisch und Deutsch akzeptiert, in der Sprache der Nutzerin oder des Nutzers antwortet und für deutschen Output Schweizer Konventionen verwendet.

Instruction-Dateien in Unterverzeichnissen liefern bereichsspezifischen Context. Deine knowledge-base/regulatory/CLAUDE.md könnte zum Beispiel sagen: «Dieser Bereich enthält regulatorische Informationen. Immer eine Verifikationswarnung einfügen. Der Nutzerin oder dem Nutzer vorschlagen, sich mit [Rechtskontakt] abzustimmen, bevor sie oder er nach regulatorischen Hinweisen handelt.»

Schritt 4: Bau dein institutionelles Gedächtnis auf

Über aktuelles Wissen hinaus sollte dein AI OS erfassen, wie dein Unternehmen im Laufe der Zeit denkt. Drei Gedächtnistypen:

Decision Records: Wenn eine wichtige Entscheidung getroffen wird, halte fest, was entschieden wurde, welche Alternativen in Betracht gezogen wurden, warum diese Option gewann und welche Auswirkungen das hat. Sechs Monate später, wenn jemand fragt «warum haben wir das so gemacht?» — hat die KI die Antwort.

Insights: Erkenntnisse aus Research, Kundengesprächen, Experimenten, Analysen. Keine Entscheidungen, sondern Beobachtungen, die künftige Entscheidungen beeinflussen.

Divergences: Wo Teammitglieder unterschiedlicher Meinung sind. Klingt unangenehm, ist aber Gold wert. Formulier es konstruktiv: «Sichtweise A (vertreten von Person A): Wir sollten uns auf Enterprise-Kunden konzentrieren. Sichtweise B (vertreten von Person B): KMU sind unser Weg zum Wachstum. Hier ist die Begründung für jede.» Eine Divergenz ist ein Signal, das eine Diskussion braucht — kein Problem, das man verstecken sollte.

Schritt 5: Richte Intake-Kanäle ein

Das grösste Risiko bei jedem Wissenssystem ist, dass niemand es füttert. Die Lösung: Mach das Beitragen absurd einfach, und hol die Leute dort ab, wo sie sowieso schon arbeiten.

Für Power-User (technische Teammitglieder, die oder der AI Champion): Direkte Sessions mit Claude Code oder Claude Desktop. Sie arbeiten direkt mit dem Repository.

Für alle anderen: Integriere es in eure bestehenden Kommunikationstools. Bei Carewell haben wir einen Bot in unserem Teamchat gebaut, mit dem jede und jeder die KI per @mention nach etwas fragen oder Erkenntnisse beitragen kann. Die KI stellt Rückfragen, strukturiert den Input und reicht ihn zur Überprüfung im Repository ein.

Egal ob dein Team Slack, Teams oder etwas anderes nutzt — das Prinzip ist dasselbe: Verlang nicht von Leuten, für Wissensbeiträge ein neues Tool zu übernehmen. Bring die KI zu ihnen.

Das End-of-Day-Ritual: Jeden Abend bekommt jedes Teammitglied eine Nachricht:

«Woran hast du heute gearbeitet? Gibt es Erkenntnisse, die es wert sind, festgehalten zu werden?»

Zwei Fragen. Ein bis drei Minuten. Einen Tag auszulassen ist völlig in Ordnung. Die KI strukturiert die Antworten zu Worklog-Einträgen und erstellt eine wöchentliche Teamzusammenfassung.

Das Designprinzip: Pull statt Push. Mach das System so nützlich, dass Leute es füttern wollen.

Schritt 6: Integriere es in deine bestehenden Tools

Dein AI OS wird deutlich nützlicher, wenn es auf deine operativen Tools zugreifen kann — aber fang nur lesend an.

Projektmanagement (Jira, Linear, Asana): Verbinde es nur lesend, damit die KI Fragen wie «Was ist im aktuellen Sprint?» oder «Wie ist der Status von Feature X?» beantworten kann. Bei Carewell nutzen wir Atlassians Integrationsprotokoll (MCP-Server), um Claude direkten Lesezugriff auf Jira und Confluence zu geben.

Dokumentation (Confluence, Notion, Google Docs): Lass die KI auf eure bestehenden Docs referenzieren. Das überbrückt die Lücke zwischen deinem AI OS und deinen aktuellen Tools, ohne eine Migration zu erfordern.

Teamchat (Slack, Teams usw.): Über den Bot für Q&A hinaus kannst du automatisierte Erfassung für bestimmte Channels einrichten. Wenn jemand im Sales-Channel eine Wettbewerbserkenntnis teilt, kann die KI anbieten, sie festzuhalten.

Automatisierungs-Middleware (n8n, Zapier, Make): Nutze diese, um alles zu verdrahten — geplante Freshness-Checks, tägliche Ritual-Nachrichten, Verarbeitung von Meeting-Transkripten, wöchentliche Digests. Wir nutzen n8n, weil es selbst gehostet ist und keine Kosten pro Ausführung anfallen.

Fang nur lesend an. Lass die KI aus euren Tools lesen, aber nicht hineinschreiben. Füg Schreibrechte erst hinzu, wenn du dem System vertraust, und immer mit menschlicher Freigabe.

Schritt 7: Setz nicht alles auf ein Modell

Bei Carewell nutzen wir verschiedene KI-Systeme für verschiedene Aufgaben:

Layer	KI-System	Warum
Organisationale Intelligenz (das AI OS)	Claude	Bestes Project-Context-System, Instruction-File-Hierarchie, Long-Context-Reasoning
Individuelle Produktivität (E-Mail, Docs, Sheets)	Gemini in Google Workspace	Native Integration, kein Setup nötig, super für persönliche Aufgaben
Kundensupport-Chatbot	Kostenoptimiertes Modell	Hohes Volumen, einfachere Anfragen, tiefere Kosten pro Interaktion
Dokumenten-Recherche	NotebookLM	Speziell gebaut fürs Vertiefen in hochgeladene Dokumente

Ein Git-basiertes Wissens-Repository ist auf der Datenebene modell-agnostisch. Deine Markdown-Dateien funktionieren mit jedem KI-System. Kommt morgen ein besseres Modell, wechselst du den Motor, ohne ein einziges Stück Wissen zu verlieren.

Nutz für jede Aufgabe das beste Tool.

Worauf du achten solltest

Ich bin ehrlich, was die Fehler angeht, die du machen kannst — ich habe sie entweder selbst gemacht oder wäre fast reingetappt.

Fang nicht zu gross an. Die Versuchung ist gross, gleich am ersten Tag eine schöne Ordnerstruktur mit zwanzig Wissensbereichen zu bauen. Widersteh ihr. Fang mit ein oder zwei Bereichen an, die du gut kennst, füll sie mit echtem Inhalt, und beweise, dass das System nützlich ist, bevor du erweiterst. Leere Ordner sind schlimmer als keine Ordner — sie signalisieren ein System, das nur aus Struktur besteht und keine Substanz hat.

Verordne keine Adoption von oben. Das ist die wichtigste Lektion. Bei Carewell haben wir früher versucht, ClickUp verpflichtend einzuführen. Das Team hat es ignoriert. Beim AI OS haben wir den umgekehrten Weg gewählt: Ich habe zuerst dafür gesorgt, dass es für mich selbst nützlich ist, und dann anderen gezeigt, was es kann. Leute übernehmen Tools, die ihnen das Leben leichter machen, nicht Tools, die man ihnen befiehlt. Ich habe einen ganzen Beitrag darüber geschrieben, warum Push nicht funktioniert.

Überspring die Instruction-Dateien nicht. Ohne klare Verhaltensregeln gibt deine KI generische, vorsichtige, nach Konzern klingende Antworten. Die Instruction-Dateien sind es, die sie von «einer allgemeinen KI mit Zugriff auf ein paar Dokumente» zu «einem kenntnisreichen Teammitglied, das versteht, wie wir arbeiten» machen. Investier hier ernsthaft Zeit.

Vergiss Freshness nicht. Wissen veraltet. Deine Konkurrenzanalyse von vor drei Monaten könnte heute gefährlich falsch sein. Bau Freshness-Erwartungen von Anfang an in dein System ein — markier jeden Eintrag damit, wie oft er überprüft werden sollte.

Speicher keine sensiblen Personendaten. Halte persönliche Bewerberdaten, Patientendaten, detaillierte Finanzunterlagen und Zugangsdaten aus dem System raus. Ein Company AI OS sollte organisationales Wissen enthalten, keine Personendaten, die Datenschutz- und Sicherheitsrisiken schaffen.

Wer das bauen sollte — und wer noch nicht

Das ergibt Sinn, wenn:

• Du ein Team von 5 bis 50 Leuten hast, bei dem Wissensaustausch ein Engpass ist
• Dein Führungsteam KI schon individuell nutzt und Wert darin sieht
• Du mindestens eine Person hast, die bereit ist, als «AI Champion» das System zu bauen und zu pflegen
• Du wächst und dir Sorgen machst, dass Wissen verloren geht, während das Team skaliert

Warte noch, wenn:

• Dein Team KI noch nicht individuell nutzt. Fang zuerst mit dem Getting-Started-Guide an. Leute müssen den Wert von KI persönlich erleben, bevor sie einem gemeinsamen System vertrauen.
• Niemand bereit ist, das System zu pflegen. Ein AI OS ohne Champion wird innerhalb von Wochen zu einem verwaisten Repository.
• Du ein Solo-Founder bist. Ein persönliches Wissenssystem reicht dann vielleicht schon. Das System auf Unternehmensebene wird wertvoll, sobald es Wissen gibt, das zwischen Leuten geteilt werden kann.

Das hier zu bauen, kostet am Anfang echten Einsatz. Bei Carewell brauchte es rund zwei bis drei Wochen fokussierter Arbeit, um das Fundament zu legen, bestehendes Wissen zu migrieren und das Führungsteam einzuführen. Der Ertrag ist beträchtlich — aber er kommt nicht sofort. Du brauchst Geduld und die Bereitschaft zu investieren, bevor sich die Erträge zu verstärken beginnen.

Wie es weitergeht

Wir sind seit etwa einem Monat mit unserem AI OS bei Carewell unterwegs, und es verändert schon jetzt, wie wir arbeiten. Die KI gibt Antworten, die sich anfühlen, als kämen sie von einer erfahrenen Kollegin, die seit Jahren im Unternehmen ist, nicht von einem generischen Chatbot. Das Wissen unseres Teams sammelt sich an, statt zu verpuffen. Meinungsverschiedenheiten werden sichtbar gemacht und diskutiert, statt vor sich hin zu schwelen.

Der Wettbewerbsvorteil liegt nicht darin, Zugriff auf KI zu haben — das hat heute jeder. Der Vorteil liegt darin, eine KI zu haben, die dein Unternehmen kennt. Die deinen Markt kennt. Die sich erinnert, was du vor sechs Monaten entschieden hast und warum. Die Erkenntnisse über die gesamte kollektive Erfahrung deines Teams hinweg verbindet.

Und anders als ein Chatbot-Gespräch wird es jeden einzelnen Tag wertvoller.

Eine Sache, die du im Auge behalten solltest, während dein System reift: das Sycophancy-Problem. Je besser deine KI dein Unternehmen kennt, desto mehr wirst du dich für strategisches Denken auf sie verlassen — und genau da wird unkritische Bestätigung gefährlich. Stell sicher, dass deine System-Instructions die Art von strukturiertem Widerspruchs-Framework enthalten, die in diesem Guide beschrieben ist.

Wenn du unsere Reise mitverfolgen willst, abonnier den Newsletter. Ich teile Updates, während wir das System erweitern und aus unseren Fehlern lernen.

---

In diesem Guide erwähnte Tools:

• Claude — KI-Backbone für das Wissenssystem
• Claude Code — Terminalbasiertes Interface für Power-User
• ChatGPT — Alternative KI-Plattform
• Perplexity — KI-gestützte Recherche
• NotebookLM — Tool für Dokumenten-Recherche