Worum geht es?
Sprachmodelle beschleunigen Recherche, Auswertung und Textproduktion erheblich. Die ergiebigsten Unterlagen der Wissensarbeit sind jedoch selten öffentlich: Verträge, Korrespondenz mit Dritten, Finanz- und Gesundheitsinformationen. Diese Episode bespricht ein Konzept, das diesen Zielkonflikt über die Architektur löst: ein Second Brain, das den eigenen Wissensbestand mit Sprachmodellen verbindet und dabei eine feste Regel durchsetzt.
Im Zentrum stehen drei Schutzklassen und ein zentrales Modell-Gateway. Öffentliches darf leistungsstarke Cloud-Modelle nutzen, Persönliches verlässt die eigene Infrastruktur nur pseudonymisiert, Vertrauliches verarbeitet ausschließlich ein lokales Sprachmodell. Antworten stützen sich auf den eigenen Bestand, tragen Belege und werden automatisch geprüft. Der Preis dieser Souveränität liegt in lokaler Rechenleistung und einer konsequenten Prüfdisziplin.
Der zugehörige Blogbeitrag mit allen Zahlen, Quellen, acht Abbildungen und der Handlungscheckliste: Second Brain: Persönliches Wissen mit KI erschließen, ohne sensible Daten preiszugeben.
Die wichtigsten Themen
Der Zielkonflikt: Warum gerade vertrauliche Unterlagen den größten Nutzen versprechen und weshalb Verbote und Schulungen Datenabflüsse in KI-Werkzeuge nicht zuverlässig verhindern.
Drei Schutzklassen: Öffentlich, persönlich, vertraulich; die höchste beteiligte Klasse aus Frage und Quellen bestimmt, welches Modell eine Anfrage sehen darf, und im Zweifel gilt die strengste Klasse.
Drei Modellstufen: Lokales Modell auf eigener Infrastruktur, europäischer Anbieter, internationales Spitzenmodell; warum Pseudonymisierung das Risiko senkt, aber nicht beseitigt.
Antworten mit Belegen: Retrieval-gestützte Generierung, ein Antwortvertrag und eine automatische Belegprüfung; warum eine Enthaltung ohne Grundlage im Bestand ein erwünschtes Ergebnis ist.
Fachkollegium und Werkstatt: Spezialisierte Fachagenten mit Steckbrief, ein Dirigent als Programmcode und der Mensch, der über das Ergebnis entscheidet.
Kontrolle und Betrieb: Leck-Tests, Evaluationssets und die Frage, wie viel Rechenleistung eine lokale KI im Dauerbetrieb braucht.