Second Brain reicht nicht mehrWarum dein Wissen ab jetzt agent-lesbar sein muss
Notion, Obsidian und Roam haben Menschen beigebracht, Wissen zu sammeln und zu verknüpfen. Sobald KI-Agenten in diesem Wissen arbeiten sollen, reicht „gut auffindbar für mich“ nicht mehr — es braucht Wissen, das eine Maschine ohne Rückfrage richtig einordnen kann.
Kurz beantwortet
Ein Second Brain ist für den Menschen gebaut, der sich beim Lesen selbst erinnert, was gilt. Ein KI-Agent erinnert sich nicht — er liest, was da steht. Damit er richtig handelt, braucht dein Wissen drei Dinge on top: Pflichtfelder in jedem Dokument (was ist das, wie aktuell, wie verbindlich), feste Einstiegspunkte pro Thema und eine schriftliche Vorrangregel für Widersprüche.
Was ein Second Brain für Menschen leistet — und was es stillschweigend voraussetzt
Wer Notion, Obsidian oder Roam Research nutzt, kennt den Effekt: Man legt Notizen ab, verlinkt sie und findet sie Monate später wieder. Das funktioniert, weil der Mensch einen Teil der Arbeit still erledigt. Er weiß, dass die Notiz vom Frühjahr überholt ist. Er weiß, dass die Preisliste im anderen Ordner die richtige ist. Er merkt am Tonfall, ob ein Text ein Entwurf oder eine Entscheidung ist.
Ein Agent hat dieses Hintergrundwissen nicht. Er bekommt Text und behandelt ihn gleichrangig: der verworfene Entwurf neben der geltenden Regel, die alte Zahl neben der neuen. Das ist keine Schwäche der Werkzeuge, sondern eine Annahme, die in jedem Second Brain steckt: Der Leser ist ein Mensch mit Kontext. Für Agenten muss dieser Kontext in das Dokument selbst — als Daten, nicht als Gefühl.
In „Wofür deine KI-Agenten blind sind“ haben wir beschrieben, wie Agenten das Offensichtliche übersehen. Ein großer Teil davon ist kein Intelligenzproblem, sondern ein Wissensproblem: Der Agent hat das Richtige schlicht nicht als richtig erkannt.
Was Notion, Obsidian und Roam heute für Agenten können
Zuerst die faire Bestandsaufnahme. Wir stützen uns hier ausschließlich auf die offizielle Dokumentation der Hersteller (abgerufen am 18. Oktober 2026). Wo die Dokumentation schweigt, schreiben wir „nicht dokumentiert“ — nicht „geht nicht“.
Notion
Notion bietet einen von Notion gehosteten MCP-Server mit OAuth. Ein Agent kann damit suchen, lesen, Seiten und Datenbanken anlegen und ändern — und zwar nur dort, wo der autorisierte Nutzer ohnehin Zugriff hat. Custom Agents können laut Notion zeitgesteuert oder ereignisgesteuert im Hintergrund arbeiten und sehen nur ausdrücklich freigegebene Seiten und Datenbanken. Wiki-Seiten tragen eine „Verification“-Property (geprüft, optional mit Ablaufdatum) — die nächste dokumentierte Entsprechung zu einem Gültigkeitsstatus.
Wo es für Agenten dünn wird: Die API-Dokumentation sagt, das Schema beschreibe, was eine Property akzeptiert. Ob darüber Pflichtfelder oder Wertebereiche erzwungen werden, ist dort nicht beschrieben. Praktische Grenzen sind dokumentiert: Rate-Limits pro Verbindung (je nach Tarif im Schnitt 3 bis 10 Anfragen pro Sekunde) und Größenlimits pro Request, etwa 2.000 Zeichen pro Rich-Text-Element und höchstens 1.000 Block-Elemente pro Payload. Eine Versionshistorie über die API haben wir in der Dokumentation nicht gefunden.
Obsidian
Obsidian speichert Notizen als lokale Markdown-Dateien; Properties stehen als YAML am Dateianfang, mit Typen wie Text, Liste, Zahl, Checkbox oder Datum. Dieselbe Property hat vault-weit denselben Typ. Seit Version 1.12 (Installer ab 1.12.7) gibt es eine offizielle Kommandozeile, mit der sich Obsidian aus dem Terminal steuern lässt (Suche, Notizen aus Vorlagen, Aufgaben, Daily Notes).
Wo es für Agenten dünn wird: Dateien und YAML sind ein hervorragender Boden für Agenten — genau darauf baut unser eigenes Setup. Ein Mechanismus, der Pflichtfelder oder Werte prüft, ist in der abgerufenen Properties-Dokumentation nicht beschrieben. Die Disziplin liegt also bei dir, nicht beim Werkzeug.
Roam Research
Roam nennt auf seiner Entwicklerseite eine Backend-API, eine lokale API und Datalog-Abfragen. Die Seite ließ sich beim Abruf nicht als Text laden, deshalb machen wir zu Datenmodell und Grenzen bewusst keine Aussage. Wer Roam für Agenten einsetzen will, sollte die aktuelle Entwicklerdokumentation direkt prüfen.
Das gemeinsame Muster: Die Zugänge für Agenten sind da und werden besser. Was in der Dokumentation aller drei nicht als Kernfunktion auftaucht, ist die inhaltliche Ebene — verbindliche Pflichtfelder, Gültigkeit, Vorrang. Das ist keine Kritik; ein Werkzeug für Menschen muss das nicht leisten. Es heißt nur: Die Schicht darüber musst du selbst definieren.
„Dann nehme ich eben RAG“ — und warum das nicht reicht
Die naheliegende Antwort lautet: Alles in einen Vektor-Index, der Agent holt sich, was passt. RAG (Retrieval-Augmented Generation) ist ein starkes Muster und gehört in viele Setups. Aber es ist keine Wunderwaffe, und das sagt auch die Forschung:
- Fehler entlang der ganzen Kette. Barnett et al. (2024) berichten aus drei Fallstudien von sieben Failure Points und halten fest, dass RAG-Systeme die Grenzen von Information Retrieval und von Sprachmodellen erben; Robustheit entstehe erst im Betrieb. (arXiv 2401.05856)
- Gefunden heißt nicht richtig genutzt. Liu et al. (2023, „Lost in the Middle“) zeigen, dass Modelle relevante Information in langen Kontexten am Anfang und Ende besser nutzen als in der Mitte. Ein Treffer im Prompt garantiert also keine korrekte Verwertung. (arXiv 2307.03172)
- Der Ursprungsbeitrag nennt Herkunft und Aktualität selbst als offene Probleme. Lewis et al. (2020) beschreiben Herkunftsnachweis und die Aktualisierung von Weltwissen als offene Forschungsfragen, die RAG angehen soll. (arXiv 2005.11401)
Dazu kommt eine Beobachtung aus unserem Betrieb — ausdrücklich unsere Einordnung, kein Studienergebnis: Ein Ähnlichkeitsabruf liefert die ähnlichsten Textstücke. Welcher von zwei widersprüchlichen Treffern der gültige ist, steht in keinem der beiden. Es fehlt eine Versions- und Vorrang-Semantik. Und die kann kein besserer Embedding-Algorithmus ersetzen, weil sie eine Entscheidung ist, die jemand aufschreiben muss.
Die drei Schichten, die Wissen agent-lesbar machen
In unserem eigenen Betrieb — dem Firmengedächtnis, das ein Dutzend Agenten täglich lesen — hat sich eine einfache Architektur bewährt. Sie ähnelt der Art, wie wir Sprachnotizen verarbeiten: erst roh festhalten, dann strukturieren, dann einordnen.
Schicht 1 — Rohmaterial: festhalten, nicht bewerten
Eine Sprachnotiz, ein Transkript, ein Mailauszug. Diese Schicht ist bewusst unaufgeräumt und wird vom Agenten nur als Quelle gelesen, nie als Wahrheit. Wichtig ist, dass Rohmaterial als Rohmaterial erkennbar ist und nichts davon unbemerkt in Entscheidungen einfließt.
Schicht 2 — Dokumente mit sieben Pflichtfeldern
Jedes strukturierte Dokument beginnt bei uns mit einem YAML-Kopf aus sieben Feldern: Kennung (id), titel, typ, status, stand, verbindlichkeit und tags. Zusammen beantworten sie die drei Fragen, die ein Agent sonst raten müsste: Was ist das? Wie aktuell? Wie verbindlich?
--- id: DOC-BEREICH-001 titel: Angebotsbedingungen Beratung typ: leitdokument status: AKTUELL # AKTUELL | DRAFT | HISTORIE | STRITTIG ... stand: 2026-10-01 verbindlichkeit: norm # norm | lesefassung | historie tags: [angebot, beratung] ---
Der entscheidende Punkt ist weniger das Format als die Prüfung: Ein Lint-Lauf (fg-lint) läuft bei uns auf jeder Änderung und meldet Dokumente ohne gültigen Kopf. Pflichtfelder, die niemand prüft, sind Wünsche.
Schicht 3 — Hubs und Vorrangregeln
Ein Hub ist eine thematische Startseite: Er sagt, welche Dokumente zu einem Thema gehören, wie der aktuelle Stand ist und welche Entscheidungen schon gefallen sind. Wir führen neun aktive Hubs, in einem zentralen Register. Ein Agent muss so nicht das ganze Wissen durchsuchen, sondern beginnt am richtigen Einstieg.
Die Vorrangregel entscheidet Widersprüche in fester Reihenfolge. Bei uns, vereinfacht: Zuerst gilt die Prüfung am lebenden System (ein Abruf schlägt jede Beschreibung), dann der ausgewiesene Stammdaten-Anker des Themas, dann ein Dokument mit verbindlichkeit: norm, dann die Dokument-Hierarchie. Das stand-Datum dient nur als Hinweis — und die Pflicht, einen Widerspruch zu melden, statt ihn still zu lösen. Eine lesefassung verliert immer gegen eine norm.
Ein Beispiel: dieselbe Frage, zwei Wissensstände
Ein Agent soll eine Kundenmail beantworten und braucht dafür eine Telefonnummer. Im Wissensbestand liegen zwei Treffer: eine alte Notiz mit einer Nummer und ein Stammdaten-Dokument mit einer anderen.
Ohne Pflichtfelder und Vorrang: Beide Texte wirken gleich plausibel. Der Agent nimmt, was im Abruf weiter oben steht — vielleicht die alte Nummer. Niemand merkt es, bis ein Kunde dort anruft.
Mit den drei Schichten: Die Notiz trägt status: HISTORIE, das Stammdaten-Dokument verbindlichkeit: norm. Die Vorrangregel sagt: Anker vor Notiz. Der Agent nimmt die richtige Nummer — und weil beide Dokumente unterschiedliche Werte nennen, markiert er den Widerspruch zur Klärung, statt ihn zu verschweigen. Das ist dieselbe Disziplin, die wir schon beim Auftragsbrett beschrieben haben: Koordination und Wissen werden zu Daten, die man prüfen kann — das Auftragsbrett sagt dem Agenten, was zu tun ist, das agent-lesbare Wissen, womit er es richtig tut.
Typische Fehler — was beim Umbau schiefgeht
Alles auf einmal migrieren wollen
Das scheitert an der Menge. Besser: neue Dokumente beginnen sauber, alte wandern nach, sobald jemand sie anfasst.
Zu viele Pflichtfelder
Zwanzig Felder werden nicht gepflegt. Sieben reichen, wenn sie die drei Kernfragen (was, wie aktuell, wie verbindlich) beantworten.
Regeln ohne Prüfung
Ohne automatischen Check driftet jede Konvention. Ein kleiner Lint-Lauf im Alltag ist wichtiger als ein perfektes Schema.
Widersprüche still auflösen
Wenn der Agent (oder du) bei zwei abweichenden Aussagen einfach eine wählt, ist der Fehler nur versteckt. Ein Widerspruch gehört gemeldet und entschieden.
Die Restwahrheit
Behalte dein Second Brain. Es ist für den Menschen weiterhin das richtige Werkzeug. Aber sobald Agenten darin arbeiten, ist „ich weiß schon, was gilt“ kein Verfahren mehr. Agent-lesbares Wissen heißt nicht, ein neues Tool zu kaufen, sondern drei Entscheidungen aufzuschreiben: welche Felder jedes Dokument trägt, wo jedes Thema beginnt und wer bei einem Widerspruch gewinnt.
Wofür deine KI-Agenten blind sind (5 Muster aus 6 Monaten Multi-Agent-Betrieb)
Warum ein hochintelligentes Agenten-Team das Offensichtliche übersieht — und wie viel davon ein Wissensproblem ist.
Artikel lesenAuftragsbrett statt Ticket-System: Wie 12 KI-Agenten ohne Chef koordinieren
Das Gegenstück zum Wissen: wie Aufgaben als Dateien mit YAML-Kopf zwischen Agenten wandern.
Artikel lesenHäufige Fragen
Was bedeutet agent-lesbares Wissen?
Wissen ist agent-lesbar, wenn ein KI-Agent ohne Rückfrage erkennen kann, was ein Dokument ist, wie aktuell und wie verbindlich es ist und welches Dokument bei einem Widerspruch gewinnt. Das braucht maschinenlesbare Pflichtfelder, feste Einstiegspunkte (Hubs) und ausdrückliche Vorrangregeln — nicht nur gut formulierte Texte.
Sind Notion, Obsidian und Roam Research für KI-Agenten ungeeignet?
Nein. Notion bietet einen gehosteten MCP-Server und eine API, Obsidian speichert Notizen als lokale Markdown-Dateien mit YAML-Properties und hat eine offizielle CLI. Die Werkzeuge sind für Menschen sehr gut. Was in der abgerufenen Dokumentation nicht beschrieben ist, ist eine erzwungene Pflichtfeld-Disziplin mit Gültigkeits- und Vorrangsemantik; die muss man als eigene Konvention darüberlegen.
Löst RAG das Problem, dass Agenten das falsche Wissen nutzen?
Nicht allein. Die Forschung beschreibt Failure Points entlang der gesamten RAG-Kette, und Modelle nutzen gefundene Passagen in langen Kontexten unzuverlässig. Zusätzlich kennt ein reiner Ähnlichkeitsabruf von sich aus keine Regel, welcher von zwei widersprüchlichen Treffern der gültige ist. Das ist unsere Einordnung aus der Praxis, kein Zitat aus einer Studie.
Wie fängt man mit agent-lesbarem Wissen an, ohne alles umzubauen?
Mit drei Schritten: erstens eine kleine Menge Pflichtfelder festlegen (Kennung, Titel, Typ, Status, Stand, Verbindlichkeit, Schlagworte), zweitens für jedes Themengebiet einen Hub als Einstieg benennen, drittens eine Vorrangregel für Widersprüche aufschreiben. Bestehende Notizen müssen nicht sofort migriert werden — neue Dokumente beginnen sauber, alte wandern bei Berührung nach.
Dein Wissen soll für KI-Agenten nutzbar werden?
Wir arbeiten selbst täglich mit agent-lesbarem Wissen und helfen dir, die ersten Pflichtfelder, Hubs und Vorrangregeln für dein Business sinnvoll zuzuschneiden.