von 
ChatGPT, Claude, Gemini oder ein spezialisiertes KI-Tool: Welches System ist eigentlich das beste für dein Unternehmen?
Diese Frage wird aktuell häufig gestellt. Aus meiner Sicht greift sie jedoch zu kurz. Denn KI-Systeme entwickeln sich extrem schnell. Heute liefert ChatGPT bei einer Aufgabe die besten Ergebnisse, morgen vielleicht Claude oder Gemini. Für andere Prozesse benötigt man womöglich überhaupt kein klassisches Sprachmodell, sondern ein spezialisiertes Tool.
Die entscheidende Frage lautet deshalb nicht: Welche KI soll ich verwenden? Viel wichtiger ist die Frage: Wie baue ich eine Infrastruktur, mit der ich unterschiedliche KI-Systeme flexibel nutzen kann, ohne mein Wissen und meine Prozesse jedes Mal neu aufbauen zu müssen?
Das eigentliche Problem: Wissen steckt in einzelnen KI-Systemen
Viele Unternehmen starten ähnlich mit künstlicher Intelligenz. Zunächst werden einfache Prompts in ChatGPT entwickelt. Später entstehen vielleicht erste Custom GPTs, eigene Skills oder spezifische Workflows. Parallel kommt Claude hinzu, dann Gemini oder ein anderes Tool.
Mit der Zeit sammelt sich immer mehr Wissen an. Regeln werden definiert, Prozesse beschrieben, Prompts optimiert und individuelle Arbeitsweisen entwickelt. Das Problem dabei ist nicht die Menge dieses Wissens, sondern der Ort, an dem es gespeichert wird.
Wenn Unternehmenswissen direkt in einzelnen KI-Systemen aufgebaut wird, entsteht eine Abhängigkeit. Verändert sich ein Modell, schwankt die Qualität oder liefert ein anderes System plötzlich bessere Ergebnisse, beginnt ein Teil der Arbeit wieder von vorne.
Wissen zentralisieren statt an ein KI-System binden
Für mich übernimmt Notion die Rolle einer zentralen Wissens- und Datenbasis innerhalb meiner KI-Infrastruktur. Dabei ist mir ein Punkt besonders wichtig: Es muss nicht zwingend Notion sein. Entscheidend ist das Prinzip dahinter.
Unternehmenswissen sollte an einer zentralen Stelle aufgebaut, gepflegt und weiterentwickelt werden und nicht ausschließlich in ChatGPT, Claude oder einem anderen KI-System liegen.
Ich nutze Notion, weil ich dort sehr unterschiedliche Arten von Wissen strukturiert abbilden kann. Dazu gehören beispielsweise Unternehmenswissen, Produktinformationen, Zielgruppen, Positionierung, Angebote, Markenrichtlinien, interne Standards, Prozesse, Meeting-Erkenntnisse, Research, Content-Wissen oder auch meine Podcast-Themen.
So entsteht Schritt für Schritt ein zentraler Knowledge Space, auf den ich in unterschiedlichen Situationen zurückgreifen kann.
Der entscheidende Gedanke lautet für mich dabei: Notion speichert mein Wissen. Die KI arbeitet mit diesem Wissen.
Warum diese Trennung strategisch immer wichtiger wird
KI-Systeme werden sich weiter verändern. Modelle werden leistungsfähiger, Preise verändern sich, neue Funktionen kommen hinzu und neue Anbieter entstehen. Gleichzeitig kann ein Modell, das heute für einen bestimmten Prozess sehr gut funktioniert, morgen bereits von einem anderen System überholt werden.
Deshalb möchte ich meine komplette Unternehmenslogik nicht an einen einzelnen Anbieter koppeln.
Meine Prozesse gehören mir. Meine Skills gehören mir. Mein Wissen gehört mir. Die KI-Systeme sind ausführende Komponenten innerhalb dieser Struktur.
Wenn morgen Claude für einen bestimmten Prozess besser funktioniert als ChatGPT, möchte ich wechseln können. Wenn Gemini bei einer anderen Aufgabe bessere Ergebnisse liefert, möchte ich auch dort flexibel bleiben.
Die zentrale Wissensstruktur verändert sich dadurch nicht. Genau darin liegt für mich ein großer strategischer Vorteil.
Die Knowledge Base als Fundament
Der erste wichtige Baustein meiner Struktur ist die Knowledge Base. Dort liegt das relevante Unternehmenswissen.
Das können Informationen über Produkte und Angebote sein, Wissen über Zielgruppen und Positionierung, Guidelines, Research oder zentrale Dokumentationen. Auch Erkenntnisse aus Meetings spielen eine wichtige Rolle.
Ich lasse beispielsweise Meetings mithilfe von KI aufbereiten und strukturiert in einer Meeting-Übersicht ablegen. Dadurch entsteht mit der Zeit eine Wissensbasis, auf die ich später wieder zurückgreifen kann. Entscheidungen, Erkenntnisse und relevante Informationen verschwinden nicht einfach in einzelnen Gesprächsnotizen oder Chatverläufen.
Damit wird die Knowledge Base mehr als nur ein Archiv. Sie entwickelt sich zu einem aktiven Wissensspeicher, der kontinuierlich wächst und für unterschiedliche KI-Anwendungen verwendet werden kann.
Skills sollten ebenfalls zentral aufgebaut werden
Ein zweiter wichtiger Baustein ist meine Skill Library. Auch hier beobachte ich häufig, dass Unternehmen ihre Skills unmittelbar innerhalb einzelner KI-Systeme entwickeln. Dann existiert vielleicht ein Custom GPT für Sales, ein Claude Project für Research und ein weiterer Assistent für Content. Das kann funktionieren. Es hat jedoch den Nachteil, dass wichtiges Know-how immer stärker an bestimmte Systeme gebunden wird.
Deshalb versuche ich, meine Skills möglichst systemunabhängig zu definieren und zentral zu speichern. Ein Skill besteht dabei nicht einfach aus einem kurzen Prompt. Er enthält möglichst viel von dem Kontext, der notwendig ist, damit die KI dauerhaft hochwertige Ergebnisse liefern kann.
Bei meinem Podcast habe ich beispielsweise einen eigenen Podcast-Skill aufgebaut. Dort ist beschrieben, wie der Podcast grundsätzlich aufgebaut sein soll, welche Zielgruppe angesprochen wird, welche Leitprinzipien gelten, welche Fragestellungen relevant sind und welche Ergebnisse anschließend entstehen sollen.
Dazu können unter anderem Interviewfragen, Podcast-Titel, Teaser, Social-Media-Inhalte oder Blogbeiträge gehören. Gleichzeitig definiere ich Tonalität, Sprache, Anrede und weitere Qualitätsanforderungen.
Der Vorteil ist für mich entscheidend: Ich definiere diese Anforderungen einmal sauber und kann sie anschließend in unterschiedlichen KI-Systemen verwenden.
Prozesse machen aus einzelnen KI-Anwendungen ein System
Neben Wissen und Skills spielen Prozesse eine zentrale Rolle. Denn in jedem Unternehmen gibt es Aufgaben, die sich regelmäßig wiederholen.
Deshalb dokumentiere ich auch Prozesse zentral. Dabei geht es für mich nicht nur darum, einzelne Arbeitsschritte aufzuschreiben. Viel wichtiger ist die Frage, welche Aufgabe von einem Menschen übernommen werden sollte, wo KI sinnvoll unterstützen kann und welche Schritte automatisiert werden können.
Nicht jeder Prozess sollte vollständig automatisiert werden. Gleichzeitig muss auch nicht jeder Arbeitsschritt manuell stattfinden.
Die Kunst besteht darin, die unterschiedlichen Komponenten sinnvoll miteinander zu verbinden. Genau dann wird aus einem einzelnen KI-Use-Case eine belastbare Prozessstruktur.
Mein Podcast als konkretes Beispiel
Mein eigener Podcast zeigt gut, wie eine solche Struktur aussehen kann. Ich habe eine Content-Datenbank, in der vergangene Podcast-Episoden ebenso hinterlegt sind wie zukünftige Themenideen. Gleichzeitig existiert meine Skill-Datenbank, die beschreibt, wie der Podcast aufgebaut ist und wie KI mich bei verschiedenen Schritten unterstützen kann.
Wenn ich ein neues Thema entwickle, kann ich auf vergangene Inhalte zurückgreifen, vorhandene Ideen berücksichtigen und weitere Informationen einbeziehen. Die KI bekommt damit nicht nur einen isolierten Prompt, sondern einen wesentlich breiteren Kontext.
Nach der Produktion können wiederum weitere Inhalte entstehen. So kann die KI beispielsweise Titelvorschläge erarbeiten, die Struktur eines Blogartikels vorbereiten oder Inhalte für Social Media erstellen. Regeln zu SEO, Tonalität und Struktur sind dabei bereits definiert.
Zusätzlich habe ich eine Verbindung zu Todoist. Nach der Produktion können Aufgaben entstehen, die anschließend für die Veröffentlichung abgearbeitet werden.
Dadurch entsteht ein durchgängiger Workflow: Notion liefert den Kontext, die KI verarbeitet den Kontext, andere Tools führen Aktionen aus und Ergebnisse können wieder in die zentrale Struktur zurückfließen.
Warum dieser Ansatz gerade für Teams wichtig ist
Besonders relevant wird eine zentrale Wissensstruktur, wenn mehrere Menschen in einem Unternehmen mit KI arbeiten.
Stellt euch vor, fünf oder zehn Mitarbeitende entwickeln über Monate eigene Prompts, eigene Skills und eigene Custom GPTs. Jeder optimiert seine persönliche Arbeitsweise und sammelt wertvolles Erfahrungswissen.
Solange alle Beteiligten im Unternehmen bleiben, mag das funktionieren. Verlässt jedoch eine Person das Unternehmen, kann mit ihr auch ein Teil dieses Wissens verschwinden.
Genau das sollte vermieden werden.
Unternehmenswissen muss im Unternehmen bleiben. Dazu gehören nicht nur klassische Dokumente, sondern zunehmend auch KI-Skills, Prozesswissen, Qualitätskriterien und die Erfahrungen darüber, wie bestimmte Aufgaben besonders gut umgesetzt werden.
Eine zentrale Struktur sorgt dafür, dass dieses Wissen gemeinsam genutzt und weiterentwickelt werden kann. Prozesse lassen sich aktualisieren, Skills optimieren und Qualitätsanforderungen vereinheitlichen.
Damit wird die KI-Nutzung reproduzierbarer. Aus der persönlichen KI-Produktivität einzelner Mitarbeitender kann eine echte organisationale KI-Kompetenz entstehen.
Auch Solo-Unternehmer profitieren von einer zentralen Struktur
Das Prinzip gilt nicht nur für größere Unternehmen.
Gerade als Solo-Unternehmer übernimmt man oft sehr unterschiedliche Aufgaben. Content, Vertrieb, Strategie, Organisation oder Administration laufen möglicherweise bei einer Person zusammen. Umso hilfreicher ist es, Wissen, Prozesse und Skills strukturiert aufzubauen.
Ich muss dann nicht bei jeder Aufgabe wieder bei null beginnen. Wissen wird gespeichert, Prozesse werden dokumentiert und Skills kontinuierlich verbessert. KI-Systeme können genau dort eingesetzt werden, wo sie einen sinnvollen Beitrag leisten.
Auf diese Weise entsteht Schritt für Schritt eine eigene Infrastruktur, die nicht von einem einzigen Tool abhängig ist.
Vom Ausprobieren zur produktiven KI-Nutzung
Viele Unternehmen befinden sich beim Thema KI aktuell noch in einer Experimentierphase. Hier wird ein Prompt ausprobiert, dort ein neues Tool getestet und anschließend das nächste Modell angeschaut.
Das ist grundsätzlich sinnvoll und gehört zur Entwicklung dazu. Irgendwann muss aus diesem Experimentieren jedoch eine belastbare Struktur entstehen.
Genau darin sehe ich den nächsten wichtigen Schritt.
Es geht nicht darum, möglichst viele KI-Tools einzusetzen. Es geht darum, Systeme zu entwickeln, die dauerhaft funktionieren. Systeme, die Wissen sichern, Qualität reproduzierbar machen und möglichst unabhängig von einzelnen KI-Anbietern funktionieren.
Erst dann wird KI wirklich zu einem Instrument für Produktivität und Effizienz.
Wie meine KI-Infrastruktur aufgebaut ist
Wenn ich meine eigene Struktur zusammenfasse, besteht sie im Kern aus vier Bereichen.
Die Knowledge Base enthält das relevante Unternehmenswissen. Dazu gehören Produkte, Angebote, Zielgruppen, Positionierung, Guidelines, Research und zentrale Dokumentationen.
Die Prozessdatenbank bildet wiederkehrende Abläufe ab und hilft dabei zu definieren, an welcher Stelle Menschen, KI oder Automatisierungen zum Einsatz kommen.
In der Skill Library liegen wiederverwendbare Fähigkeiten und Vorgehensweisen. Dazu gehören bei mir beispielsweise Sales-, HR- oder Podcast-Skills. Wichtig sind dabei Kontext, Vorgehensweise, Regeln, Qualitätskriterien und der gewünschte Output.
Ergänzt wird das Ganze durch die KI- und Tool-Struktur. Hier geht es darum, welche Systeme für welche Aufgaben genutzt werden. Das können ChatGPT, Claude, andere KI-Systeme, CMS-Lösungen, Aufgabenmanagement-Systeme oder weitere Anwendungen sein.
Diese vier Bereiche greifen ineinander. Genau dadurch entsteht aus einzelnen Tools und Prompts eine zusammenhängende Infrastruktur.
Die KI darf wechseln – das Wissen bleibt
Am Ende geht es für mich vor allem um Unabhängigkeit.
Ich möchte jederzeit entscheiden können, welches KI-System ich für welchen Prozess verwende. Vielleicht ist es heute ChatGPT, morgen Claude und übermorgen Gemini.
Das ist für mich langfristig zweitrangig.
Entscheidend ist, dass mein Wissen nicht jedes Mal neu aufgebaut werden muss.
Unternehmenswissen sollte deshalb zentral gespeichert, kontinuierlich weiterentwickelt und anschließend flexibel für unterschiedliche KI-Systeme verfügbar gemacht werden.
Denn langfristig ist nicht das einzelne KI-Tool das eigentliche Asset eines Unternehmens.
Das Asset ist das eigene Wissen.
Dazu gehören Prozesse, Skills, Erfahrungen, Qualitätsstandards und die Fähigkeit, dieses Wissen strukturiert mit unterschiedlichen KI-Systemen zu nutzen.
Wer diese Infrastruktur aufbaut, schafft die Grundlage dafür, künstliche Intelligenz nicht nur auszuprobieren, sondern dauerhaft produktiv in die eigene Arbeit zu integrieren.
