Die Qualität eines Sprachmodells entscheidet seltener über das Ergebnis, als die meisten annehmen. Was den Unterschied macht, ist der Kontext – und wer ihn systematisch verfügbar hat, arbeitet mit KI auf einem anderen Niveau.
Sprachmodelle entwickeln sich in einem Tempo, das jeden Jahresvergleich überholt. Die meisten guten Modelle sind heute für ein breites Spektrum an Aufgaben bereits hinreichend leistungsfähig – nicht weil die Entwicklung stagniert, sondern weil sie so weit vorangeschritten ist, dass der entscheidende Engpass nicht mehr beim Modell liegt. Jedes dieser Modelle kann, mit gutem Kontext, beeindruckende Ergebnisse liefern. Dasselbe Modell ohne diesen Kontext beginnt von vorn – keine Vorgeschichte, kein Projektstand, keine frühere Entscheidung. Es produziert Ergebnisse, die in sich stimmen, aber nichts von dem wissen, was die Aufgabe wirklich braucht.
Den Unterschied kann man konkret beschreiben. Ein Sprachmodell kennt das allgemeine Wissen, das im Netz verfügbar ist. Was es nicht kennt, ist das spezifische Wissen einer Person: ihre Einschätzung eines Problems, den Stand ihrer laufenden Projekte, die Entscheidung, die vor drei Monaten aus gutem Grund anders ausfiel als die übliche Praxis. Genau dieses Wissen ist das, was generische von wirklich nützlichen Ergebnissen trennt.
Kontext verfügbar zu haben ist damit eine der wichtigsten Voraussetzungen für gute KI-Arbeit – nicht irgendwann, sondern bei jeder Aufgabe. Wer ihn dem Zufall überlässt, verschenkt den größten Hebel, den KI-Systeme bieten. Die Frage ist nicht, ob es sich lohnt, hier Energie und Aufwand zu investieren. Sie lautet: Wir kann ich den für meine Arbeit wichtigen Kontext optmal aufbereiten und ständig aktuell verfübgar halten?
Markdown als Fundament
Die Idee, Wissen geordnet in einem lokalen Dateisystem abzulegen, ist nicht neu – und sie hat sich in der Praxis bewährt. Renommierte Anwendungen wie Obsidian, Logseq, Joplin oder Zettlr arbeiten alle markdown-basiert und bedienen mit unterschiedlichen Schwerpunkten denselben Bedarf: Notizen dauerhaft, durchsuchbar und verknüpft zu speichern. Sie sind konsequent auf den menschlichen Nutzer ausgerichtet – auf dessen Art zu navigieren, Verbindungen herzustellen und Zusammenhänge zu erfassen. Für KI-Agenten als gleichberechtigte Nutzer einer Wissensbasis wurden sie nicht konzipiert. Was ein Mensch intuitiv versteht, ist für ein Sprachmodell nicht automatisch erschließbar.
Dass alle diese Tools auf Markdown als Dateiformat setzen, zeigt gleichwohl, dass das Format als Grundlage richtig ist. Markdown ist im Grunde nichts anderes als ein einfaches Textformat, das Struktur durch wenige Zeichen ausdrückt. Es ist von jedem Editor lesbar, auf jedem Betriebssystem nutzbar, versionierbar und ohne proprietäre Software zu öffnen. Sprachmodelle wurden auf Milliarden von Markdown-Dokumenten trainiert – GitHub-Repositories, technische Dokumentationen, strukturierte Wikis – und verarbeiten dieses Format effizienter als jedes andere Format, allen voran auch das allseite beliete PDF. Strukturierte Überschriften, Listen und Metadaten im Frontmatter geben dem Modell eine klare Orientierung, die unformatierter Text nicht bieten kann.
Die logische Konsequenz aus beidem ist eine Umkehrung des Entwurfsprinzips. Alle bisherigen Plattformen stellen den menschlichen Nutzer in den Mittelpunkt und binden KI-Systeme nachträglich ein – über Plugins, Erweiterungen, externe Schnittstellen. Was gebraucht wird, ist das Gegenteil: ein System, das in seiner Verzeichnisstruktur, seiner Typisierung – also welche Rolle jede Datei im System spielt – und seiner Navigationslogik in erster Linie darauf ausgelegt ist, einen KI-Agenten optimal zu bedienen. Der Mensch soll zudem aber auch direkt lesen, navigieren und bearbeiten können. Nicht Mensch zuerst, KI als Erweiterung. Sondern KI-Agenten als primäre Nutzer – mit dem Menschen als gleichberechtigtem Partner.
Was ein Agentic Vault ist
Ein System, das nach diesem Prinzip gebaut ist, verdient einen eigenen Namen: Agentic Vault. Keine neue Software, kein Ersatz für bestehende Werkzeuge – sondern eine Arbeitslogik, die auf denselben lokalen Markdown-Dateien aufbaut, sie aber anders denkt. Nicht als Ablage für menschliche Orientierung, sondern als Arbeitsraum, der optimal für die Interaktion mit KI-Agenten ausgelegt ist und für den Menschen zugleich vollständig beherrschbar bleibt. So entsteht eine Umgebung, in der Mensch und KI-Agenten über dieselben Dateien gemeinsam und gleichberechtigt arbeiten können.
Der Agentic Vault ist kein Archiv, das man gelegentlich öffnet – er ist der Arbeitsort, an dem KI-Arbeit zentral gebündelt stattfindet. Eigener Kontext bekommt hier ein Zuhause: Quellmaterial, das aufbereitet wurde, Wissen, das über Zeit reift, Erkenntnisse und Ergebnisse, die nicht im Chatverlauf verschwinden, sondern abrufbar bleiben. Wer KI-Systeme noch immer im Browser nutzt, hat diesen Mehrwert noch nicht erfahren – die großen Anbieter bieten zwar auch Gedächtnisfunktionen, aber jeder nur auf der eigenen Plattform, für das eigene Modell. Im Agentic Vault arbeiten Claude, Codex, Gemini oder auch lokale Modelle auf demselben gewachsenen Datenbestand – modell-agnostisch nebeneinander, ohne dass sich der eigene Kontext auf mehrere Silos verteilt. Die Zusammenarbeit zwischen Mensch und KI-System bekommt einen gemeinsamen Boden.
Ein Agentic Vault hält rohes Quellmaterial, verdichtetes Wissen und eigene Ergebnisse in geordneten, maschinenlesbaren Dateien vor – aufbereitet für den Zugriff durch KI-Agenten. Ziel ist nicht, die gesamte Wissensbasis auf einmal bereitzustellen, sondern den richtigen Ausschnitt zur richtigen Zeit. Dass das noch nicht durchgängig automatisch gelingt, ist eine ehrliche Einschränkung. Alle Informationen liegen jedoch an einem gemeinsamen Ort und lassen sich rasch zusammenführen. Den entscheidenden Unterschied zum klassischen Wissensspeicher macht der Rückfluss. Ein gutes Ergebnis verschwindet nicht im Chatverlauf, sondern kehrt an seinen Ort im Vault zurück und steht beim nächsten Mal bereit. Ohne diesen Feedback-Loop bleibt jede Sitzung ein Einmalvorgang – ohne Gedächtnis und ohne Wachstum.
Was das konkret bedeutet
Die eigene Umsetzung macht aus diesem Konzept gelebte Praxis – in der Struktur des Vaults, im täglichen Informationsfluss und in der Zusammenarbeit mehrerer KI-Systeme auf gemeinsamem Datenbestand.
Die Grundlage bildet eine Verzeichnisstruktur, in der jeder Bereich eine klar definierte Rolle trägt – Feeds für automatisch eingehendes Material, Recherche für anlassbezogene Quellen, Synthesen für verdichtetes Wissen, Projekte für aktive Vorhaben, Produkte für fertige Ergebnisse. Jede Datei trägt im Frontmatter, was sie ist – Quelle, Synthese, Entwurf oder Ergebnis. Für KI-Agenten ist das keine Komforteigenschaft, sondern Voraussetzung – wer nicht weiß, womit er arbeitet, kann nicht zielgerichtet arbeiten.
Täglich fließt neues Material aus konfigurierten Quellen automatisch in den Vault – klassifiziert, angereichert und indexiert durch KI-Agenten, ohne manuellen Aufwand. Eine eigens erzeugte Navigationsschicht hält einen maschinenlesbaren Themenindex vor, der KI-Agenten bei Bedarf adhoc den Einstieg in relevante Inhaltsbereiche ermöglicht, ohne den gesamten Vault lesen zu müssen. Der Nutzer konzentriert sich auf die inhaltliche Arbeit. Administraton und Verwaltung werden von eigens hierfür geschaffenen KI-Agtenten übernommen.
Auf dem so orchestrierten Datenbestand arbeiten Claude, Codex und Gemini gleichberechtigt – jedes System mit einer eigenen Instruktionsdatei, die es in die Arbeitslogik des Vaults einführt. Ein Modellwechsel erfordert keinen Systemwechsel. Was gemeinsam erarbeitet wurde, fließt zurück – Ergebnisse landen nicht im Chatverlauf, sondern an ihrem Ort im Vault, wo sie bei der nächsten Aufgabe bereitstehen. Ein Wechsel zwischen den Modellen verschiedener Hersteller ist damit jederzeit möglich und der Vault wächst mit jeder einzelnen Sitzung.
Das hier Beschriebene ist kein abgeschlossenes System, sondern eine Entwicklungsrichtung. Nicht jeder Baustein ist fertig, nicht jeder Schritt läuft bereits automatisch. Was jedoch steht, ist die Grundlogik – und die Erfahrung, dass sie trägt. Wer diesen Weg gehen will, steht vor vielfältigen Entscheidungen: Welche Verzeichnisstruktur passt zur eigenen Arbeitsweise? Welche Dokumenttypen werden gebraucht? Wie fließen Ergebnisse zurück und Wie werden KI-Agenten koordiniert? Diese Fragen beantwortet der nächste Beitrag. Ein Wissensspeicher organisiert Wissen. Ein Agentic Vault organisiert Kontext – für KI-Agenten optimiert, für Menschen zugänglich.