Second Brain, Wissensdatenbank oder Data Lake?

Ein Second Brain bewahrt das Wissen eines Unternehmens, eine KI-Wissensdatenbank beantwortet Fragen daraus, ein Data Lake speichert Rohdaten für Analysen. Die drei Begriffe bezeichnen keine Entwicklungsstufen, sondern Schichten: unten die Rohdaten, darüber das kuratierte Wissen, obenauf die Antwort mit Fundstelle. Für die meisten kleinen und mittleren Unternehmen ist die unterste Schicht längst vorhanden – als Dateiserver, Postfach, ERP und Wiki –, und ein eigener Data Lake ist nach unserer Erfahrung nicht nötig. Dieser Ratgeber erklärt die Begriffe, grenzt sie gegen Ablagen, Dokumentensuche und Microsoft 365 Copilot ab und zeigt, welcher Ansatz zu welcher Situation passt.

Was ist der Unterschied zwischen Second Brain, Wissensdatenbank und Data Lake?

Ein Second Brain ist das kuratierte Wissen eines Unternehmens, eine KI-Wissensdatenbank die Suche, die daraus Antworten mit Fundstelle liefert, ein Data Lake ein Speicher für Rohdaten, der für Auswertungen gedacht ist. Im Einzelnen:

Second Brain. Der Begriff stammt aus dem persönlichen Wissensmanagement; bekannt gemacht hat ihn Tiago Forte mit seiner gleichnamigen Methode und dem Buch „Building a Second Brain“ (Buchseite): Notizen, Entscheidungen und Erkenntnisse so ablegen, dass man sie wiederfindet und weiterverwendet. Wissensmanagement selbst umfasst nach dem Gabler Wirtschaftslexikon den Erwerb, die Entwicklung, den Transfer, die Speicherung und die Nutzung von Wissen – mit dem Ziel, dass das Wissen in der Organisation bleibt, auch wenn Einzelne sie verlassen; unterschieden wird dabei explizites, formulierbares Wissen von implizitem Erfahrungswissen, das sich nur schwer weitergeben lässt (Gabler). Eine allgemein anerkannte Definition des Second Brain für Unternehmen gibt es nicht; wir verwenden den Begriff so: das Wissen aus Köpfen und Abläufen einer Firma – Vorgehensweisen, Entscheidungen und ihre Gründe, Kundenbesonderheiten, Erfahrungswerte –, strukturiert erfasst, zentral abgelegt und mit Verantwortlichen für die Pflege, sodass es dem Unternehmen gehört und bleibt, wenn eine Person geht. Im Deutschen wird dafür auch Unternehmensgedächtnis gesagt. Es ist kein Werkzeug, sondern ein gepflegter Bestand.

KI-Wissensdatenbank. Eine Suche, die Fragen in normaler Sprache aus den eigenen Unterlagen beantwortet und zu jeder Antwort die Fundstelle nennt. Technische Grundlage ist das Verfahren Retrieval-Augmented Generation (RAG), 2020 von Patrick Lewis und Kollegen beschrieben (arXiv): Das Sprachmodell bekommt vor der Antwort die passenden Textstellen aus einem Index gereicht und stützt sich auf sie, statt allein auf sein Trainingswissen. Im Unternehmen sind diese Textstellen die eigenen Unterlagen; die Wissensdatenbank wird so eingerichtet, dass sie nur aus den gefundenen Stellen antwortet und die Fundstelle nennt. Nicht zu verwechseln mit der klassischen Wissensdatenbank eines Helpdesks, in der Mitarbeitende Artikel von Hand schreiben und pflegen: Die KI-Wissensdatenbank liest die vorhandenen Dokumente.

Data Lake. Ein zentraler Speicher, in dem Daten jeder Art im Rohformat abgelegt werden – Tabellen aus dem ERP, Logdateien, E-Mails, Bilder, Sensordaten –, ohne dass vorher festgelegt wird, wofür sie gebraucht werden; die Struktur entsteht erst bei der Auswertung (Microsoft Learn, AWS). Gedacht ist er für Datenanalyse und das Training von Modellen in Organisationen, die große, heterogene Datenmengen zusammenführen. Ein Data Lake weiß nicht, welche Datei die gültige Preisliste ist oder warum eine Entscheidung gefallen ist – er bewahrt auf.

Warum reichen SharePoint, Confluence oder der Dateiserver nicht als Wissensbasis für KI?

Weil Ablagen speichern, aber nicht wissen, was gilt. SharePoint, Confluence, Notion oder ein Dateiserver halten Seiten und Dateien bereit – und überlassen es dem Suchenden, Ort und Namen zu kennen; ob die gefundene Version die aktuelle ist, steht nirgends. Für Menschen ist das lästig, für eine KI ist es gefährlich: Sie antwortet mit derselben Sicherheit aus dem veralteten Angebot wie aus dem gültigen.

Der größte Teil dessen, was ein Unternehmen an Daten erzeugt, ist genau das: Dokumente, E-Mails, Präsentationen – unstrukturiert. Nach einer von Box gesponserten IDC-Studie aus dem Jahr 2023 waren 2022 rund 90 Prozent der von Organisationen erzeugten Daten unstrukturiert, und nur etwa die Hälfte davon wurde überhaupt ausgewertet (StorageNewsletter).

Drei Dinge fehlen einer Ablage, damit KI verlässlich daraus antworten kann: eine Ordnung, die sagt, was gilt und was Archiv ist; die Begründungen, die nie aufgeschrieben wurden, weil sie in den Köpfen der Erfahrenen liegen; und Zuständige, die das Ganze aktuell halten. Genau das ist der Unterschied zwischen einer Ablage und einem Second Brain für Unternehmen. Wissenssilos – jede Abteilung, jeder Kopf mit eigener Ablage – lösen sich nicht durch ein weiteres Werkzeug auf, sondern durch diese Ordnung. Die Ablage selbst bleibt; sie wird zur Quelle.

Was macht eine KI-Wissensdatenbank anders als eine Dokumentensuche oder ChatGPT mit Dateizugriff?

Eine Dokumentensuche liefert Treffer, eine KI-Wissensdatenbank liefert die Antwort – mit der Stelle, aus der sie stammt. Die Volltextsuche eines Dokumentenmanagementsystems findet Dateien, in denen die gesuchten Wörter vorkommen; lesen und zusammensetzen muss der Mensch. Die KI-Wissensdatenbank arbeitet mit Bedeutung statt mit Wortgleichheit: Sie findet die Passage zur Reklamationsfrist auch dann, wenn im Dokument von „Mängelrüge“ die Rede ist, und formuliert daraus eine Antwort mit Fundstelle.

ChatGPT oder ein anderer Assistent, dem man Dateien hochlädt, kann Ähnliches für eine Handvoll Dokumente – aber ohne Berechtigungen, ohne Anbindung an die Ablagen, in denen täglich neue Versionen entstehen, und ohne Kontrolle darüber, wo die Daten verarbeitet werden. Eine Wissensdatenbank im Unternehmen antwortet nur aus Dokumenten, die die fragende Person sehen darf, hält den Index aktuell und läuft dort, wo es der Datenschutz erlaubt – in der EU oder auf eigener Hardware.

Ihre Grenze bleibt: Sie findet nur, was dokumentiert ist. Fehlt die Begründung einer Entscheidung in allen Unterlagen, kann auch die beste Suche sie nicht liefern. Dafür ist das Second Brain da.

Brauche ich eine eigene Wissensdatenbank, wenn ich Microsoft 365 Copilot habe?

Für Fragen an Microsoft-365-Inhalte oft nicht – für alles andere entscheiden vier Kriterien. Microsoft 365 Copilot stützt seine Antworten in der Premium-Variante laut Microsoft automatisch auf E-Mails, Dateien, Besprechungen und Kalender der Organisation, über Microsoft Graph und einen semantischen Index (Microsoft Learn) – also in den Ablagen, die es ohnehin gibt. Das zeigt zugleich, dass für eine Wissensdatenbank kein Data Lake nötig ist. Assistenten anderer Plattformen arbeiten nach demselben Prinzip auf deren Ablagen.

Entscheidend sind vier Fragen:

1. Wo liegt das Wissen? Liegt es in ERP, Dokumentenmanagement, Branchensoftware, auf dem Dateiserver oder auf Papier, braucht Copilot für jede Quelle eine eigene Anbindung – oder das Wissen bleibt außen vor.
2. Wer darf was sehen? Copilot übernimmt die Berechtigungen aus Microsoft 365. Sind Freigaben dort über Jahre gewachsen, antwortet er auch aus Dokumenten, die nie für alle gedacht waren; Microsoft empfiehlt deshalb, Überfreigaben vor der Einführung zu bereinigen (Microsoft Learn).
3. Wo werden die Daten verarbeitet? Wer Antworten aus sensiblen Beständen nur im eigenen Haus oder auf einem selbst gewählten Server zulassen will – ohne Verarbeitung durch einen Cloud-Anbieter und mit freier Wahl des Sprachmodells –, braucht eine Lösung, bei der Index und Sprachmodell dort laufen.
4. Wer pflegt die Grundlage? Copilot findet nur, was aufgeschrieben ist, und entscheidet nicht, welche von drei abgelegten Versionen gilt. Ohne Second Brain bleibt das Problem dasselbe wie vor der KI.

Wer alle vier Fragen mit „Microsoft 365 reicht“ beantwortet, braucht keine zweite Wissensdatenbank. Wer bei einer davon hängen bleibt, braucht eine eigene Antwort-Schicht über den tatsächlichen Quellen – die Microsoft 365 als eine davon einschließen kann.

Braucht ein mittelständisches Unternehmen einen Data Lake?

Nach unserer Einschätzung in der Regel nicht. Ein Data Lake lohnt sich, wenn große, heterogene Datenmengen für Auswertungen und Modelltraining an einem Ort zusammenkommen müssen und ein Team da ist, das ihn pflegt. Geht es darum, dass Mitarbeitende Antworten aus vorhandenen Unterlagen bekommen und Wissen nicht mit Personen verschwindet, ist er das falsche Werkzeug – nicht zu klein, sondern für eine andere Frage gebaut.

Der Aufwand ist kein Detail. Microsoft beschreibt in der eigenen Dokumentation, was die Verwaltung großer Rohdatenmengen verlangt: eine robuste Infrastruktur, verteilte Verarbeitung und sorgfältiges Kostenmanagement, dazu Metadatenverwaltung und Governance-Regeln (Microsoft Learn); belastbare öffentliche Kostenzahlen für mittelständische Data Lakes haben wir nicht gefunden. Ohne diese Pflege entsteht, was die Branche Datensumpf nennt: ein nicht verwalteter Data Lake, der für die vorgesehenen Nutzer nicht zugänglich ist oder wenig Wert bietet (Wikipedia). Die Warnung ist alt: Schon 2014 beschrieben die Gartner-Analysten Nick Heudecker und Andrew White Data Lakes als Speicher, die typischerweise ungesteuert beginnen und ohne Steuerung keinen nachhaltigen Wert liefern (Information Age, IT Brief).

Zur Einordnung: Das Data Warehouse ist das klassische Gegenstück – eine für Auswertungen aufbereitete zentrale Datenbank, deren Daten in festen Tabellen liegen und Berichte und Kennzahlen speisen (Wikipedia, AWS). Beides sind Systeme für Datenanalyse. Die Frage „Wie hoch war der Umsatz je Region im letzten Quartal?“ gehört dorthin; die Frage „Wie gehen wir vor, wenn ein Kunde die Abnahme verweigert?“ nicht – diese Antwort steht in einer E-Mail, einem Protokoll oder im Kopf einer Kollegin. Und die Kundenliste, die heute in Excel liegt, gehört in eine Unternehmensdatenbank, nicht in einen Lake.

Wann ein Data Lake doch die richtige Antwort ist – unsere Einschätzung aus Projekten, keine Studie:

• Maschinen-, Sensor- oder Logdaten fallen in großer Menge an und sollen über Jahre ausgewertet werden, etwa für vorausschauende Wartung.
• Viele Quellsysteme liefern laufend Daten, die für Analysen zusammengeführt werden müssen, und kein einzelnes System ist dafür gedacht.
• Es gibt ein Datenteam oder einen Dienstleister, der Katalog, Qualität und Zugriff dauerhaft verantwortet.
• Das Ziel sind Auswertungen und Modelle, nicht Antworten für Mitarbeitende.

Treffen diese Punkte zu, ist der Data Lake ein eigenes Vorhaben – und er kann später eine von mehreren Quellen der Wissensdatenbank sein.

Wie passen Data Lake, Second Brain und Wissensdatenbank zusammen?

Als Schichten, nicht als Reihenfolge. Unten liegen die Quellen: ERP, CRM, Dokumentenmanagement, Dateiserver, Postfächer – und, wo vorhanden, ein Data Lake. Darüber liegt das Second Brain: das kuratierte Wissen mit Verantwortlichen, das sagt, was gilt und warum. Obenauf liegt die Antwort-Schicht: die KI-Wissensdatenbank, die Mitarbeitenden und KI-Agenten aus beidem antwortet und die Fundstelle nennt.

Daraus folgt die Antwort auf eine häufige Frage: Ein Second Brain ist weder eine Unterart noch eine Vorstufe des Data Lake. Ein Data Lake speichert Rohdaten ohne Bedeutung; ein Second Brain besteht aus Bedeutung – welche Information gilt, warum, für wen. Wer das Second Brain als Vorstufe zum Data Lake sieht, denkt die Richtung falsch herum: Die Entwicklung führt vom Rohdatenspeicher weg zu Wissen mit Kontext, nicht hin. Und mehr Rohdaten erzeugen keine Begründungen – ein Data Lake macht ein fehlendes Second Brain nicht wett.

Welcher Ansatz passt zu welchem Unternehmen?

Die Antwort hängt nicht an der Größe, sondern an der Situation – vier typische Fälle:

• Wissen hängt an einzelnen Personen (Generationswechsel, Kündigung, lange Krankheit): zuerst das Second Brain – erfassen, solange die Person noch da ist. Der Druck ist messbar: Bis 2040 werden nach Angaben des Statistischen Bundesamts rund 13,3 Millionen Erwerbspersonen das gesetzliche Rentenalter überschritten haben, 30,0 Prozent aller Erwerbspersonen des Jahres 2025; jüngere Jahrgänge können die Babyboomer zahlenmäßig nicht ersetzen (Destatis, Juni 2026).
• Wissen ist dokumentiert, aber niemand findet es (ständige Rückfragen an die Erfahrenen, langes Suchen in Ordnern und Postfächern): zuerst die KI-Wissensdatenbank über den wichtigsten Ablagen. Dass Suchen Arbeitszeit kostet, ist seit Jahren belegt – das McKinsey Global Institute schätzte 2012, dass Wissensarbeiter knapp 20 Prozent der Arbeitswoche damit verbringen, interne Informationen oder die Kollegen zu finden, die weiterhelfen können (McKinsey).
• Operative Daten liegen in Excel-Listen (Kunden, Projekte, Bestände, mehrere Bearbeiter): eine Unternehmensdatenbank mit Rechten und Rollen – weder Wissensdatenbank noch Data Lake.
• Maschinen-, Sensor- oder Massendaten sollen ausgewertet werden: ein Analysevorhaben mit eigenem Datenteam, getrennt von der Wissensfrage – hier kann ein Data Lake richtig sein.

Beispiel: Ein Zulieferer mit 60 Mitarbeitenden will, dass neue Kollegen Angebote nach denselben Regeln kalkulieren wie die erfahrenen. Die Regeln stehen nirgends; sie liegen bei zwei Personen. Hier hilft kein Rohdatenspeicher: Der erste Schritt ist, die Kalkulationslogik und ihre Ausnahmen zu erfassen (Second Brain), der zweite, sie zusammen mit Preislisten und Altangeboten durchsuchbar zu machen (KI-Wissensdatenbank). Will derselbe Betrieb später Maschinendaten für die Wartung auswerten, ist das ein eigenes Vorhaben.

Mit der Größe wächst vor allem die Zahl der Abteilungen, Ablagen und Berechtigungen – und damit der Bedarf an beiden Schichten; ob sich der Einstieg schon für ein kleines Team lohnt, beantwortet die FAQ auf der Seite Second Brain für Unternehmen. Erst bei Organisationen mit eigenem Datenteam kommt die Frage nach einer Analyseplattform hinzu – zusätzlich zur Wissensschicht, nicht anstelle.

Wie fängt ein kleines oder mittleres Unternehmen am besten an?

Mit einer Inventur statt mit einer Architektur. Vier Schritte, die sich in wenigen Wochen erledigen lassen:

1. Quellen aufnehmen. Wo liegt das Wissen heute – Ablagen, Postfächer, Systeme, Köpfe? Was davon gilt, was ist Archiv?
2. Ein bis zwei Anwendungsfälle wählen. Die Rückfrage, die am häufigsten kommt; die Übergabe, die als Nächstes ansteht. Nicht „alles durchsuchbar machen“.
3. Verantwortliche benennen. Wer erfasst, wer pflegt, wer entscheidet, was gilt. Ohne diese Rolle veraltet jede Wissensbasis – mit oder ohne KI.
4. Klein prüfen. Ein Pilot auf einem begrenzten Dokumentenbestand, geprüft an Testfragen aus dem Alltag, die vorher schriftlich festgelegt werden.

So gehen wir bei AI First Solutions vor. Hängt das Wissen an Personen, beginnen wir mit dem Second Brain für Unternehmen – erfassen, strukturieren, sichern, dazu Routinen für Pflege und Übergaben. Ist das Wissen dokumentiert, aber schwer zu finden, bauen wir die KI-Wissensdatenbank über den vorhandenen Ablagen – mit Berechtigungen je Rolle und Antworten mit Fundstelle; auf Wunsch läuft sie über eine lokale KI auf einem Server in Deutschland oder im eigenen Haus. Data-Lake-Plattformen gehören nicht zu unserem Angebot; braucht ein Unternehmen eine, sagen wir das und nennen die Richtung.

Ein Beispiel aus unserer Arbeit: Für ein Unternehmen haben wir verteiltes Firmen- und Mitarbeiterwissen systematisch erfasst und zentral gesichert, sodass es durchsuchbar bleibt und nicht in einzelnen Köpfen oder Ordnern verloren geht – auch bei Personalwechsel. Ob bei Ihnen zuerst die Erfassung oder die Suche dran ist, klärt sich meist in zwanzig Minuten – im kostenlosen Erstgespräch. Wenn die Antwort „weder noch“ lautet, sagen wir das.