← IT.I.M Framework
IT.I.M Framework · Teil 3

IT.I.M Framework – Teil 3: Das Gedächtnis

Ein besseres Modell löst das Problem nicht, die KI braucht ein Gedächtnis. Wie ein mehrschichtiger Wissensspeicher, Übergabe-Dateien und das Zeiger-Prinzip dafür sorgen, dass kein Projektwissen mehr verloren geht.

Die KI-Modelle werden laufend besser. Der grösste Fortschritt in meiner Arbeit kam trotzdem woanders her: Ich habe der KI ein Gedächtnis entwickelt.

Jede Session startet bei null

Das Problem dahinter kennt jeder, der ernsthaft mit KI arbeitet: Jede neue Session startet bei null. Kein Wissen vom Vortag, nichts vom Projekt, die Entscheidungen der letzten Woche muss man erst mühsam in älteren Chats suchen. Bei einer schnellen Frage ist das egal. Bei einem laufenden Projekt geht das gar nicht.

Ein mehrschichtiges Gedächtnis

Mit der Zeit habe ich verstanden, dass ein besseres Modell das Problem nicht löst. Es braucht eine bessere Umgebung. Das Wissen muss beim Start einfach bereitliegen. Also habe ich der KI ein mehrschichtiges Gedächtnis eingerichtet: globale Regeln, die immer gelten, Projektwissen pro Thema, dazu private Notizen und das Feedback aus Korrekturen. Alles in kleinen Einheiten, pro Datei ein Fakt, damit gezielt gefunden wird, was gerade gebraucht wird. Das lädt bei jedem Start automatisch.

Und das Gedächtnis wächst nicht nur, weil ich es fülle. Das IT.I.M Framework ist so entwickelt, dass es selbst erkennt, wann etwas Neues dazugehört: eine Regel, ein Projekt-Fakt, ein gelöstes Problem. Die KI hält es fest, und aus einer einmaligen Erkenntnis wird ein dauerhafter Eintrag. Ich muss nicht daran denken, nur noch zustimmen, dass es dokumentiert wird.

Übergaben und das Zeiger-Prinzip

Dazu kommen Übergabe-Dateien von Session zu Session. Am Ende hält die KI fest, was erledigt ist, wo die Arbeit steht und was als Nächstes ansteht, und die nächste Session liest das beim Start wieder ein. Einmal hatte ich nach diesem Eintrag noch zwei Dinge geändert, bevor ich Feierabend machte. Die KI hat sie beim Abschluss nachgetragen, weil das Framework genau diesen Abgleich am Sessionende vorschreibt. Seither gehört diese Arbeitsweise fest dazu, festgehalten als Regel.

Ein Prinzip ist dabei entscheidend: Die eigentliche Dokumentation entsteht in der Wissensdatenbank von YouTrack und der Arbeitsfortschritt der Projekte in den Tasks. Das Gedächtnis der KI besteht aus MD-Dateien, die im Git-Repository und in den Projektordnern liegen. Die halten nur fest, wo in YouTrack etwas zu finden ist, nicht was darin steht. So gibt es keine zweite Kopie, die man pflegen müsste, und nie die Frage, welche gerade stimmt. Wie diese eine Quelle sauber bleibt, ist ein Thema für sich, dazu im nächsten Teil.

Was das im Alltag bringt

Der Effekt ist im Alltag spektakulär: Ich kann ein Thema nach zwei Wochen Pause weiterführen, ohne irgendetwas neu zu erklären.

Ich frage im Chat, was der Stand in Projekt XY ist, und bekomme sofort den aktuellen Stand und die nächsten Schritte. Das Tolle ist, dass man so auch effizient in Projektteams arbeiten kann. Wenn ein Teammitglied oder externer Partner am Projekt weitergearbeitet hat, dann fliessen diese Informationen sofort mit ein.

Was für mein eigenes Arbeitswissen funktioniert, funktioniert für Unternehmenswissen genauso. Ein firmenweites Gedächtnis, mit dem die KI im ganzen Unternehmen arbeitet, entsteht nicht als Grossprojekt, sondern Schicht für Schicht, genau so, wie meins entstanden ist. Heute ist das Vision, aber in kurzer Zeit wird das die Grundlage für KI-gestütztes Arbeiten in Unternehmen werden.

6 Aufrufe