Das eigentliche Problem: Wissen ist fragmentiert
Bereits damals war sichtbar, dass digitales Wissen zunehmend verteilt entsteht. Informationen liegen in Dropbox, Evernote, Google Drive, Kalendern, E-Mails, Chats, Browser-Bookmarks, Dokumenten und Projekttools — jede Plattform verwaltet Inhalte isoliert.
Für Menschen entsteht dadurch ein grundlegendes Problem: Der Zusammenhang zwischen Informationen geht verloren.
Informationen existieren — Kontext fehlt
Das eigentliche Problem war nie fehlende Information. Sondern fehlender Zusammenhang. Zum Beispiel:
- ein Meeting ohne verknüpfte Dokumente
- eine Notiz ohne Projektkontext
- Kontakte ohne Kommunikationshistorie
- Dateien ohne Bezug zu Entscheidungen
- Wissen ohne zeitliche Einordnung
Dadurch entstehen Suchaufwand, Kontextverlust, Informationssilos, doppelte Arbeit und kognitive Überlastung. Dieses Problem hat sich bis heute kaum verändert.
Wissen entsteht durch Verbindungen
Die zentrale Idee hinter Intuitive Knowledge Connectivity (IKC) war: Wissen ist nicht einfach gespeicherte Information. Wissen entsteht durch Beziehungen zwischen Informationen.
Wir wollten Informationen nicht nur speichern — sondern intelligent miteinander verbinden.
Weg von Ordnerstrukturen
Klassische Dateisysteme arbeiten hierarchisch: Ordner, Unterordner, Kategorien, fixe Ablagestrukturen. Menschen denken jedoch selten linear.
Gedanken entstehen über Assoziationen, Beziehungen, Kontexte, Verknüpfungen und Erinnerungen. Genau daran orientierte sich unser Ansatz.
Digitale Objekte als Wissensnetzwerk
Die Idee war, digitale Inhalte nicht isoliert zu behandeln, sondern als Teil eines verbundenen Netzwerks. Jedes Element — Dokumente, Kontakte, Meetings, Aufgaben, Fotos, Weblinks, Notizen, Kalenderereignisse — konnte Beziehungen zu anderen Elementen besitzen.
Dadurch entstand ein persönliches Wissensnetzwerk.
Ein früher Ansatz für den Knowledge Graph
Heute sprechen viele Unternehmen von Knowledge Graphs, Semantic Search, Contextual AI und AI Memory Systems. Im Kern beschrieben wir damals bereits genau diese Richtung.
Unser Modell basierte auf Knoten, Beziehungen, semantischen Verbindungen und Kontextstrukturen — kurz: auf einem Graphmodell.
Wissen als Netzwerk statt Datenablage
Die spannende Idee: Wissen sollte nicht primär verwaltet werden. Sondern navigierbar werden. Dadurch entstehen neue Möglichkeiten: Zusammenhänge erkennen, Wissen explorieren, Kontext erweitern, Informationen intuitiv auffinden.
Das Modell orientierte sich dabei stärker an menschlichem Denken als an klassischen Datenbanken.
Connectivism als theoretische Grundlage
Eine wichtige Inspiration war die Lerntheorie des Connectivism von George Siemens. Die Grundidee: Lernen entsteht durch Verbindungen zwischen Wissenselementen. Neue Informationen werden wertvoll, wenn sie mit bestehendem Wissen verknüpft werden können.
Das bedeutete: Nicht einzelne Informationen stehen im Zentrum — sondern Netzwerke aus Informationen.
Die Vision: ein plattformübergreifender Wissens-Layer
Besonders spannend war die Idee, bestehende Plattformen nicht zu ersetzen — sondern darüber einen zusätzlichen Wissens-Layer zu legen. Das System sollte verschiedene Plattformen verbinden, Beziehungen erkennen, Inhalte zusammenführen, zentrale Suche ermöglichen und Wissen visuell navigierbar machen.
Im Prototyp wurden bereits Dropbox, Evernote, Weblinks und eigene Notizen integriert.
Semiautomatische Wissensverknüpfung
Ein zentraler Gedanke war: Verbindungen sollten nicht nur manuell entstehen. Das System sollte intelligent unterstützen — relevante Zusammenhänge erkennen, passende Inhalte vorschlagen, ähnliche Informationen verbinden.
Damals beschrieben wir das als «autonomic connective knowledge warehouse». Heute sehen wir genau dieselbe Richtung bei Embeddings, Semantic Retrieval, RAG-Systemen, AI Agents und Contextual Memory Systems.
Die Grundidee moderner AI-Systeme ist ähnlich
Auch heutige AI-Systeme funktionieren stark über Kontext, semantische Nähe, Verbindungen und Wissensrepräsentationen. Der Unterschied: Die technischen Möglichkeiten sind heute massiv leistungsfähiger.
Mit Large Language Models, Vector Databases, multimodalen Systemen, generativer KI und leistungsfähigen Embeddings werden viele Ideen von damals operativ realistisch.
Das eigentliche Problem bleibt gleich
Menschen arbeiten weiterhin in fragmentierten digitalen Ökosystemen. Die Tools wurden moderner. Das Grundproblem blieb: Wissen verteilt sich über unzählige Systeme.
Gerade deshalb werden intelligente Wissensnetzwerke heute wichtiger denn je.
AI verändert Wissensmanagement grundlegend
Moderne KI-Systeme verändern zunehmend, wie Wissen organisiert wird. Nicht mehr starre Ordner, klassische Suche und manuelle Ablage. Sondern semantische Beziehungen, kontextbasierte Suche, automatische Verknüpfungen und intelligente Wissensräume.
Genau diese Entwicklung zeichneten wir damals bereits ab.
Wissen wird zunehmend kontextbasiert
Eine der wichtigsten Entwicklungen moderner KI: Information wird zunehmend über Kontext verstanden. Nicht nur «Welche Datei enthält das Wort?», sondern:
- Welche Information hängt zusammen?
- Welche Inhalte sind relevant?
- Welche Beziehungen existieren?
- Welche Kontexte ergänzen sich?
Genau das war bereits Kernidee von IKC.
Zur Forschungsarbeit
Das vollständige Paper beschreibt Konzeption, Architektur und Prototyp des IKC-Systems — einschliesslich der theoretischen Grundlagen im Connectivism, der Graphmodellierung und der plattformübergreifenden Integration.
Originalpaper: Intuitive Knowledge Connectivity (Springer)Fazit
IKC war damals ein Forschungsprojekt. Heute wirkt vieles davon wie ein früher Vorläufer moderner AI-Wissenssysteme. Die Grundidee bleibt zeitlos: Wissen entsteht durch Beziehungen.
Und genau deshalb werden Knowledge Graphs, Semantic Search, AI Memory und vernetzte Wissensarchitekturen in Zukunft weiter an Bedeutung gewinnen. Nicht weil wir mehr Daten brauchen — sondern weil wir bessere Verbindungen zwischen Informationen brauchen.