Second Brain mit KI: Wiki, Journal und CRM in Obsidian kombiniert

Matt Wolfes Second-Brain-Setup verbindet Wiki, Journal und CRM als lokale Markdown-Dateien in Obsidian, gepflegt von einem Coding-Agenten. Das Konzept ist solide und an einem Nachmittag nachbaubar, wer aber Journal-Einträge und Kontaktdaten durch eine US-Cloud schickt, muss vorher den Datenschutz klären.

Kurzzusammenfassung

Das Video «Build An AI Second Brain Knowledge Base (Step-By-Step)» von Matt Wolfe (publiziert am 6. Mai 2026, beim Erscheinen dieses Artikels also tagesaktuell) zeigt Schritt für Schritt den Aufbau eines persönlichen Wissensmanagementsystems aus drei Bausteinen: ein Wiki für gespeicherte Webinhalte (YouTube-Transkripte, Artikel, Podcast-Notizen), ein CRM für Kontakte und Gesprächsnotizen sowie ein Journal, dessen Antworten auf dem eigenen gespeicherten Wissen gründen, nicht auf generischem Chatbot-Output.

Stand: Mai 2026. Das analysierte Video stammt vom 6. Mai 2026; die genannten Modell-Tiers, Preise und Gratis-Kontingente können sich seither geändert haben.

Technisch basiert das Setup auf Andrej Karpathys «LLM wiki»-Konzept, das Wolfe explizit als Quelle nennt. Die Architektur besteht aus fünf Artefakten: ein raw-Ordner für unveränderte Originalquellen, ein wiki-Ordner für KI-generierte Seiten, eine agents.md mit den Verhaltensregeln des Agenten, eine index.md als Katalog und eine log.md als Protokoll. Obsidian dient als Lese- und Visualisierungs-Frontend, der kostenlose Obsidian Web Clipper schiebt Artikel und komplette YouTube-Transkripte per Klick in den Vault, und ein Coding-Agent (im Video OpenAIs Codex, laut Wolfe funktioniert auch Claude Code) verarbeitet die Rohdaten: zusammenfassen, Personen, Firmen, Tools und Konzepte als eigene Wiki-Seiten extrahieren, verwandte Notizen querverlinken.

Die Automatisierung läuft über die Automations-Funktion des Agenten: ein stündlicher Lauf verarbeitet neue Dateien im raw-Ordner und pusht den Stand anschliessend als Backup in ein privates GitHub-Repository. CRM und Journal werden per Chat bedient («add to CRM», «journal»), die Regeln dafür stehen in der frei editierbaren agents.md.

---

Kritische Bewertung

Was belegt ist: Die Demo ist vollständig und ungeschönt. Wolfe zeigt auch die Fehlversuche: Der erste Build erzeugte 51 überflüssige Dateien statt der minimalen Karpathy-Struktur, und der Agent missverstand die Anweisung, den YouTube-Kanalnamen zu ergänzen, beim ersten Anlauf. Die Verarbeitung von zwei Quellen dauerte rund 3 Minuten, ein Batch von sieben Videos etwa 6 Minuten. Das ist ehrlicher als die meisten Tool-Demos und macht das Setup realistisch einschätzbar.

Die grösste Stärke liegt auf der Datenebene: Alles sind lokale Markdown-Dateien, die Agent-Schicht ist austauschbar, und das gesamte Verhalten steckt in einer einzigen Prompt-Datei. Wolfe bringt es selbst auf den Punkt: «This is all just prompts at the end of the day.»

Was im Video fehlt:

• Skalierung: Der gezeigte Vault enthält unter zehn Quellen. Das Retrieval ist agentisches Datei-Lesen über die index.md: kein Vektor-Index, keine Embeddings. Ob das bei tausenden Notizen noch zuverlässig und innerhalb des Kontextfensters funktioniert, bleibt offen.
• Kosten: Die stündliche Automation läuft laut Wolfe mit dem «stärksten verfügbaren Modell» bei hohem Reasoning-Aufwand. Eine Zahl zu den laufenden API- oder Abo-Kosten nennt das Video nicht.
• Qualitätssicherung: Das Wiki schreibt sich bei jeder Abfrage selbst um: Index, Log und neue Seiten entstehen laufend. Drift, Duplikate und falsche Querverlinkungen über Wochen werden nicht thematisiert.
• Datenschutz: Kommt im Video schlicht nicht vor; dazu gleich mehr.

Zur Hype-Einordnung: Das Konzept ist nicht neu. Karpathy lieferte die Architektur, und das Verlinkungsprinzip dahinter ist die jahrzehntealte Zettelkasten-Idee. Neu ist allein, dass ein Agent die Pflegearbeit übernimmt, an der solche Systeme bisher regelmässig gescheitert sind: Wolfes Diagnose, die meisten Second Brains seien «Storage, wo Information stirbt», trifft die gängigen Bookmark- und Notion-Sammlungen ziemlich genau. Zu trennen vom eigentlichen Setup ist der gekennzeichnete Sponsoring-Block für ein Agent-Hosting-Produkt von Hostinger mitten im Video; der hat mit dem Second Brain nichts zu tun.

---

Einordnung für DACH-Profis

Der Praxisnutzen ist konkret: Recherche-Clipping, Meeting-Notizen und ein persönliches Lernarchiv, aus dem Informationen auch wieder herauskommen statt nur hinein. Gerade das Journal-Grounding ist der interessante Teil: Antworten auf Basis dessen, was du selbst in den letzten Wochen gespeichert hast, sind brauchbarer als generische Modell-Antworten.

Der kritische Punkt für den beruflichen Einsatz im DACH-Raum: Die Verarbeitung läuft durch die Cloud des Modellanbieters. Beim Wiki mit öffentlichen Webinhalten ist das unkritisch. Beim Journal sind es persönliche, teils sensible Einträge: Geschmackssache. Beim CRM sind es personenbezogene Daten Dritter: Namen, Kontaktdaten, Gesprächsinhalte. Sobald das beruflich genutzt wird, greifen DSGVO beziehungsweise revDSG, dann braucht es mindestens einen API- oder Business-Tier mit Auftragsverarbeitungsvertrag und ohne Training auf deinen Daten, sauberer wäre ein lokal betriebenes Modell. Da das Setup modell-agnostisch ist, ist genau das machbar.

Rechtlicher Rahmen je nach Standort: Wer das Setup produktiv mit personenbezogenen Daten betreibt, prüft den passenden Rahmen selbst: in der Schweiz das revidierte Datenschutzgesetz (revDSG), in Deutschland und der EU die DSGVO, ergänzt um das BDSG, in Österreich die DSGVO zusammen mit dem nationalen DSG. Das ist keine Rechtsberatung, im Zweifel klärst du den konkreten Fall mit einer Fachperson. Wie sich datensensible Workflows sauber aufsetzen lassen, zeigen wir im Tool-Stack für datensensible KI-Workflows.

Drei Checks, bevor du nachbaust:

1. Daten klassifizieren: Nur öffentliche Inhalte und eigene Notizen? Dann kannst du sofort starten. Kundendaten oder Kontakte Dritter? Erst Datenschutz und Anbieter-Vertrag klären.
2. Kosten deckeln: Automation auf täglich statt stündlich stellen und fürs Routine-Processing ein günstigeres Modell wählen, für Zusammenfassung und Entitäten-Extraktion reicht das in der Regel.
3. Exit testen: Nach einer Woche prüfen, ob der Vault auch ohne Agent lesbar und nützlich bleibt. Das ist der Lock-in-Test, und hier schneidet das Markdown-Setup deutlich besser ab als geschlossene Second-Brain-Apps.

Der Einstieg kostet wenig: Obsidian ist gratis, der Web Clipper ist gratis, ein privates GitHub-Repo ist gratis. Bezahlt wird die Agent-Nutzung: Codex hat im Gratis-Plan ein begrenztes Kontingent. Der Nachbau an einem Nachmittag ist realistisch, das Video zeigt jeden Schritt inklusive der Korrektur-Prompts.

---

Fazit

Ein solides, gut dokumentiertes Bastel-Setup mit echtem Mehrwert gegenüber toten Bookmark-Sammlungen: Der Wert entsteht durch die aktive Schicht aus Journal-Grounding und Abfragen, nicht durchs Speichern. Wir würden es mit unkritischen Daten testen und das CRM-Modul im beruflichen Kontext erst nach geklärtem Datenschutz anschliessen. Wer bereits Obsidian nutzt, hat den halben Weg hinter sich. Wer ein fertiges Produkt mit Support erwartet, ist hier falsch: Das System ist so gut wie die Prompts in der agents.md, und die pflegst du selbst.