Eigene KI trainieren: Warum für dein Firmenwissen eine Datei reicht
Teil des GuidesClaude auf DeutschZum Guide →
Für dein Firmenwissen musst du keine eigene KI trainieren, denn eine Kontext-Datei und ein geordneter Ordner reichen, damit Claude oder ChatGPT deine Firma bei jeder Aufgabe kennt. Wer nach "eigene KI trainieren" sucht, will in den allermeisten Fällen genau das: eine KI, die die eigenen Angebote, Preise, Kunden und Abläufe kennt und nicht jedes Mal von vorne fragt. Ein Modell neu zu trainieren ist dafür der teuerste und langsamste Weg, und das Ergebnis veraltet mit der ersten Preisänderung.
Daniel und ich arbeiten jeden Tag mit einem Obsidian-Vault voller Textdateien, den Claude bei jeder Sitzung liest, und keine einzige Zeile davon ist in ein Modell trainiert. Unten erkläre ich, was beim Training eines Modells wirklich passiert, was RAG ist und wann sich Fine-Tuning doch lohnt, und zwar so, dass du danach selbst entscheiden kannst. Stand: 31.10.2026.
Dieser Artikel zeigt Abläufe aus der Praxis und ist keine Rechtsberatung. Ob und wie du KI mit vertraulichen Daten einsetzt, klärst du vorher mit deiner Kammer, deinem Datenschutzbeauftragten oder einem Anwalt.
- Für Firmenwissen wie Angebote, Preise und Abläufe brauchst du kein Training. Eine Kontext-Datei, die die KI bei jeder Aufgabe liest, reicht dafür aus.
- Fine-Tuning heißt, ein fertiges KI-Modell mit vielen Beispielen nachzuschulen. Fine-Tuning kostet Zeit und Geld, und jede Änderung an deinem Wissen heißt neu schulen.
- RAG heißt, dass die KI in deinen Dokumenten nach passenden Stellen sucht, bevor sie antwortet. In Claude-Projekten schaltet sich RAG in den bezahlten Plänen von selbst ein, wenn das Wissen sehr groß wird.
- Fine-Tuning lohnt sich erst, wenn eine Software sehr oft dieselbe Art Antwort in einem festen Format liefern soll und ein Entwickler die Technik betreut.
- Eine Kontext-Datei änderst du in einer Minute, und die Änderung gilt ab der nächsten Aufgabe. Wir arbeiten mit über 60 eigenen Skills, und kein Modell wurde dafür trainiert.
Was heißt "eigene KI trainieren" eigentlich?
"Eigene KI trainieren" heißt im engen Sinn, ein KI-Modell mit eigenen Daten so lange zu schulen, bis es aus diesen Daten neue Antworten ableitet. Im Alltag meinen die meisten Menschen mit dem Satz etwas anderes, nämlich dass eine fertige KI wie Claude oder ChatGPT ihre eigenen Unterlagen kennt.
Der Unterschied ist wichtig, weil die beiden Wünsche völlig verschiedene Wege brauchen. Ein Modell zu schulen ist Arbeit für Entwickler mit Rechenzeit, sauber aufbereiteten Beispielen und einem Programm, das das Ergebnis prüft. Einer fertigen KI deine Unterlagen zu geben ist Arbeit für einen Nachmittag mit einem Texteditor.
Ein Beispiel macht das greifbar. Ein Handwerksbetrieb will, dass die KI Angebote im eigenen Stil schreibt, die eigenen Stundensätze kennt und weiß, welche Leistungen der Betrieb nicht anbietet. Nichts davon muss die KI lernen wie ein Lehrling über Monate. Alles davon passt auf zwei Seiten Text, die die KI vor jeder Aufgabe liest.
Auch der Reddit-Faden, der bei Google weit oben auftaucht, fragt schon im Titel, wie man eine KI "mit Dokumenten" trainiert. Wer so fragt, hat Dokumente und will Antworten aus diesen Dokumenten. Genau dafür gibt es einfachere Werkzeuge als ein Training.
Bevor eine KI für dich arbeitet, braucht sie dein Firmenwissen schriftlich. Wie du dieses Wissen einmal so ablegst, dass Claude es bei jeder Aufgabe kennt, zeigt die Seite Second Brain mit KI.
Was passiert beim Training eines KI-Modells?
Beim Training lernt ein KI-Modell aus sehr vielen Texten, welches Wort mit welcher Wahrscheinlichkeit auf welches folgt, und dieses Wissen wird fest in das Modell geschrieben. Bei großen Sprachmodellen wie denen hinter Claude oder ChatGPT dauert dieses erste Training Monate und braucht Rechenzentren, die nur wenige Firmen weltweit betreiben.
Für dich als Unternehmer gibt es deshalb nur zwei Formen von "selbst trainieren", die überhaupt in Reichweite liegen.
- Du trainierst ein kleines Modell von Grund auf. Ein kleines Modell funktioniert für sehr enge Aufgaben, zum Beispiel ein Programm, das auf Fotos erkennt, ob ein Bauteil einen Kratzer hat. Für Texte über deine Firma ist ein kleines Modell zu schwach, weil es die Sprache selbst erst lernen müsste.
- Du schulst ein fertiges Modell nach. Dieses Nachschulen heißt Fine-Tuning. Du nimmst ein Modell, das Sprache schon beherrscht, und zeigst ihm viele Beispiele für eine bestimmte Art Antwort. Danach antwortet das Modell öfter in diesem Muster.
Beide Wege haben eine Eigenschaft, die beim Firmenwissen stört. Was im Training gelernt wurde, sitzt fest im Modell. Ändert sich dein Preis, ändert sich das Modell nicht mit, und du musst neu schulen oder der KI den neuen Preis doch wieder per Text mitgeben.
Warum Fine-Tuning für Firmenwissen der falsche Weg ist
Fine-Tuning ist für Firmenwissen der falsche Weg, weil es einer KI vor allem einen Stil und ein Antwortmuster beibringt und kein zuverlässiges Faktenwissen. Wer einem Modell per Fine-Tuning die eigene Preisliste beibringt, bekommt ein Modell, das Preise im richtigen Format nennt, und trotzdem keine Garantie, dass der genannte Preis stimmt.
Dazu kommen vier praktische Gründe aus dem Alltag eines kleinen Unternehmens.
- Dein Wissen ändert sich ständig. Neue Kunden, neue Preise, ein neues Angebot, eine Regel, die du nach einem Fehler aufschreibst. Jede dieser Änderungen heißt beim Fine-Tuning: Daten neu zusammenstellen, neu schulen, neu prüfen.
- Du brauchst sehr viele saubere Beispiele. Ein Fine-Tuning lernt aus Paaren von Frage und guter Antwort. Ein kleiner Betrieb hat solche Paare selten in brauchbarer Menge, und das Aufbereiten frisst mehr Zeit als jede andere Lösung.
- Fine-Tuning läuft über die Programmierschnittstelle. Bei den Anbietern, die Fine-Tuning anbieten, läuft es über die API, also über die Schnittstelle für Entwickler, und wird dort extra bezahlt. Im normalen Chat-Abo von Claude gibt es keinen Knopf für ein eigenes Training, und die API-Nutzung ist laut Anthropic nicht im Abo enthalten.
- Du verlierst den Überblick, was die KI weiß. Eine Textdatei kannst du lesen. Ein nachgeschultes Modell kannst du nicht aufschlagen und nachsehen, welche Regel darin gelandet ist.
Der letzte Punkt ist der, den die Agenturseiten zu Fine-Tuning selten erwähnen. Wenn die KI eine falsche Antwort gibt, suchst du in einer Textdatei die falsche Zeile und korrigierst sie. Bei einem nachgeschulten Modell bleibt dir nur, neu zu schulen und zu hoffen.
Was ist RAG, in Alltagssprache erklärt?
RAG ist eine Technik, bei der die KI vor jeder Antwort in deinen Dokumenten nach den passenden Stellen sucht und nur diese Stellen zum Antworten liest. Die Abkürzung bedeutet Retrieval-Augmented Generation, auf Deutsch etwa "Antworten mit vorherigem Nachschlagen".
Stell dir eine Mitarbeiterin vor, die einen Aktenschrank mit 500 Ordnern hat. Die Mitarbeiterin liest nicht jeden Morgen alle 500 Ordner. Wenn ein Kunde anruft, zieht die Mitarbeiterin die zwei Ordner, die zur Frage passen, und antwortet daraus. Genau so arbeitet RAG: Ein Suchprogramm findet die passenden Abschnitte, und die KI formuliert daraus die Antwort.
Damit das Suchen schnell geht, rechnet ein RAG-System deine Texte vorher in Zahlenreihen um und speichert sie in einer sogenannten Vektordatenbank, also einem Speicher, der ähnliche Textstellen schnell wiederfindet. Diese Technik musst du für ein eigenes RAG-System einrichten, betreiben und aktuell halten.
Die gute Nachricht für kleine Firmen: Du musst RAG meistens nicht selbst einrichten. Laut der Hilfe-Seite von Anthropic, abgerufen am 31.10.2026, schaltet Claude in Projekten RAG automatisch ein, sobald das Projektwissen an die Grenze dessen kommt, was Claude auf einmal lesen kann. Die Automatik gibt es in den bezahlten Plänen, und ein Projekt fasst damit laut Anthropic bis zu 10x mehr Inhalt. Du lädst die Dateien hoch, und Claude entscheidet selbst, ob es alles liest oder nachschlägt.
Was ist eine Kontext-Datei, und warum reicht sie meistens?
Eine Kontext-Datei ist eine einfache Textdatei, die festhält, was die KI über deine Firma immer wissen muss, und die KI liest sie vor jeder Aufgabe mit. Bei Claude heißt diese Datei CLAUDE.md, wenn sie im Wurzelverzeichnis eines Ordners liegt, und Claude liest sie beim Start einer Sitzung automatisch.
Die Kontext-Datei reicht in den meisten Fällen aus drei Gründen. Erstens ist das Wissen, das eine KI für die tägliche Arbeit braucht, kleiner als gedacht: wer ihr seid, was ihr verkauft, für wen, zu welchem Preis, in welchem Ton, und welche Fehler nie passieren dürfen. Zweitens gilt jede Änderung sofort, weil die KI die Datei bei der nächsten Aufgabe neu liest. Drittens kannst du jederzeit nachlesen, was die KI über dich weiß.
Zum Vergrößern tippen
Von den drei Wegen ist die Kontext-Datei der schnellste, weil sie einen Nachmittag Arbeit macht und jede Änderung sofort gilt. RAG wird erst bei sehr vielen Seiten nötig, und Fine-Tuning verlangt bei jeder Änderung ein neues Nachschulen.
Wichtig ist, dass sich die drei Wege nicht ausschließen. In einem Claude-Projekt arbeitest du mit einer Anweisung, die wie eine Kontext-Datei funktioniert, und mit hochgeladenen Dateien, die Claude bei Bedarf per RAG durchsucht. Fine-Tuning brauchst du für diese Kombination gar nicht.
Mit Second-Brain.OS legst du dein Firmenwissen einmal so ab, dass Claude und deine KI-Agenten es bei jeder Aufgabe kennen. Auf der Warteliste erfährst du als Erste, wann es startet.
Auf die WartelisteWie wir arbeiten: eine Datei, ein Ordner, kein Training
Daniel und ich führen mehrere Unternehmen ohne zusätzliches Team, und die Grundlage dafür ist ein Obsidian-Vault aus Textdateien, aus dem Claude jeden Morgen den Stand kennt, ohne dass je ein Modell trainiert wurde.
Ganz oben im Vault liegt eine Kontext-Datei. Die Datei sagt, wer wir sind und mit wem wir arbeiten, wie der Vault aufgebaut ist und wohin eine neue Datei gehört. Claude liest diese Datei bei jedem Start. Dazu kommen über 60 eigene Skills, also Anleitungen für wiederkehrende Aufgaben, die Claude nur dann lädt, wenn die Aufgabe sie braucht. Nach jeder Sitzung schreibt Claude ein Tagesprotokoll in den Vault.
Zwei Beispiele zeigen, warum eine Datei hier besser funktioniert als ein Training.
- Eine Regel ändert sich in einer Minute. Ein Beispiel: Du willst ein bestimmtes Wort in deinen Texten nicht mehr lesen. Du schreibst die Regel in die Kontext-Datei, und ab der nächsten Sitzung benutzt Claude das Wort nicht mehr. Ein nachgeschultes Modell hätte dafür neue Beispiele und einen neuen Durchlauf gebraucht.
- Ein ganzer Markenauftritt wechselt an einem Tag. Ein Beispiel: Deine Firma bekommt neue Farben und Schriften. Du schreibst den Abschnitt zum Design in der Kontext-Datei neu, und ab dann arbeitet Claude bei jeder neuen Grafik mit den neuen Farben und Schriften.
Neben den Sitzungen laufen bei uns geplante Aufgaben, die denselben Vault lesen, zum Beispiel Abläufe, die morgens einen Eingang sortieren oder Themen heraussuchen. Alle geplanten Aufgaben kennen das Firmenwissen, weil alle dieselbe Kontext-Datei lesen. Den kompletten Aufbau mit allen Ordnern zeigt der Artikel Second Brain mit Claude und Obsidian.
KI mit eigenen Daten füttern: die fünf Orte bei Claude und ChatGPT
Claude und ChatGPT bieten dir fünf Orte, an denen du der KI eigene Daten gibst, und keiner davon verlangt ein Training. Welcher Ort passt, entscheidet sich daran, wie viel Wissen es ist und ob die KI selbst Dateien ändern soll.
| Ort | Was du dort ablegst | Gut für |
|---|---|---|
| Projekt in Claude | eine Anweisung plus hochgeladene Dateien | ein Thema oder Kunde mit festen Unterlagen |
| Projekt in ChatGPT | eine Projekt-Anweisung plus Dateien | dasselbe in ChatGPT |
| Custom GPT | Anweisungen, Wissensdateien und Funktionen wie die Websuche | einen festen Helfer für eine Aufgabe, auch zum Teilen |
| Memory | Themen, die sich die KI aus Chats merkt | deine Rolle und Vorlieben über alle Chats |
| CLAUDE.md im Ordner | Kontext-Datei plus ein ganzer Ordner mit Dateien | dein gesamtes Firmenwissen, das Claude liest und weiterschreibt |
Für die meisten Unternehmer ist der Ordner mit CLAUDE.md der Ort, der am längsten hält, weil Claude dort nicht nur liest und am Ende einer Sitzung selbst neue Dateien ablegt.
Die anderen vier Orte haben ihren Platz. Ein Projekt in ChatGPT ist der schnellste Einstieg, wenn du ohnehin ChatGPT nutzt. Ein Custom GPT lohnt sich, wenn du einen Helfer mit festen Anweisungen auch an andere weitergeben willst. Wie sich Memory und Projekte in Claude unterscheiden und was Claude sich wirklich merkt, erklärt Claude Memory und Projekte.
Ein Unterschied wird oft übersehen. Memory merkt sich Themen aus deinen Gesprächen, aber du schreibst es nicht selbst und kannst es nicht wie eine Datei ordnen. Für Firmenwissen, das stimmen muss, wie Preise und Regeln, ist eine Datei, die du selbst pflegst, der sicherere Ort.
Eigene KI ohne Programmieren in 6 Schritten
Eine KI, die deine Firma kennt, richtest du ohne Programmieren in 6 Schritten an einem Nachmittag ein. Wer nach "eigene KI bauen" sucht, landet oft bei Anleitungen mit Python und Servern, und für Firmenwissen sind Python und Server unnötig.
- Lege einen Ordner an. Ein ganz normaler Ordner auf deinem Rechner reicht. Mit Obsidian bekommst du dazu eine angenehme Oberfläche, Pflicht ist das nicht.
- Schreib die Kontext-Datei. Lege im Ordner eine Datei mit dem Namen CLAUDE.md an. Schreib hinein, wer ihr seid, was ihr verkauft, an wen, in welchem Ton und welche Fehler nie passieren dürfen. Zwei Seiten reichen für den Anfang.
- Lege drei bis fünf Unterordner an. Du legst zum Beispiel einen Ordner für Angebote, einen für Kunden, einen für Abläufe und einen für Vorlagen an. Schreib in die CLAUDE.md eine kurze Liste, welcher Inhalt in welchen Ordner gehört.
- Gib Claude den Ordner frei. In Claude Cowork wählst du den Ordner per Klick aus. Wie das Schritt für Schritt geht, auch mit Obsidian, zeigt Obsidian mit Claude verbinden.
- Gib Claude eine echte Aufgabe. Lass Claude zum Beispiel ein Angebot für einen Kunden schreiben und prüfe, ob Preise, Ton und Leistungen stimmen.
- Schreib jede Korrektur in die Datei. Wenn Claude etwas falsch macht, korrigierst du nicht nur den Text, du schreibst die Regel in die CLAUDE.md. Ab der nächsten Aufgabe gilt sie.
Zum Vergrößern tippen
Ein Firmenordner für Claude braucht zum Start nur sechs Teile: die CLAUDE.md mit den Regeln und je einen Ordner für Angebote, Kunden, Abläufe, Vorlagen und Protokolle.
Die Ordnernamen in diesem Beispiel sind frei gewählt. Wichtig ist nur, dass die CLAUDE.md festhält, welcher Ordner wofür da ist, sonst legt Claude neue Dateien nach Gefühl ab.
Was gehört in die Kontext-Datei?
In die Kontext-Datei gehört alles, was die KI bei fast jeder Aufgabe braucht, und nichts, was nur einmal im Jahr vorkommt. Für alles Seltene legst du eine eigene Datei im passenden Ordner an und schreibst in die Kontext-Datei nur, wo sie liegt.
| Teil der Kontext-Datei | Beispiel-Inhalt | Was die KI damit richtig macht |
|---|---|---|
| Wer wir sind | der Name der Firma, wer sie führt, was ihr macht und für wen | Jeder Text meint die richtige Firma. |
| Was wir verkaufen | die drei wichtigsten Leistungen mit Preisrahmen | Angebote und Antworten nennen die richtigen Leistungen und Preise. |
| Wie wir schreiben | ob ihr duzt oder siezt, wie lang eure Sätze sind und welche Wörter nie vorkommen | Die Texte klingen nach euch. |
| Was nie passieren darf | die KI sagt keine Rabatte zu und bestätigt keine Termine | Die KI macht keine Zusage, die ihr nicht haltet. |
| Wo was liegt | eine Liste, welcher Inhalt in welchen Ordner gehört | Die KI findet Dateien und legt neue am richtigen Ort ab. |
Eine gute Kontext-Datei beantwortet fünf Fragen: wer ihr seid, was ihr verkauft, wie ihr schreibt, was nie passieren darf und wo welche Datei liegt.
Der fünfte Teil spart im Alltag die meiste Zeit. Ein Beispiel dafür ist eine Tabelle mit zwei Spalten: links eine Frage wie "Geht es um einen Kunden?", rechts der Ordner, in den die Datei kommt. Mit dieser Tabelle muss Claude nicht nachfragen.
Wann Fine-Tuning doch sinnvoll ist
Fine-Tuning ist sinnvoll, wenn eine Software sehr oft dieselbe Art Aufgabe in einem festen Format erledigen soll und ein Entwickler das Modell betreut. In diesem Fall zählt weniger, dass die KI deine Firma kennt, und mehr, dass die KI bei jedem Durchlauf exakt im gleichen Muster antwortet.
Typische Fälle, in denen sich ein Blick auf Fine-Tuning lohnt, sind zum Beispiel diese:
- Eine Software braucht bei großer Menge ein festes Ausgabeformat. Die Software sortiert jeden Tag sehr viele eingehende Nachrichten in Kategorien, und jede Antwort muss in genau derselben Form zurückkommen.
- Ein allgemeines Modell beherrscht eine Fachsprache schlecht. Ein Anbieter für medizinische oder technische Dokumentation braucht Antworten in einer sehr speziellen Ausdrucksweise.
- Sehr viele Anfragen machen ein großes Modell teuer. Ein kleineres nachgeschultes Modell kann für eine enge Aufgabe günstiger laufen als ein großes Modell mit langer Anweisung, wenn die Menge groß genug ist.
Alle drei Fälle haben gemeinsam, dass ein Entwickler die Daten aufbereitet, das Training startet und das Ergebnis prüft. Für einen Betrieb mit fünf oder fünfzehn Leuten, der Angebote, Mails und Protokolle schreiben lässt, trifft das selten zu.
Auch wer später Fine-Tuning braucht, fängt mit der Kontext-Datei an. Die Regeln, die du dort aufschreibst, sind genau das Material, aus dem ein Entwickler später Trainingsbeispiele macht. Ohne aufgeschriebenes Wissen gibt es auch nichts zu trainieren.
Eigenes KI-Modell trainieren: was du dafür brauchst
Für ein eigenes KI-Modell brauchst du viele aufbereitete Beispiele, Rechenzeit, eine Programmierschnittstelle und jemanden, der das Ergebnis misst. Diesen Weg beschreiben die Leitfäden bei Google ausführlich, und der Weg passt zu Firmen mit einer eigenen Entwicklungsabteilung.
Die Schritte sehen in jedem Leitfaden ähnlich aus: Daten sammeln, Daten bereinigen, ein Modell auswählen, trainieren, auswerten und wiederholen. Jeder dieser Schritte braucht Fachwissen. Beim Bereinigen musst du zum Beispiel doppelte und falsche Beispiele entfernen, weil das Modell sonst auch die Fehler lernt.
Was ein Training kostet, kann dir niemand pauschal sagen, weil Modell, Datenmenge und Anbieter den Preis bestimmen. Wir nennen hier bewusst keine Zahl, weil wir selbst kein Modell trainiert haben und keine eigene Rechnung vorlegen können. Die Kosten für den Weg mit der Kontext-Datei kennen wir dafür genau: Claude Pro kostet laut Preisseite 20 $ im Monat oder 17 $ im Monat bei Jahreszahlung, jeweils ohne Steuer, Stand 31.10.2026. Den Euro-Betrag siehst du im Checkout.
Ein Hinweis zur Frage "ki selbst trainieren" mit Bildern: Für Bilderkennung gibt es kostenlose Lernwerkzeuge wie Googles Teachable Machine, mit denen du einem kleinen Modell Kategorien beibringst. Ein solches Lernwerkzeug ist ein schöner Einstieg, um das Prinzip von Training zu verstehen. Mit dem Wissen über deine Firma hat ein Bildmodell wenig zu tun.
Lernt die KI aus meinen Dokumenten, wenn ich sie hochlade?
Wenn du Dokumente in ein Projekt lädst oder Claude einen Ordner freigibst, liest die KI sie für deine Aufgaben, und das ist kein Training. Ob Anthropic deine Chats zum Verbessern künftiger Modelle nutzt, regelt ein eigener Schalter in den Einstellungen.
Laut Anthropic (privacy.claude.com, Stand 16.03.2026, abgerufen am 22.09.2026) nutzt Anthropic Chats aus Free, Pro und Max nur zum Training, wenn die Einstellung "Model Improvement" aktiv ist, wenn Inhalte zur Sicherheitsprüfung markiert werden oder wenn du einem Testprogramm beitrittst. Den Schalter kannst du abschalten. Für die Pläne Team und Enterprise schreibt Anthropic in seinen Commercial Terms, dass Kundendaten standardmäßig nicht zum Training genutzt werden (Stand der Recherche: 22.09.2026).
Der Unterschied ist für die Suche nach "eigene KI trainieren" spannend. Viele Menschen fürchten, dass ihre Daten in ein fremdes Modell wandern, und wollen deshalb lieber ein eigenes trainieren. Die einfachere Lösung ist, den Trainings-Schalter zu prüfen und eine Kontext-Datei zu nutzen, die auf deinem eigenen Rechner liegt.
Kurz zur Einordnung: Das hier ist unsere Einordnung aus der Praxis, keine Rechtsberatung. Was in deinem Fall gilt, klärst du mit deinem Datenschutzbeauftragten oder Anwalt.
Welche Fehler wir am häufigsten sehen
Der häufigste Fehler ist, zuerst nach Technik zu suchen, bevor das Wissen überhaupt aufgeschrieben ist. Wer kein Dokument hat, das festhält, was die Firma verkauft und wie sie schreibt, kann weder eine KI trainieren noch ihr etwas zu lesen geben.
Zum Vergrößern tippen
Welcher Weg passt, entscheidet dein Wunsch: Soll die KI deine Firma kennen, reichen Kontext-Datei und Ordner, soll sie in sehr vielen Seiten suchen, hilft RAG, und nur für sehr viele Antworten im festen Format kommt Fine-Tuning in Frage.
Dazu kommen vier Fehler, die bei der Kontext-Datei selbst passieren:
- Die Datei wird zu lang. Wer 40 Seiten in die CLAUDE.md schreibt, verbraucht bei jeder Aufgabe Platz für Dinge, die gerade keine Rolle spielen. Seltenes Wissen gehört in eigene Dateien, die Kontext-Datei sagt nur, wo sie liegen.
- Alte Fassungen bleiben neben den neuen liegen. Wenn zwei Dateien unterschiedliche Preise nennen, nimmt die KI irgendeinen. Eine alte Fassung gehört ins Archiv, nicht neben die neue.
- Du korrigierst die KI nur im Chat. Wer der KI im Chat sagt "so nicht", hat die Korrektur nach dem Chat verloren. Jede Korrektur, die wieder vorkommen kann, gehört als Regel in die Datei.
- Der ganze Rechner wird freigegeben. Gib Claude nur den Firmenordner frei, nicht deinen gesamten Benutzerordner. Alles, was im freigegebenen Ordner liegt, darf Claude lesen und ändern.
Mit Second-Brain.OS legst du dein Firmenwissen einmal so ab, dass Claude und deine KI-Agenten es bei jeder Aufgabe kennen. Auf der Warteliste erfährst du als Erste, wann es startet.
Auf die WartelisteFazit
Wer eine eigene KI trainieren will, damit sie die eigene Firma kennt, braucht kein Training und keinen Entwickler. Eine Kontext-Datei und ein geordneter Ordner leisten das, und jede Änderung gilt ab der nächsten Aufgabe. RAG übernimmt Claude in Projekten selbst, sobald die Menge groß wird, und Fine-Tuning bleibt ein Werkzeug für Software mit sehr vielen gleichen Anfragen. Der erste Schritt ist in jedem Fall derselbe: das Wissen aufschreiben.
Häufige Fragen
Kann ich ChatGPT mit eigenen Daten trainieren?
Im normalen Chat trainierst du ChatGPT nicht, du gibst ihm deine Daten zum Lesen. Zum Lesen gibt es in ChatGPT Projekte mit Projekt-Anweisung und Dateien und Custom GPTs mit Wissensdateien. Ein echtes Fine-Tuning läuft über die Programmierschnittstelle für Entwickler und wird extra bezahlt.
Kann ich eine KI selbst trainieren?
Ja, aber für Firmenwissen lohnt es sich fast nie. Kleine Modelle für enge Aufgaben wie Bilderkennung kannst du mit Lernwerkzeugen wie Googles Teachable Machine selbst trainieren. Damit eine KI deine Firma kennt, reicht eine Kontext-Datei, die Claude oder ChatGPT vor jeder Aufgabe liest.
Was kostet es, eine eigene KI zu trainieren?
Eine pauschale Zahl gibt es nicht, weil Modell, Datenmenge und Anbieter den Preis bestimmen und dazu die Arbeit eines Entwicklers kommt. Der Weg mit der Kontext-Datei kostet dich den Claude-Plan: Pro kostet laut Preisseite 20 $ im Monat oder 17 $ im Monat bei Jahreszahlung, ohne Steuer, Stand 31. Oktober 2026.
Was ist der Unterschied zwischen Fine-Tuning und RAG?
Beim Fine-Tuning wird ein Modell mit vielen Beispielen nachgeschult, und das Gelernte sitzt danach fest im Modell. Bei RAG bleibt das Modell, wie es ist, und sucht vor jeder Antwort in deinen Dokumenten nach passenden Stellen. Fine-Tuning passt für einen festen Stil, RAG für Wissen, das sich ändert.
Kann ich Claude mit meinen Dokumenten trainieren?
Im Claude-Abo gibt es kein eigenes Training, und du brauchst es für deine Dokumente auch nicht. Du lädst die Dokumente in ein Projekt oder gibst Claude einen Ordner mit einer CLAUDE.md frei. Laut Anthropic schaltet Claude in Projekten in den bezahlten Plänen von selbst RAG ein, wenn das Wissen sehr groß wird.
Lernt die KI aus meinen Daten?
Das Lesen deiner Dokumente für eine Aufgabe ist kein Training. Ob Anthropic deine Chats in Free, Pro und Max zum Training nutzt, regelt laut Anthropic der Schalter "Model Improvement" in den Einstellungen, den du abschalten kannst. In Team und Enterprise werden Kundendaten laut den Commercial Terms standardmäßig nicht zum Training genutzt.
Brauche ich Programmierkenntnisse für eine eigene KI?
Für eine KI, die deine Firma kennt, brauchst du keine Programmierkenntnisse. Du schreibst eine Kontext-Datei in einem Texteditor, legst ein paar Ordner an und gibst den Ordner in Claude Cowork per Klick frei. Programmierkenntnisse brauchst du erst für Fine-Tuning oder ein eigenes RAG-System.
Was wir mit unserem Firmenwissen jede Woche machen
Unser Firmenwissen wächst jede Woche um ein paar Regeln, weil jede Korrektur, die wieder vorkommen kann, in die Kontext-Datei wandert. Genau diese Arbeit soll Second-Brain.OS dir abnehmen: dein Firmenwissen einmal geordnet ablegen, damit Claude und deine KI-Agenten es bei jeder Aufgabe kennen. Alles zum Second Brain mit KI, von Obsidian über Claude-Projekte bis zum Wissen im kleinen Team, sammelt die Seite Second Brain mit KI.
Führt mit Daniel Walter mehrere Unternehmen ohne zusätzliches Team. Baut die Agenten und Workflows, die die Community nutzt, und schreibt hier auf, was davon im Alltag hält.


