Wieso KI „Second Brains” SCHEITERN & was wirklich funktioniert (Vortrag Leonard Schmedding) — Transcript
Full transcript
- 0:00Das Company Brain, der wichtigste KI Use
- 0:03Case, wir sprechen über den Second Brain
- 0:06Hype, die sogenannten KI
- 0:08Betriebssysteme, was das Problem bei all
- 0:10dem ist, ein AI Hive Mind, was es damit
- 0:13auf sich hat, was jetzt wirklich
- 0:15funktioniert, worauf es jetzt ankommt
- 0:17und was die Zukunft bringt. Also, wir
- 0:20haben einige Themen heute vor und das
- 0:22Beste, was man machen kann, wenn man in
- 0:23die Zukunft schaut, ist erstmal 1000
- 0:25Jahre in die Vergangenheit zu gehen.
- 0:27Jeder KI Vortrag, der gut ist, wenn ihr
- 0:29mir zustimmt, fängt erstmal damit an,
- 0:31vor 1000 Jahren. Also, wenn ihr einen
- 0:34Pitch macht oder einen KI Vortrag
- 0:35haltet, dann sollte es so losgehen und
- 0:37deswegen habe ich mir gedacht, mache ich
- 0:38es gleich richtig und zwar schauen wir
- 0:402400 Jahre nun mal in die Vergangenheit
- 0:44und
- 0:45viele kennen die berühmte Bibliothek von
- 0:47Babel, von Jorge Luis Borges, der
- 0:50bekannte Nationalbibliothekar von
- 0:53Argentinien, der hat ja diese berühmte
- 0:55Bibliothek von Babel formuliert und ich
- 0:59fasse das noch mal ganz kurz zusammen.
- 1:00Das ist ja diese universelle Bibliothek,
- 1:02die jedes denkbare Buch, jedes Wissen,
- 1:05jede Lüge, jeden Sinn, aber auch jeden
- 1:07Unsinn, der theoretisch erzeugbar ist,
- 1:11enthält. Was viele aber nicht wissen,
- 1:13ist, dass Jorge Luis Borges schon 1900
- 1:1639 diese totale Bibliothek durchdacht
- 1:19hat, bevor er sie dann in der finalen
- 1:21Form 1941 ausformuliert hat
- 1:24und sich die Frage gestellt hat, wieso
- 1:26hat es eigentlich so lange gedauert,
- 1:28dass man auf diesen Gedanken gekommen
- 1:30ist. Und also ist er in die
- 1:32Vergangenheit gegangen und hat sich
- 1:34angeschaut, was waren denn die ersten
- 1:35Ideen einer solch universellen
- 1:38Bibliothek und das hat ihn zu
- 1:40Aristoteles Metaphysik geführt, die ja
- 1:43dann im ersten Jahrhundert vor Christus
- 1:45in etwa zusammengestellt wurde und in
- 1:48dieser Metaphysik vom Aristoteles
- 1:51beschreibt er den Demokrit und den
- 1:53Leukipp, den kennt heute
- 1:55jeder und zwar waren das die Vordenker
- 1:58der Atome, und zwar hat sich dieser
- 2:01Demokrit, das war etwa 400 vor Christus,
- 2:03etwa zu Zeiten Sokrates, haben beide
- 2:05gelebt, und der hat sich gedacht, die
- 2:08Welt, die wird im Wesentlichen
- 2:10zusammengehalten aus den gleichen
- 2:12elementaren Bausteinen, und seine
- 2:14Analogie für diese Atome
- 2:17war das Alphabet, also die Sprache, ja,
- 2:19hat sich überlegt, die die Buchstaben,
- 2:22die haben verschiedene Formen, also das
- 2:24A, das sieht anders aus als das N. Ich
- 2:26kann diese in verschiedenen Anordnungen
- 2:28formieren, also ich kann AN und NA
- 2:31bilden, ich kann die Lage verändern,
- 2:33also wenn ich ein Z um 90° drehe, dann
- 2:35habe ich auf einmal ein N. Das heißt,
- 2:37ich kann aus den bereits vorhandenen
- 2:39Buchstaben im Wesentlichen alles formen,
- 2:41also eine Komödie oder auch eine
- 2:44Tragödie.
- 2:45Das ist dann die Schlussfolgerung von
- 2:47Aristoteles, die exakt gleichen
- 2:49Schriftzeichen formen eine Tragödie
- 2:52oder eine Komödie, und die gleichen
- 2:53Elemente können einen Baum oder einen
- 2:55Menschen hervorbringen. Und das waren
- 2:58also die ersten Gedanken, dass aus den
- 3:00bereits vorhandenen Schriftzeichen im
- 3:01Wesentlichen jedes denkbare Wissen
- 3:03bereits heute vorhanden ist. Und das
- 3:06wird dann erstmals kritisiert von
- 3:08Cicero, etwa 40 vor Christus, der hat
- 3:11sich nämlich gesagt, das ist doch eine
- 3:12eine aberwitzige Vorstellung, ich kann
- 3:14nicht einfach goldene Buchstaben in die
- 3:15Luft schleudern und erhalte anschließend
- 3:18die die Gedichte, die Annalen des
- 3:20Ennius, ja, das war ja einer der größten
- 3:22Dichter des alten Roms.
- 3:24Und ich kann nicht aus absolutem Zufall
- 3:26auf einmal sinnvolle Texte, erst recht
- 3:29nicht die ja, intellektuell
- 3:31eindrucksvollsten Texte der
- 3:32Menschheitsgeschichte hervorbringen,
- 3:34also das ist ja eigentlich schon eine
- 3:36eine irrsinnige Vorstellung, und die gab
- 3:38es aber immer wieder in der
- 3:39Menschheitsgeschichte, das berühmte
- 3:40Infinite Monkey Theorem, das
- 3:43sagt ja im Kern, ich kann einfach
- 3:45Millionen von Affen den ganzen Tag auf
- 3:46der Tastatur herumhämmern lassen, von
- 3:49Emil Borel, der hat das 1913
- 3:51beschrieben, und dann habe ich
- 3:53irgendwann die gesamte Bibliothek
- 3:55Nationale zusammen, also die
- 3:56Nationalbibliothek Frankreich, einfach
- 3:58nur durch reinen Zufall, indem ich
- 4:00Affen, ja, den ganzen Tag auf einer
- 4:01Tastatur herumhämmern lasse. Das wurde
- 4:03vor allem später bekannt, ja, durch die
- 4:04Engländer, die gesagt haben, dann habe
- 4:06ich ja irgendwann Shakespeare oder einen
- 4:08Hamlet, das kennt man heute schon öfter,
- 4:10diese Analogie der tippenden, zufällig
- 4:12tippenden Affen, die auf einmal einen
- 4:13Hamlet ja, produzieren. Er hat damit
- 4:15aber auch gleichzeitig schon das
- 4:17Gegenargument formuliert, dass es zwar
- 4:19endlich viele Möglichkeiten an
- 4:20Schriftzeichen-Variationen gibt, aber es
- 4:23nahezu unendlich viele Versuche dazu
- 4:25jetzt bräuchte, diese Nationalbibliothek
- 4:27zu replizieren, geschweige denn mal nur
- 4:29einen
- 4:30Shakespeare zu replizieren.
- 4:32Und der Kurd Laßwitz, das ist der
- 4:34Urvater der deutschen Science-Fiction,
- 4:36also der hat schon 1897
- 4:40eines der ersten, ja, intergalaktischen
- 4:42Beziehungsbücher sozusagen geschrieben,
- 4:44zwischen Menschen und Marsianern.
- 4:46Und dieser Kurd Laßwitz, der hat die
- 4:48Universalbibliothek 1904
- 4:51beschrieben. Und diese
- 4:52Universalbibliothek, die rechnet das mal
- 4:54tatsächlich durch, also was würde das
- 4:56denn bedeuten, wie viele Bücher bräuchte
- 4:58es denn, um, wie gesagt, die gesamte
- 4:59Vergangenheit, jedes Buch, das je
- 5:00erzeugt wurde, jedes Buch, das erzeugt
- 5:02werden kann, wirklich jede denkbare
- 5:04Information in Büchern abzubilden. Und
- 5:07er nimmt 100 Schriftzeichen an. Er sagt,
- 5:09100 Schriftzeichen wären völlig
- 5:10ausreichend für jede, ja,
- 5:13funktionierende Sprache. Und wenn ich
- 5:15mir jetzt Bücher vorstelle mit 500
- 5:17Seiten, diese Bücher haben auf diesen
- 5:19500 Seiten je 40 Zeilen, je 50 Zeichen,
- 5:24dann bin ich bei 1 Million möglichen
- 5:27Schriftzeichen in einem Buch. Und das
- 5:29rechne ich jetzt mal 100 Schriftzeichen,
- 5:31die ich zur Verfügung habe, und dann
- 5:32landet er er bei einer abstrus hohen
- 5:34Zahl von 10 hoch 200 Millionen möglicher
- 5:39Bücher, die es heute schon gibt. Also
- 5:41das Alphabet mit 100 Schriftzeichen
- 5:43setzt diese denkbaren Informationen von
- 5:4610 hoch 2 Millionen voraus. Wir haben
- 5:47vorhin über Demokrit gesprochen, das
- 5:49erkennbare Universum hat etwa 10 hoch 80
- 5:52Atome, dass man sich das jetzt mal
- 5:53vorstellen kann. Also, selbst wenn wir
- 5:55alle Bücher der Welt auf Atomgröße
- 5:57komprimieren würden, dann können wir bei
- 5:59weitem nicht das erkennbare Universum
- 6:01damit füllen und damit zeigt eben schon,
- 6:03dass der Gedanke an sich
- 6:05absurd ist, aber prinzipiell natürlich
- 6:07denkbar.
- 6:08Und das hat dann eben, wie gesagt,
- 6:09dieser Jorge Luis Borges in der finalen
- 6:11Form dieser Bibliothek von Babel
- 6:14ausformuliert. Und zwar stellt er sich
- 6:15Bibliothekare vor, die tatsächlich in
- 6:17dieser universellen Bibliothek leben und
- 6:19sie verbringen ihr gesamtes Leben damit,
- 6:22nach Wissen zu suchen. Also, sie suchen
- 6:24den Katalog der Kataloge, der ihn zur
- 6:27Wahrheit führt. Und im Rahmen dieser
- 6:31dieses kurzen Essays, etwa fünf Seiten
- 6:32lang, kommt der Vater dieses
- 6:35Protagonisten irgendwann zum Schluss,
- 6:37dass ein Großteil, weil diese
- 6:38Bibliothekare, die wussten das erstmal
- 6:39gar nicht. Also, dass viele dieser
- 6:40Bücher völliger Irrsinn sind. Und dieser
- 6:44Vater des Protagonisten kommt dann
- 6:45irgendwann zum Schluss, dass er Bücher
- 6:47entdeckt, die einfach nur
- 6:48drei Buchstaben enthalten. Also, CVM und
- 6:51das wirklich das gesamte Buch
- 6:52aneinandergereiht und das kann keine
- 6:54vergangene Sprache, keine Hieroglyphen
- 6:56können daraus in irgendeiner Form etwas
- 6:57Sinnvolles kreieren. Und dadurch ist man
- 6:59dann darauf gekommen, dass viele dieser
- 7:01vorhandenen Informationen völlig wertlos
- 7:03und völlig sinnlos sind.
- 7:05Und das hat dann die Bibliothekare lange
- 7:07beschäftigt. Also, es gab vier
- 7:08Reaktionen auf diese totale Fülle an
- 7:11Informationen und die kennt heute jedes
- 7:14Unternehmen. Und zwar gab es zum einen
- 7:16die Sucher. Ja, die Sucher, das sind
- 7:17diejenigen, die ihr gesamtes Leben damit
- 7:19verbringen, nach Wissen zu suchen, nach
- 7:21dem Katalog der Kataloge, nach dem
- 7:23perfekten Klassifizierer, nach der
- 7:25Wahrheit zu suchen. Das scheitert
- 7:27natürlich völlig. Dann gibt es die die
- 7:29Reiniger. Ja, das sind die, die sagen,
- 7:31wenn wir unsinnige Bücher entdecken,
- 7:32dann müssen wir die verbrennen, dann
- 7:35müssen wir die zerstören. Und das sind
- 7:36heute die, die sagen, wir haben so ein
- 7:38Datenchaos, ich gehe rein, ich lösche
- 7:40einfach mal alte Sachen. Es ist in jedem
- 7:42Fall besser mal als mit dem Chaos
- 7:43umzugehen, aber zur Wahrheit kommt man
- 7:45natürlich noch lange nicht. Dann gibt es
- 7:47den Mann des Buches, der Mann des
- 7:48Buches, das ist derjenige, der
- 7:50vermeintlich das einzig wahre Buch
- 7:51gelesen hat und das ist derjenige, der
- 7:5330 Jahre im Unternehmen ist und
- 7:55eigentlich alles kennt, also der weiß,
- 7:57wo welche Informationen liegen und den
- 7:59kann ich einfach fragen und der weiß
- 8:01schon, was das Richtige ist. Und es gab
- 8:03diejenigen, die an dieses
- 8:05Kaminrote Hexagon geglaubt haben, also
- 8:07es gab ein Sechseck in dieser
- 8:09Bibliothek, welches eben solche
- 8:12Kaminroten Bücher wohl enthielt, welches
- 8:15zu welche dann ja besser wären als die
- 8:17anderen, welche die Wahrheit enthielten.
- 8:20Und das sind diejenigen, die heute nach
- 8:21dem magischen Tool suchen, ja, nach dem
- 8:23magischen KI-Tool, das wird meinem
- 8:25vorhandenen Wissen dieser schieren
- 8:27Vielzahl Informationen auf einmal Sinn
- 8:29bildet. Alle diese Versuche, die sind
- 8:31natürlich völlig gescheitert, weil für
- 8:34jedes Buch, für jedes Buch, das ich
- 8:35zerstöre, es Millionen weitere Bücher
- 8:37gibt, die einfach nur ein anderes
- 8:39Schriftzeichen enthalten. Also so komme
- 8:41ich natürlich nicht zur Wahrheit. Die
- 8:43Quintessenz, die er damit schon
- 8:45geschlussfolgert hat, er hat diesen
- 8:46Laswitz-Gedanken
- 8:48dann dann weitergedacht und gesagt,
- 8:50okay, wir nehmen jetzt mal 25
- 8:53Schriftzeichen, das kommt wahrscheinlich
- 8:55aus dem Hebräischen mit 22 Buchstaben
- 8:58und drei orthographischen Zeichen. Und
- 9:00er ist aber auf eine ähnliche Größe
- 9:01gekommen, also auch 10 hoch 1 Million
- 9:04irgendwas. Und er stellt aber fest, wir
- 9:07haben kein Problem vom Sammeln von
- 9:09Wissen, also es geht im Endeffekt mich
- 9:11darum, dass wir Informationen sammeln
- 9:12müssen, weil jede Information ist ja
- 9:14theoretisch heute schon vorhanden auf
- 9:16Basis des vorhandenen Alphabets können
- 9:18wir jede denkbare Information heute
- 9:20bereits erzeugen und das führt dazu,
- 9:23dass in diesem Moment bereits die
- 9:25minutiöse Geschichte der Zukunft
- 9:26eigentlich schon festgeschrieben steht,
- 9:28die Autobiographien der der Erzengel
- 9:30stehen fest, aber auch schon die exakt
- 9:32genaue Beschreibung des eigenen Todes
- 9:34kann heute schon auf Basis der Logik.
- 9:37Ähm. Da geschrieben stehen. Also diese
- 9:39Information existiert im Wesentlichen
- 9:41bereits.
- 9:42Und genau das haben wir im Kern mit KI,
- 9:45mit diesen großen Sprachmodellen heute
- 9:46erschaffen. Also wir können jede
- 9:48denkbare Information aus diesen
- 9:49Sprachmodellen. Heute abrufen. Wir haben
- 9:51kein Informationsproblem. Jedes Wissen
- 9:54der Menschheitsgeschichte, jeder Sinn,
- 9:55aber auch jeder Unsinn steht in diesem
- 9:58Moment bereit zur Verfügung. Und wir
- 10:00sind umgeben von all dem Wissen der
- 10:02Menschheit, aber wir verlieren uns
- 10:03darin, das wirklich richtige. Wissen zu
- 10:06finden. Und das hat auch schon. Vannevar
- 10:09Bush durchdacht. Das ist der
- 10:10wissenschaftliche Koordinator des
- 10:12Manhattan Projekts. 1945 in einem
- 10:14unscheinbaren Artikel. As we may think,
- 10:17damals im Atlantic.
- 10:19Erschienen und er hat genau das
- 10:21konstatiert. Die Wissenschaft, die hat
- 10:23kein Problem, neue Informationen zu
- 10:25finden. Wir brauchen keine neuen Ideen.
- 10:27Wir müssen das bereits vorhandene Wissen
- 10:29besser managen. Also dieses Problem, das
- 10:31hatte man schon 1945.
- 10:35Im Rahmen des Manhattan Projekts. Und
- 10:36das ist meine Leitthese. Also der Traum
- 10:38vom totalen Wissen, der ist im
- 10:40Wesentlichen uralt. KI ist nur das
- 10:42neueste, das jüngste Kapitel davon. Das
- 10:44Problem war allerdings nie der Besitz
- 10:47von Wissen, das Sammeln von Wissen. Das
- 10:48war noch nie das Problem. Sondern das
- 10:50Finden des Richtigen im richtigen
- 10:52Moment. Und genau das erleben wir heute
- 10:55jeden Tag. Also wir haben alles Wissen
- 10:56der Welt per einfacher Textabfrage zur
- 10:58Verfügung. Wir können. ChatGPT oder
- 11:01Cloud heute fragen, bitte erkläre mir
- 11:02die Relativitätstheorie und wir.
- 11:05Bekommen eindrucksvolle Antworten. Wenn
- 11:06wir dann aber eine Frage stellen, wie
- 11:07bitte hilf mir mal dabei, die perfekten
- 11:09Preise für meine Produkte zu finden,
- 11:11dann scheitern diese Systeme erstmal
- 11:13ohne Wissensmanagement kläglich. Und das
- 11:16spiegelt sich im realen Alltag unserer
- 11:17Kunden wieder. Nehmen wir Beispiele
- 11:19eines Reifengroßhändlers, einer unserer
- 11:21Kunden, der die Frage stellt, welchen
- 11:24Preis setze ich für meine neuen Reifen
- 11:25an? Dieses Wissen, das hat ein
- 11:27Sprachmodell nicht, weil das existiert
- 11:29in Excel Tabellen, das existiert in
- 11:31Erfahrungswissen, was über Jahrzehnte
- 11:32gesammelt wurde, das existiert in den
- 11:35Preisdaten der Konkurrenz, also den
- 11:37Live-Websites meiner Wettbewerber, die
- 11:38ich kennen muss. Oder eine Hotelkette,
- 11:41die wir begleiten, ja, wie läuft unser
- 11:42Standardprozess bei einer Überbuchung
- 11:45ab, ja, dieses Wissen existiert erstmal
- 11:47nur in den Köpfen von von Menschen in
- 11:51PDFs, in Handbüchern. ChatGPT, selbst
- 11:53wenn man es da hochladen würde, hat
- 11:55erstmal keinen Zugriff auf das Wissen
- 11:56und das ist bei weitem auch sicherlich
- 11:58nicht der richtige Weg. Darüber haben
- 11:59wir beim letzten Mal schon gesprochen,
- 12:01einfach so PDFs da hochzuladen.
- 12:03Und das erlebt also jeder von uns, auch
- 12:05in ganz banalen Alltagssituationen. Ich
- 12:07habe z.B. jetzt Flüge buchen müssen und
- 12:10wenn ich jetzt heutzutage Claude Code
- 12:12sage, füll mir bitte dieses Formular aus
- 12:14und buch diesen Flug, dann hat Claude
- 12:16Code oder welcher Agent auch immer
- 12:18erstmal nicht die Information zu meiner
- 12:19Person, die er eintragen muss. Und all
- 12:22diese Informationen muss ich ja immer
- 12:23wieder erstmal zuliefern, damit diese
- 12:25Agenten wirklich nützlich arbeiten
- 12:27können. Ja, oder gib mir einen
- 12:28Produktivitätsreporting meiner
- 12:30Vertriebler. Das ist heute so nicht
- 12:31möglich mit einem einfachen
- 12:32Sprachmodell, selbst auch nicht mit
- 12:34Agenten. Ja, gib mir die To-Dos aus den
- 12:36letzten Team-Meetings. All diese
- 12:38Informationen sind erstmal schlicht
- 12:39nicht vorhanden und demnach stellt sich
- 12:41heute für jedes Unternehmen die Frage,
- 12:43wie gestalte ich denn mein
- 12:44Wissensmanagement? Also, jeder braucht
- 12:46heute ein KI-Wissensmanagement,
- 12:48ansonsten verliert sich jeder
- 12:50Mitarbeiter jeden Tag immer wieder in
- 12:52dieser Bibliothek von Babel. Warum ist
- 12:55Wissensmanagement aber jetzt wichtiger
- 12:57denn je? Der Atlassian State of Teams
- 13:00Report von 2025, der hat das mal
- 13:01ausgemessen und das bestätigt auch
- 13:04unsere eigene Erfahrung, weil wir fragen
- 13:05das in Vorgesprächen immer wieder, also,
- 13:07wie viel Zeit verbringt ihr und eure
- 13:08Mitarbeiter mit der Wissenssuche? Und
- 13:10Atlassian ist zum Punkt gekommen, 25 %
- 13:13der gesamten Arbeitszeit. Das ist wie,
- 13:15wenn ihr vier Vollzeitmitarbeiter habt
- 13:17und ein Vollzeitmitarbeiter beschäftigt
- 13:19sich den ganzen Tag nur mit dem
- 13:20Zusammensuchen von irgendwelchem Wissen,
- 13:22das ist Realität heute in ja, den
- 13:24meisten Unternehmen. Also, wie gesagt,
- 13:26ein Viertel aller aller ähm
- 13:28Arbeitszeit ist die reine Wissenssuche.
- 13:31Das Problem geht aber
- 13:33viel weiter und das wohl möglich größte
- 13:34Problem, das ist das demografische, das
- 13:36wir vor allem hierzulande haben, denn
- 13:37was zeichnet uns in Deutschland aus? Was
- 13:40ist denn eigentlich der der Keim und die
- 13:42Keimzelle des Erfolges unserer
- 13:44Weltmarktführer, unserer Hidden
- 13:45Champions? Wir haben einige davon heute
- 13:47hier. Das ist Erfahrungswissen, ja? Das
- 13:50ist ist nicht die beste Regulatorik,
- 13:52dass wir die besten Steuergesetze
- 13:53weltweit haben, sicherlich nicht. Äh,
- 13:55dass wir die besten besten Bürokraten
- 13:57bürokratischen Abläufe haben, sicherlich
- 13:58nicht. Ja, also, unser Erfolgsgeheimnis,
- 14:01das ist doch das Fachwissen, das
- 14:02Erfahrungswissen.
- 14:04Aber diese Gleichung, die geht schlicht
- 14:05nicht mehr auf. Also, wir können nicht
- 14:07darauf wetten, das was wir jetzt
- 14:08Generationen lang gemacht haben, das
- 14:10Wissen einfach von Generation zu
- 14:11Generation durch Ausbildung,
- 14:13Weiterbildung einfach weiterzugeben. Das
- 14:15geht mathematisch nicht auf. Allein in
- 14:17den nächsten 15 Jahren verlassen 13,4
- 14:20Millionen Fachkräfte den Arbeitsmarkt.
- 14:23Wir haben heute 57 % aller
- 14:25mittelständischen Unternehmen im Alter
- 14:27von über 55. Ja, vor 20 Jahren waren das
- 14:30nur 20 %. Wir erleben es auch immer
- 14:32wieder bei bei Kunden, die schon
- 14:33Nachfolger suchen, schlicht gar keine
- 14:34Nachfolger finden. Äh, 4000 Fachkräfte
- 14:37verlassen jeden Tag den Arbeitsmarkt.
- 14:39Das ist wohl möglich das größte Problem
- 14:41neben Datenschutz, neben all diesen
- 14:42Dingen, ähm, welches wir hierzulande
- 14:44haben. Und somit äh somit lösen müssen.
- 14:46Und wie arbeiten Firmen denn heute
- 14:49wirklich? Also, die meisten haben, das
- 14:51hat der neue State of the Art Report von
- 14:53McKinsey herausgefunden, die meisten die
- 14:54haben heute schon mal irgendwelche
- 14:56Pilotprojekte gemacht. Also, 88 % aller
- 14:59Unternehmen geben an, dass sie schon mal
- 15:01irgendwelche Experimente mit KI gemacht
- 15:02haben, irgendwelche Pilotprojekte, aber
- 15:04nur 7 % aller Unternehmen sagen, sie
- 15:06haben KI wirklich breitflächig im
- 15:08Unternehmen ausgerollt. Und warum? Das
- 15:10ist genau das Problem. Es existiert in
- 15:12den meisten Unternehmen und deswegen
- 15:14sagte ich eingangs, dass dieses der
- 15:15wichtigste Use Case für jedes einzelne
- 15:17Unternehmen. Es existiert heute schlicht
- 15:19kein KI-Wissensmanagement, weil das ist
- 15:21ja der zentrale Use Case, den das
- 15:22gesamte Unternehmen braucht. Und es ist
- 15:24zugleich auch das Fundament für alles.
- 15:26Also das Wissensmanagement ist das
- 15:27Fundament für eure Dashboards, die ihr
- 15:29baut, für eure Agenten, für eure Apps.
- 15:31Wenn ihr eben mit KI-Agenten wie wie wie
- 15:33Claude Code, wie mit Codex arbeitet,
- 15:35wenn ihr Controlling jeglicher Form
- 15:37macht, dann braucht ihr dieses
- 15:38Wissensmanagement als Fundament
- 15:41und könnt ja überhaupt erst die volle
- 15:42Kraft dieser übermächtigen Tools, die
- 15:45wir heute vor uns finden, wirklich
- 15:47entfalten. Und dieser Gedanke, der ist
- 15:50auch nicht unbedingt neu. Also Ramon
- 15:52Llull, der hat schon um 1300 die
- 15:54Denkmaschine
- 15:56ja, gebaut und äh durchdacht. Das waren
- 15:58im Wesentlichen Drehscheiben. Das war
- 16:00ein ja, ein apologetisches äh Projekt,
- 16:03dass man versuchte, die die Bibel und
- 16:06das Christentum durch die Vernunft den
- 16:08Leuten beizubringen und
- 16:09aufzuaktualisieren.
- 16:10Aber im Wesentlichen hat er das das hat
- 16:12im Übrigen auch den Leibniz damals
- 16:13inspiriert.
- 16:15Denn im Wesentlichen hat er diese
- 16:16Drehscheiben gebaut, welche zur Wahrheit
- 16:19führen sollten. Also er hat dann z.B.
- 16:21Wörter wie wie Güte, wie Größe
- 16:24genommen und allein durch das Drehen
- 16:25dieser Scheiben komme ich zu wahren
- 16:27Aussagen. Natürlich im biblischen Sinne,
- 16:29aber es war ein schon ein erster
- 16:30Vorläufer solcher Denkmaschinen. Auch
- 16:33Jorge Luis Borges hat das in dem Aleph
- 16:36durchdacht. Das ist im Prinzip in dem
- 16:37Keller in Buenos Aires ein Portal, in
- 16:39dem ich in einer Sekunde das gesamte
- 16:41Wissen der Menschheit abrufen kann.
- 16:44Natürlich äh führt das auch ins absolute
- 16:45Licht, weil ich erschlagen bin, weil ich
- 16:47jede Information auf einen Schlag
- 16:49erhalte.
- 16:51diese Idee des perfekten
- 16:52Wissensmanagements, die ist auch nicht
- 16:54zwingend neu. Und das jüngste Kapitel
- 16:56dieser Idee, das sind die sogenannten
- 16:58zweiten Gehirne, die Second Brains. Das
- 17:00kommt jetzt gerade im amerikanischen
- 17:01Bereich, auch in Deutschland wird es
- 17:02immer größer. Es wird teilweise auch äh
- 17:04KI-Betriebssystem getauft oder auch
- 17:06diese ganzen Agent Harnesses wie Hermes
- 17:08und all diese Dinge, die ihr gerade
- 17:09seht. Ja, ihr seht, das geht super viral
- 17:11das Thema und jeder ist gerade drauf und
- 17:12dran, sich diese zweiten Gehirne zu
- 17:14bauen. Und das Das im Wesentlichen genau
- 17:15der gleiche Traum, den die Menschheit
- 17:17schon lange hat. Worum geht's dabei? Ja,
- 17:18ein Second Brain, das ist im Prinzip
- 17:20eine riesige Ordnerstruktur zum einen
- 17:22von Markdown Files. Ja, also das ist der
- 17:24banalste Ansatz, den ihr aber im
- 17:25Internet gerade immer wieder vorfindet
- 17:27und den vielleicht der ein oder andere
- 17:28auch gerade in diesem Moment nutzt.
- 17:30Also, ich strukturiere mein Wissen mehr
- 17:32schlecht als recht in irgendwelchen
- 17:33Markdown Files. Dann ziehe ich im besten
- 17:35Fall noch mit Obsidian oder
- 17:36vergleichbaren Tools Notion ziehe ich
- 17:38mir einen Knowledge Graph über dieses
- 17:40ganze Wissen von mir. Und dann habe ich
- 17:42doch einen schönen Graphen, der
- 17:43der der super aussieht und der ja doch
- 17:46wie ein Wissensmanagementsystem erstmal
- 17:48funktionieren könnte oder auch Capable
- 17:49LLM Knowledge Base Ansatz, bei dem man
- 17:52eigentlich sagt, wir brauchen gar keine
- 17:53RAG Systeme, gar keine
- 17:54Vektordatenbanken, keine
- 17:56Pipelines mehr, weil diese Coding Agency
- 17:58können ja super gut Bash-Befehle
- 17:59ausführen. Die können ja einfach grep
- 18:01nutzen und irgendwelche Schlagbegriffe
- 18:02in meinen ganzen Markdown Files suchen.
- 18:04Und das funktioniert ja tatsächlich auch
- 18:06in privaten Projekten, nicht aber und
- 18:07darüber sprechen wir ja, in Unternehmen,
- 18:09also in einem Company Brain. Wieso
- 18:12scheitern also diese klassischen
- 18:13Ansätze, die wir gerade immer wieder
- 18:15vorgehalten bekommen und wie gesagt
- 18:17immer, die es auch immer schon gab in
- 18:19der Menschheitsgeschichte. Zum einen
- 18:20hofft man ja, das wird schon. Also, wenn
- 18:22ich einfach nur genug Markdown Files,
- 18:25Cloud Code oder anderen vergleichbaren
- 18:27KI-Agenten-Tools zur Verfügung stelle,
- 18:29dann wird der irgendwie schon die
- 18:30richtigen Informationen zur richtigen
- 18:32Zeit finden. Ja, also je besser die
- 18:33Modelle werden, das wird schon irgendwie
- 18:35alles hinhaun. Also, man sendet einfach
- 18:37die rohe KI über eine Vielzahl von
- 18:39unstrukturierten Daten, von einer
- 18:41Unmenge an Informationen einfach drüber
- 18:44und hofft, dass da ja irgendwie was
- 18:46Sinnvolles bei rauskommt. Und auch das
- 18:48hat Jorge Luis Borges im Übrigen schon
- 18:51durchdacht in der analytischen Sprache
- 18:53von John Wilkins. Der hat genau das
- 18:55nämlich versucht. Also, der hat
- 18:56versucht, eine Universalsprache zu
- 18:58kreieren, die bereits inhärent schon die
- 19:00Wahrheit enthält. Er hat z.B. für das
- 19:03Wort Element nutzt er oder für das ähm
- 19:06ja, für für für
- 19:08[schnauben]
- 19:08die Begrifflichkeit Element nutzt er
- 19:10dann das Wort D. Für das Feuer nutzt er
- 19:12Deb und für die Flamme nutzt er Debar.
- 19:14Das heißt, rein aus der Sprache habe ich
- 19:16schon die Struktur geschaffen, um zur
- 19:18Wahrheit und zu den richtigen
- 19:19Informationen zu kommen.
- 19:21Das hat dann etwas polemisch der Borges
- 19:23wiederum auseinandergenommen mit der
- 19:25fiktiven chinesischen Enzyklopädie,
- 19:27indem man Tiere klassifiziert nach die,
- 19:30die dem Kaiser gehören, nach den
- 19:33Milchschweinen, nach den Sirenen und so
- 19:35weiter, also völlig unlogische
- 19:37Kategorien im ersten Moment, aber im
- 19:38Wesentlichen ist das nichts anderes
- 19:41als das, was John Wilkins versuchte,
- 19:43weil er sagt, jede Klassifizierung ist
- 19:45im Wesentlichen auch nur ein
- 19:46gedankliches Konstrukt, welches wir
- 19:48nutzen, das erstmal so nichts mit der
- 19:50Wahrheit zu tun hat. Und dann ganz
- 19:51eindrucksvolles Beispiel, weil das
- 19:53betrifft heute jeden Knowledge Graph,
- 19:54die ja super toll aussehen.
- 19:56Nichts dahingehend gegen Knowledge
- 19:58Graphs,
- 19:59aber sie versuchen genau das, also
- 20:01starres Wissen perfekt zu
- 20:04klassifizieren, die Verbindungen
- 20:05festzulegen.
- 20:06Ganz absurd wird es dann, wenn man sagt,
- 20:08hey, ich habe hier Cloud Code und sende
- 20:10den jetzt wirklich mal an meine
- 20:11Markdown-Files und schaut mal, was der
- 20:13für Knowledge Graph hier gebaut hat. Man
- 20:14hat das Gefühl, jetzt auf einmal ein
- 20:16Wissensmanagementsystem zu haben, aber
- 20:17im Wesentlichen ist das genau der
- 20:18Fehler, weil Wilkins gab es dann auch
- 20:21z.B. die die Situation, dass er die Wale
- 20:24unter den Fischen in seiner Sprache
- 20:26formuliert hat. Später stellte sich dann
- 20:27heraus, Wale sind Säugetiere, also die
- 20:29ganze Sprache funktioniert später nicht
- 20:31mehr, wenn ich einmal starre
- 20:33Klassifizierungen vornehme. Das heißt,
- 20:35dieser Ansatz, der ist bereits inhärent
- 20:36zum Scheitern verurteilt. Was man dann
- 20:38schnell versucht, ist einfach mehr
- 20:39Regeln zu setzen. Also, je mehr die KI,
- 20:41das kennt doch jeder, ja? Also, die KI
- 20:43weicht immer wieder ab von meinen
- 20:44Vorgaben. Einmal hat es funktioniert, am
- 20:46nächsten Tag hat es funktioniert schon
- 20:47wieder nicht. Und das führt dann dazu,
- 20:49dass man immer mehr und mehr Regeln und
- 20:51immer mehr und mehr Wissen diesen
- 20:53KI-Agenten zur Verfügung stellt. Und im
- 20:56besten Fall dann einfach immer sagt,
- 20:57wenn ein Fehler gemacht wurde, merkt dir
- 20:59das jetzt, speicher deine Markdown-File
- 21:00ab und irgendwie wird die KI ja dann
- 21:03schon schlauer werden. Und beim nächsten
- 21:04Mal das Wissen richtigerweise
- 21:06wiederfinden. Aber wer das mal ein
- 21:07paarmal mal versucht hat, wird schnell
- 21:08feststellen, auch das ist zum Scheitern
- 21:10verurteilt und hält der Praxis schlicht
- 21:12nicht stand. Das ist nämlich genau diese
- 21:14sogenannte Collectors Fallacy, also der
- 21:17Aberglaube, der Irrglaube, dass je mehr
- 21:19Wissen ich sammel, desto mehr Wissen
- 21:20habe ich. Ja, das kennt jeder. Also, ich
- 21:22lade mir einfach irgendwo eine PDF
- 21:23runter, ich lege die sauber in dem
- 21:24Ordner ab und auf einmal habe ich
- 21:26Wissen. Das ist aber nicht der Fall.
- 21:28Also, das reine Sammeln von Wissen, es
- 21:29bringt mir nichts, wenn ich 2000 Dateien
- 21:31habe, die KI aber vielleicht nur 10
- 21:32Dateien davon braucht. Alles andere
- 21:34verwirrt sie ja nur. Äh, genauso wie es
- 21:37die die letzten Jahrzehnte,
- 21:38Jahrhunderte, Jahrtausende auch die
- 21:39Menschen immer nur verwirrt hat, zu
- 21:40viele Informationen zu zu haben. Das ist
- 21:43ja genau die Conclusio dieser Bibliothek
- 21:45von Babel, dass Wissen und Wahrheit
- 21:47durch Reduktion und Struktur kommt,
- 21:49durch Vergessen äh kommt und nicht
- 21:51dadurch, dass ich möglichst viel Wissen
- 21:53sammel und anhäufe. Das heißt, äh so
- 21:55baut man KI-Wissens- managementsysteme
- 21:57sicherlich nicht. Also, tausende Dateien
- 21:59und Tools in den Knowledge Graph
- 22:00reinkippen, vom vom Bastler aus dem
- 22:02Kinderzimmer bauen lassen, das ist ja
- 22:03ganz häufig auch der Fall. Diese Dinge
- 22:05sind häufig gar nicht schlecht gemeint,
- 22:06sondern ich habe es mit Leuten zu tun,
- 22:08die noch nie ein reales Unternehmen ja
- 22:10aufgebaut haben und demnach ja gar nicht
- 22:11wissen, wie Wissensmanagement in einem
- 22:13Unternehmen funktioniert, aber davon
- 22:15kann ich mich doch natürlich nicht
- 22:16leiten lassen für solch wichtige
- 22:18Geschäftsentscheidungen.
- 22:19Und äh Wissen in statischen Dateien
- 22:21einfrieren, auch das kann man sich ja
- 22:23einfach überlegen, wie wir es jetzt
- 22:25zuletzt gemacht haben, dass das nicht
- 22:27funktionieren kann. Das Wissen einmal
- 22:29statisch in irgendwelchen Markdown-Files
- 22:31äh abzulegen. KI alleine entwickelt sich
- 22:33ja schon so schnell, dass es bereits
- 22:34inhärent zum Scheitern verurteilt ist.
- 22:36Also, was brauchen wir? Wir brauchen
- 22:38zwei Dinge, die ich unterscheide. Das
- 22:40ist zum einen das Company Brain oder
- 22:42auch AI Hivemind statt einem
- 22:44persönlichen Second Brain und ich
- 22:46brauche Wissensmanagementsysteme für
- 22:48spezifische Use Cases. Äh, was genau
- 22:51bedeutet das jetzt? Also, was ist ein
- 22:53Hivemind? Ein Hivemind sammelt zunächst
- 22:55immer wirklich alle Informationen meines
- 22:58gesamten Unternehmens. Das Ziel ist
- 22:59wirklich so eine Art gläsernes
- 23:01Unternehmen zu schaffen, eine Single
- 23:03Source of Truth, in der das gesamte
- 23:05Wissen, die gesamte Wahrheit meines
- 23:07Unternehmens existiert, also durch aus
- 23:09allen Meetings, allen Entscheidungen,
- 23:11allen Kennzahlen, der gesamten
- 23:12Kommunikation. All das liegt an einem
- 23:14zentralen Ort. Und darauf können dann
- 23:17wiederum meine KI-Agenten zugreifen,
- 23:19meine Apps greifen auf diese zentrale
- 23:21Single Source of Truth, auf dieses
- 23:22Hivemind zu und der Name impliziert es
- 23:24schon, das ist ein
- 23:26äh lebendes äh System, also die
- 23:28Ontologie eures Unternehmens, äh wenn
- 23:30man so möchte, und kein statisches
- 23:32Konstrukt, auch alle Workflows, alle
- 23:34Prozesse basieren auf diesem Hivemind,
- 23:37also auf diesem Company Brain. Ein paar
- 23:39ganz reale Beispiele, weil wir das bei
- 23:40uns schon umgesetzt haben und laufend
- 23:43immer erweitern, z.B. Projektmanagement.
- 23:45Das ist unser internes Projektmanagement
- 23:47und das basiert auf dieser Single Source
- 23:49of Truth, auf diesem Hivemind, der
- 23:51zentralen äh Wissensdatenbank.
- 23:52Projektmanagement braucht jedes
- 23:54Unternehmen. Auch äh Kanban an sich, ja,
- 23:56wie man es aus klassischen
- 23:58Projektmanagement-Tools kennt, ja. All
- 24:00das basiert auf diesem zentralen
- 24:02Wissensspeicher, unser Projektportfolio,
- 24:04unser Backlog, all unsere Ideen von
- 24:06allen Mitarbeitern, über alle
- 24:07Abteilungen hinweg. Alles basiert auf
- 24:09der gleichen Single Source of Truth.
- 24:11Management-Dashboards, ja, also wenn
- 24:13unsere Abteilungsleiter im Marketing, im
- 24:14Vertrieb sagen, ich brauche jetzt mal
- 24:16ein eigenes Dashboard, ich muss einen
- 24:17Überblick bekommen über meine
- 24:19Vertriebs-KPIs, dann können sie einfach
- 24:21zugreifen, auch als normale Mitarbeiter
- 24:24auf diese Single Source of Truth und
- 24:25sich ein eigenes Dashboard bauen oder
- 24:26auf die bereits vorhandenen Dashboards
- 24:28zugreifen und müssen sich nicht erst die
- 24:30Daten aus irgendwelchen Excel-Tabellen
- 24:31oder Markdown-Files zuliefern lassen.
- 24:33Ein Meeting-Cockpit, eine ganz amüsante
- 24:36äh Situation, die ich neulich in einem
- 24:38unserer Meetings hatte, dass man, dass
- 24:40wir immer wieder gesagt haben, wenn eine
- 24:41Entscheidung getroffen wurde, "Dies ist
- 24:42jetzt eine Entscheidung." Warum machen
- 24:44wir das? Weil die KI dann im Nachgang
- 24:46bei der Transkription erkennt, äh aha,
- 24:48das ist ein, das ist eine Entscheidung
- 24:50und daraus wird ein sogenanntes
- 24:52Decision-Logbuch geführt. Sollte jedes
- 24:54Unternehmen haben, gerade wenn immer
- 24:55mehr KI-Agenten in eurem Unternehmen
- 24:56Entscheidungen treffen, dann braucht es
- 24:58ja ein Logbuch darüber, welche
- 24:59Entscheidungen wurden denn eigentlich
- 25:00getroffen? Oder auch ein Sales KPI
- 25:03X-Ray. Wer jetzt große Augen bekommen
- 25:04hat, das sind natürlich fiktive Zahlen
- 25:06hier, ja, die ähm mal zeigen sollen, wie
- 25:09man da in die Tiefe gehen kann bei
- 25:11seinen Vertriebs-KPIs und seinem
- 25:13Marketing-KPIs über einen X-Ray. All
- 25:15Alles ist immer noch die gleiche Single
- 25:17Source of Truth, also das Hivemind oder
- 25:20den Decision Log, ja, den habe ich
- 25:21bereits angesprochen. Das wird elementar
- 25:23wichtig, gerade eben, wenn ich mit
- 25:25Agenten arbeite, aber auch im ganz
- 25:26normalen Unternehmen sollte das schon
- 25:27Standard sein, dass jede einzelne
- 25:28Entscheidung, die in irgendeiner Form
- 25:29getroffen wird, dokumentiert wird,
- 25:31danach geprüft wird, war die
- 25:32Entscheidung richtig, wohin hat sie uns
- 25:34geführt, hat es zu mehr Umsatz geführt,
- 25:35hat es zu Nachteilen geführt. Ich muss
- 25:37ja alles rückverfolgbar machen.
- 25:39E-Mail-Kampagnen, ja, also wir haben ein
- 25:41ganz eigenes Tool entwickelt, über das
- 25:42wir all unsere E-Mail-Kampagnen steuern.
- 25:44Wir hatten zuvor ein Tool, für das haben
- 25:45wir 10.000 Euro im Jahr bezahlt und
- 25:48eines Tages habe ich mir gedacht, das
- 25:49kann doch nicht sein. Also, das sind
- 25:51doch alles triviale Wrapper im
- 25:53Wesentlichen, solche E-Mail- Tools und
- 25:55das stellte sich auch als richtig
- 25:57heraus, also haben wir in einem halben
- 25:58Tag unser eigenes E-Mail-Kampagnen-Tool
- 26:00gebaut, wofür wir etwa 60 Euro im im
- 26:03Jahr jetzt zahlen, ja. Also, all das ist
- 26:04bereits heute schon möglich und dies
- 26:06greift auch wieder auf die exakt gleiche
- 26:08Infrastruktur und Single Source
- 26:10of Truth zu. Also, das ist das Company
- 26:12Brain und der zweite Ansatz, den sollte
- 26:16man parallel fahren, das ist dann der
- 26:17Use-Case-basierte Ansatz. Also, zum
- 26:20einen habe ich mein Company Brain, zum
- 26:21anderen habe ich, je nach meinem
- 26:23spezifischen Use-Case wiederum einen
- 26:25anderen Wissensmanagement-Ansatz,
- 26:27weil es eine ganze Vielzahl solcher
- 26:28Ansätze gibt. Die meisten haben davon
- 26:30noch nie gehört, sei es BM25, RAG,
- 26:33Chunking, Agentic RAG, Re-Ranking,
- 26:36klassische Machine Learning Algorithmen.
- 26:38Ich kann eigene neuronale Netze
- 26:40programmieren. Also, es gibt ja zig
- 26:42Ansätze und je nach Use-Case muss ich
- 26:44natürlich unterscheiden. Das sind ein
- 26:45paar Beispiele, ja, also je nach
- 26:47Use-Case den tatsächlich richtigen
- 26:49Ansatz zu wählen, z.B. wenn es darum
- 26:51geht, Leistungsverzeichnisse zu matchen.
- 26:53Ja, einer unserer Kunden, da nutzen wir
- 26:54z.b. Gradient Boosting, das ist ein
- 26:56Machine Learning Algorithmus. Oder bei
- 26:58bei Onboarding Chatbots, da reichen
- 27:00klassische Rex Systeme aus. Wenn ich
- 27:01einen komplexeren Chatbot habe, dann
- 27:03brauche ich vielleicht einen Hybrid
- 27:04Search Ansatz mit lexikalischer Suche.
- 27:08Bei einem Corporate LLM, wir werden
- 27:09darüber noch sprechen. Da habe ich
- 27:11Multimodal Rec, weil ich muss ja auch
- 27:13Bilder will ich vielleicht hochladen,
- 27:14ich will Audiodateien, ich will
- 27:15vielleicht Videos hochladen. Multihop.
- 27:18Bei Agentic Coding reicht vielleicht
- 27:20eine LLM Knowledge Base völlig aus. Und
- 27:22so muss ich je nach Use Case dann
- 27:23nochmals differenzieren, welches KI
- 27:25Wissensmanagement System ist in diesem
- 27:27exakten Fall das Richtige. Also, was
- 27:31nehmt ihr mit aus dem heutigen Vortrag?
- 27:32Jetzt KI Wissensmanagement einführen ist
- 27:35der wichtigste Use Case für jedes
- 27:36Unternehmen, egal ob als Agentur, der
- 27:38Markt ist quasi leer. Das liegt auch
- 27:41daran, weil dieser Use Case in den USA
- 27:42schlicht nicht so groß und so pikant ist
- 27:44wie in Deutschland. Wir haben darüber
- 27:45gesprochen, vor allem über das
- 27:47demografische Problem und unsere Hidden
- 27:48Champions. Also eine gigantische Chance
- 27:50für jede Agentur, die sich jetzt in
- 27:51diesem Bereich positioniert, für jedes
- 27:53Unternehmen, welches diese Infrastruktur
- 27:55jetzt aufbaut, weil die Realität ist, in
- 27:57den meisten Unternehmen ist das Wissen
- 27:59schlicht nicht mal digitalisiert worden.
- 28:00Also da haben wir es immer noch mit PDFs
- 28:01und Excel Tabellen zu tun. Da müssen wir
- 28:03jetzt den ersten Schritt schnellstens
- 28:05gehen, den Second Brain Hype. Ja, wer
- 28:07gerade nicht die Hand um hatte, der hat
- 28:08alles richtig gemacht, weil den könnt
- 28:10ihr ignorieren. Das braucht ihr nicht,
- 28:12genauso diese ganzen Agent Harness
- 28:14Konstrukte, die könnt ihr genauso
- 28:16ignorieren und das, was wir bauen mit
- 28:18Corporate LLM, das ist im Wesentlichen
- 28:20genau diese Vision. Also so einen
- 28:22Company Brain zu schaffen, dass es eben
- 28:23nicht jetzt jeder selbst tun muss,
- 28:26sondern dass ich ein System habe, in dem
- 28:28ich mein Company Brain
- 28:30anlegen kann.
- 28:31Und das ist also die nächste Stufe für
- 28:33alle, die sagen, ich will das ein
- 28:34bisschen leichter machen. Aber das ist
- 28:36in jedem Fall das, was wir jetzt
- 28:37benötigen, also ein Company Brain und KI
- 28:40Wissensmanagement Systeme für meine
- 28:41spezifischen
- 28:43Use Cases. Vielen Dank.
- 28:47[applaus]
- 28:52Ja.
About this transcript
This page contains the full transcript of Wieso KI „Second Brains” SCHEITERN & was wirklich funktioniert (Vortrag Leonard Schmedding) by Everlast AI, generated from the public captions YouTube serves with the video. The transcript has 5,069 words across 896 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.
What you can do with it
Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to choose a caption track available on the video.
Free YouTube transcript tool
YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, caption language selection, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.