Ich habe während Corona angefangen, Fotos auszudrucken.
Nicht weil digitale Fotos verschwinden würden. Im Gegenteil. Sie sind überall. Tausende davon liegen auf unseren Smartphones, sauber nach Datum sortiert und trotzdem erstaunlich unsichtbar.
Ich wollte etwas anderes.
Wenn wir als Paar etwas unternommen hatten, kam ein Foto ins Album. Irgendwann konnte ich dieses Album aufschlagen und sehen: Wir sitzen eben nicht nur zu Hause. Wir erleben etwas. Es passiert etwas. Unser Leben bewegt sich.
Das Interessante daran war nicht das einzelne Foto.
Es war die sichtbar gewordene Entwicklung über die Zeit.
Genau dieses Prinzip möchte ich jetzt auf Lernen, Arbeit, Forschung und den eigenen Weg zur Meisterschaft übertragen.
Nicht als klassisches Tagebuch.
Nicht als Ordner voller Dokumente.
Und auch nicht als weiteres „Second Brain“, in das wir Informationen hineinwerfen und darauf hoffen, dass eine Suchfunktion sie irgendwann wiederfindet.
Wir brauchen ein Forschungstagebuch, das gleichzeitig Gedächtnis, Reflexionsraum und Dialogpartner ist.
Und genau hier wird KI interessant.
Dokumentieren ist nicht dasselbe wie reflektieren
Wir dokumentieren heute ohnehin permanent.
Screenshots. Fotos. Sprachmemos. Dokumente. Chats. Präsentationen. Tabellen. Videos. Suchverläufe.
Das Problem ist nicht der Mangel an Information.
Das Problem ist, dass Information noch lange keine Erkenntnis ist.
Ein Screenshot sagt mir, was ich gesehen habe. Er sagt mir nicht, warum es relevant war.
Ein Dokument zeigt mir das Ergebnis einer Analyse. Es zeigt mir oft nicht mehr, welche Annahmen ich vorher hatte, welche Alternativen ich verworfen habe oder an welcher Stelle ich meine Meinung geändert habe.
Genau diese Zwischenschritte sind aber ein großer Teil des eigentlichen Lernens.
Forschungsdokumentation nimmt diesen Gedanken seit Langem ernst. Das NIH beschreibt ein elektronisches Laborbuch nicht einfach als Datenspeicher, sondern als vollständige Forschungsaufzeichnung: Es soll nachvollziehbar sein, warum etwas untersucht wurde, wie vorgegangen wurde, welche Beobachtungen entstanden und wie daraus Schlussfolgerungen gezogen wurden.
Diese Logik lässt sich weit über das klassische Labor hinaus übertragen.
Wenn ich etwa ein Kennzahlensystem entwickle, mit dem Budgetverbrauch und die Sinnhaftigkeit des Budgetabflusses schneller beurteilt werden sollen, dann ist das Endprodukt nur ein Teil der Leistung.
Mindestens genauso wertvoll ist der Weg dorthin: Welche Kennzahlen hielt ich zuerst für entscheidend? Welche Hypothese hatte ich? Welche Daten haben dagegen gesprochen? Welche Diskussion hat meine Sicht verändert? Welche Kennzahl haben wir getestet und wieder verworfen?
Wenn ich nur das fertige Modell speichere, verliere ich diesen Lernprozess.
Warum das Schreiben trotzdem wichtig bleibt
Die Forschung zum reflektierenden Schreiben ist nicht so simpel, wie manche Produktivitätsliteratur suggeriert.
Es gibt keinen wissenschaftlichen Freifahrtschein nach dem Motto: Schreibe jeden Tag Tagebuch und du wirst automatisch klüger.
Systematische Reviews und Meta-Synthesen aus Ausbildungs- und Gesundheitsberufen zeigen allerdings wiederholt, dass strukturierte Reflexion mit der Entwicklung von professionellem Denken, Urteilsvermögen, Selbstwahrnehmung und Lernfähigkeit verbunden sein kann. Gleichzeitig zeigen sie eine entscheidende Schwäche: Viele Menschen bleiben beim bloßen Beschreiben hängen. Sie schreiben auf, was passiert ist, reflektieren aber kaum, wie sie gedacht haben und warum.
Das ist für unser Experiment entscheidend.
Denn genau dort könnte KI einen echten Mehrwert liefern.
Nicht indem sie unser Tagebuch schreibt.
Sondern indem sie verhindert, dass wir beim Beschreiben stehen bleiben.
Vom Tagebuch zum Dialog
Ein klassischer Tagebucheintrag funktioniert ungefähr so:
„Heute habe ich am Kennzahlenschema gearbeitet. Einige Daten waren schwierig auszuwerten. Morgen mache ich weiter.“
Dokumentiert? Ja.
Wertvoll? Kaum.
Ein Co-Intelligence-Forschungstagebuch würde dagegen in einen Dialog gehen.
Ich sage: „Wir bekommen den Budgetverbrauch relativ schnell, aber ich kann nicht beurteilen, ob der Verbrauch sinnvoll ist.“
Die KI fragt: Was bedeutet in diesem Zusammenhang sinnvoll?
Ich antworte.
Sie fragt: Welche Information fehlt dir derzeit für dieses Urteil?
Dann: Ist das tatsächlich ein Datenproblem oder fehlt euch ein Bewertungsmodell?
Und plötzlich dokumentieren wir nicht mehr bloß Arbeit.
Wir untersuchen unser Denken.
Eine 2026 veröffentlichte Drei-Semester-Studie verglich klassische Reflexionsberichte, kurze Reflexionsfragen und einen KI-basierten Reflexionsassistenten. Die KI-Variante arbeitete mit fortlaufenden, kontextspezifischen Rückfragen und unmittelbarem Feedback. In dieser Untersuchung erreichten die Gruppen mit dem KI-Agenten die höchste Reflexionsqualität, insbesondere bei vernetzter und kritischer Reflexion. Das ist noch kein Beweis dafür, dass jedes KI-Tagebuch automatisch besser funktioniert. Aber es liefert einen interessanten Hinweis darauf, warum Dialog statt bloßem Protokollieren funktionieren könnte.
Die KI soll nicht meine Reflexion ersetzen. Sie soll sie provozieren.
Ein Forschungstagebuch für Co-Intelligence
Unser derzeitiges Modell besteht deshalb aus drei Ebenen.
1. Erfassen
Untertags wird möglichst reibungsarm gesammelt.
Ein Gedanke. Ein Screenshot. Ein Foto. Eine Sprachaufnahme. Eine Tabelle. Ein Dokument.
Die Regel lautet nicht: Alles ordentlich dokumentieren.
Den Moment festhalten, bevor der Kontext verloren geht.
Denn genau Kontext ist in Forschungs- und Feldnotizen besonders wertvoll. Methodische Literatur zu Field Notes betont, dass Beobachtungen gerade deshalb zeitnah dokumentiert werden sollten, weil sonst Informationen über Situation, Wahrnehmung und Interpretation verschwinden.
2. Reflektieren
Dann beginnt der Dialog.
Nicht: „Fasse meinen Tag zusammen.“
Sondern: „Lass uns herausfinden, was ich heute tatsächlich gelernt habe.“
Die KI kennt unsere bisherigen Hypothesen, Entscheidungen und offenen Fragen und kann deshalb nachhaken.
Was hat sich heute verändert? Welche Annahme wurde bestätigt? Welche wurde widerlegt? Wo widerspricht die heutige Beobachtung etwas, das wir vor drei Wochen festgehalten haben? Was wissen wir? Was glauben wir nur? Welche Entscheidung haben wir getroffen – und auf welcher Grundlage? Was müssen wir testen?
Und vielleicht die unangenehmste Frage:
Wo reden wir uns gerade etwas schön?
Das ist Co-Intelligence.
Nicht Mensch plus Antwortmaschine.
Sondern Mensch plus Gegenüber.
3. Destillieren
Am Tagesende wird nicht alles ungefiltert in ein gigantisches Wissensarchiv gekippt.
Stattdessen entstehen zwei unterschiedliche Produkte.
Das erste ist das chronologische Forschungstagebuch: Datum, Kontext, Fragestellung, Beobachtungen, Hypothesen, Diskussion, Entscheidungen, Belege, offene Fragen und nächste Experimente.
Das zweite Produkt ist die Wissensbasis.
Sie ist nicht chronologisch, sondern thematisch organisiert.
Dort landet nicht „Was habe ich am 17. August gemacht?“, sondern beispielsweise: Budgetsteuerung – Zusammenhang zwischen Budgetverbrauch, Leistung und Wirkung.
Damit wird aus dem Tagebuch langsam ein Second Brain.
Aber eben kein passives Archiv.
Das gefährliche Missverständnis vom Second Brain
Externe Wissensspeicher haben einen offensichtlichen Vorteil: Wir müssen nicht alles biologisch erinnern.
In der Kognitionsforschung wird dieses Auslagern geistiger Arbeit als Cognitive Offloading beschrieben. Kalender, Notizen, Smartphones und externe Speicher reduzieren die Anforderungen an unser internes Gedächtnis. Gleichzeitig weisen Risko und Gilbert darauf hin, dass dieses Auslagern von unseren metakognitiven Einschätzungen abhängt – und diese können falsch sein.
Mit KI wird dieser Effekt noch stärker.
Wir können theoretisch alles speichern und später fragen: „Was habe ich in den vergangenen drei Jahren über Kennzahlen gelernt?“
Das klingt fantastisch.
Es schafft aber ein neues Problem.
Wenn die Maschine alles erinnert, müssen wir selbst trotzdem noch denken.
Sonst bauen wir kein Second Brain.
Wir bauen einen digitalen Dachboden.
Der menschliche Review bleibt
Aus diesem Grund möchte ich eine Sache bewusst nicht vollständig automatisieren.
Den letzten Review.
Die KI darf am Tagesende strukturieren, zusammenfassen und Vorschläge machen. Aber bevor eine Erkenntnis dauerhaft in die Wissensbasis wandert, möchte ich kurz darauf schauen.
Stimmt das? Ist das wirklich meine Schlussfolgerung? Fehlt Kontext? Ist aus einer Vermutung versehentlich eine Tatsache geworden? Soll das tatsächlich Teil unseres langfristigen Wissens werden?
Neuere Forschung zu GenAI und reflektierendem Schreiben zeigt genau diese Spannung. KI kann Strukturierung erleichtern und kognitive Last reduzieren. Gleichzeitig kann sie Authentizität und Reflexionstiefe gefährden, wenn Nutzer die Formulierung und damit irgendwann auch das Denken an die Maschine abgeben.
Das Ziel lautet nicht maximale Automatisierung. Das Ziel lautet maximale Qualität des gemeinsamen Denkens bei minimaler Dokumentationsreibung.
Fotos, Videos und Screenshots gehören dazu
Hier kommt mein Fotoalbum wieder ins Spiel.
Ein Text beschreibt Entwicklung.
Ein Bild lässt sie manchmal unmittelbar erkennen.
Deshalb sollte unser Forschungstagebuch multimodal werden.
Ein Screenshot kann zeigen, wie eine erste Version eines Dashboards ausgesehen hat. Ein Foto kann einen physischen Versuchsaufbau dokumentieren. Ein Bildschirmvideo kann festhalten, wie ein Prozess tatsächlich durchgeführt wurde. Eine Sprachaufnahme kann einen Gedanken konservieren, der fünf Minuten später bereits anders formuliert worden wäre.
Damit entsteht etwas, das einem klassischen Forschungstagebuch näher kommt als eine reine Sammlung von Textdateien:
eine nachvollziehbare Spur des tatsächlichen Denkens und Handelns.
Aber wir brauchen noch eine zweite Zeitebene
Tägliche Reflexion reicht nicht.
Denn wenn ich jeden Tag sehr fokussiert arbeite, kann genau dieser Fokus selbst zum Problem werden.
Man kann in einem Projekt enorme Fortschritte machen und gleichzeitig übersehen, dass ein anderer Bereich des Lebens langsam verschwindet.
Deshalb braucht Meisterschaft Abstand.
Wöchentlich eher operativ: Was ist vorangekommen? Wo hängen wir? Welche Experimente laufen? Was muss nächste Woche passieren?
Monatlich deutlich grundsätzlicher:
Was kann ich heute, was ich vor einem Monat noch nicht konnte?
Welche Überzeugung hat sich verändert? Welche Fehler wiederholen sich? Was kostet unverhältnismäßig viel Energie? Worin investiere ich Zeit, obwohl der Ertrag gering ist? Welche Bereiche vernachlässige ich?
Und dann eine Frage, die Produktivitätssysteme erstaunlich selten stellen:
Wenn die nächsten zwölf Monate genauso aussehen wie dieser Monat – will ich dann dort ankommen?
Meisterschaft bedeutet eben nicht, jede freie Stunde zu optimieren.
Menschen brauchen Beziehungen, Abstand, Erholung, Neugier und ein Leben außerhalb des jeweiligen Projekts.
Ein gutes Review misst deshalb nicht nur Fortschritt.
Es überprüft die Richtung.
Zwei Leben müssen nicht zu einem Datenhaufen werden
Eine weitere Herausforderung unseres Experiments wird die Kontexttrennung.
Wenn ich tagsüber beispielsweise an Controlling-Fragen arbeite und parallel einen völlig anderen persönlichen Lern- oder Forschungsbereich entwickle, darf daraus nicht eine einzige amorphe Wissensmasse entstehen.
Das System muss unterscheiden können: Das gehört zum Beruf. Das gehört zu einem persönlichen Forschungsfeld. Das ist eine übergreifende Methode.
Und genau die letzte Kategorie ist interessant.
Vielleicht entdecke ich beim Aufbau eines Kennzahlensystems etwas über Feedback-Loops, das auch in einem völlig anderen Lernbereich nützlich ist.
Dann sollte die KI nicht einfach alles vermischen.
Sie sollte sagen:
Hier gibt es möglicherweise eine übertragbare Struktur. Sollen wir sie prüfen?
Ein schlechtes Second Brain sammelt Informationen.
Ein gutes Wissenssystem erkennt Beziehungen.
Ein Co-Intelligence-System diskutiert mit mir, ob diese Beziehung überhaupt sinnvoll ist.
Unser Experiment
Wir wissen noch nicht, ob dieses System so funktioniert.
Das ist wichtig.
Wir bauen hier keine Theorie im Nachhinein zurecht.
Wir beginnen ein Experiment.
Wenn wir tägliche multimodale Dokumentation, strukturierte Reflexion, KI-gestützten Dialog, eine thematische Wissensbasis und regelmäßige Reviews miteinander verbinden, entsteht ein lernendes persönliches Forschungssystem, das individuelle Entwicklung über Jahre nachvollziehbar und nutzbar machen kann.
Der interessante Teil wird nicht sein, ob die Technik funktioniert.
Natürlich können wir Dokumente speichern. Natürlich kann KI Zusammenfassungen erstellen.
Die entscheidenden Fragen sind schwieriger:
Verbessert das System tatsächlich unsere Entscheidungen? Erkennen wir Fehler früher? Erinnern wir uns besser an frühere Erkenntnisse? Übertragen wir Wissen zwischen Projekten? Werden unsere Fragen besser? Verändert sich unser Denken sichtbar?
Und können wir nach zwölf Monaten tatsächlich sagen:
Das konnte ich damals noch nicht. So habe ich es gelernt. Und hier ist die Spur, die zeigt, wie es passiert ist.
Dann hätten wir mehr gebaut als ein Tagebuch.
Wir hätten eine dokumentierte Geschichte unserer eigenen Kompetenzentwicklung.
Vielleicht ist genau das eines der interessantesten Werkzeuge auf dem Weg zur Meisterschaft im KI-Zeitalter.
Nicht weil KI uns das Lernen abnimmt.
Sondern weil sie uns dabei helfen kann, unser eigenes Lernen endlich sichtbar zu machen.
Learn. Apply. Prove It.
Literatur und Quellen
Artioli, G. et al. (2021). Health professionals and students' experiences of reflective writing in learning: A qualitative meta-synthesis. BMC Medical Education, 21. DOI: 10.1186/s12909-021-02831-4.
Brown, L. G., Briscoe, G. S. & Grabowsky, A. (2022). The Influence of Journaling on Nursing Students: A Systematic Review. Journal of Nursing Education, 61(1), 29–35. DOI: 10.3928/01484834-20211203-01.
Chan, C. K. Y. & Lee, K. K. W. (2025). The balancing act between AI and authenticity in assessment: A case study of secondary school students’ use of GenAI in reflective writing. Computers & Education, 238, 105399. DOI: 10.1016/j.compedu.2025.105399.
Phillippi, J. & Lauderdale, J. (2018). A Guide to Field Notes for Qualitative Research: Context and Conversation. Qualitative Health Research, 28(3). DOI: 10.1177/1049732317697102.
Risko, E. F. & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002.
Zheng, Y., Tu, F., Shu, F., Shang, C., Chen, L. & Meng, J. (2026). How AI agents transform reflective practices: A three-semester comparative study in socially shared regulation of learning. Computer Standards & Interfaces, 97, 104094. DOI: 10.1016/j.csi.2025.104094.
National Institutes of Health, Office of Intramural Research. Intramural Electronic Lab Notebook Policy.