Ein selbstheilendes Wiki ist eine Wissensdatenbank, die bei jeder Frage ein bisschen klüger wird – und im Zeitalter der KI ist es vielleicht das wertvollste System, das du in Notion aufbauen kannst. Statt einer statischen Dokumentensammlung, die langsam veraltet, baust du ein lebendiges Wiki, das die Fragen deines Teams aufzeichnet, sie beantwortet und still notiert, was es nicht gut beantworten konnte. Mit der Zeit dokumentiert es genau das, was am wichtigsten ist, schließt seine eigenen Lücken und hält dein Wissen frisch – das ist der Unterschied zwischen einem Wiki, dem man vertraut, und einem, das alle leise ignorieren. Das Beste daran: Du kannst eine funktionierende Version in Notion an einem einzigen Nachmittag aufbauen, sogar von einer leeren Seite aus. Hier erfährst du, wie das Konzept funktioniert und wie du es Schritt für Schritt umsetzt.
Was ist ein selbstheilendes Wiki?
Ein selbstheilendes Wiki ist eine Wissensdatenbank, die rund um die Fragen optimiert ist, die Menschen tatsächlich stellen – und dadurch mit jeder Anfrage besser wird.
Es läuft auf einem einfachen Loop:
- Jemand stellt eine Frage, in Notion oder über Slack.
- Ein KI-Agent durchsucht deine Dokumentation und prüft, wie gut er antworten kann.
- Er beantwortet die Frage so gut er kann.
- Er bewertet seine eigene Konfidenz und protokolliert jede Lücke, die er gefunden hat.
Dieser letzte Schritt ist die Magie. Wenn die Antwort schwach oder undokumentiert ist, erstellt der Agent einen Log-Eintrag – ein sofortiges To-do, das sagt: Das muss aufgeschrieben werden.
Wenn dieselbe Frage das nächste Mal kommt, ist die Antwort schon da – der Loop schließt sich.
Warum scheitern die meisten Knowledge-Bots?
Die meisten Knowledge-Bots hören bei der Antwort auf. Ein selbstheilendes Wiki fügt einen zweiten Schritt hinzu, der das ganze System wachsen lässt.
Indem es protokolliert, wie gut es antworten konnte, baut dein Wiki eine laufende Liste genau der fehlenden Dinge auf – gerankt nach dem, was die Leute immer wieder fragen. Du musst nicht mehr raten, was du dokumentieren sollst; dein Team sagt es dir, indem es Fragen stellt.
So sieht der Vergleich aus:
| Fähigkeit | Normaler Knowledge-Bot | Selbstheilendes Wiki |
|---|---|---|
| Eine Frage beantworten | Antwortet, dann stoppt es | Antwortet, dann bewertet es seine eigene Konfidenz |
| Umgang mit Lücken | Wird ignoriert | Wird automatisch als To-do protokolliert |
| Was dokumentiert wird | Was auch immer jemand einträgt | Die Fragen, die die Leute wirklich stellen |
| Über die Zeit | Veraltet langsam | Wird mit jeder Frage besser |
| Aktualität | Manuelle Bereinigung | Agent meldet Drift (z. B. gegen Slack) |
Das ist wichtiger denn je, weil Agenten Kontext nicht im Kopf behalten können wie ein Mensch. Sie brauchen ihn schriftlich – und ein Wiki, das die richtigen Dinge in der richtigen Reihenfolge dokumentiert, ist das, was deine KI wirklich nützlich macht.
💡 Pro Tip: Der compounding Loop ist der eigentliche Punkt. Fragen beantworten ist das Mindeste – die Lücken zu protokollieren ist das, was dein Wiki leise in ein System verwandelt, das sich von selbst verbessert.
Was brauchst du, um eines zu bauen?
Du brauchst nur zwei Datenbanken: eine Wissensdatenbank und ein Agent-Konfidenz-Log.
Die Wissensdatenbank ist deine zentrale Informationsquelle – Playbooks, How-tos, Prozesse und Referenzdokumente. Das Agent-Konfidenz-Log ist der Ort, an dem der Agent jeden Run festhält: die Frage, eine Zusammenfassung seiner Antwort, seine Konfidenz, die Quelle, ob er eine Lücke gefunden hat, und den Lösungsstatus.
Halte dein Wissen an einem Ort. Eines der ersten Dinge, die wir in einem Kunden-Workspace prüfen, ist, ob sie eine Datenbank pro Objekt haben – oder sieben verschiedene Task-Datenbanken, die überall verstreut sind.
💡 Pro Tip: Widersteh dem Impuls, Playbooks, Prozesse und Notizen in separate Datenbanken aufzuteilen. Wenn es geschriebene Information ist und keine eigenen Properties braucht, gehört es in deine Wissensdatenbank – damit der Agent immer nur an einem Ort suchen muss.
Alles, was ein natürliches Zuhause woanders hat (wie Meeting Notes mit eigenen Properties), kann getrennt bleiben. Alles andere kommt in die eine Wissensdatenbank.
Wie baust du ein selbstheilendes Wiki in Notion?
Du kannst das Ganze mit Notion AI in wenigen Minuten aufbauen, sogar von einer leeren Seite aus. Hier ist der Prozess.
Schritt 1: Die zwei Datenbanken mit KI erstellen
Öffne Notion AI und beschreibe, was du willst: zwei verknüpfte Datenbanken – eine Wissensdatenbank und ein Konfidenz-Log – mit den Properties, die du brauchst, und einer bidirektionalen Relation zwischen ihnen. Halte die Properties schlank; für eine erste Version ist weniger mehr.
Erstelle sie am besten in deinem zentralen Backend statt auf einer zufälligen Seite, damit alles organisiert und skalierbar bleibt.
💡 Pro Tip: Verwende für Build-Schritte immer ein Flagship-Modell – nie “Auto”. Wenn dein intelligentestes Modell Schwierigkeiten hat, deinen Anweisungen zu folgen, ist das ein Signal zum Vereinfachen, nicht zum Modellwechseln.
Schritt 2: Eine Verifikations-Property hinzufügen
Füge deiner Wissensdatenbank eine Verifikations-Property hinzu. Eine verifizierte Seite ist ein starkes Signal für Notion AI, dass sie diesen Inhalt bei der Beantwortung bevorzugen soll.
Stelle sicher, dass du noch keine Owner-Property hast, bevor du die Verifikation hinzufügst – Notion erstellt sonst eine für dich.
Schritt 3: Ein sauberes Layout einrichten
Wechsle das Layout deiner Wissensdatenbank auf “Tabbed” und füge einen zweiten Tab für deine Konfidenz-Log-Einträge hinzu – nenn ihn z. B. “KI-Runs”.
Pinne die Properties, die zählen (Status, Owner, Verifikation, Kategorie), gruppiere das Log danach, ob eine Lücke identifiziert wurde, und sortiere nach Timestamp absteigend, damit die neuesten Fragen immer oben stehen.
Schritt 4: Deinen ersten Prozess erfassen
Füge einen echten Prozess in die Wissensdatenbank ein, damit der Agent etwas hat, womit er arbeiten kann. Du kannst ihn direkt aufschreiben oder mit einem Screen-Recording-Tool erfassen, das einen Click-Through in eine kopierfertige Anleitung verwandelt.
Verifiziere die neue Seite für die nächsten 30 Tage – dieses Frischheits-Signal erhöht die Chance, dass die KI sie bevorzugt.
Schritt 5: Den WikiAnswer-Agenten bauen
Erstelle einen Custom Agent und gib ihm klare Anweisungen. Die wichtigsten Punkte:
- Beantworte Nutzerfragen über die Wissensdatenbank und für allgemeine Fragen über das Web.
- Erfinde niemals interne Prozessdetails und weise immer darauf hin, wenn eine Antwort auf allgemeinem Wissen statt auf deiner Dokumentation basiert.
- Protokolliere nach jedem Run das Ergebnis im Konfidenz-Log mit einer Selbstbewertung: überhaupt nicht, teilweise oder gut.
Gib ihm View-Zugriff auf die Wissensdatenbank, Edit-Zugriff auf das Konfidenz-Log, und lege ein spezifisches Modell fest – wieder: nie “Auto”.
💡 Pro Tip: Für ein skalierbares Setup packe die Antwortlogik in einen Skill und halte die Agenten-Anweisungen schlank – nur ein Verweis auf den Skill. Die Trennung von Anweisungen und Skills ist das, was deine Agenten wachsen lässt, ohne dass sie zum Chaos werden.
Schritt 6: Slack verbinden und mit dem Team teilen
Füge einen Slack-Trigger hinzu, damit der Agent antwortet, sobald eine Frage in einem Channel wie #ask-anything gepostet wird. Stelle sicher, dass der Channel unter den Agent-Tools mit Lese- und Antwort-Zugriff hinzugefügt ist.
Teile dann den Agenten mit deinem Team. Jetzt hast du zwei Eintrittspunkte: Teammitglieder können den Agenten auf jeder Notion-Seite erwähnen oder einfach in Slack fragen.
Wie schließt du den Loop?
Erstelle eine Ansicht in deinem Konfidenz-Log, gefiltert nach Einträgen, bei denen eine Lücke identifiziert wurde. Das ist dein Live-Dokumentations-Backlog.
Von dort aus kannst du jede Lücke jemandem zuweisen, Tasks erstellen oder den Agenten auf die Lücke zurückverweisen, damit er den fehlenden Artikel entwirft. Jede geschlossene Lücke macht die nächste Antwort besser.
Wie kannst du es weiterentwickeln?
Sobald der grundlegende Loop läuft, kannst du mehr compounding-Verhalten aufbauen:
- Lass den Agenten Slack beobachten und ein Dokument automatisch aktualisieren, wenn ein Mensch seine Antwort korrigiert.
- Bitte ihn, einen Outline-Vorschlag in den Seiteninhalt zu schreiben, wenn er einen unvollständigen Eintrag protokolliert – so ist die Dokumentation später einfacher fertigzustellen.
- Lass ihn Quellen abgleichen und Widersprüche oder veraltete Inhalte aufdecken.
Jeder davon ist ein weiterer kleiner Loop, der das System stärker macht. Je mehr du findest, desto mehr wächst deine Wissensdatenbank – und genau da werden KI-gestützte Workflows wirklich kraftvoll.
💼 Brauchst du die Unterstützung zertifizierter Notion Berater? Mein Team und ich helfen dir gerne! → matthiasfrank.de/en/notion-consulting
Willst du einen bewährten Rahmen für den Notion-Rollout in deinem gesamten Team? Der kostenlose Notion for Teams-Kurs führt dich in jeweils fünf Minuten durch sieben essentielle Notion-Frameworks – inklusive Wissensmanagement.
Häufig gestellte Fragen
Was ist ein selbstheilendes Wiki in Notion?
Es ist eine Wissensdatenbank, kombiniert mit einem KI-Agenten, der Fragen beantwortet und nach jedem Run festhält, wie gut er antworten konnte. Wenn der Agent eine Lücke findet, protokolliert er sie – und erzeugt so eine laufende Liste mit genau dem, was dein Team als nächstes dokumentieren muss.
Wie viele Datenbanken brauche ich für ein selbstheilendes Wiki?
Nur zwei: eine Wissensdatenbank für deine Dokumentation und ein Agent-Konfidenz-Log, in dem der Agent jede Frage, seine Antwort, seine Konfidenz und eventuelle Lücken festhält. Du kannst später erweitern, aber zwei reichen für den Anfang.
Brauche ich Programmierkenntnisse, um das aufzubauen?
Nein. Du kannst das gesamte System mit Notion AI aufbauen, indem du in natürlicher Sprache beschreibst, was du willst. Dann erstellst du einen Custom Agent, der den Loop ausführt. Keine externen Tools oder Code nötig.
Wie bleibt das Wiki aktuell?
Der Agent meldet nach jedem Run schwache Antworten und Dokumentationslücken – das wird dein Backlog. Du kannst ihn außerdem Slack beobachten lassen, um zu erkennen, wo dein dokumentierter Prozess nicht mehr mit dem übereinstimmt, wie das Team tatsächlich arbeitet.
Warum überhaupt einen Konfidenz-Score vergeben?
Weil der Score das ist, was das System wachsen lässt. Ohne ihn hast du einen Bot, der Fragen beantwortet; mit ihm hast du ein Wiki, das dir sagt, was du als nächstes dokumentieren sollst – und das messbar besser wird mit jeder gestellten Frage.
