Eine Frage, die nicht mehr wegging
Die meisten Projekte beginnen mit einer Idee. Unseres begann mit einer Irritation.
Ich habe zwanzig Jahre lang an algorithmischen Entscheidungssystemen gearbeitet und Unternehmen durch Digitalisierungsprojekte begleitet. Ich kannte den Stand der Technik — und trotzdem ließ mich eine Beobachtung nicht los: Die Systeme, mit denen wir täglich arbeiten, vergessen alles. Jedes Gespräch beginnt bei null. Jede Erkenntnis verdunstet, sobald das Fenster geschlossen wird. Wir hatten Sprachmodelle, die ganze Bibliotheken gelesen hatten — und kein Gedächtnis, das von gestern bis heute reichte.
Die Frage, die daraus wurde, war einfach und unbequem zugleich: Was bräuchte es, damit ein künstliches System sich wirklich erinnert — nicht für die Dauer eines Chats, sondern über Tage, Wochen, Jahre?
Die persönliche Wurzel dieser Frage habe ich an anderer Stelle erzählt — warum ich überhaupt ein Gehirn bauen wollte. Hier geht es um das, was danach kam: die Entwicklungsgeschichte selbst. Wie aus dieser einen Frage über etwa zwei Jahre ein Open-Source-Gedächtniskern, ein Betriebssystem für die Wissensarbeit und drei eigenständige Forschungslinien wurden. Ich erzähle sie so ehrlich, wie ich kann — mit den Umwegen.
Der lange Anlauf
Rückblickend war ich auf diese Frage doppelt vorbereitet, ohne es zu wissen.
Die eine Hälfte war technisch: Seit 2009 habe ich an statistischen Modellen, an deterministischen Entscheidungsstrategien und an Echtzeitverarbeitung gearbeitet — Systeme, die unter Unsicherheit in Millisekunden entscheiden müssen. Die andere Hälfte war organisatorisch: Jahre in Digitalisierungs- und Transformationsprojekten, von wissenschaftlichen Einrichtungen bis auf Konzernebene. Prozess-Atlanten, KI-Strategien, Entscheidungssysteme in ganz unterschiedlichen Branchen. Ich habe aus nächster Nähe gesehen, woran gute Absichten in Organisationen scheitern.
Dazu kam etwas, das mit Software zunächst nichts zu tun hatte: jahrelange ehrenamtliche Arbeit im Bevölkerungs- und Katastrophenschutz. Einsatzkoordination bei Großschadenslagen, Technische Hilfeleistung, Atemschutz. Diese Einsatzrealität — Entscheidungen unter Druck, mit unvollständigen Informationen, wo Fehler Menschen kosten — hat später eine ganze Forschungslinie geprägt. Aber das wusste ich damals noch nicht.
Diese doppelte Vorbereitung ist später in der Architektur sichtbar geworden. Ein Gedächtnissystem zu bauen, ist zur Hälfte ein mathematisches und zur Hälfte ein organisatorisches Problem. Ich hatte zufällig an beiden Hälften gearbeitet.
Von der Skizze zur Architektur (2024–2025)
Mitte 2024 nahm die Idee Form an. Wenn biologische Gehirne das Problem des Erinnerns gelöst haben, warum dann nicht von ihnen lernen? Die ersten Skizzen waren grob: eine mehrschichtige Gedächtnisstruktur, gespeist aus Neurowissenschaft, die ich mir aneignete — die Vergessenskurve von Ebbinghaus, Spaced-Repetition-Verfahren, Hebbsches Lernen, die Konsolidierung im Schlaf.
2024 und Anfang 2025 wurden daraus Prinzipien: sieben Gedächtnisschichten, Schlaf-Konsolidierung als methodischer Kernbaustein, Bayessche Konfidenz-Propagation. Und parallel passierte etwas, das ich anfangs gar nicht als Teil desselben Projekts begriff: Aus meiner Einsatzerfahrung formte sich eine zweite Frage — die nach grundrechtswahrenden Schutzmechanismen für öffentliche Räume. Zwei Stränge, die sich später als zusammengehörig erweisen sollten.
2025 wurde aus den Skizzen ein Plan. Ich legte drei Forschungslinien an — kognitive Architekturen, Schutz öffentlicher Räume, angewandte KI für die Wissensarbeit — und begann, die Forschung als eigenständige Quelle zu dokumentieren. Zentrale Dokumente habe ich über OpenTimestamps vorab zeitgestempelt, lange bevor irgendetwas davon öffentlich war. Nicht aus Misstrauen, sondern aus wissenschaftlicher Disziplin: Wer Priorität beansprucht, muss sie belegen können. Gegen Ende 2025 liefen die ersten Gedächtnisschichten produktiv.
Januar 2026: der Bau beginnt
Dann kam die Phase, in der aus Architektur Code wurde — und sie hatte eine Wucht, die mich selbst überrascht hat.
Im Januar 2026 begann die produktive Implementierung im aktuellen Entwicklungs-Repository. Acht aufeinander aufbauende Architektur-Phasen in den ersten beiden Wochen. Das ursprüngliche System hieß noch nüchtern „Personal AI Brain". Ende Januar bekam es seinen Namen: ZenAI. Aus einem privaten Experiment wurde ein Produkt mit einer Richtung.
Ich sollte an dieser Stelle etwas Unbequemes zugeben: Ich bin ein einzelner Mensch. Dass ein Ein-Personen-Labor in dieser Dichte arbeiten kann, liegt daran, dass die Werkzeuge, die wir erforschen, selbst zu Kraftverstärkern werden. Ein Mensch, der Architektur und Urteil vorgibt — plus eine Maschine, die das Tippen, Testen und Nachschlagen übernimmt. Das ist keine Magie und kein Trick. Es ist die ehrlichste Demonstration der These, an der das ganze Projekt hängt: dass gute KI Menschen nicht ersetzt, sondern vervielfacht.
Der Monat, in dem alles zusammenkam
Wenn ich auf die Commit-Historie schaue, ragt ein Monat heraus: der März 2026. Es war mit Abstand der dichteste Abschnitt des ganzen Projekts.
In wenigen Wochen entstand das, was heute den Kern von ZenAI ausmacht: die kognitive Architektur über zahlreiche Phasen, das Sieben-Schichten-Gedächtnis, ein Wissensgraph, durchgehende Werkzeugnutzung, eine Kommandozeilen-Version, eine vollständige Test-Suite. Heute stehen über 11.500 Tests hinter dem System — für ein Solo-Projekt eine ungewöhnliche Zahl, über die ich an anderer Stelle noch genauer schreibe.
Wichtiger als die Zahlen war eine Einsicht, die in diesem März endgültig klar wurde: ZenAI ist zweierlei zugleich. Es ist ein produktives Betriebssystem für die Wissensarbeit — und es ist das Test-Vehikel für die Gedächtnisforschung. Was in den Forschungspapieren beschrieben wird, läuft hier seit Anfang 2026 im echten Einsatz. Forschung und Produkt sind nicht zwei Abteilungen, sondern dasselbe System aus zwei Blickwinkeln. Das ist bis heute unser wichtigstes Strukturprinzip.
Rausgehen: Open Source und der Preprint
Ende März 2026 traf ich eine Entscheidung, über die ich lange nachgedacht hatte: den Gedächtniskern offenzulegen.
ZenBrain — die neurowissenschaftlich fundierte Gedächtnis-Architektur — wurde als eigenständige Paket-Familie aus ZenAI herausgelöst und auf npm unter der Apache-2.0-Lizenz veröffentlicht. Neun fundamentale Algorithmen, jeder mit einer peer-reviewten Quelle hinterlegt; fünfzehn, wenn man die sechs Komponenten der Predictive Memory Architecture mitzählt, die die Gedächtnis-Dynamik steuern. Warum verschenkt man seinen härtesten Teil? Weil ein Gedächtniskern, dem Menschen ihre Wissensarbeit anvertrauen sollen, überprüfbar sein muss. Vertrauen entsteht nicht durch Behauptung, sondern durch Nachvollziehbarkeit — und das Gegenteil von Nachvollziehbarkeit ist eine Blackbox.
Im April folgte die akademische Aufbereitung: LaTeX-Infrastruktur, ORCID, Replikations-Material. Im Mai 2026 ging das ZenBrain-Paper als Open-Access-Preprint auf arXiv (2604.23878) online, mit einer permanenten DOI auf Zenodo — vollständig dokumentiert, mit Material zum Nachrechnen. Folgepublikationen für peer-reviewte Fachforen sind in Vorbereitung; Sondierungen mit Hochschulen führe ich konsequent im Konjunktiv, bis schriftliche Zusagen vorliegen. Das gehört für mich zur Redlichkeit eines unabhängigen, eigenfinanzierten Labors: nichts behaupten, was nicht belegt oder noch nicht vereinbart ist.
Der Härtetest
Zwischen „läuft bei mir" und „ein Unternehmen vertraut ihm seine Daten an" liegt eine Kluft, die viele KI-Projekte unterschätzen. Im April bin ich bewusst hineingegangen.
Bevor ZenAI ernsthaft an reale Organisationen gehen durfte, fuhr ich eine zusammenhängende Serie von Härtungs-Sprints: Feldverschlüsselung, mandantengetrennte Zugriffskontrolle, Schutz gegen ganze Klassen von Angriffen, Leitplanken gegen Prompt-Injection, ein Einwilligungszentrum mit Auskunft und Löschung, Kennzeichnung KI-erzeugter Ausgaben nach EU AI Act, ein Penetrationstest-Durchlauf. Compliance war kein nachträglicher Anstrich, sondern ein Tor, durch das das Produkt erst durchmusste.
Das ist die unglamouröseste Phase der ganzen Geschichte — und vielleicht die wichtigste. Datensouveränität, DSGVO und der EU AI Act sind für uns keine Pflichtübung, sondern Architektur. Ein System, das man komplett auf eigener Infrastruktur betreiben kann, bei dem keine Daten abfließen, ist kein Feature. Es ist eine Haltung.
Nicht ein Produkt, sondern ein Labor
Irgendwann im Frühjahr wurde mir klar, dass aus dem einen Projekt längst mehr geworden war. Nicht ein Produkt, sondern ein Labor mit drei Linien.
Track A — kognitive Architekturen. Das Fundament. ZenBrain ist der öffentlich sichtbare Kern, aber nicht der einzige: Es gibt weitere Forschungskerne, an denen ich arbeite und die ich veröffentlichen werde, wenn sie so weit sind. Über die spreche ich erst, wenn es etwas Belastbares zu zeigen gibt — Konjunktiv, bis dahin.
Track B — Schutz öffentlicher Räume. Die zweite Linie, CrowdGuard, ist die, die aus meiner Einsatzerfahrung gewachsen ist. Es geht um grundrechtswahrende, ausdrücklich nicht-biometrische Schutzmechanismen für öffentliche Räume — eine Architektur, die Bürgerrechte nicht als Hindernis, sondern als Konstruktionsprinzip behandelt, im Einklang mit dem EU AI Act. Die Validierung stützt sich ausschließlich auf öffentlich dokumentiertes Material; aus Rücksicht auf Betroffene führen wir keine konkreten Fallbezeichnungen. Mehr dazu auf der Seite zum Schutz öffentlicher Räume.
Track C — angewandte KI für die Wissensarbeit. Hier lebt, was Menschen täglich nutzen: ZenAI als Betriebssystem, ZenBI für Geschäftsanalysen in natürlicher Sprache, ZenSales für DSGVO-konformes Kontaktmanagement — und die Beratung, mit der wir Unternehmen auf diesem Weg begleiten.
Die drei Linien sind nicht zufällig nebeneinander. Sie teilen denselben Unterbau: die Überzeugung, dass KI nachvollziehbar, datensouverän und am Menschen ausgerichtet sein muss. Die Forschungskerne tragen die Anwendungen — und die Anwendungen erden die Forschung an echten Problemen.
Heute — und was bleibt
Die jüngste Wegmarke ist von dieser Woche: ZenEntry, ein Werkzeug, mit dem Unternehmen ihren eigenen KI-Fahrplan in Minuten durchspielen können. Es schließt einen Kreis. Die Geschichte begann mit der Frage, wie ein System sich erinnert — und sie führt heute dahin, anderen zu helfen, KI richtig in ihren Betrieb zu bringen.
Wenn ich die ganze Strecke betrachte — von den algorithmischen Anfängen über die Frage von 2024 bis zu dem, was heute produktiv läuft —, dann ist der rote Faden nicht eine Technologie. Es ist eine Haltung: nichts behaupten, was man nicht belegen kann; das Fundament richtig bauen, bevor man darauf weiterbaut; den Menschen vervielfachen, nicht ersetzen.
Diese Geschichte ist nicht zu Ende, und sie ist auch noch nicht vollständig erzählt. In den nächsten Beiträgen werde ich einzelne Kapitel herausgreifen — den Härtetest, den Umgang mit KI, die einzelnen Forschungslinien — und sie ausführlicher erzählen. Stück für Stück. Die nüchterne Faktenfassung mit allen Daten finden Sie jederzeit auf der Forschungsseite; hier erzähle ich die Strecke, wie sie sich angefühlt hat.