Irgendwo in hunderten Videos wurde es erklärt – jetzt fragen wir einfach nach
Man erinnert sich an die Erklärung, aber nicht an das Video. Wir haben ganze Fachkanäle in eine Wissensbasis verwandelt, die Bedeutung statt Stichworte findet und Fragen mit Quellenangabe beantwortet.
- Bereich
- Wissensmanagement
- Projektmodell
- Eigenentwicklung
- Unternehmen
- Eigenes Werkzeug der KI-Gilde
- Laufzeit
- im Einsatz seit September 2026
- Ergebnis
- 453 Videos aus 5 Fachkanälen durchsuchbar und befragbar
Projektmodell: Eigenentwicklung - Wir bauen, Sie nutzen. Manche Lösungen entstehen, weil uns der übliche Weg nicht überzeugt hat. Die bauen wir auf eigene Rechnung - fertig, betriebsbereit, mit eigener Roadmap. Sie bekommen kein Projekt, sondern etwas, das schon läuft. Den Quellcode haben wir unter MIT-Lizenz veröffentlicht, jeder kann ihn frei nutzen.
Man hat es in einem Video gesehen, weiß aber nicht mehr, in welchem. Wir haben ganze YouTube-Kanäle in eine Wissensbasis verwandelt, die man durchsuchen und befragen kann – mit Sprachmodellen auf unserer eigenen Hardware und als Open Source auf GitHub.
Ausgangslage
Wir lernen viel aus Fachkanälen auf YouTube, etwa von IBM Technology, Better Stack oder Fireship. Das Problem kennt jeder: Zu einem Thema hat man eine gute Erklärung gesehen, findet später aber nicht wieder, in welcher Folge sie steckte. Über mehrere Kanäle und hunderte Videos hinweg ist das mit Bordmitteln nicht zu lösen.
Was wir gemacht haben
- Eine Kanal-URL genügt. Man trägt den Kanal ein, alles Weitere läuft von selbst.
- Laden und transkribieren. Die Videos werden heruntergeladen und lokal mit Whisper transkribiert, die Tonspur verlässt unsere Hardware nicht.
- Das Transkript aufbereiten. Ein Sprachmodell glättet den gesprochenen Text inhaltlich und schreibt eine deutsche Zusammenfassung.
- Als Wissensbasis einbetten. Die aufbereiteten Texte landen in einer Vektordatenbank, über die Suche und Chat arbeiten.
- Von selbst aktuell bleiben. Ein Zeitplan prüft stündlich auf neue Videos und arbeitet sie nacheinander ab. Jedes neue Video meldet sich mit Zusammenfassung und Direktlink in unserem Team-Chat.
Die Lösung im Kern
Eine Webanwendung mit drei Bereichen, die aus Videos eine befragbare Wissensbasis macht.
- Import: Kanäle verwalten und sehen, was gerade verarbeitet wird.
- Bibliothek: Eine semantische Suche über alle Transkripte, die Bedeutung findet statt nur Wörter.
- Chat: Fragen werden gegen die Transkripte beantwortet, mit Angabe der Quellvideos.
- Ohne Zutun aktuell: Neue Videos eines Kanals kommen von selbst dazu, niemand muss sie anstoßen.
Ergebnis
- Bei uns im täglichen Einsatz: 453 Videos aus 5 Fachkanälen sind durchsuchbar und befragbar (Stand 14.09.2026).
- Ein 5,5-Minuten-Video ist in unter vier Minuten komplett verarbeitet, davon rund zwei Minuten Transkription.
- Der Quellcode ist öffentlich und frei nutzbar.
- Ein kleiner Anwendungsfall – aber einer, der ohne KI schlicht nicht existieren würde.
Unsere Empfehlung
Sparen Sie nicht am Aufbereitungsschritt vor dem Einbetten. Er macht den Unterschied: Rohe Transkripte ergeben schlechte Antworten. Und fangen Sie klein an – ein paar Kanäle oder Aufzeichnungen reichen, um zu sehen, wie eine Wissensbasis funktioniert, bevor Sie groß denken.
Das Prinzip dahinter
Die YouTube-Wissensdatenbank durchsucht Fachvideos. Das Prinzip dahinter reicht weiter: Wissen, das in Aufzeichnungen steckt, auffindbar und befragbar machen. Man trägt eine Quelle ein, den Rest erledigt eine Pipeline, die transkribiert, aufbereitet und mit Quellenangabe antwortet. Das funktioniert genauso für:
- Schulungs- und Einarbeitungsvideos im Unternehmen
- aufgezeichnete Webinare, Vorträge und Konferenzen
- Meeting- und Besprechungsaufzeichnungen
- Podcasts und Interviewreihen
- Support- und Service-Anleitungen als Video
Technischer Rahmen
- Backend in Python mit FastAPI, Frontend in React und TypeScript
- PostgreSQL und Qdrant als Vektordatenbank, alles in Docker Compose
- Lokale Transkription mit faster-whisper, Download mit yt-dlp
- Aufbereitung, Zusammenfassung und Chat mit Qwen 3.8 27B, Embeddings mit bge-m3 – beides selbst betrieben über unser eigenes LLM-Gateway
- Quellcode auf GitHub unter MIT-Lizenz
Eigenentwicklung der KI-Gilde. Zahlen mit Stand 14.09.2026.