Einarbeitungs-Turbo: So nutzt du Perplexity, NotebookLM und Claude als Wissens-Maschine

Sich in ein neues Thema mit KI einzuarbeiten, das klappt inzwischen in Stunden, wofür früher Tage nötig waren. Das Problem ist nicht die Geschwindigkeit. Das Problem ist, dass die meisten ohne System vorgehen. Perplexity aufmachen, ein paar Fragen stellen, die Zusammenfassung lesen, weiterziehen. Das ist keine Einarbeitung. Das ist nur die Illusion davon.

Wer ein Fachgebiet wirklich durchdringt, braucht mehr als Antworten. Er braucht Struktur, Quellen, kritische Distanz. Die gute Nachricht: Genau das lässt sich mit drei Tools und einem klaren Ablauf erreichen.

Orientierung schaffen mit Perplexity und Deep Research

Wer ein Thema nicht kennt, weiß meist nicht einmal, welche Fragen er stellen soll. Genau dafür ist Perplexity gut. Die KI-Suchmaschine durchsucht das Web in Echtzeit und liefert eine strukturierte Übersicht mit verlinkten Quellen. Das reduziert Halluzinationen deutlich, weil Perplexity die Quellen tatsächlich abruft. Fehlerlos ist es nicht, aber der Abstand zu herkömmlichen Chatbots ist erheblich.

Deep Research geht weiter. Das Feature führt Dutzende Suchen automatisch durch, wertet hunderte Quellen aus und erstellt in ein bis zwei Minuten einen strukturierten Bericht. Sinnvoll für Themen, bei denen man nicht weiß, was man nicht weiß.

Was diese erste Phase leisten soll: ein Überblick über die zentralen Begriffe, die wichtigsten Debatten, und eine erste Liste von Quellen, die es wert sind, tiefer gelesen zu werden. Nicht mehr. Der Versuch, hier schon Vollständigkeit zu erreichen, ist Zeitverschwendung.

Ein Prompt für den Einstieg:

Ich möchte mich in [Thema] einarbeiten. Ich weiß noch wenig darüber. Gib mir:
1. Die fünf wichtigsten Konzepte, die ich verstehen muss
2. Die zentralen Debatten oder Kontroversen im Feld
3. Fünf konkrete Quellen, von denen ich anfangen sollte – mit Autor und Quelle

Die Antwort ist ein Startpunkt, kein Endpunkt. Das ist der entscheidende Unterschied zu schlechten KI-Workflows: Man hört hier nicht auf.

Stoff verdichten mit NotebookLM

Hier ändert sich die Logik grundlegend. Während Perplexity das offene Web durchsucht, arbeitet NotebookLM ausschließlich mit dem Material, das man selbst hochlädt. Erfundene Quellen gibt es nicht, weil das Tool nur auf die eigenen Dokumente zugreift. Interpretationen können trotzdem ungenau sein, aber jede Aussage lässt sich auf eine konkrete Textstelle zurückverfolgen.

Das macht Phase 2 zu einer kuratorischen Aufgabe. Aus den Quellen der ersten Phase wählt man aus: die plausiblen, die inhaltlich dichten, die widersprüchlichen. Nicht alles rein. Lieber zehn gute Quellen als fünfzig mittelmäßige. Die Qualität der KI-Analyse hängt direkt davon ab.

NotebookLM kann aus dem geladenen Material ein Audio-Briefing generieren, einen strukturierten Überblick schreiben, Lernkarten erstellen und seit 2026 auch einen Deep-Research-Bericht über die eigene Quellbasis anlegen. Letzterer ist besonders nützlich, weil er Lücken im eigenen Material sichtbar macht: Welche Aspekte des Themas fehlen noch in meinen Quellen?

Die Data-Tables-Funktion ist unterschätzt. Sie extrahiert Variablen aus dutzenden Dokumenten und macht sie vergleichbar. Wer zehn Studien zu einem Thema geladen hat, bekommt auf Knopfdruck eine Tabelle mit Methoden, Ergebnissen und Einschränkungen aller Studien. Das spart Stunden.

Pro Notebook lassen sich in der kostenlosen Version bis zu 50 Quellen laden. Wer die Plus-Version nutzt, kommt auf 500. Für eine ernsthafte Einarbeitung in ein neues Fachgebiet reichen 50 meist aus.

Mit Claude durchdenken und hinterfragen

Die dritte Phase ist die anspruchsvollste. Nicht technisch, sondern kognitiv. Hier geht es nicht mehr darum, Informationen zu sammeln, sondern sie zu prüfen.

Claude ist dafür gut geeignet, weil das Modell auf tiefes analytisches Denken ausgelegt ist. Man kann ihm eine These vorlegen und es bitten, die stärksten Gegenargumente zu liefern. Man kann Zusammenfassungen aus Phase 2 einlesen lassen und nach blinden Flecken fragen. Man kann sich erklären lassen, welche Annahmen hinter einem Konzept stecken.

Was dabei wichtig ist: KI-Modelle antworten bereitwillig, auch wenn die eigene These schwach ist. Das ist kein Fehler, sondern eine Eigenschaft, die man kennen muss. Wer es weiß, kann es nutzen. Wer es nicht weiß, hält eine gefällige Antwort für eine Bestätigung.

Deshalb: Immer aktiv nach Gegenpositionen fragen. »Welche Argumente sprechen gegen diese These?« ist ein nützlicherer Prompt als »Bin ich auf dem richtigen Weg?«. Die erste KI-Antwort ist selten die beste, das gilt in Phase 3 besonders.

Prompts, die in dieser Phase funktionieren:

Ich habe mich in [Thema] eingearbeitet und bin zu folgender These gekommen: [These].
Was sind die stärksten Einwände gegen diese Position?
Welche Annahmen stecken darin, die ich möglicherweise nicht geprüft habe?

Erkläre mir [Konzept] so, dass ich es einem Fachfremden erklären könnte.
Wo vereinfacht diese Erklärung zu stark?

Wer tiefer gehen will: Die 11 Recherche-Prompts für Fortgeschrittene sind auf genau diese Art von Auseinandersetzung zugeschnitten.

Neues Thema mit KI einarbeiten – der Ablauf in der Praxis

Die drei Phasen sind keine starren Schritte. Wer in Phase 3 merkt, dass er bestimmte Quellen braucht, geht kurz in Phase 2 zurück. Wer in NotebookLM auf eine Lücke stößt, startet eine neue Perplexity-Suche. Der Workflow ist iterativ.

Ein praktisches Beispiel: Wer sich in Verhaltensökonomie einarbeiten möchte, startet mit Perplexity Deep Research und lässt sich die zentralen Experimente und ihre Implikationen erklären. Dann lädt man fünf bis zehn Schlüsselaufsätze in NotebookLM, lässt sich ein Audio-Briefing erstellen und fragt danach: »Welche Kritik gibt es an den Standardexperimenten der Verhaltensökonomie?« Das bringt oft mehr als zehn Stunden unstrukturiertes Lesen.

In Phase 3 nimmt man dann einzelne Konzepte mit Claude durch. Nicht um Wissen abzurufen, sondern um es zu testen. Der Unterschied zwischen »Ich habe das gelesen« und »Ich habe das verstanden« liegt meistens genau hier.

Wichtig: Zwischen Phase 1 und Phase 2 steht immer ein menschlicher Schritt. Die Quellen aus der Perplexity-Recherche müssen bewertet und ausgewählt werden. Wer diesen Kurationsschritt überspringt und alles unreflektiert in NotebookLM lädt, verteilt nur das Rauschen gleichmäßig.

Welches Tool für welche Aufgabe?

Kein Tool kann alles. Perplexity ist stark bei der Orientierung, schwach bei der Analyse eigener Dokumente. NotebookLM ist stark bei der Synthese eigener Quellen, kommt aber ohne Live-Web-Zugang aus. Claude ist der stärkste Partner für kritisches Denken, hat aber keinen aktuellen Internetzugang per se.

Die Kombination ist der Punkt. Wer nur eines der drei Tools nutzt, arbeitet mit einem Werkzeug, das für andere Aufgaben gebaut wurde.

Was KI einem nicht abnimmt

Das eigentliche Lesen. Wer ein Fachgebiet ernsthaft durchdringen will, kommt um die Primärquellen nicht herum. KI kann sie zusammenfassen, strukturieren, kommentieren. Aber die eigene Leseerfahrung ist nicht delegierbar.

Dasselbe gilt für die Einordnung in eigene Erfahrungen und Kontexte. KI liefert Wissen ohne Biografie. Das eigene Vorwissen, das eigene Erkenntnisinteresse, die eigene Skepsis gegenüber bestimmten Argumenten: Das bringt der Mensch mit.

Und schließlich das Urteil. Welche Quellen sind zuverlässig? Welche Argumente tragen wirklich? Welche Vereinfachungen sind akzeptabel, welche fragwürdig? Diese Fragen stellt die KI, wenn man sie danach fragt. Aber die richtigen Fragen zu stellen, ist eine Fähigkeit, die man selbst entwickeln muss.

Der beschriebene Workflow ist womöglich mächtiger, als er auf den ersten Blick aussieht. Nicht weil er das Lernen erleichtert, sondern weil er es strukturiert. Wer einmal systematisch durch alle drei Phasen gegangen ist, merkt schnell, wie viel von dem, was vorher als »Einarbeitung« galt, in Wirklichkeit nur Informationsrauschen war. Und dass Lernen mit KI nicht weniger Denkarbeit bedeutet, sondern andere. (lk)

Quellen

• How to Chain Perplexity and NotebookLM for Deep Market Research – Medium / Rahul Gaur, März 2026
• Deep Research in NotebookLM: Tiefergehende Literaturrecherche frei verfügbar – UniDigital.news, 2026
• NotebookLM Tips for Faster Research and Better Answers in 2026 – Geeky Gadgets, 2026
• KI-Antwortmaschine Perplexity stellt neue Deep-Research-Funktion vor – The Decoder
• Claude vs. Perplexity (2026): AI Search vs. AI Reasoning – Ranktracker, 2026