Infinite Brain: de AI-kennisgrafiek die PARA verving

Infinite Brain: de AI-kennisgrafiek die PARA verving

Ik heb drie jaar besteed aan het bouwen van een PARA-kluis. Projecten, gebieden, bronnen, archieven. Zeshonderdtweeënveertig afwaarderingsbestanden. De grafiekweergave zag eruit als een sterrenstelsel. Ik was er trots op, net zoals jij trots bent op een tuin waarin voornamelijk onkruid groeit dat je wilde bloemen noemt.

Vervolgens voerde ik een enkele benchmark uit die mijn relatie met PARA in ongeveer negentig seconden beëindigde.

Ik stelde Claude Opus 4.7 dezelfde vraag tegen twee versies van dezelfde kennis: mijn bestaande PARA-kluis en een geherstructureerde versie die ik zes weken stilletjes had getest. De PARA-query verbruikte 8.847 invoertokens om een ​​middelmatig antwoord te produceren dat drie niet-gerelateerde projecten samenvoegde tot één verwarde aanbeveling. De geherstructureerde versie beantwoordde dezelfde vraag met 612 tokens - en het antwoord was scherper, citeerde de juiste bronnen en bracht een verband aan het licht tussen twee aantekeningen die ik acht maanden na elkaar had geschreven en waarvan ik het bestaan ​​volledig was vergeten.

Dezelfde kennis. Hetzelfde model. 14,5x minder tokens. Beter antwoord.

Toen begreep ik wat het grootste deel van de productiviteitswereld de komende achttien maanden op pijnlijke wijze zal ontdekken: PARA is ontworpen voor mensen die browsen. Het is structureel vijandig tegenover AI die ophaalt. En de kloof tussen deze twee gebruiksscenario's is nu groot genoeg om u echt geld te kosten, elke dag dat u middelmatige context blijft toevoegen aan een model dat briljant werk zou kunnen doen.

Het systeem dat mijn PARA-kluis heeft vervangen, is wat de oorspronkelijke maker de Infinite Brain noemt: een gepersonaliseerde kennisgrafiek gebouwd op zestien atomaire notitietypen en tien getypte randen. Het klinkt bureaucratisch als je het op papier beschrijft. In de praktijk is het de eerste kennisarchitectuur die ik heb gebruikt waarbij de AI zich niet langer een toerist voelt, maar het gevoel krijgt dat hij echt in mijn aantekeningen leeft.

Ik ga je uitleggen wat er precies is veranderd, waarom de wiskunde de verandering afdwingt, of je het nu leuk vindt of niet, en de precieze conversiestappen die ik heb gebruikt om een ​​PARA-kluis met 642 bestanden te migreren naar een Infinite Brain-grafiek in ongeveer twee weekenden. Er is een specifiek moment in dit bericht (ergens rond het getypte randengedeelte) waarop u knikt en begint met het plannen van uw conversie, of u sluit het tabblad. Ik zal niet proberen je te overtuigen. De tokennummers doen dat op zichzelf.

Waarom PARA stilletjes elke AI-query die u uitvoert saboteert

Ik wil hier voorzichtig zijn. De PARA-methode van Tiago Forte is geen slecht systeem. Voor menselijke notulisten in 2017 was het echt revolutionair: een manier om een ​​berg informatie te ordenen op bruikbaarheid in plaats van op onderwerp, wat een slimme zet is als het knelpunt je eigen aandacht is.

Maar het knelpunt was ergens eind 2024 niet meer uw aandacht. Het knelpunt werd: 'Hoe netjes een LLM de kennis die u heeft verzameld kan ophalen, beredeneren en synthetiseren'. En zodra dat de beperking is, begint elke PARA-ontwerpbeslissing tegen u te werken.

Dit is wat ik concreet bedoel.

PARA-biljetten zijn groot. Het dominante patroon in BASB-stijl kluizen is een 'projectdocument' van een paar duizend woorden, waarin notulen, besluiten, links, ruw onderzoek en persoonlijk commentaar in één bestand worden gebundeld. Wanneer een AI-agent die notitie ophaalt, krijgt hij de hele bundel. De meeste van deze tokens zijn ruis in relatie tot de vraag die wordt gesteld.

PARA-koppelingen zijn ongetypeerd. Wanneer u [[client-onboarding-v2]] in een projectnotitie schrijft, maakt Obsidian een koppeling. Maar de link vertelt de AI niets over waarom de twee noten met elkaar verbonden zijn. Is dit een afhankelijkheid? Een tegenstrijdigheid? Een bronvermelding? Een precedent? Het model moet beide noten volledig lezen om daar achter te komen, wat tokens kost en vaak de verkeerde gevolgtrekking oplevert.

PARA-mappen zijn willekeurige grenzen. Een map "Projecten" is zinvol als u 's ochtends zelf een kwartaal plant. Het heeft geen zin dat een LLM probeert te antwoorden "wat heb ik geleerd over prijzen bij elke klantbetrokkenheid." Het model moet nu vier tot tien projectmappen scannen, honderden irrelevante notities verwerken en hopen dat de juiste context bovenaan het aandachtsvenster verschijnt.

Ik ben hier niet aan het theoretiseren. Ik herbouwde dezelfde vraag op basis van dezelfde kennis in twee structuren en zag het kostenverschil binnenstromen.

Dit is het deel dat de meeste PARA-verdedigers missen als ze met hun handen zwaaien en zeggen: "maar je kunt AI gebruiken op PARA." Ja, dat kan. Je kunt ook een hamer gebruiken om een ​​schroef aan te brengen. De interessante vraag is niet of het mogelijk is; het gaat erom hoeveel je betaalt aan tokens, latentie en antwoordkwaliteit voor het voorrecht om twee incompatibele ontwerpen samen te dwingen.

GraphRAG benchmarks van het afgelopen jaar maken dit op schaal concreet. Uit de gepubliceerde resultaten van Microsoft Research blijkt dat GraphRAG tussen 26% en 97% minder tokens nodig heeft dan alternatieve RAG-benaderingen voor dezelfde querykwaliteit, afhankelijk van het vraagtype. Hoe moeilijker en meer synthese-zwaar de vraag is, hoe groter de kloof. Persoonlijk kenniswerk is overwegend synthese-zwaar: 'wat is de rode draad tussen deze zes cliënten', 'wat heb ik afgelopen voorjaar hierover besloten', 'welke van mijn hypothesen heeft het meeste bewijs'. Dat zijn precies de vragen waarbij het ophalen van platte documenten het moeilijkst is.

De Infinite Brain is in wezen wat er gebeurt als je het structurele inzicht achter GraphRAG neemt en het herbouwt tot een persoonlijk afwaarderingssysteem waarin je daadwerkelijk kunt leven. Geen vectordatabase. Geen indexeringspijplijn. Gewoon afwaarderingsbestanden, getypte links en een architecturale discipline over de granulariteit van noten die zichzelf terugbetaalt op de eerste dag dat je er een LLM aan koppelt.

Maar voordat we op de architectuur ingaan, moet je de wiskunde zien. Omdat het de wiskunde is die de conversie niet-optioneel maakt.

De tokenwiskunde van 9.000 versus 600, goed uitgewerkt

Laat me even de exacte vergelijking doornemen die ik heb gemaakt, omdat ik wil dat je ziet waar de besparingen eigenlijk vandaan komen. Dit is geen magie. Het is het natuurlijke gevolg van het hebben van de juiste granulariteit.

Ik koos een vraag die ik echt beantwoord wilde hebben: "Wat is tijdens mijn laatste twaalf klantopdrachten de meest voorkomende reden waarom de reikwijdte van de ontdekking vóór de aftrap wordt opgeblazen?"

In mijn oude PARA-kluis was de relevante context verspreid over:

• 12 projectmappen, elk met een kickoff-retrospectief van 1.200 tot 3.000 woorden
• 4 "Gebieden"-notities over de activiteiten van mijn bureau
• 1 "Bronnen"-notitie waarin ik afgelopen herfst een half voltooide denkpassage over deze exacte vraag had gedumpt
• Een onbepaald aantal dagelijkse aantekeningen waarin naar deze projecten werd verwezen

Om de vraag te beantwoorden moest Claude óf veel context in grote lijnen opnemen (duur) óf meerdere beperkte opzoekingen uitvoeren en deze aan elkaar plakken (ook duur, plus latentie). Ik laat de agent het brede werk doen, want dat is wat de meeste mensen in de praktijk doen. Totale input: 8.847 tokens. Het antwoord was middelmatig: het identificeerde correct twee van de drie echte patronen en miste de belangrijkste omdat het relevante bewijsmateriaal verborgen was in een 'Bronnen'. Let op: de terugvinding stond laag.

In de Infinite Brain-versie was dezelfde kennis geatomiseerd. Elke kickoff-retrospective was al opgesplitst in:

• 1 beslissingsnota ("Besloten om een pre-discovery sprint van 5 dagen toe te voegen" - 80 regels)
• 1–3 Patroonnotities ("Patroon: klanten onderschatten het aantal belanghebbenden in B2B" - elk 120 regels)
• 1 Hypothese-opmerking ("Hypothese: reikwijdte-uitbreiding correleert met door marketing geleide koperstrajecten")
• Een paar feitennotities (specifieke citaten uit kickoff-oproepen, elk 30-60 regels)
• Concept merkt op dat de patronen gekoppeld zijn via Supports en Contradicts randen

Toen ik dezelfde vraag stelde, liep de agent door de grafiek in plaats van naar de bestanden te grijpen. Het trok eerst de Pattern-aantekeningen, volgde de Supports-randen naar de Hypothese, traceerde de Derived from-randen naar de onderliggende feiten en stelde een strak contextvenster samen van precies de segmenten die het nodig had. Totale input: 612 tokens. Het antwoord bracht alle drie de echte patronen naar voren en markeerde de hypothese als het sterkste bewijsspoor, wat echt is wat ik had geconcludeerd na een jaar lang deze projecten te hebben uitgevoerd.

Bij het gepubliceerde tarief van $5 per miljoen invoertokens in Claude Opus 4.7 bedraagt ​​het kostenverschil per zoekopdracht grofweg $0,044 versus $0,003. Dat is een reductie van 14,5x voor één enkele zoekopdracht. Als u tien keer per dag een AI-agent op uw kennisbank gebruikt, is het jaarlijkse verschil betekenisvol, maar niet levensveranderend: noem het $150 per jaar. Dat is niet de kop.

De kop is wat u dankzij de lagere tokenkosten kunt doen wat voorheen niet mogelijk was. Wanneer een zoekopdracht op uw kennisgrafiek minder dan een derde cent kost, stopt u met rantsoeneren. Je begint brede omgevingsvragen te stellen - "waar moet ik deze week aan denken", "welke onopgeloste vragen zitten al het langst in mijn grafiek", "welke hypothesen heb ik gegenereerd waar ik nooit gevolg aan heb gegeven" - dat zou een verspilling zijn als het gaat om de PARA-tokenkosten. Het goedkope, snelle ophalen verandert het soort denken dat je doet met je tweede brein. Dat is het deel dat de spreadsheet niet vastlegt.

Akkoord. De wiskunde verkoopt zichzelf. Laat me je nu de architectuur laten zien die dit voortbrengt.

De zestien soorten atoomnoten, en waarom ze allemaal hun plaats verdienen

De Infinite Brain heeft zestien atomaire noottypes. De eerste keer dat ik de lijst las, rolde ik met mijn ogen - het voelde als over-engineering ter wille van een raamwerk. Ik had het mis. Elk type bestaat omdat het een vraag beantwoordt die PARA niet kan beantwoorden: wat voor soort ding is dit briefje, en hoe moet de AI het behandelen.

Hier is de volledige lijst met voor elk een echt voorbeeld uit mijn eigen kluis.

1. Pijlers. Noordsterren op lange termijn. Het handjevol dingen die je in de loop der jaren probeert waar te maken over je leven of werk. Ik heb er acht. Een voorbeeld: "Bouw tegen 2027 een hefboominkomen op dat mijn aandacht niet meer per uur vereist." Pijlers worden door bijna al het andere verwezen en bijna nooit bewerkt.

2. Beslissingen. Specifieke keuzes gemaakt op specifieke momenten met expliciete redenering. "Op 14-03-2026 besloten om de WordPress-kant van het bureau te laten vallen en dat werk door te verwijzen naar een partner. Reden: de brutomarge was 23% versus 61% op Laravel-werk." Beslissingen zijn het meest waardevolle notitietype voor het ophalen van AI, omdat ze volledige overlegbogen comprimeren in opvraagbare atomen.

3. Concepten. Definities van dingen waarvoor ik een consistente betekenis wil. "Atomic Note" is zelf een conceptnotitie. Dat geldt ook voor 'Discovery Sprint', 'Buyer Journey', 'Token Budget'. Concepten geven de AI een stabiel vocabulaire in plaats van hem te dwingen uw terminologie elke keer opnieuw af te leiden.

4. Vragen. Dingen die ik beantwoord wil hebben, vastgelegd als op zichzelf staande notities met een eigen identiteit. "Waarom blijft de implementatie van ontwerpsystemen steken bij de acceptatiegrens van 60%?" Vragen leven als knooppunten in de grafiek, zodat ik er bewijsmateriaal aan kan koppelen naarmate het zich ophoopt, in plaats van elke zes maanden dezelfde vraag opnieuw te stellen.

5. Draaiboeken. Herhaalbare procedures met stappen. "Klantaftrap-playbook." "Vault-migratie-playbook." Anders dan een Beslissing (wat een eenmalige keuze is) en anders dan een Concept (wat een definitie is). Een Playbook is een reeks die ik opnieuw zal uitvoeren.

6. Taken. Atomaire werkeenheden. De meeste mensen plaatsen deze in een taakbeheerder, niet in een kennisgrafiek. Ik bewaar ze in de grafiek voor de taken die betekenisvol verband houden met andere kennis – een taak die voortkomt uit een besluit, of een taak die een hypothese test. De wegwerptaken ‘melk kopen’ vinden elders plaats.

7. Gebeurtenissen. Dingen die op een specifiek tijdstip zijn gebeurd. Vergaderingen, conferenties, lanceringen. De kickoff-retrospectives die ik eerder noemde, zijn Events. Ze zijn het natuurlijke bevestigingspunt voor feiten die uit de gebeurtenis voortkwamen en beslissingen die daaruit voortvloeiden.

8. Patronen. Terugkerende observaties over meerdere gebeurtenissen of feiten. "Patroon: elke keer dat ik een vaste prijs opgeef voor een ontdekkingssprint, voegt scope creep 30%+ toe aan de levertijd." Patronen zijn waar wijsheid leeft. Het zijn ook het soort notities die bijna onmogelijk netjes uit een PARA-kluis kunnen worden opgehaald, omdat het patroon uit veel verschillende documenten voortkomt die niets structureel aangeven over hun verbinding.

9. Hypotheses. Overtuigingen die je hebt, maar die je nog niet hebt bevestigd. "Hypothese: door marketing geleide B2B-kopers onderschatten het aantal belanghebbenden met 2-3x." Gelabeld met randen die wijzen op ondersteunende feiten en tegenstrijdig bewijsmateriaal naarmate het zich opstapelt. Hypotheses zijn de manier waarop je je overtuigingen falsificeerbaar maakt in plaats van alleen maar in je hoofd te blijven zweven.

10. Feiten. Specifiek geverifieerde claims met bronnen. Een rechtstreeks citaat uit een klantinterview. Een benchmarknummer uit een gepubliceerd artikel. Een omzetcijfer uit uw boeken. Feiten zijn het belangrijkste type 'bewijs'; de meeste andere typen notities verwijzen uiteindelijk terug naar feiten.

11. Bronnen. Externe documenten — artikelen, artikelen, boeken, podcasts. De metadata van de bron plus een paar zinnen over wat deze bijdraagt. Verschilt van een bladwijzer (wat slechts een URL is die u later misschien nodig heeft) en van een notitie (wat uw eigen schrijven is).

12. Bookmarks. URL's die u misschien wilt lezen, maar nog niet heeft gedaan. Eigenlijk een verzamelplaats. Zonder een bladwijzertype vervuilt elke interessante link die u opslaat uw grafiek met niet-gesynthetiseerde ruis.

13. Notities. Je eigen ruwe schrijfwijze – gedachten, concepten, halfgevormde ideeën. Nog niet voldoende gestructureerd om een ​​concept of een hypothese te zijn. Notities zijn waar ideeën beginnen; ze worden gepromoveerd tot andere typen terwijl ze kristalliseren.

14. Contacten. Mensen. Gekoppeld aan via Authored by randen op bronnen en Tagged as randen op gebeurtenissen.

15. Referenties. Verwijzingen naar externe bronnen die u opnieuw gaat gebruiken: een fragment, een configuratiebestand, een codesjabloon, een promptbibliotheek. Het type 'herbruikbaar artefact'.

16. Aangepaste typen. Het ontsnappingsluik voor alles wat uw domein nodig heeft. Ik heb het type 'Prijsexperiment' toegevoegd voor mijn uitzendwerk en het type 'Prompt Pattern' voor mijn technische werk AI. Wees hier spaarzaam mee: elk aangepast type dat u toevoegt, is iets nieuws dat u conceptueel moet onderhouden.

De discipline die dit mogelijk maakt is de atomaire notenregel: elke noot is tussen de 50 en 300 regels. Geen woorden – lijnen. Die vloer en plafond zijn belangrijk. Onder de 50 regels heb je meestal niet genoeg inhoud om terug te vinden. Boven de 300 regels bundel je meerdere ideeën in één enkele ophaaleenheid, en dat is precies de PARA-foutmodus waaraan je probeert te ontsnappen.

De eerste keer dat ik ging zitten om een ​​retrospectief van 4200 woorden in de juiste stukjes te verdelen, kostte het me veertig minuten en voelde absurd. De vijfde keer duurde acht minuten en voelde voor de hand liggend. De vaardigheid is reëel en wordt snel overgedragen.

Maar de notensoorten alleen zijn niet wat de AI doet zingen. De randen wel. En de randen zijn waar de meeste kennisgrafiekensystemen falen, omdat ze alle links als gelijkwaardig behandelen.

Getypte randen: het deel dat de AI feitelijk reden geeft

Obsidian-koppelingen zijn standaard ongetypeerd. Wanneer u [[B2B Stakeholder Patterns]] schrijft, registreert Obsidian dat twee notities zijn gekoppeld. Er wordt niet vermeld waarom.

Die dubbelzinnigheid kost je elke keer dat je het ophaalt, omdat de LLM beide notities volledig moet lezen om erachter te komen naar wat voor soort relatie het kijkt. Vermenigvuldig dat over een kluis van duizend noten en de inefficiëntie leidt tot het soort token-opgeblazenheid dat mijn PARA-query in 8.847 tokens pap veranderde.

Getypte randen lossen dit op. Elke link in een Infinite Brain-notitie is geannoteerd met een van de tien relatietypen, en de annotatie staat inline in de prijsverlaging, zodat elke LLM-agent deze kan parseren zonder speciaal gereedschap.

Hier zijn de tien randtypen met de inline-syntaxis die ik gebruik:

• Ondersteunt — [[fact-stakeholder-count]] supports [[hypothesis-b2b-stakeholders]]
• Tegenstrijdig — [[fact-march-2026-pricing-test]] contradicts [[hypothesis-fixed-price-discovery]]
• Afhankelijk van — [[task-rebuild-discovery-deck]] depends on [[decision-drop-wordpress]]
• Afgeleid van — [[pattern-scope-creep]] derived from [[event-march-kickoff]] [[event-april-kickoff]] [[event-may-kickoff]]
• Gerelateerd aan — [[concept-discovery-sprint]] related to [[playbook-client-kickoff]]
• Deel van — [[task-update-pricing-page]] part of [[decision-drop-wordpress]]
• Voorafgegaan door — [[event-april-kickoff]] preceded by [[event-march-kickoff]]
• Gevolgd door — [[decision-drop-wordpress]] followed by [[task-rewrite-services-page]]
• Geschreven door — [[source-cagan-empowered]] authored by [[contact-marty-cagan]]
• Getagd als — [[event-may-kickoff]] tagged as [[concept-fixed-price]] [[concept-b2b-saas]]

De inline-syntaxis is van belang. U hebt geen grafische database, plug-in of speciale infrastructuur nodig. Duidelijke afwaardering. De LLM leest "ondersteunt" of "is in tegenspraak" of "afgeleid van" als onderdeel van het proza ​​rond de link, en kan door de grafiek navigeren door het randtype te volgen dat relevant is voor de vraag die wordt gesteld.

Hier is een echt voorbeeld uit mijn kluis. Dit is een echte Pattern-notitie, licht geredigeerd:

## Observatie
Bij elke B2B SaaS-opdracht die we sinds het derde kwartaal van 2025 hebben uitgevoerd, werd de
De initiële stakeholderlijst van de klant omvat 30-45% van de
mensen die daadwerkelijk moeten meewegen bij besluiten over de reikwijdte
vóór de aftrap.

## Bewijs
- [[fact-mars-kickoff-stakeholder-count]] steunt
- [[fact-april-kickoff-stakeholder-count]] steunt
- [[fact-may-kickoff-stakeholder-count]] steunt
- [[fact-juni-pmo-pushback]] ondersteunt
- [[fact-oktober-finance-veto]] steunt

## Tegenbewijs
- [[fact-feb-clean-kickoff]] is in tegenspraak
  (let op: deze klant had ons ontdekkingsproces eerder uitgevoerd)

## Afgeleid van
[[evenement-maart-aftrap]] [[evenement-april-aftrap]]
[[evenement-mei-aftrap]] [[evenement-juni-pmo-bijeenkomst]]
[[event-oktober-finance-call]]

## Ondersteunt
[[hypothese-stakeholder-mapping-pre-discovery]]

## Gerelateerde concepten
[[concept-ontdekking-sprint]] [[concept-koper-reis]]
[[concept-stakeholder-kaart]]

## Opmerkingen
De schoonste voorspeller die ik heb gevonden: als inkoop en
financiën worden niet genoemd tijdens het eerste introductiegesprek, verwacht
30%+ bereikverloop vóór SOW-ondertekening. Dit patroon
komt veel vaker voor in door marketing geleide kopersreizen
productgestuurde.

Dat zijn 152 regels in het daadwerkelijke bestand. Het is een complete atomaire eenheid van gesynthetiseerde kennis. Een AI-agent kan deze ene noot trekken en beschikken over het hele patroon, het bewijsmateriaal, het tegenbewijs en de verbindingen met omringende ideeën. 152 lijnen, misschien 600 tokens. Vergelijk het met het binnenslepen van vijf volledige projectretrospectieven van in totaal 12.000 woorden om het model hetzelfde begrip te geven.

De Patroonnoot hierboven is niet helemaal opnieuw geschreven. Het werd gepromoot vanuit een verborgen paragraaf in een oude notitie "Q4 2025 retrospective" waar ik nooit naar zou hebben gevraagd in PARA omdat het bestand een aanrecht van 4800 woorden was. Atomisering heeft deze kennis toegankelijk gemaakt.

Kanttekening: toen ik voor het eerst met de hand getypte randen begon te schrijven, dacht ik dat het vervelend genoeg zou zijn om het systeem kapot te maken. Dat is het niet. Na ongeveer een week wordt de syntaxis spiergeheugen, op dezelfde manier als [[wikilinks]] dat doet. En de op Claude gebaseerde agent die ik heb gebouwd (meer daarover hieronder) stelt automatisch randtypen voor wanneer ik nieuwe links maak, dus de werkelijke cognitieve overhead per noot bedraagt ​​ongeveer vijf extra seconden. Voor een tokenreductie van 14x bij elke toekomstige zoekopdracht, is dat een deal die ik de hele dag zal accepteren.

De conversie: twee weekenden van PARA naar Infinite Brain

Ik zal je het eigenlijke draaiboek laten zien. In theorie niet: de exacte volgorde die ik gebruikte in mijn eigen kluis met 642 bestanden. Als u Obsidian gebruikt en een Claude- of ChatGPT-abonnement heeft, kunt u dezelfde conversie uitvoeren.

Weekend 1: Foundation en Triage

Stap 1 — Zet de nieuwe structuur op (30 minuten).

Ik heb een nieuwe map op het hoogste niveau gemaakt met de naam _brain/, parallel aan mijn bestaande PARA-mappen. Daarin bevinden zich zestien submappen die overeenkomen met de notitietypen: _brain/decisions/, _brain/concepts/, _brain/patterns/, etc. Het leidende onderstrepingsteken zorgt ervoor dat de hersenmap visueel bovenaan de bestandsboom wordt vastgezet, wat er meer toe doet dan je zou denken als je dagelijks in het systeem werkt.

Ik heb ook een enkele _brain/_index.md gemaakt waarin elk notitietype wordt vermeld met een beschrijving van één zin en een telling. Die index is wat de AI-agent als eerste leest om zich te oriënteren bij het beantwoorden van vragen.

Stap 2 — Dood eerst de bladwijzerstortplaats (45 minuten).

Ik had 387 webknipsels in de mappen PARA Resources, waarvan de meeste nooit werden gelezen. Deze in het nieuwe systeem verwerken was de grootste opruimactie die ik heb uitgevoerd. Drie emmers:

• Gelezen en gesynthetiseerd → promoveren naar een bronnotitie met een samenvatting van 60 regels
• Gelezen maar nog niet gesynthetiseerd → laat het als bladwijzer achter voor later
• Ik ga nooit lezen → verwijderen

Eerlijke telling: 41 werden bronnen, 89 werden bladwijzers, 257 werden verwijderd. Dat is tweederde van mijn "kennis" verdwenen in 45 minuten, en mijn grafiekkwaliteit ging omhoog.

Stap 3 — Identificeer uw pijlers (20 minuten).

Deze zijn gemakkelijk te herkennen als je eenmaal weet wat je zoekt. Langetermijndoelen, hardnekkige waarden, noordsterren waar je al jaren over schrijft. Ik had er acht. Elk kreeg zijn eigen atoomnoot in _brain/pillars/, tussen 80 en 200 regels. Deze veranderen zelden, maar het zijn de zwaartekrachtputten waar de rest van de grafiek om draait.

Stap 4 — Voer een "Decision Mining"-pas uit (3 uur).

Dit is de meest waardevolle conversietaak en degene die de meeste mensen overslaan. Ik heb de afgelopen twaalf maanden aan projectaantekeningen, dagelijkse aantekeningen en retrospectieven doorgenomen en elke expliciete beslissing in een eigen beslissingsnotitie verwerkt. Formaat:

# Beslissing: [Specifieke keuze in één zin]

## Datum
14-03-2026

## Context
[Wat was de situatie die deze keuze dwong]

## Opties overwogen
- Optie A: ...
- Optie B: ...
- Optie C: ...

## Keuze
Optie B.

## Redenering
[Waarom deze optie won. Wees specifiek over afwegingen.]

## Getagd als
[[concept-x]] [[concept-y]]

## Gevolgd door
[[taak-z]] [[gebeurtenis-w]]

I extracted 73 Decision notes from the past year. Each one is now independently retrievable. When Claude needs to answer "why did I make that pricing change last spring," it pulls the relevant Decision note — 100 lines, maybe 400 tokens — instead of grepping through my entire Areas/Business folder.

Weekend 2: Atomization and Edge Wiring

Step 5 — Atomize project retrospectives (4-5 hours).

This is the hardest step and the one that separates a real Infinite Brain from a half-converted PARA vault. Each old project retrospective gets pulled apart into its component atomic notes:

• The events that happened → Event notes
• The decisions that were made → Decision notes (already done in Step 4 if applicable)
• The patterns that emerged → Pattern notes
• The hypotheses you formed → Hypothesis notes
• The specific facts and quotes → Fact notes
• The concepts you defined → Concept notes

I had a working rule: if I touched a retrospective and didn't extract at least three atomic notes from it, I wasn't reading carefully enough. The lowest-yield retrospective produced three notes; the highest produced eleven.

Step 6 — Wire up typed edges (2-3 hours).

This is where Claude becomes a force multiplier. I built a small Claude prompt that takes one of my new atomic notes as input and suggests typed edges to other notes in the graph. The prompt looks like this:

U bedraadt randen in een Infinite Brain-kennisgrafiek.

Hier is een nieuwe notitie: [plak notitie-inhoud]

Hier is de index van bestaande notities per type: [paste _index.md]

Stel voor elke potentiële verbinding het volgende voor:
- De doelnoot
- Het randtype (ondersteunt / is in tegenspraak / hangt af van /
  Afgeleid van / Gerelateerd aan / Onderdeel van / Voorafgegaan door /
  Gevolgd door / Auteur door / Getagd als)
- Een rechtvaardiging van één zin

Stel alleen randen voor waarvan de relatie duidelijk is
specifiek. Sla vage 'gerelateerd aan'-links over, tenzij die er zijn
geen beter randtype.

Ik voer dit uit tegen elke nieuwe atoomnoot. Claude stelt 4-12 randen voor. Ik accepteer er misschien 60-70% van; het model heeft vaker gelijk dan ongelijk, maar het sluit af en toe te veel aan. De acceptatie is één toetsaanslag per rand in mijn Obsidian-installatie.

Stap 7 — Maak de opschoonpas (1 uur).

Laatste stap: voer een query uit op de grafiek en vraag de agent om pijlers, concepten of hypothesen te identificeren die nul inkomende randen van andere notities hebben. Dit zijn de weeskinderen. Ofwel is de verbinding met het weeskind echt verbroken (en je moet je afvragen of hij zijn plaats verdient), ofwel heb je de bedrading gemist.

Ik had 23 weeskinderen na de eerste doorgang van de randbedrading. Na het opruimen had ik er vier – en drie van die vier bleken concepten te zijn die ik had gedefinieerd maar nooit echt had gebruikt, en die ik heb verwijderd.

Totale weekendkloktijd: ongeveer 18 uur verdeeld over twee weekenden. Dat zijn de werkelijke kosten. De beloning is dat elke AI-query die ik uitvoer gedurende de rest van de tijd dat ik deze kluis gebruik, structureel goedkoper, sneller en scherper is dan de equivalente PARA-query.

Als je een intensieve AI-kennisbankgebruiker bent (en als je tot nu toe leest, dat is vrijwel zeker het geval), wordt wiskunde binnen weken en niet maanden beloond.

Wat ik verkeerd heb, en wat hier echt moeilijk aan is

Ik wil eerlijk zijn over de dingen die deze aanpak niet oplost, omdat ik te veel 'Ik veranderde mijn systeem en het veranderde mijn leven'-posts las waarin de afwegingen worden verdoezeld.

De verstuivingsbelasting is reëel. Het schrijven van een braindump van 4000 woorden en deze in een projectmap plaatsen duurt tien minuten. Het schrijven van dezelfde inhoud als 8-12 atomaire noten met de juiste randbedrading duurt de eerste paar keer 25-40 minuten. Na een paar maanden wordt het sneller – noem het 50% langzamer dan de braindump-aanpak, niet vier keer langzamer – maar het zal nooit gratis zijn. U betaalt vooraf voor de vastlegkosten, zodat u vooraf kunt besparen op de terughaalkosten. Als u iemand bent die slechts af en toe uw aantekeningen opvraagt, werkt deze wiskunde misschien niet voor u. Voor mij, als ik meer dan 30 AI-query's per dag op mijn kluis uitvoer, komt het niet in de buurt.

De atoomnootregel is moeilijker dan het klinkt. "Tussen 50 en 300 regels" voelt als een zachte richtlijn totdat je naar een noot van 700 regels staart die echt niet netjes uiteenvalt. De vaardigheid om te zien waar een notitie zou moeten splitsen, is iets waar ik zes maanden lang nog steeds mee bezig ben. Het patroon dat ik heb ontdekt helpt: als ik een sectiekop in een notitie schrijf, verdient die sectie waarschijnlijk een eigen notitie met een passend randje.

Edge wildgroei is een echte faalmodus. In het begin van mijn conversie werd ik gek en verbond ik elke plausibele verbinding. De grafiek werd te compact om bruikbaar te zijn: elke noot verbond zich met veertig andere, en de AI kon niet zeggen welke verbindingen dragend waren. De oplossing was een discipline die ik nu meedogenloos toepas: elke grens moet er een zijn die een toekomstige ik daadwerkelijk zou doorkruisen. Als de connectie interessant is, maar ik zou deze nooit volgen om een ​​echte vraag te beantwoorden, dan verdient deze zijn plaats niet.

Het systeem beloont specifieke soorten werk meer dan andere. Als uw kenniswerk sterk synthesegedreven is (onderzoek, strategie, advies, schrijven), betaalt de Infinite Brain zich enorm terug. Als uw werk sterk uitvoeringsgericht is en uw "aantekeningen" meestal lichtgewicht taakregistratie zijn, is de overhead moeilijker te rechtvaardigen. PARA is ontworpen voor de tweede use case. Vervang uw taakbeheerder hier niet mee; daar is het niet voor.

Er is nog geen community-plug-in die dit triviaal maakt. Ik heb mijn eigen Obsidian-sjabloonfragmenten en Claude-prompts gebouwd. De gemeenschap van de oorspronkelijke makers biedt conversieprompts en sjablonen, en dit zijn solide uitgangspunten, maar u mag verwachten dat u een aantal aangepaste tools voor uw specifieke workflow zult bouwen. Dit is nog geen download-en-app-systeem. Het kan over een jaar zijn.

Het goede nieuws is dat geen van deze afwegingen de onderliggende wiskunde verandert. De 14x tokenreductie is reëel. De verbetering van de ophaalkwaliteit is reëel. De "AI voelt alsof het echt in mijn aantekeningen leeft"-ervaring is echt. Wat je voor die winst inruilt, is discipline vooraf in de manier waarop je schrijft, en die discipline wordt in de loop van de tijd goedkoper naarmate de spier zich ontwikkelt.

Waar de tokenbesparingen daadwerkelijk verschijnen

Ik wil afsluiten met iets concreets, omdat de abstracte ‘minder tokens’-framing niet helemaal weergeeft wat er dagelijks verandert.

Drie maanden na het runnen van mijn Infinite Brain, is dit wat ik nu doe dat ik me letterlijk niet had kunnen veroorloven in mijn PARA-kluis:

Ochtendvragen. Elke ochtend voer ik een Claude-opdracht uit die vraagt: "Als ik naar mijn grafiek van vandaag kijk, wat is dan de belangrijkste onopgeloste hypothese die ik heb, en wat zou er nodig zijn om deze te bevestigen of teniet te doen?" Die zoekopdracht kost me ongeveer 1.800 tokens aan input – minder dan een cent. In PARA zou voor dezelfde vraag meer dan 25.000 tokens aan context nodig zijn geweest om goed te kunnen beantwoorden. Ik zou het nooit hebben uitgevoerd.

Patronenjachten tussen domeinen. Eén keer per week voer ik het volgende uit: "Kijk naar elke patroonnotitie die is getagd met zowel concept-pricing als concept-b2b. Wat is de sterkste verbinding tussen deze twee, en wat is de grootste tegenstrijdigheid?" Dit zijn de vragen die ervoor zorgen dat een kennisbank levend aanvoelt. Dit zijn ook de vragen die betaalbaar werden toen getypte randen het platte ophalen vervingen.

Beslissingsarcheologie. "Vind elke beslissing die ik in de afgelopen 12 maanden heb genomen, getagd met concept-agency-pricing. Sorteer op datum. Vertel me welke ik heb teruggedraaid en welke nog steeds van kracht zijn." Deze zoekopdracht duurde 480 tokens en 4 seconden. Het bracht een patroon in mijn eigen prijsstrategie aan het licht waar ik al negen maanden dezelfde fout in maakte.

De wiskunde achter de Infinite Brain is wat ingenieurs overtuigt. De dagelijkse ervaring van het hebben van een kennisbank waar uw AI daadwerkelijk over kan redeneren – goedkoop, snel en nauwkeurig – is wat iedereen overtuigt.

Ik denk dat we over drie jaar zullen terugkijken op de PARA-stijl notitiesystemen met platte mappen, net zoals we terugkijken op het ordenen van bestanden per afdeling in een gedeelde schijf uit de jaren negentig. Functioneel, uiteindelijk pijnlijk, vervangen door iets dat past bij de feitelijke beperkingen van modern werk. De beperkingen zijn veranderd. De architecturen moeten met hen mee veranderen.

Als je wilt weten of dit je twee weekenden waard is: open je huidige kluis, kies de meest synthese-zware vraag die je de afgelopen maand aan een AI hebt gesteld over je eigen kennis, en tel de tokens die nodig waren om een ​​fatsoenlijk antwoord te krijgen. Als dat getal je in verlegenheid brengt, heb je je antwoord al.

De mijne bracht mij in verlegenheid. Ik ga niet terug.

Veelgestelde vragen

Wat is het verschil tussen een Infinite Brain en een Zettelkasten?

Een Infinite Brain is een strikte superset van Zettelkasten met twee belangrijke toevoegingen: een vaste taxonomie van 16 atomaire noottypen (Zettelkasten is type-agnostisch) en 10 getypte randen (Zettelkasten-links zijn niet-getypeerd). Het resultaat is een grafiek waarin een LLM semantisch kan navigeren zonder elke noot volledig te lezen. Voor de volledige architectuur, zie het gedeelte met zestien noottypen hierboven.

Heb ik hiervoor een vectordatabase nodig?

Nee. Het hele punt is dat getypte randen en granulariteit van atomaire noten vervangen wat vectorherstel probeerde te doen. De agent loopt door de grafiek door de inline edge-syntaxis te volgen in eenvoudige markdown: geen insluitingen, geen indexeringspijplijn, geen chunking-beslissingen. Dit komt qua geest dichter bij GraphRAG dan bij de traditionele vector RAG.

Hoe lang duurt de conversie van PARA naar Infinite-Brain eigenlijk?

Twee weekenden geconcentreerd werken voor een kluis met 600 bestanden, ongeveer 50-50 gebroken tussen atomisatie en randbedrading. Het conversie-playbook hierboven is de exacte volgorde die ik heb gebruikt. Verwacht in totaal 12-20 uur, afhankelijk van de kluisgrootte en hoe agressief u verwijdert versus converteert.

Kan ik dit gebruiken met ChatGPT in plaats van Claude?

Ja. De Infinite Brain is markdown-native: elke LLM-agent die bestanden kan lezen werkt. Ik gebruik Claude Opus 4.7 omdat de grafieknavigatiequery's profiteren van sterke redeneringen, maar de architectuur model-agnostisch is. ChatGPT, Gemini en lokale modellen werken allemaal met dezelfde kluisstructuur.

Wat gebeurt er met mijn PARA-kluis tijdens de conversie?

De mijne zat onaangeroerd in de originele mappen terwijl ik ernaast de nieuwe _brain/-structuur bouwde. Toen het nieuwe systeem eenmaal werkte voor dagelijkse zoekopdrachten, archiveerde ik de oude PARA-mappen in een _archive/-map en stopte met schrijven ernaar. Ik heb ze niet verwijderd – ze zijn een noodoplossing als ik ooit iets moet reconstrueren – maar ik heb ze ook al twee maanden niet geopend.

Laten we samenwerken

Wilt u AI-systemen bouwen, workflows automatiseren of uw technische infrastructuur schalen? Ik help je graag.

• Fiverr (aangepaste builds en integraties): fiverr.com/s/EgxYmWD
• Portfolio: mejba.me
• Ramlit Limited (ondernemingsoplossingen): ramlit.com
• ColorPark (ontwerp en branding): colorpark.io
• xCyberSecurity (beveiligingsdiensten): xcybersecurity.io