Pith Lab
Ich lese viel für meine Arbeit — und finde das Wichtige dann nicht wieder, wenn ein Kunde fragt. Pith merkt sich, was ich lese, sortiert es in ein Wiki mit Quellenangaben und gibt es zurück, wenn ich es brauche.
- Für
- Alle, die beruflich lesen
- Seit
- Mai 2026
- Daten
- Gehostet in Deutschland
- Preis
- Pro KI-Aktion
Lesen ist leicht. Wiederfinden nicht.
Artikel, Reports, Newsletter — vieles davon ist im Moment nützlich und zwei Wochen später weg. Lesezeichen helfen da wenig. Pith speichert nicht nur den Link, sondern zieht die Kernaussagen heraus, verknüpft sie mit dem, was schon da ist, und merkt sich, woher jede Aussage stammt.
Entwickelt habe ich Pith zuerst für meine eigene Beratungsarbeit — und nutze es jeden Tag.
Speichern ohne Umweg
Browser-Erweiterung (⌘⇧S), Teilen vom Handy, Weiterleiten per E-Mail oder RSS-Feeds — was gerade am schnellsten geht.
Ein Wiki, das mitwächst
Aus gespeicherten Texten entstehen Themenseiten. Jede Aussage verlinkt dorthin, wo sie herkommt.
Morgenbericht
Ein kurzer Bericht aus den eigenen Feeds — zum Lesen oder als drei Minuten Audio.
Briefings pro Kunde
Jedes Mandat bekommt einen eigenen Bereich, neue Artikel werden automatisch zugeordnet. Vor dem Termin gibt es ein Briefing mit Quellen.
Entwurf prüfen
Bevor ein Entwurf rausgeht, prüft Pith ihn gegen die eigenen Quellen: Was ist belegt, was nicht?
Über MCP in Claude & ChatGPT
Der eigene Lesespeicher wird zum Werkzeug für den KI-Assistenten — Antworten kommen mit Quellen.
Zahlen, die man nachprüfen kann
Stecken in den Quellen Zahlen, holt Pith sie als kleine Grafik direkt auf die Wiki-Seite. Jeder Wert behält seine Quelle, und ein Klick zeigt den genauen Satz, aus dem er stammt.
So sieht es aus
Eine kurze Tour durch die App (26 s), danach ein paar Screenshots zum Durchklicken.
Grob, wie es funktioniert
01
Erfassen
Erweiterung, Handy, E-Mail, RSS.
02
Verstehen
Text holen, zusammenfassen, Themen und Zusammenhänge erkennen.
03
Merken
Ein Wiki mit Quellen, durchsuchbar bis zur Textstelle.
04
Ausgeben
Morgenbericht, Briefings, Audio — und MCP für den Assistenten.
Vorne Next.js, dahinter FastAPI und PostgreSQL, Sprachmodelle für Text und Audio. Läuft auf meinem eigenen k3s-Cluster bei Hetzner in Deutschland.