Die Named-Entity-Erkennung (NER) und die Entity-Linking (EL) sind zwei grundlegend verwandte Aufgaben, da für die Durchführung von EL zunächst die Erwähnungen von Entitäten erkannt werden müssen. Die meisten Entity-Linking-Ansätze ignorieren jedoch den Teil der Erkennung von Erwähnungen und gehen davon aus, dass die korrekten Erwähnungen bereits vorher identifiziert wurden. In dieser Arbeit führen wir ein gemeinsames Lernen von NER und EL durch, um ihre Verwandtschaft zu nutzen und ein robusteres und allgemeiner anwendbares System zu erhalten. Dafür stellen wir ein Modell vor, das sich an dem Stack-LSTM-Ansatz (Dyer et al., 2015) orientiert. Wir beobachten, dass in der Tat das Mehrfachaufgabenlernen von NER und EL die Leistung in beiden Aufgaben verbessert, wenn man es mit Modellen vergleicht, die mit individuellen Zielfunktionen trainiert wurden. Darüber hinaus erreichen wir Ergebnisse, die mit dem Stand der Technik in NER und EL konkurrieren können.