"Toinen aivo" -trendi valtavirtaan Claudella ja Obsidianilla

"Toinen aivo" -trendi valtavirtaan Claudella ja Obsidianilla

Vuoden 2026 oppaiden aalto on muuttanut Andrej Karpathyn "LLM Wiki" -konseptin — joka nousi ensimmäistä kertaa suosituksi huhtikuussa — todelliseksi DIY-liikkeeksi. Kaava on tämä: pudota raakamateriaali (muistiinpanot, litteroinnit, artikkelit) kansioon, ja anna LLM:n, kuten Claudeen, koota siitä linkitetty, itseään päivittävä Obsidian-holvi täydellisine entiteettisivuineen, yhteenvetoineen ja ristiviittauksineen [4][5]. Avoimen lähdekoodin projektit, kuten NicholasSpisakin "second-brain" -repositorio, vievät tämän jo askeleen pidemmälle muodostamalla siitä LLM:n ylläpitämiä henkilökohtaisia tietopankkeja, jotka parantuvat vähitellen ajan myötä [6].

Huomionarvoista on, että kokousten litteroinnit mainitaan nimenomaisesti yhtenä lähdemateriaalin tyyppinä, jota ihmiset syöttävät näihin järjestelmiin. Ammattilaiset rakentavat pohjimmiltaan käsipelillä versioita siitä, mitä varsinaisten kokousälytyökalujen pitäisi tehdä natiivisti — hybridihakua, asteittaista linkitystä, lähteisiin perustuvia muistiinpanoja — vain liimattuna yhteen käsin lisäosien ja kehotteiden avulla.

Tämän ilmiön suosio kertoo jotain tärkeää: ihmiset haluavat hajanaisen työtietonsa (puhelut, dokumentit, kirjanmerkit) yhdistettynä yhdeksi kysyttäväksi aivoksi. He eivät vain vielä ole täysin vakuuttuneita siitä, että yksittäisen toimittajan pitäisi omistaa se.

Agenttipohjainen RAG nousee uudeksi yritysstandardiksi

Perinteinen vektoripohjainen RAG alkaa näyttää yhä vanhentuneemmalta. Ontario Power Generationin kesäkuussa 2026 julkaisema arXiv-paperi dokumentoi siirtymän naiivista haustaan hybridihakuun, uudelleenluokitteluun ja "syvän agenttipohjaisiin" moniagenttiputkiin — se esittelee kehyksen nimeltä PEA-CAE (Progressive Evidence Acquisition with Cost-Aware Escalation) sääntelytasoisen tarkkuuden saavuttamiseksi [7]. Google Researchin Gemini Enterprise Agent Platform seurasi perässä kesäkuussa omalla agenttipohjaisella RAG-arkkitehtuurillaan, joka lisää suunnitteluagentteja, kyselyjen uudelleenkirjoitusta ja iteratiivisia hakusilmukoita kertahakujen sijaan [8].

Todelliset uutiset piilevät luvuissa: vuoden 2026 tuotantobenchmarkit osoittavat, että agenttipohjainen RAG yhdistettynä tietograafeihin vähentää hallusinaatioita noin 62 % verrattuna perinteiseen vektorihakuun [9]. Kyse ei ole marginaalisesta parannuksesta — se on ero työkalun välillä, jota täytyy tarkistaa, ja työkalun välillä, johon voi luottaa.

X:ssä käydyt keskustelut kyselyjen uudelleenkirjoituksesta, uudelleenluokittelijoista ja työkaluista kuten LanceDB heijastelevat samaa muutosta — keskustelu on siirtynyt "toimiiko RAG" -kysymyksestä siihen, "mikä arkkitehtuurimalli oikeasti kestää auditoinnin".

RAG, muisti ja tietograafit eivät ole sama asia

Tänä vuonna julkaistut yritysoppaat vastustavat taipumusta kohdella "RAG":ia kaikenkattavana yleiskäsitteenä. Atlanin vuoden 2026 viitekehys vetää selkeän rajan: RAG on tilaton, kyselyhetkellä tapahtuva haku dokumenttikokoelmasta (erinomainen jäljitettävyyteen); tekoälymuisti on tilallinen, istuntopohjainen jatkuvuus (personointiin); tietograafit hoitavat rakenteellisen, moniaskeleisen päättelyn entiteettien ja niiden välisten suhteiden yli [10]. Kukin ratkaisee eri ongelman, ja parhaat järjestelmät yhdistävät kaikki kolme sen sijaan, että valitsisivat vain yhden [11].

Käytännön viesti ostajille: perustason RAG-MVP maksaa 15 000–40 000 dollaria, mutta muistin ja graafirakenteen lisääminen on se kohta, jossa todellinen erottautuminen — ja kustannukset — todella syntyvät. Näiden kohtelu keskenään vaihdettavina on tapa, jolla projektit jäävät vajaiksi.

Mitä tämä tarkoittaa sinun kokouksillesi

Kun nämä neljä tarinaa yhdistää, esiin nousee kuvio: markkinat ovat lähentymässä juuri sitä arkkitehtuuria, jonka ympärille Proudfrog rakennettiin. Fireflies haluaa toimia kokoustesi puolesta; toisen aivon rakentajat haluavat linkittää ne henkilökohtaiseksi wikiksi; RAG-tutkimuksen maailma todistaa, että tietograafit yhdistettynä agenttipohjaiseen hakuun ovat se, mikä oikeasti vähentää hallusinaatioita tuotannossa. Mikään tästä ei toimi ilman siistiä litterointia, todellista puhujantunnistusta ja rakenteisia entiteettejä perustana — luotettavaa tietograafia ei voi rakentaa sotkuisen äänen ja arvattujen nimien varaan.

DIY-Claude+Obsidian-trendi on myös hyödyllinen signaali, ei uhka. Ihmiset kokoavat käsin sitä, mitä kunnollisen kokoustietopankin pitäisi tarjota valmiina: litteroinnit, jotka muuttuvat linkitetyiksi, kysyttäviksi, jatkuvasti paraneviksi tallenteiksi siitä, mitä oikeasti sanottiin ja päätettiin. Se, että tuhannet ammattilaiset ovat valmiita rakentamaan tämän käsin yhteen, kertoo, että kysyntä pysyvälle, kokousten yli ulottuvalle muistille on todellinen — ja huonosti palveltu työkaluilla, jotka pysähtyvät kohtaan "tässä yhteenvetosi".

Erityisesti pohjoismaisille tiimeille, joiden kokoukset usein ulottuvat kielten, aikavyöhykkeiden ja pitkien projektikaarien yli, ero kansioon kuolevan litteroinnin ja tietograafin välillä — joka kaivaa esiin puoli vuotta myöhemmin, "mitä me oikeastaan päätimme tästä toimittajasta maaliskuussa" — on koko juttu.

Tärkein havainto: Toimiala siirtyy "nauhoita kokous" -ajattelusta "päättele kaikkien kokoustesi yli" -ajatteluun — ja työkalut, jotka yhdistävät tarkan litteroinnin tietograafeihin ja agenttipohjaiseen hakuun, eivät vain parempaan muistiinpanojen tekemiseen, määrittelevät työpaikan muistin seuraavan sukupolven.

Sources

1. https://economictimes.indiatimes.com/ai/ai-insights/fireflies-ceo-krish-ramineni-wants-to-turn-its-ai-notetaker-into-an-action-taker/articleshow/133459364.cms
2. https://www.business-standard.com/technology/artificial-intelligence/fireflies-to-launch-new-products-plans-india-specific-pricing-ceo-126082500909_1.html
3. https://economictimes.indiatimes.com/magazines/panache/a-break-from-the-buzz-fireflies-ai-ceo-krish-ramineni-on-success-solitude-and-the-luxury-of-time/articleshow/133512101.cms
4. https://youmind.com/landing/x-viral-articles/claude-obsidian-ai-second-brain
5. https://agricidaniel.com/blog/claude-obsidian-ai-second-brain
6. https://github.com/NicholasSpisak/second-brain
7. https://arxiv.org/abs/2607.24791
8. https://research.google/blog/unlocking-dependable-responses-with-gemini-enterprise-agent-platforms-agentic-rag/
9. https://aithinkerlab.com/build-rag-systems-2026-architecture-patterns/
10. https://atlan.com/know/ai-memory-vs-rag-vs-knowledge-graph/
11. https://pasqualepillitteri.it/en/news/1496/rag-llm-wiki-agentic-search-differences-costs-2026