"Toinen aivo" -malli lyö läpi valtavirtaan

"Toinen aivo" -malli lyö läpi valtavirtaan

Viraaliksi levinnyt opas, jossa näytettiin miten koko yritykselle rakennetaan "toinen aivo" 45 minuutissa, keräsi tällä viikolla 373 tykkäystä ja levisi laajalti — ja kyse on enemmästä kuin pelkästä tuottavuustempusta, se on eräänlainen rakennuspiirustus [1]. Malli on yksinkertainen: kolmen kansion rakenne (raw/, wiki/, output/) sekä skeematiedosto, joka antaa tekoälyagenteille täyden kontekstin järjestää litteroinnit, muistiinpanot ja yrityksen tietämys johonkin kysyttävään muotoon.

Metan insinööritiimi julkaisi rinnakkaisen esimerkin: "organisaation toinen aivo", joka oppii asiantuntijoilta jäsenneltyjen tietotiedostojen ja itseparantuvien silmukoiden avulla — ilman uudelleenkoulutusta [2]. Molempien esimerkkien läpileikkaava ajatus on sama, jota Proudfrog on rakentanut jo pidempään: kokoustieto on arvokasta vain, jos se on jäsennelty tarpeeksi hyvin, jotta tekoälyagentti voi todella hyödyntää sitä myöhemmin — ei vain arkistoida ja unohtaa.

Wegetit.dev:n kirjoituksessa tätä kutsutaan "LLM-tietokantamalliksi" — muistutuksena siitä, että useimmat yritykset kohtelevat kokousmuistiinpanoja edelleen kertakäyttöisinä, vaikka ne ovat itse asiassa tiheintä institutionaalisen tiedon lähdettä, mitä yrityksellä on [3].

Tee-se-itse-Granola: avoimet mallit rakentavat kokousälyn pinon uudelleen

Yksityiskohtainen tekninen kirjoitus näytti, miten Granola-tyylinen kokousäly voidaan toistaa kokonaan avoimilla malleilla: Whisper large-v3 litterointiin, pyannote 3.1 puhujien erotteluun, DeepSeek V4 Flash jäsennellyn tiedon poimintaan (päätökset, tehtävät, avoimet kysymykset, sitaatit JSON-skeeman kautta) ja Qwen3-embedding vektorihakuun [1].

Pointti ei ole se, että kaikkien pitäisi ylläpitää tätä putkea itse — vaan se, että "haettavan yrityksen puhelinmuistin" osat ovat nyt täysin kaupallistuneet ja avoimia. Puhelut lakkaavat olemasta kertaluonteisia yhteenvetoja ja muuttuvat pysyväksi, kysyttäväksi muistiksi: vastaväitekuviot, ominaisuuspyynnöt ja päätökset nousevat esiin koko puheluhistoriasta, ei vain siitä yhdestä puhelusta, joka juuri käytiin.

X:ssä käyty keskustelu kehysti tämän oikein — kyse on yrityksen tietograafien alueesta, ei muistiinpanojen tekemisestä. Muutos on siirtymä "mitä sanoimme tuossa kokouksessa" -ajattelusta "mitä jokainen asiakas on koskaan sanonut tästä ominaisuudesta" -ajatteluun, mikä on perustavanlaatuisesti eri tuotekategoria.

Fireflies ja Otter syventävät agenttipohjaista käyttöä

Vakiintuneet toimijat eivät jää paikoilleen. Fireflies julkaisi MCP-palvelimen, joka antaa Claudelle ja ChatGPT:lle suoran pääsyn kokouslitterointeihin, yhteenvetoihin ja toimintakohtiin, sekä AskFredin, joka hakee tietoa samanaikaisesti kokouksista, sähköpostista, Slackista ja CRM-datasta [1][2]. Otter puolestaan laajentaa tekoälyagentteja ja työnkulkuja: Composio mahdollistaa kolmansien osapuolten agenteille Otter-litterointien hakemisen päivämäärän, osallistujan tai aiheen perusteella [3].

Molemmat siirrot osoittavat samaan suuntaan: kokouslitteroinnit eivät ole enää lopputuote, vaan rajapinta (API). Kilpailullinen kysymys muuttuu "kuinka tarkka litterointinne on" -kysymyksestä "kuinka helposti agentti pystyy päättelemään koko kokoushistoriastanne yhdessä muiden liiketoimintajärjestelmienne kanssa" -kysymykseksi.

Mitä tämä tarkoittaa sinun kokouksillesi

Neljä tarinaa, yksi malli: kokoustieto siirtyy tallennussovelluksesta agenttipohjaiseen tekoälypinoon, olipa kyse sitten avoimen lähdekoodin paikallisista työkaluista (Meetily), jäsennellyistä tietokansioista ("toinen aivo" -malli), uudelleenrakennetuista avoimista putkista (tee-se-itse-Granola) tai MCP-integraatioista (Fireflies, Otter). Yhteinen langat on se, että pelkkä litterointi on arvoton — arvo syntyy rakenteesta, haettavuudesta ja kokousten välisestä päättelystä. Juuri tämä on koko ajatus tietograafien paremmuudesta tasaisiin yhteenvetoihin verrattuna.

Se myös nostaa panoksia kahdella alueella, joita Proudfrog jo pitää ensiarvoisen tärkeinä: yksityisyys (missä tietosi sijaitsee ja kuka voi kysyä siitä) ja rakenne (pystyykö tekoälyagentti todella päättelemään kuuden kuukauden kokousten pohjalta, ei vain hakemaan viimeisintä). Avoimen lähdekoodin vauhti paikallisen käsittelyn ympärillä ja yritysten vetovoima agenttien kysyttäviin tietokantoihin eivät ole kilpailevia trendejä — ne ovat sama trendi, ja se kiihtyy nopeammin kuin useimpien tiimien sisäiset tiedonhallintakäytännöt ehtivät kehittyä.

Jos kokouksesi elävät edelleen irrallisina litterointeina hakukentässä, olet jo jäljessä siitä, mihin suuntaan työkalut kehittyvät. Vuoden 2026 voittava ratkaisu ei ole "parempia muistiinpanoja" — se on henkilökohtainen tai organisaation tietograafi, jota agentit voivat kysyä puolestasi, ja jossa yksityisyys ja tiedon alkuperä on sisäänrakennettu alusta lähtien.

Tärkein poiminta: Kokouslitteroinneista on tulossa infrastruktuuria, ei irrallisia artefakteja — voittavia työkaluja ovat ne, jotka muuttavat hajanaiset keskustelut jäsennellyksi, yksityisyyttä kunnioittavaksi ja kysyttäväksi tietokannaksi, jonka pohjalta tekoälysi pystyy todella päättelemään.

Sources

1. https://meetily.ai/open-source-ai-note-taker
2. https://github.com/Hankanman/Meetily-Local.git
3. https://pinggy.io/blog/meetily_local_ai_meeting_assistant_pinggy/
4. https://raw.githubusercontent.com/NicholasSpisak/second-brain/main/docs/REQUIREMENTS.md
5. https://engineering.fb.com/2026/09/02/ml-applications/organizational-second-brain-ai-learns-from-experts/
6. https://wegetit.dev/library/second-brain-llm-knowledge-base-pattern/
7. https://helmcode.com/posts/build-your-own-granola-with-open-models
8. https://fireflies.ai/blog/fireflies-mcp-server
9. https://fireflies.ai/blog/fireflies-vs-otter
10. https://saascompared.io/blog/otter-vs-fireflies-vs-fathom/