Fireflies panostaa kaiken kokousten väliseen hakuun globaalilla AskFredillä

Fireflies panostaa kaiken kokousten väliseen hakuun globaalilla AskFredillä

Fireflies.ai julkaisi Global AskFredin, joka laajentaa avustajan yhden litteroinnin kysymys-vastaus-toiminnosta semanttiseen hakuun koko kokoushistoriassasi — mukana suodattimet päivämäärän, kanavan ja osallistujan mukaan, sekä valinnainen verkkohaku päälle kerrostettuna [4][5]. Se pystyy huomaamaan toistuvia kaavoja kymmenien kokousten välillä, nostamaan esiin toistuvat toimenpiteet ja jopa laatimaan seurantasähköposteja tai LinkedIn-julkaisuja löydöstensä pohjalta [6].

Suurempi signaali tässä liittyy kilpailuasemointiin: perustason "tiivistä tämä puhelu" -työkalut ovat nyt itsestäänselvyys. Taistelu on siirtynyt siihen, kuka pystyy vastaamaan kysymyksiin kuukausien kokousten yli — ei vain siitä yhdestä, josta juuri poistuit. Fireflies kehystää AskFredin nimenomaisesti "tiimin jäseneksi", ei ominaisuudeksi — merkki siitä, että toimittajat tietävät hakutulosten laadun, ei litteroinnin tarkkuuden, olevan uusi taistelukenttä.

Julkaisua mainostaneet X-ketjut nojasivat vahvasti tähän kehykseen, asemoiden sen harppauksena "perustason kokousmuistiinpanoista" yhä ruuhkaisemmalla kentällä.

RAG-arkkitehtuurivalinnat otetaan vakavasti: naiivilla, agenttimaisella ja graafipohjaisella lähestymistavalla on kaikilla paikkansa

Tällä viikolla kehittäjille suunnatut ketjut purkivat auki todelliset kompromissit RAG-arkkitehtuurien välillä vuoteen 2026 tuotantoon siirryttäessä [7][8][9]. Naiivi RAG — pilkkominen, upottaminen, haku — yltää noin 34 % tarkkuuteen monivaiheisissa kysymyksissä. Edistyneemmät hybridilähestymistavat, joissa on uudelleenjärjestely ja kyselyn hajottaminen, nostavat tämän 62–90 %:iin. Graafi-RAG, joka liikkuu entiteettien ja suhteiden läpi pelkän samankaltaisuuteen perustuvan palasten täsmäyttämisen sijaan, saavuttaa noin 78 % tarkkuuden ja on erityisen vahva monidokumenttisynteesissä — hinnalla, joka tarkoittaa huomattavasti korkeampaa viivettä (~1 500 ms verrattuna naiivin RAG:n 200 ms:iin) [8].

Kaikille, jotka rakentavat hakua jäsentämättömän, monilähteisen sisällön päälle — kokouslitteroinnit mukaan lukien — tämä on käytännön valikko, ei akateemista teoriaa. Agenttimainen RAG lisää suunnittelu- ja itsekorjaussilmukoita; korjaavat/itsereflektoivat RAG-muunnelmat nappaavat kiinni huonot haut ennen kuin ne pilaavat vastauksen. Kehittäjäyhteisön johtopäätös, josta kertoo eniten jaetun ketjun yli 169 tykkäystä, oli käytännöllinen: valitse arkkitehtuurisi tarkkuustarpeidesi ja viivebudjettisi perusteella, ei hypen mukaan.

Paikalliset tietograafit yleistyvät avoimessa lähdekoodissa

Avoimen lähdekoodin työkalut kysyttävien tietograafien rakentamiseen — aluksi koodikannoista, mutta malli yleistyy laajemmin — kasvavat räjähdysmäisesti. Pelkästään Graphify on ylittänyt 63,2 tuhatta GitHub-tähteä ja 6,5 tuhatta haarautumaa, ja vastaavat kuten codebaseGraph, pycode-kg ja LeanKG seuraavat lähellä perässä [10][11][12]. Nämä työkalut käyttävät tree-sitter-jäsennystä ja AST-analyysiä paikallisten, offline-tietograafien rakentamiseen, ja tuovat ne tekoälyagenttien, kuten Claude ja Cursor, käyttöön MCP-palvelimien kautta riippuvuuskartoitusta, kutsugraafeja ja vaikutusanalyysiä varten.

Punainen lanka: kehittäjät haluavat jäsenneltyä, kysyttävää ymmärrystä monimutkaisesta tiedosta ilman, että kaikkea täytyy lähettää pilvi-API:in. Sama paine kohdistuu nyt kokousälykkyyteen — raakalitteroinnit eivät riitä, ihmiset haluavat entiteetit, suhteet ja päätökset eroteltuina ja yhdistettyinä.

Mitä tämä tarkoittaa kokouksillesi

Tämän päivän uutiset ovat oikeastaan yksi tarina kolmella tavalla kerrottuna: litterointi on valmis itsenäisenä tuotteena. Superhuman ei ostanut Fathomia sen litterointien vuoksi — se osti jakelukanavan puhuttuun tietoon, jota yritykset eivät koskaan kirjaa ylös. Fireflies ei rakentanut Global AskFrediä tiivistämään yhtä puhelua paremmin — se rakensi kokousten välisen haun, koska siellä todellinen arvo sijaitsee. Ja RAG- ja paikallinen-tietograafi-trendit kertovat miten tämä arvo saadaan irti: ei litteä haku, vaan graafitietoinen haku, joka ymmärtää kuka sanoi mitä, milloin, ja miten se liittyy kaikkeen muuhun.

Juuri tähän vetoaa tietograafilähtöinen lähestymistapa kokouksiin. Yksittäinen litterointi vastaa kysymykseen "mitä tässä kokouksessa sanottiin". Koko kokoushistoriasi yli rakennettu tietograafi vastaa kysymyksiin "mitä olemme päättäneet tästä asiakkaasta viimeisen kuuden kuukauden aikana", "kuka omistaa tämän" ja "mikä on muuttunut edellisestä keskustelusta". Tämän päivän kehittäjäketjujen Graafi-RAG:n tarkkuusluvut (78 % monivaiheisissa, monidokumenttisissa kysymyksissä) eivät ole abstrakteja — ne ovat ero avustajan, joka referoi viimeisen puhelusi, ja avustajan, joka todella ymmärtää organisaatiosi kertynyttä kontekstia, välillä.

Konsolidaatioaalto (Superhuman/Fathom) ja hakukilpavarustelu (AskFred, Graafi-RAG) osoittavat samaan suuntaan: kokousälykkyydestä tulee infrastruktuuria, ei muistiinpanomukavuutta. Voittavat työkalut ovat niitä, jotka kohtelevat jokaista kokousta pysyvänä, yhdistettynä solmuna organisaatiosi tiedossa — ei litterointina, joka arkistoidaan ja unohdetaan.

Tärkein havainto: Litterointi ei koskaan ollut vaikea ongelma — hakeminen ajan yli on. Toimittajat, jotka investoivat tänään graafipohjaiseen, kokousten väliseen ymmärrykseen, rakentavat tietoinfrastruktuuria, jota kaikki pitävät itsestäänselvyytenä jo ensi vuonna.

Sources

1. https://www.fathom.ai/superhuman
2. https://techcrunch.com/2026/09/14/superhuman-acquires-yc-backed-notetaker-fathom-as-productivity-platforms-push-for-agentic-work/
3. https://apnews.com/press-release/business-wire/press-release-809b94912f1544068aee594046629183
4. https://docs.fireflies.ai/askfred/overview
5. https://guide.fireflies.ai/articles/1512776728-global-askfred-get-answers-from-past-meetings-and-web-searches
6. https://guide.fireflies.ai/articles/6556345325
7. https://gigagpu.com/naive-rag-vs-advanced-rag-vs-graph-rag/
8. https://www.bezkoder.com/rag-vs-agentic-rag-vs-graph-rag/
9. https://aithinkerlab.com/build-rag-systems-2026-architecture-patterns/
10. https://www.augmentcode.com/learn/graphify-63k-stars-knowledge-graphs
11. https://lib.rs/crates/codebase-graph
12. https://www.leankg.com/