Toinen aivo toimii vihdoin — kiitos äänen ja LLM:ien

Toinen aivo toimii vihdoin — kiitos äänen ja LLM:ien

Henkilökohtainen tiedonhallinta elää hiljaista renessanssia, ja se on suurelta osin jäljitettävissä Andrej Karpathyn huhtikuussa 2026 julkaisemaan X-postaukseen ja siihen liittyvään GitHub-gistiin (llm-wiki.md), joka on sittemmin kerännyt yli 5 000 tähteä [4][5]. Idea on yksinkertainen: pidä raakalähteet — äänimuistiinpanot, litteroinnit, dokumentit — koskemattomina yhdessä kansiossa, ja anna LLM:n jatkuvasti tiivistää ne jäsennellyiksi, ristiinlinkitetyiksi Markdown-sivuiksi Obsidianissa.

Huomionarvoista on siirtymä käsin rakennetuista tietograafeista kohti yksinkertaisempia ääni-Markdown-putkia. Yksi laajasti siteerattu esimerkki käytti Apple Watchin äänimuistiinpanoja, jotka litteroitiin ja syötettiin järjestelmään — ja jotka myöhemmin nostivat esiin 14 relevanttia yhteyttä yhdestä nimihausta kuukausien passiivisen keräämisen jälkeen [6]. X:ssä käyttäjät jakavat tämän mallin ympärille rakennettuja Obsidian-asetuksiaan ja raportoivat huomattavasti vähemmän ylläpitotyötä perinteisiin, linkitysraskaisiin järjestelmiin verrattuna — sekä aitoa yllättyneisyyttä siitä, kun unohtunut kokouskonteksti nousee esiin ajankohtaisen työn kannalta relevanttina.

Punainen lanka on selvä: tallentamisen pitäisi olla vaivatonta (puhu, älä kirjoita), ja järjestäminen on koneen tehtävä, ei sinun. Juuri tätä lupausta kokousten litterointityökalut ovat tavoitelleet — Karpathyn viitekehys vain antoi sille nimen ja seuraajajoukon.

GraphRAG vähentää hallusinaatioita ja tekee kokousdatasta oikeasti kysyttävää

Infrastruktuurin puolella vuoden 2026 vertailutestit ratkaisevat todellisen kiistan: monimutkaisissa, useita päättelyaskelia vaativissa kysymyksissä GraphRAG voittaa pelkän vektorihaun selvästi. Britannian NICD-tutkimus havaitsi, että GraphRAG vastasi 65,3 % monimutkaisista kysymyksistä oikein, kun vektoripohjainen RAG vastasi oikein vain 28,9 % — eli kokonaisuutena noin 80 % totuudenmukaisemmin [7]. Erillinen toukokuussa 2026 julkaistu IDC-tutkimus havaitsi, että yritysten Neo4j-pohjaista graafihakua käyttävillä käyttäjillä GenAI-hallusinaatiot vähenivät keskimäärin 44 % [8].

Suosiota kasvattava arkkitehtuurimalli yhdistää vektorihaun ja graafin läpikäynnin — LLM:t erottavat entiteetit ja niiden väliset suhteet, minkä jälkeen tätä graafirakennetta (Cypher tai hybridihaku) kysellään upotusten rinnalla. Uusia tuotantomalleja, kuten "Parallel Hybrid" ja "Sequential Graph-First", on syntymässä hallitsemaan kustannus- ja viivekompromisseja, ja toimittajat kuten Pinecone, Oracle 23ai sekä BigQuery/Iceberg tarjoavat kaikki omat referenssitoteutuksensa [9].

Erityisesti kokouslitterointien pohjalta tapahtuvaa hakua rakentaville tämä on merkittävää: keskustelut ovat luonnostaan relationaalisia — kuka sanoi mitä, mikä päätös liittyy mihinkin projektiin, mikä tehtävä juontaa juurensa kolme viikkoa sitten käytyyn keskusteluun. X:n keskustelu on osunut juuri tähän käyttötapaukseen ja huomioinut, että GraphRAG on selvästi parempi nostamaan esiin kokousten välisiä yhteyksiä, jotka pelkkä vektorihaku usein jättää huomaamatta.

Mitä tämä tarkoittaa kokoustesi kannalta

Tämänpäiväiset uutiset ovat oikeastaan yhtä ja samaa tarinaa kolmesta näkökulmasta kerrottuna: ala on päättänyt, että kokoukset ovat ensisijainen tiedon lähde, ei arkistoitava ja unohdettava jälkiajatus. Superhuman ei ostanut Fathomia litteroinnin vuoksi — se osti putken puhuttua tietoa, joka voi laukaista sähköposteja, päivittää tietueita ja syöttää agentteja. Karpathyn toinen-aivo-malli soveltaa samaa logiikkaa yksilötasolla: äänesi, passiivisesti tallennettuna, muuttuu jäsennellyksi tiedoksi, joka nousee esiin juuri silloin kun tarvitset sitä. Ja GraphRAG on se putkisto, joka tekee molemmista näistä lupauksista oikeasti luotettavia laajassa mittakaavassa — sen sijaan että käytössä olisi hakupalkki, joka silloin tällöin hallusinoi päätöksen, jota kukaan ei koskaan tehnyt.

Kokousälykkyystyökaluja arvioiville tiimeille rima on noussut. Litterointi ja yhteenvedot ovat nyt vain perusvaatimus. Se, mikä erottaa oikean tietojärjestelmän hienostuneesta muistiinpanovälineestä, on se, rakentaako se yhteyksiä kokousten välille — linkittääkö se kesäkuussa esitetyn kommentin syyskuussa tehtyyn päätökseen — ja pystyykö se toimimaan tämän rakenteen pohjalta pelkän haettavan litteroinnin näyttämisen sijaan. Juuri tämä on se arkkitehtuurikysymys, jonka ympärille Proudfrogin tietograafipohjainen lähestymistapa on rakennettu: puhujatietoinen, suhteista rikas haku koko kokoushistoriastasi, ei vain viime tiistain puhelusta.

Käytännön johtopäätös ammattilaisille: tarkista, kohteleeko nykyinen työkalusi yhä jokaista kokousta erillisenä dokumenttina. Jos näin on, jätät pöydälle yhteyksiä — ja päätöksiä — jotka graafitietoinen järjestelmä nostaisi esiin automaattisesti.

Keskeinen johtopäätös: Kokousälykkyys keskittyy nopeasti — tuottavuussovelluksiin, henkilökohtaisiin tietograafeihin ja graafipohjaiseen hakuinfrastruktuuriin — ja työkalut, jotka yhdistävät keskusteluja ajan yli pelkän litteroinnin sijaan, ovat ottamassa etumatkaa.

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://www.bedatable.com/blog/the-second-brain-finally-works
5. https://codersera.com/blog/karpathy-llm-knowledge-base-second-brain/
6. https://medium.com/the-smart-founder/how-i-built-a-business-brain-as-a-solo-founder-using-karpathys-llm-wiki-a1c8c1c1c4de
7. https://neo4j.com/blog/agentic-ai/vector-rag-vs-graphrag/
8. https://www.ayautomate.com/blog/graphrag
9. https://aithinkerlab.com/build-rag-systems-2026-architecture-patterns/