Den andre hjernen fungerer endelig — takket være stemme og LLM-er

Den andre hjernen fungerer endelig — takket være stemme og LLM-er

Personlig kunnskapsforvaltning opplever en stille renessanse, og det kan i stor grad spores tilbake til Andrej Karpathys X-innlegg fra april 2026 og den tilhørende GitHub-gisten (llm-wiki.md), som siden har passert 5000 stjerner [4][5]. Ideen er: behold rådataene — talenotater, transkripsjoner, dokumenter — urørt i én mappe, og la en LLM kontinuerlig destillere dem til strukturerte, sammenlenkede Markdown-sider i Obsidian.

Det bemerkelsesverdige er skiftet bort fra manuelt bygde kunnskapsgrafer og over til enklere tale-til-markdown-pipeliner. Et mye siterte eksempel brukte talememoer fra Apple Watch, transkribert og matet inn i systemet, som senere avdekket 14 relevante sammenhenger fra ett enkelt navnesøk etter måneder med passiv innsamling [6]. Praktikere på X deler Obsidian-oppsett bygget rundt dette mønsteret, og rapporterer langt mindre vedlikehold enn tradisjonelle, lenkingtunge systemer — samt ekte overraskelse over å gjenoppdage glemt møtekontekst som er relevant for pågående arbeid.

Den røde tråden er tydelig: innsamling skal være anstrengelsesløst (snakk, ikke skriv), og organisering skal være maskinens jobb, ikke din. Det er nettopp det løftet møtetranskripsjonsverktøy har jaget etter — Karpathys rammeverk ga det bare et navn og en tilhengerskare.

GraphRAG reduserer hallusinasjoner, gjør møtedata faktisk søkbare

På infrastruktursiden avgjør benchmarker fra 2026 en reell debatt: for komplekse spørsmål som krever flere resonneringssteg, slår GraphRAG rene vektorbaserte søk med god margin. Den britiske NICD-studien fant at GraphRAG svarte korrekt på 65,3 % av komplekse spørsmål, mot 28,9 % for vektor-RAG — omtrent 80 % mer sannferdig totalt sett [7]. En separat IDC-studie fra mai 2026 fant et gjennomsnittlig fall på 44 % i GenAI-hallusinasjoner blant bedriftsbrukere som kjørte Neo4j-basert grafhenting [8].

Arkitekturmønsteret som vinner terreng, kombinerer vektorsøk med grafgjennomgang — det trekker ut entiteter og relasjoner via LLM-er, og spør deretter mot den grafstrukturen (Cypher eller hybridhenting) sammen med embeddinger. Nye produksjonsmønstre som «Parallel Hybrid» og «Sequential Graph-First» dukker opp for å håndtere avveiningene mellom kostnad og latenstid, og leverandører som Pinecone, Oracle 23ai og BigQuery/Iceberg leverer alle referanseimplementasjoner [9].

For alle som bygger henting over møtetranskripsjoner spesielt, betyr dette mye: samtaler er iboende relasjonelle — hvem sa hva, hvilken beslutning henger sammen med hvilket prosjekt, hvilket handlingspunkt kan spores tilbake til hvilken diskusjon tre uker tidligere. Kommentarer på X har pekt nøyaktig på dette bruksområdet, og bemerker at GraphRAGs fortrinn ligger i å avdekke sammenhenger på tvers av møter som rent vektorsøk ofte overser.

Hva dette betyr for dine møter

Dagens saker er egentlig én historie fortalt på tre måter: bransjen har bestemt at møter er en primær kunnskapskilde, ikke en ettertanke som skal arkiveres og glemmes. Superhuman kjøpte ikke Fathom for transkripsjon — de kjøpte en rørledning av muntlig kunnskap som kan utløse e-poster, oppdatere poster og mate agenter. Karpathys mønster for den andre hjernen anvender samme logikk på individnivå: stemmen din, fanget passivt, blir strukturert kunnskap som dukker opp igjen akkurat når du trenger den. Og GraphRAG er rørleggingen som gjør begge disse løftene faktisk pålitelige i stor skala, i stedet for en søkelinje som av og til hallusinerer en beslutning ingen tok.

For team som vurderer verktøy for møteintelligens, har lista flyttet seg. Transkripsjon og sammendrag er nå bare grunnleggende forventninger. Det som skiller et ekte kunnskapssystem fra en glorifisert notatapp, er om det bygger relasjoner på tvers av møter — som å lenke en kommentar fra juni til en beslutning i september — og om det kan handle ut fra denne strukturen i stedet for bare å vise den tilbake til deg som en søkbar transkripsjon. Dette er nøyaktig det arkitektoniske spørsmålet Proudfrogs kunnskapsgraf-tilnærming er bygget rundt: talerbevisst, relasjonsrik henting på tvers av hele møtehistorikken din, ikke bare tirsdagens samtale.

Det praktiske rådet til fagfolk: vurder om verktøyene dere bruker i dag fortsatt behandler hvert møte som et isolert dokument. Hvis de gjør det, går dere glipp av sammenhenger — og beslutninger — som et grafbevisst system ville avdekket automatisk.

Nøkkelinnsikt: Møteintelligens konsolideres raskt — inn i produktivitetspakker, inn i personlige kunnskapsgrafer, og inn i grafbasert henteinfrastruktur — og verktøyene som knytter sammen samtaler over tid, ikke bare transkriberer dem, trekker fra hverandre.

Kilder

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/