Mönstret "Second Brain" blir mainstream

Mönstret "Second Brain" blir mainstream

En viral guide som visar hur man bygger ett företagsomfattande "Second Brain" på 45 minuter fick 373 gillanden och delades flitigt denna vecka — och det är mer än ett produktivitetsknep, det är en ritning [1]. Mönstret är enkelt: en mappstruktur i tre delar (raw/, wiki/, output/) plus en schemafil som ger AI-agenter full kontext för att organisera transkriptioner, anteckningar och företagskunskap till något som går att söka i.

Metas utvecklingsteam publicerade ett liknande exempel: en "organisatorisk Second Brain" som lär sig av experter med hjälp av strukturerade kunskapsfiler och självförbättrande loopar — helt utan omträning [2]. Den röda tråden i båda fallen är samma idé som Proudfrog har byggt mot hela tiden: möteskunskap har bara värde om den struktureras tillräckligt bra för att en AI-agent faktiskt ska kunna använda den senare — inte bara arkiveras och glömmas bort.

Genomgången på wegetit.dev kallar detta "LLM Knowledge Base Pattern" — en påminnelse om att de flesta företag fortfarande behandlar mötesanteckningar som engångsmaterial, trots att de faktiskt är den mest kunskapstäta källan till institutionell kunskap ett företag har [3].

DIY Granola: Öppna modeller bygger om mötesintelligensen från grunden

En detaljerad teknisk genomgång visade hur man kan återskapa Granola-liknande mötesintelligens helt med öppna modeller: Whisper large-v3 för transkribering, pyannote 3.1 för talaridentifiering, DeepSeek V4 Flash för strukturerad extraktion av anteckningar (beslut, uppgifter, öppna frågor, citat via JSON-schema), samt Qwen3-embedding för vektorsökning [1].

Poängen är inte att alla ska hosta den här pipelinen själva — det är att byggstenarna för "sökbart företagsminne från samtal" nu är helt kommodifierade och öppna. Samtal slutar vara engångssammanfattningar och blir permanent, sökbart minne: invändningsmönster, funktionsönskemål och beslut som går att lyfta fram över hela samtalshistoriken, inte bara det samtal du just hade.

Diskussionen på X kring detta träffade rätt — det här är territorium för kunskapsgrafer på företagsnivå, inte anteckningsskrivande. Skiftet går från "vad sa vi på det där mötet" till "vad har varje kund någonsin sagt om den här funktionen", vilket är en helt annan produktkategori.

Fireflies och Otter satsar djupare på agentbaserad åtkomst

De etablerade aktörerna sitter inte still. Fireflies lanserade en MCP-server som ger Claude och ChatGPT direkt åtkomst till mötestranskriptioner, sammanfattningar och åtgärdspunkter, tillsammans med AskFred, som söker samtidigt över möten, e-post, Slack och CRM-data [1][2]. Otter å sin sida expanderar sina AI-agenter och arbetsflöden, där Composio gör det möjligt för tredjepartsagenter att hämta Otter-transkriptioner efter datum, deltagare eller ämne [3].

Båda dragen pekar åt samma håll: mötestranskriptioner är inte längre en slutprodukt, de är ett API. Konkurrensfrågan förskjuts från "hur exakt är er transkribering" till "hur enkelt kan en agent resonera över hela er möteshistorik tillsammans med era andra affärssystem".

Vad detta betyder för dina möten

Fyra nyheter, ett mönster: mötesdata dras ut ur inspelningsappen och in i den agentbaserade AI-stacken — vare sig det sker via lokala verktyg med öppen källkod (Meetily), strukturerade kunskapsmappar (Second Brain-mönstret), ombyggda öppna pipelines (DIY Granola) eller MCP-integrationer (Fireflies, Otter). Den gemensamma tråden är att en transkription ensam är värdelös — värdet ligger i struktur, hämtning och resonemang över flera möten. Det är hela grundtanken bakom kunskapsgrafer framför platta sammanfattningar.

Det höjer också insatserna på två fronter som Proudfrog redan behandlar som högsta prioritet: integritet (var finns din data och vem kan söka i den) och struktur (kan en AI-agent faktiskt resonera över sex månaders möten, inte bara söka i det senaste). Farten inom öppen källkod kring lokal bearbetning och företagens drag mot agent-sökbara kunskapsbaser är inte konkurrerande trender — det är samma trend, och den accelererar snabbare än de flesta teams interna kunskapsrutiner hänger med i.

Om dina möten fortfarande lever som frikopplade transkriptioner i en sökruta ligger du redan efter dit verktygen är på väg. Den vinnande uppsättningen 2026 är inte "bättre anteckningar" — det är en personlig eller organisatorisk kunskapsgraf som agenter kan söka i å dina vägnar, med integritet och spårbarhet inbyggt från dag ett.

Viktigaste slutsats: Mötestranskriptioner håller på att bli infrastruktur, inte artefakter — de verktyg som vinner blir de som förvandlar spridda samtal till en strukturerad, integritetsrespekterande och sökbar kunskapsbas som din AI faktiskt kan resonera över.

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/