Viens jautājums. Viena lapa. Piecas minūtes.

Šī lapa ir piemērs, ne reklāma. Es paņēmu vienu jautājumu — kā uzbūvēt privātu, lokālu „otrās smadzenes" sistēmu, kam tā vajadzīga un ar kādiem kompromisiem — izlasīju nedēļas vērtu materiālu un saliku to vienā lapā, kas lasās piecās minūtēs. Temats nav svarīgs. Svarīgi, ko es izdaru ar kaudzi.

Tu te nepērc otrās smadzenes. Tu redzi, kā es domāju.

Nevis viens raksts — vairāki desmiti avotu, salikti krustām. Katru nesošo skaitli izsekoju līdz pirmavotam, ne līdz blogam, kas to pārcitē. Vienu juridisku apgalvojumu noliku uz galda līdz pašam tiesas spriedumam (sk. zemāk). Lēns, garlaicīgs darbs.

Skaidrība nav talants. Tā ir disciplīna.

Divu līmeņu pieeja. Sāc ar turnkey rīku — AnythingLLM vai Obsidian Copilot — un strādājošu sistēmu iegūsi jau pēcpusdienā. Pie DIY pārej tikai tad, kad turnkey atduras pret konkrētu sienu: pielāgots OCR, latviešu chunking, hibrīda meklēšana. Negaidi perfektu no pirmās dienas — gaidi strādājošu, pārējo noslīpē vēlāk.

Visā stekā izšķirošā izvēle ir embedding modelis. Daudzu rīku noklusējums nomic-embed-text saprot tikai angļu valodu. Latviešu meklēšanu tas sabojā klusām — atbild ar blēņām, sistēmai neuzrādot nevienu pašu kļūdu. Drošāks ceļš ir bge-m3 (vai multilingual-e5, vai jina-v3), ko vienmēr pārbaudi ar savu latviešu tekstu.

Ātrais ceļš ir vienkāršs. Ja krājumu veido piezīmes un digitāli PDF, instalē AnythingLLM, izvēlies embedder bge-m3 un iemet failus. Šis paņēmiens sapresē 3.-9. soli vienā rīkā, atstājot DIY tikai tiem brīžiem, kad turnkey pieviļ.

Būsim atklāti. Kamēr jina-v3 latviešu atbalstu dokumentē tieši un e5 spēks atklājas zemo resursu valodās, bge-m3 patiesā kvalitāte slēpjas aiz „simtiem valodu” solījuma. Pirms apņemties, pārbaudiet modeli uz sava teksta. Uzdodiet pāris zināmus jautājumus latviski pret paša piezīmēm — tas būs lētākais un vērtīgākais solis visā projektā.

Jautājums nav akadēmisks. Cilvēks ar informāciju pavada ap deviņām stundām nedēļā, meklējot to, ko jau zina (McKinsey aplēse, plaši pārcitēta). Un 2026. gadā privātums kļuva par juridisku jautājumu: ASV federālā tiesa (US v. Heppner, SDNY) nosprieda, ka viena apsūdzētā sarakste ar patērētāja AI rīku nav aizsargāta ar advokāta-klienta noslēpumu — jo rīka noteikumi atļauj datus glabāt un nodot. Konkrēta lieta, ne universāls likums. Bet jautājumu „kur dzīvo manas zināšanas" tā padara nopietnu.

Divpadsmit gadu metodika slēpjas četrsimt mapēs, trīs datoros un pašas galvā. Zvana bijušais klients: „kāds bija tas cenu ietvars, ko uztaisīji 2021.?” Viņa zina, ka dokuments eksistē, un rok to ārā visu vakaru. → Pirms zvana viņa ieraksta /prep un saņem precīzu brīfingu. Piedāvājumi, kas agrāk prasīja trīs stundas, top piecpadsmit minūtēs un viņas pašas balsī. Desmit gadu domāšana vairs neizkūp gaisā, bet kļūst par aktīvu, kas pieder tikai viņai.

Divsimt PDF, sešdesmit ierakstu, perfektais citāts izlasīts pirms sešām nedēļām. Viņš jūt tā klātbūtni. Neatrod, nolaiž rokas un lasa tos pašus rakstus otrreiz. → Viņš jautā savai bibliotēkai cilvēku valodā un saņem precīzu fragmentu ar avota atsauci, pilnībā gatavu citēšanai. Tēzes rakstīšana pārstāj būt arheoloģija.

Trīs gadu melnraksti un izkaisīti balss memuāri. Viņa zina, ka 2023. radīja ideālu metaforu par izdegšanu — bet kurā no deviņdesmit tekstu blāķiem? ChatGPT tikmēr maļ kompetentu, pelēku biezeni, kurā nav viņas. → „Pajautā sev pagātnē, kas atceras katru vārdu.” Tas atrod pazudušo metaforu un raksta no viņas korpusa — viņas pašas balsī labā dienā, nevis AI balsī.

Lielisks argumenta karkass no 2022. gada lietas izcili der jaunajam klientam. Taču iekopēt svešus faktus publiskā AI rīkā nozīmē rupju kļūdu — tā sadedzina advokāta un klienta noslēpumu. Cilvēks stāv krustcelēs: strādāt lēni vai riskēt ar reputāciju. → Lokāls LLM pēta tikai tavus arhīvus. Nekādu mākoņu, nekas netiek pārraidīts ārpusē. Konfidencialitāte izdzīvo, jo dzelži un dati fiziski nepamet biroja sienas. Šis pats princips sargā mediķi, terapeitu un grāmatvedi.

Astoņpadsmit mēnešu lēmumi guļ izkaisīti sapulču piezīmēs, Slack pavedienos, balss memuāros un viņa paša galvā. Valde prasa, kāpēc pērn nogalināja enterprise plānu. Viņš atceras noskaņu, nevis argumentus. → Jautājums „Kāpēc mēs nolēmām X?” izceļ gaismā īsto pavedienu — konkrēto sapulci, kompromisu un cilvēku, kurš iebilda. Stratēģija beidzot kļūst vaicājama, nevis mītiska.

Viņas dzīvi raksturo viena frāze: „es to kaut kur pierakstīju”. Ideja, parole, spoža doma pulksten divos naktī — satverta un pazudusi. Uztveršana bez izguves ir tikai piekrāmēti bēniņi. → Uztvert joprojām ir viegli, bet izguve pārvēršas sarunā. Viņa jautā un uzreiz saņem meklēto. Otrās smadzenes kļūst par darba atmiņu, kādu bioloģija mums liedz.

Viņš atrisināja tieši šo auth bagu pirms četrpadsmit mēnešiem. Atceras pašu faktu. Neatceras paņēmienu — un tagad izšķiež veselu pēcpusdienu, no jauna meklējot to pašu atbildi, un klusībā sevi nicina. → Lokāls RAG pār viņa paša kodu, debugošanas piezīmēm un dokumentāciju. Pat pār NDA kodu, kas nekad neskar mākoni. Jautājums „Kā es salaboju to race condition?” acumirklī atgriež viņa paša seno risinājumu ar gatavu pamatojumu.

Viņa maina virzienu no mārketinga uz UX, divus gadus rok dziļi kursos un projektos. Līdzi nāk desmit gadu mārketinga pieredze, kuru nedrīkst pazaudēt. Abas pasaules guļ atsevišķās atvilktnēs un klusē. → Zināšanu grafs dīgst pats, izgaismojot aizmirstas saites starp veco un jauno. Viss uzkrātais sakūst vienā, dzīvā un izjautājamā ekspertīzē — tajā retajā sintēzē, kur dzimst erudīta pārspēks.

Viņa darba diena skan trīs valodās: latviešu piezīmes, angļu dokumenti, krievu klientu e-pasti. Mainstream AI rīki klusējot paliek angļu-centriski — tie nogludina latviešu valodas nianses un nereti sakropļo diakritiku. → Otrās smadzenes, kas patiesi saprot un indeksē tekstus pāri latviešu, angļu un krievu valodas robežām, atbildot skaidrā latviešu valodā, kad viņš jautā latviski. Baltijas profesionālim šī ir robežšķirtne starp rīku, kas atpazīst viņa domāšanu, un tādu, kas vienkārši neder.

Visasāk tur, kur krustojas trīs lietas: daudz zināšanu, augsta privātuma vajadzība un budžets to risināt. Regulētās profesijas — jurists, terapeits, grāmatvedis — ir pašā krustojumā: tām mākoņa AI nav ērtības, bet atbildības jautājums. Tālāk neatkarīgie konsultanti, kuru zināšanas burtiski ir produkts. Rakstnieki, akadēmiķi un cilvēki ar info-pārslodzi jūt to pašu sāpi, tikai bez tāda paša budžeta to remontēt. Tā ir auditorijas analīze, ne pirkumu saraksts.

Pirms tu noticētu par daudz: šī ir galda izpēte, ne lauka pētījums. Es nesēdēju blakus nevienam juristam, kas iekopē failu ChatGPT. Daži skaitļi ir aplēses — tas McKinsey cipars par deviņām stundām nedēļā ir no 2012. gada, pārcitēts tik bieži, ka avotu vairs neviens neatver. Es atvēru. Tas joprojām ir aplēse.

Heppner spriedums ir īsts — to izsekoju līdz SDNY. Bet tas ir par konkrētu gadījumu: patērētāja AI rīks, bez advokāta, ar noteikumiem, kas atļauj datus glabāt un nodot tālāk. Ne „jebkurš AI nogalina advokāta noslēpumu". Patiesība slēpjas niansē, un niansi neviens negrib lasīt.

Es tev nepārdošu pārliecību, kuras man nav.

Viena blīva, izlasāma lapa vai deck — tieši tāds kā šis. Tavs sarežģītais stāsts kļūst par to, ko valde, klients vai investors saprot uzreiz.

Filtri, dziļurbumi, dzīvi cipari. Tu pats lien iekšā datos un atrodi atbildi, nevis gaidi kārtējo atskaiti pa e-pastu.

Izķeru no tava datu blāķa to, kas svarīgs, un pasaku, ko ar to darīt. Ne tikai grafiks — secinājums, uz kura var rīkoties.

Rēķini, konfiguratori, interaktīvas lapas pārlūkā. Klients pats izspēlē skaitļus un paliek pie tevis ilgāk.