Meetily runder 10.000 GitHub-stjerner, mens open source-alternativet vinder frem

Meetily runder 10.000 GitHub-stjerner, mens open source-alternativet vinder frem

Meetily, den selv-hostede mødeassistent bygget på Whisper/Parakeet til transskribering og Ollama til opsummering, har rundet 10.000 GitHub-stjerner — en markant milepæl for et værktøj helt uden cloud-afhængighed [4]. Version v0.3.0 fra marts 2026 tilføjede lydimport og retransskribering, og i juli udkom projektet med Windows-understøttelse sammen med en ny Enterprise Edition [5][6].

Appellen handler helt og aldeles om kontrol: fuld data residency, hardware-accelereret lokal behandling på Apple Silicon, og en udtrykkelig garanti om at hverken bots eller tredjepartsintegrationer får adgang til din mødelyd [4]. Fællesskabet omtaler det som cloud-modstykket til værktøjer som Otter — det oplagte publikum er privatlivsbevidste teams og regulerede brancher [4][6].

Det er en påmindelse om, at "AI-mødeassistent" ikke længere er én kategori — der er nu en reel forgrening mellem cloud-værktøjer, der prioriterer bekvemmelighed, og lokale værktøjer, der prioriterer suverænitet.

Enterprise RAG rammer en mur — context engineering bliver 2026's buzzword

RAG-hypen modnes til noget mindre glamourøst, men til gengæld vigtigere: driftssikkerhed i produktion. Virksomheder melder, at RAG, der fungerer i en laptop-demo, og RAG, der fungerer på tværs af et enormt, konstant foranderligt datagrundlag, er to helt forskellige ingeniørmæssige problemer — governance, PII-redigering, adgangsstyring og vector drift vokser alt sammen i takt med skalaen [7].

Context engineering — komprimering, gradvis afsløring af information, graf-opslag, styrede kontekstlag — er nu fagudtrykket, der erstatter "bare tilføj embeddings" [8][9]. EU AI Act-compliance-vinklen tilføjer endnu et lag, som er specifikt relevant for europæiske virksomheder, der tager disse systemer i brug [7]. Kommentatorer samler sig om samme pointe: naiv vektorsøgning overlever ikke mødet med reel organisatorisk viden.

Det er præcis det terræn, som knowledge-graph-baseret retrieval er bygget til — strukturerede relationer mellem mennesker, beslutninger og emner klarer sig typisk bedre end flade embeddings, når datagrundlaget spreder sig over måneder eller år.

Google Cloud bevæger sig ud over RAG med always-on hukommelsesagenter

Google Clouds nye Always-On Memory Agent, bygget på Gemini, foreslår noget strukturelt anderledes end retrieval-augmented generation: løbende LLM-baseret konsolidering af viden i stedet for statiske embedding-opslag [10][11]. Idéen er et hukommelseslag, der opdaterer sig selv i takt med ny information, i stedet for at gen-embedde og gen-forespørge et fastfrosset vector-lager.

Reaktionerne har især kredset om, hvad dette betyder for debatten om RAG versus agent-hukommelse — flere stemmer i AI-infra-miljøet ser dette som en bekræftelse på, at statiske embeddings er en overgangsteknologi og ikke et slutpunkt [11]. Om "løbende konsolidering" kan skaleres omkostningseffektivt til enterprise-volumen, er stadig et åbent spørgsmål, som ingen har besvaret endnu.

Hvad det betyder for dine møder

Dagens historier peger alle i samme retning: at fange et møde var det nemme problem, og det er stort set løst. Granola og Meetily repræsenterer to solide, modne svar på "hvordan får jeg en ren transskription uden besvær" — det ene optimeret til bekvemmelighed, det andet til kontrol. Det egentlige slagmark nu er, hvad der sker efter transskriptionen findes: hvordan den gemmes, forbindes og hentes frem igen måneder senere, når du skal vide, hvad dit team egentlig besluttede i marts.

Det er præcis her, historierne om RAG-modenhed og hukommelsesagenter bliver relevante. Ét enkelt mødereferat er trivielt at søge i. Et helt år med møder — hundredvis af transskriptioner, tusindvis af beslutninger, snesevis af talere — er det "enorme, foranderlige datagrundlag"-problem, som virksomheder nu åbent kæmper med [7][8]. Flad embedding-søgning forringes, efterhånden som historikken vokser; man har brug for styret struktur — knowledge graphs, taler-bevidst kontekst, relations-sporing — for at holde retrieval præcis, når mødehistorikken vokser fra uger til år. Googles skridt mod løbende hukommelseskonsolidering er en indirekte erkendelse af, at statisk retrieval alene ikke kan holde en vidensbase ajour [10].

For alle, der bygger eller vælger et værktøj til mødeintelligens, er lektien at holde op med kun at bedømme på transskriptionskvalitet — det er blevet en handelsvare — og i stedet begynde at spørge, hvordan systemet organiserer og forbinder viden over tid, på tværs af talere, emner og måneders kontekst.

Vigtigste pointe: Transskribering er et løst problem; den holdbare, strukturerede genfinding på tværs af hele din mødehistorik er der, hvor den reelle værdi — og den reelle ingeniørmæssige udfordring — nu ligger.

Sources

1. https://www.granola.ai/
2. https://zackproser.com/blog/best-ai-meeting-notes-2026
3. https://www.youtube.com/watch?v=8qrXeH16iK4
4. https://meetily.ai/
5. https://github.com/Zackriya-Solutions/meetily
6. https://meetily.ai/releases
7. https://atlan.com/know/context-engineering/context-engineering-for-rag-agents/
8. https://maven.com/p/0bd8ae/state-of-context-engineering-in-2026
9. https://www.techment.com/blogs/rag-in-2026/
10. https://cloud.google.com/
11. https://ai.googleblog.com/