talat.app satser på 100% lokal transskribering, mens Granola når $1,5 mia.

talat.app satser på 100% lokal transskribering, mens Granola når $1,5 mia.

talat.app lancerede i marts 2026 med et enkelt budskab: mødetransskribering, der aldrig forlader din bærbare computer. Dual-stream-optagelse, talermærkning, live-notater, automatisk kalenderstart og opsummeringer efter samtalen — alt sammen på enheden, ingen sky, intet abonnement, blot et engangsdownload på 20MB [1][2][3].

Timingen er velvalgt. Lanceringen kommer få dage efter, at Granolas finansieringsrunde værdisatte den skybaserede notatapp til $1,5 mia., og talat positionerer sig eksplicit som det privatlivsvenlige alternativ for virksomheder, der er bekymrede for at sende mødeoptagelser til tredjeparts servere [2]. Både Product Hunt-tråde og TechCrunch-dækningen rammer dette ind som en reaktion på reel bekymring i erhvervslivet, ikke blot et nichehobbyprodukt for privatlivsentusiaster [3].

Det er et nyttigt signal om, hvor markedets bekymringer ligger midt i 2026: teams ønsker intelligenslaget (opsummeringer, taler-id, søgbar historik) uden at skulle give afkald på datasuverænitet. Den spænding — lokal-først-optagelse over for skybaseret hentning og videngrafer — er præcis den afvejning, enhver seriøs platform for mødeintelligens er nødt til at løse, ikke undvige.

"Harness Engineering" bliver den egentlige differentiator for AI-agenter

OpenAI's begreb fra februar 2026 om "harness'et" — stilladset af kontekstlevering, hukommelse, værktøjer, underagenter, verifikationsløkker og observerbarhed omkring en model — er blevet den dominerende måde at forklare, hvorfor nogle AI-agenter fungerer i produktion, mens andre ikke gør [1]. Codex's harness håndterer angiveligt over en million linjer produktionskode, hvoraf noget er skrevet med nul menneskeskrevne linjer, mens Anthropics Claude Code-harness læner sig op ad progressiv information og et bevidst smalt værktøjssæt [1][2].

Konsensussen, der er ved at brede sig hos OpenAI, GitHub, Google, Microsoft og Anthropic, er ligeud: rå modelkapacitet er ikke længere flaskehalsen. Pålidelighed i stor skala kommer fra infrastrukturen omkring modellen [2][3]. Kuratorer af awesome-lister er allerede i gang med at katalogisere harness-mønstre som en selvstændig disciplin, adskilt fra prompt engineering eller finjustering.

For alle, der bygger oven på mødedata, er dette den stille, men vigtige historie. Et transskript er blot tokens; et harness er det, der forvandler det til noget, en agent pålideligt kan ræsonnere over — at hente den rette talers løfte fra tre måneder tilbage uden at hallucinere, hvem der sagde hvad.

Agentisk RAG med videngrafer reducerer hallucinationer med ~62%

Produktionsklar retrieval-augmented generation modnedes hurtigt i første halvdel af 2026. Majbenchmarks på tværs af 47 implementeringer viste, at agentiske RAG-pipelines — der kombinerer videngrafer med multi-agent-orkestrering via frameworks som LangGraph og CrewAI — reducerede hallucinationsraten med omkring 62% sammenlignet med naiv hentning [1][3].

De arkitektoniske mønstre, der vinder frem: hybrid hentning (vektor + nøgleord), rerankere, graf-RAG til relationsbevidste forespørgsler, og modulære pipelines, der dirigerer forespørgsler til den rette hentningsstrategi frem for en one-size-fits-all embedding-søgning [1][2]. Værktøjer som Airweave presser på for samlet hentning på tværs af apps og databaser og behandler "din viden" som én søgbar overflade uanset kildesystem [3].

Dette er det infrastrukturlag, der gør "stil et spørgsmål til din mødehistorik og få et troværdigt svar" reelt levedygtigt — og det er præcis her, grafbaseret hentning over struktureret taler-/emne-/beslutningsdata overgår flad dokumentsøgning.

Hvad Dette Betyder For Dine Møder

Fire separate spor peger i dag på samme konklusion: værdien ligger ikke i at optage mere tekst, men i det, der befinder sig mellem optagelse og hentning. Obsidian-brugere sætter manuelt harness-lignende systemer sammen — underagenter, grafer, levende indekser — for at gøre deres noter reelt nyttige måneder senere. talat.app viser, at der er reel efterspørgsel efter at holde følsomt kildemateriale lokalt og samtidig ønske intelligens lagt oven på det. Og harness-/RAG-forskningen bekræfter, at pålidelige svar kræver bevidst arkitektur: hukommelsessystemer, videngrafer og verifikationsløkker — ikke bare en større model rettet mod en større bunke transskripter.

Møder er en unikt svær version af dette problem. I modsætning til en note, du selv skriver, har et møde flere talere, implicit kontekst, beslutninger begravet i afslappede bemærkninger og løfter afgivet på tværs af snesevis af møder over måneder. En flad transskriptsøgning løser intet af dette. Det, som Obsidian-brugerne bygger i hånden — automatisk organiseret, modsigelsesmarkeret, grafforbundet viden — er, hvad værktøjer til mødeintelligens er nødt til at levere som standard, for ingen har tid til manuelt at tagge, hvem der sagde hvad, på tværs af 200 opkald.

De 62% færre hallucinationer fra grafbaseret agentisk RAG er ikke en akademisk fodnote — det er forskellen på en assistent, der selvsikkert opdigter, hvad din CFO gik med til i marts, og en, der henter det korrekt, med den rette talertilskrivning og den rette kontekst, i første forsøg. Som harness engineering-miljøet bliver ved med at sige: modellen har aldrig været den svære del.

Vigtigste pointe: Infrastrukturen, der forbinder rå samtale med pålidelige svar — videngrafer, harnesses, agentisk hentning — er nu det egentlige slagmark inden for AI på arbejdspladsen, og det er præcis det lag, der adskiller et transskriptarkiv fra en reel anden hjerne for dine møder.

Sources

1. https://github.com/AgriciDaniel/claude-obsidian
2. https://medium.com/@evgeni.n.rusev/how-i-built-my-second-brain-with-obsidian-claude-code-9fb54b7665ca
3. https://agricidaniel.com/blog/claude-obsidian-ai-second-brain
4. https://talat.app/
5. https://techcrunch.com/2026/03/24/talats-ai-meeting-notes-stay-on-your-machine-not-in-the-cloud/
6. https://www.producthunt.com/products/talat
7. https://openai.com/index/harness-engineering/
8. https://github.com/ai-boost/awesome-harness-engineering
9. https://github.com/AutoJunjie/awesome-agent-harness
10. https://aithinkerlab.com/build-rag-systems-2026-architecture-patterns/
11. https://medium.com/@akankshasinha247/rag-series-part-6-from-prototype-to-production-building-scalable-reliable-rag-systems-174373d3a663
12. https://galileo.ai/blog/crack-rag-systems-with-these-game-changing-tools