Copilots 30 millioner licenser beviser at møder er den nye slagmark

Copilots 30 millioner licenser beviser at møder er den nye slagmark

Microsofts regnskabstal for fjerde kvartal landede med et brag, der kunne høres i hele enterprise-softwareverdenen: 30 millioner betalende Copilot-licenser, en stigning på 50% fra kvartal til kvartal, hvor kunder med 50.000+ licenser vokser 7 gange år-over-år [1][2]. Den ugentlige brug er nu på niveau med Outlook og Teams — hvilket betyder, at Copilot ikke længere er en nyhed, men daglig infrastruktur.

En nylig arXiv-undersøgelse af brugen af M365 Copilot Chat fandt, at 82-89% af aktiviteten er arbejdsrelateret og dækker skrivning, analyse, beslutningstagning og — afgørende — møder [3]. Antallet af samtaler per bruger er næsten fordoblet år-over-år, hvilket tyder på, at folk ikke bare prøver Copilot én gang; de opbygger vaner omkring det.

Den underliggende pointe for udbydere af mødeintelligens er, at Microsoft er ved at normalisere idéen om, at din mødehistorik bør kunne søges i, ikke bare optages. Det er gode nyheder for kategorien, men det hæver også barren — generiske referatbots slår ikke til over for en gigant med så stor udbredelse.

Karpathy siger: Slet alt, behold grafen

Andrej Karpathys seneste forelæsning på Stanford, uploadet 14. august, opstiller en ligeud progression for modenhed i AI-systemer: LLM (10%) → Prompt (30%) → Agent (50%) → Loop (70%) → Graf (100%) [1]. Hans pointe er, at kontekst, hukommelse, værktøjer og feedback-loops først bliver holdbare og pålidelige, når de repræsenteres som en rettet graf med datadrevet beskedudveksling — alt andet er blot stilladser.

Forelæsningen har skabt stor debat på X, hvor kommentatorer koger det ned til, at "grafer er det lag, der overlever" for multi-agent-systemer [2][3]. Det er et teknisk foredrag, men konsekvensen rækker langt ud over AI-ingeniørkredse: ethvert værktøj, der påstår at bygge "institutionel hukommelse" ud fra ustrukturerede input — som mødetranskriptioner — har brug for en graf under motorhjelmen, ikke bare et søgbart transkriptionsarkiv.

Det er i bund og grund en teknisk bekræftelse af det, som knowledge-graph-baserede mødeværktøjer har satset på det seneste år.

Mødeværktøjer bliver seriøse omkring opfølgning, ikke bare referater

En bølge af sammenlignende analyser (25+ værktøjer testet, herunder Fireflies, Otter, Fathom, Lindy, Sentra og MeetingTango) afslører en ubehagelig sandhed: de fleste AI-mødeværktøjer er gode til at fange samtaler og dårlige til at sikre, at der sker noget bagefter [1][2]. Den statistik, der citeres overalt, er, at cirka 44% af handlingspunkter fra møder aldrig bliver gennemført [3].

Svaret er en ny generation af værktøjer, der bygger strukturerede "commitment ledgers", modsigelsesdetektion (der fanger, når nogen indvilliger i noget, som strider mod en tidligere beslutning) og påmindelser til ansvarlige, som sendes til Slack eller e-mail. MeetingTango positionerer sig eksplicit som en "AI accountability agent" frem for et transkriptionsværktøj [3].

Kommentarer på X er ikke imponerede over strømmen af "vibe-kodede" mødebots, der transskriberer godt, men er dårlige til at genfinde information uger senere — og belønner i stigende grad værktøjer, der behandler møder som holdbar, søgbar hukommelse frem for engangsreferater.

Hvad dette betyder for dine møder

Dagens historier peger alle på det samme hul: at fange et møde er nemt nu, men at omdanne den optagelse til viden, du faktisk kan genfinde, stole på og handle på måneder senere, er der, hvor alle udbydere — fra Google til Microsoft til smarte startups — kæmper om at være bedst. Karpathys forelæsning giver dette kapløb et navn: graf-laget. Uanset om det er Spanner Graph i Googles stack eller Copilots voksende mødeintegration, er mønstret identisk — flade transskriptioner og vektorsøgning er ikke nok; du har brug for entiteter, relationer og tidsbevidst struktur, der forbinder det, der blev sagt på tværs af dusinvis af møder.

Forskningen i sporing af handlingspunkter er den mest menneskelige del af denne historie. Næsten halvdelen af møders forpligtelser dør i stilhed, ikke fordi værktøjerne fejler i at registrere dem, men fordi ingen følger op. Det er lige så meget et knowledge-graph-problem som et arbejdsgangsproblem — du har brug for et system, der ved, hvem der ejer hvad, hvornår det blev lovet, og om en senere samtale modsagde eller overtrumfede det. Det er præcis her, rene transskriptionsværktøjer går i stå, og graf-baserede systemer trækker fra.

For Proudfrog-brugere er dette en bekræftelse af den grundlæggende antagelse: en personlig videnbase bygget på møder betaler sig kun, hvis den er struktureret som en graf — talere, beslutninger, forpligtelser og deres indbyrdes relationer over tid — og ikke bare en søgbar bunke af transskriptioner. Branchens giganter bruger nu milliarder på at bevise, at den tese holder.

Vigtigste pointe: De værktøjer, der vinder næste fase af mødeintelligens, er ikke dem, der transskriberer bedst — det er dem, der husker, forbinder og følger op som en graf, ikke som et arkivskab.

Sources

1. https://cloud.google.com/architecture/gen-ai-graphrag-spanner
2. https://www.youtube.com/watch?v=FzvIuoIJCcU
3. https://www.franksworld.com/2026/03/31/creating-intelligent-agents-with-graph-rag-and-ai-memory-in-google-cloud/
4. https://www.microsoft.com/en-us/microsoft-365/blog/2026/07/30/the-next-measure-of-ai-momentum-is-work-transformed/
5. https://www.nojitter.com/digital-workplace/microsoft-365-copilot-adoption-jumps-50-percent-over-prior-quarter
6. https://arxiv.org/html/2605.23958v1
7. https://www.youtube.com/watch?v=XdbpCM4yGyE
8. https://x.com/LunarResearcher/status/2089103351761785096
9. https://www.saluca.com/p/he-said-attention-the-title-says
10. https://www.lindy.ai/blog/ai-action-items-from-meeting
11. https://www.sentra.app/articles/ai-meeting-memory
12. https://meetingtango.com/