Fathom åbner mødedata for AI-assistenter via MCP-server

Fathom har lanceret en officiel Model Context Protocol-server på api.fathom.ai/mcp, som gør det muligt for ChatGPT, Claude og andre AI-assistenter at forespørge på mødetranskriptioner, taler-mærket dialog, AI-resuméer og opgavelister direkte [1]. Den er designet til kun at læse data — tilladelser og sikkerhed forbliver intakte — men den gør reelt et mødearkiv til et forespørgbart API for enhver LLM, der taler MCP.

En community-bygget server på GitHub udvider allerede dette yderligere, og Fathoms egne Zapier/Make-integrationer fuldender no-code-siden [2][3]. På X handler snakken primært om Fathom- og Otter-brugere, der udveksler erfaringer om tilpassede MCP-opsætninger — konsensus er, at mødedata låst inde i et dashboard nu betragtes som en ulempe, ikke en fordel, når konkurrenter gør det tilgængeligt for agenter.

Dette er et betydningsfuldt signal: MCP er ved at blive den forventede grænseflade for møde-intelligens, ikke bare en rar-at-have-integration.

Postgres og pgvector bliver rygraden i virksomheders RAG-løsninger

Væk fra mødeværktøjer specifikt konsoliderer infrastrukturen bag videnssøgning sig omkring Postgres med pgvector. Nye produktionsvejledninger beskriver hybrid søgning — der kombinerer vektorlighed med nøgleord/BM25/trigram-matchning via HNSW-indekser — som det foretrukne mønster for teams, der ikke ønsker en separat vektordatabase [1]. AWS's gennemgang af CORTOs juridiske søgesystem er det mest markante bevis: 7,6 milliarder vektorer på tværs af 2,5 milliarder dokumenter i et 46 TB Aurora-klynge, med forespørgselstider under 30 ms [2].

Budskabet fra datasops og andre er ligetil: hvis man allerede kører Postgres, slår det at bygge pgvector oven på ofte at opsætte Pinecone eller Weaviate for de fleste arbejdsbelastninger — forudsat man får styr på chunking, metadata og tenant-isolation [3]. Diskussioner på X tilføjer en sikkerhedsvinkel — reranking og session-kontekst for at beskytte mod forgiftning af søgeresultater i virksomhedsimplementeringer.

For enhver virksomhed, der bygger "spørg dine data"-funktioner — herunder videnbaser om møder — er dette den stille arkitekturbeslutning, der afgør, om søgning er hurtig, billig og troværdig i stor skala.

EU's AI-forordning aktiverer håndhævelsesbeføjelser for GPAI-modeller

Fra den 2. august 2026 får EU's AI-kontor og nationale myndigheder reel håndhævelseskraft over generelle AI-modeller (GPAI) — retten til at kræve teknisk dokumentation, verificere gennemsigtighedsforpligtelser, kontrollere overholdelse af ophavsret og revidere sikkerhedsforanstaltninger for modeller med systemisk risiko [1][2]. Krav om GPAI-dokumentation og resuméer af træningsdata har været gældende siden august 2025; denne næste fase handler om aktiv revision, ikke bare papirarbejde [3].

Udbydere indsender via EU's SEND-platform, og nordiske og bredere europæiske virksomheder, der bygger på GPAI-modeller — herunder alle, der udruller AI-funktioner i møde- eller videnværktøjer — bør forvente skærpet kontrol med risikostyring og gennemsigtighedspraksis. Reglerne for højrisikosystemer indfases stadig frem mod 2027-2028, hvilket giver et vist råderum, men GPAI-laget er aktivt nu.

Kommentarer på X beskriver dette som øjeblikket, hvor AI-forordningen holder op med at være teoretisk for europæiske AI-leverandører, med forlig om ophavsret nævnt som et tidligt varsel om, hvor alvorligt huller i dokumentationen vil blive behandlet.

Hvad det betyder for dine møder

Dagens historier peger på det samme underliggende skift fra to retninger: mødeværktøjer kæmper om at gøre deres data handlingsorienteret (Fireflies ind i CRM'er, Fathom ind i AI-assistenter via MCP), mens infrastrukturverdenen løser, hvordan man gør store datamængder søgbare med hastighed og skalerbarhed (Postgres/pgvector, hybrid søgning). Samlet set er barren for et mødeværktøj i 2026 ikke "transskriberede det korrekt" — det er "kan det skubbe fakta ind i de systemer, hvor arbejdet foregår, og kan en AI-assistent forespørge på hele historikken på kommando."

For Proudfrog bekræfter dette videns-graf-tilgangen: en transskription er et udgangspunkt, ikke et slutprodukt. Det egentlige produkt er en søgbar, taler-tilskrevet hukommelse på tværs af møder, der forbinder til dér, hvor beslutninger træffes — hvad enten det er en CRM-post, en Slack-tråd, eller en Claude-forespørgsel om "hvad aftalte vi med denne kunde for tre møder siden?" EU's håndhævelsesbølge af AI-forordningen er også direkte relevant her: ethvert værktøj, der gemmer og henter personlige mødedata på tværs af en videnbase, har brug for dokumenteret, revisionsklar AI-praksis nu, ikke senere — dette er ikke et fremtidigt compliance-problem for nordiske og europæiske teams, det er et aktuelt et.

De organisationer, der vinder det næste år inden for "møde-intelligens", vil være dem, der behandler transskriptioner som varig, struktureret, søgbar viden — ikke som brugte noter — mens de forbliver ærlige om, hvordan disse data behandles og styres.

Nøglepointe: Mødedata er ved at blive permanent, søgbar infrastruktur — vinderne bliver de værktøjer, der gør det søgbart for AI og forsvarligt under EU-retten, samtidig.

Sources

https://guide.fireflies.ai/articles/7197167809-how-to-set-up-salesforce-and-fireflies-integration
https://guide.fireflies.ai/articles/8145727698-how-to-setup-fireflies-with-hubspot-integration
https://affine.pro/blog/fireflies-ai-integrations-list-tips
https://developers.fathom.ai/mcp-docs
https://github.com/agencyenterprise/fathom-mcp-server
https://www.fathom.ai/integrations-workflow-automation
https://suparbase.com/blog/pgvector-rag-production
https://aws.amazon.com/blogs/database/cortos-billion-scale-legal-semantic-search-with-aurora-postgresql-pgvector/
https://datasops.com/blog/vector-databases-production
https://digital-strategy.ec.europa.eu/en/policies/enforcement-ai-act
https://artificialintelligenceact.eu/implementation-timeline/
https://digital-strategy.ec.europa.eu/en/policies/guidelines-gpai-providers

Fathom åbner mødedata for AI-assistenter via MCP-server