Meetily runder 10 000 GitHub-stjerner ettersom det åpen kildekode-alternativet vinner terreng

Meetily runder 10 000 GitHub-stjerner ettersom det åpen kildekode-alternativet vinner terreng

Meetily, den selvhostede møteassistenten bygget på Whisper/Parakeet for transkribering og Ollama for oppsummering, har rundet 10 000 GitHub-stjerner — en betydningsfull milepæl for et verktøy uten noen skyavhengighet overhodet [4]. v0.3.0-utgivelsen i mars 2026 la til lydimport og retranskribering, og i juli lanserte prosjektet Windows-støtte sammen med en ny Enterprise-utgave [5][6].

Appellen handler først og fremst om kontroll: full datalagring innenlands, maskinvareakselerert lokal prosessering på Apple Silicon, og et uttrykkelig løfte om at ingen bots eller tredjepartsintegrasjoner får tilgang til møtelyden din [4]. Stemningen i miljøet rammer dette inn som svaret på skybaserte verktøy som Otter — personvernbevisste team og regulerte bransjer er den åpenbare målgruppen [4][6].

Det er en påminnelse om at «AI-møteassistent» ikke lenger er én kategori — det finnes nå et reelt skille mellom skybaserte verktøy som prioriterer bekvemmelighet, og lokale verktøy som prioriterer suverenitet.

Enterprise RAG treffer veggen — context engineering blir 2026-årets buzzword

RAG-hypesyklusen modnes til noe mindre glamorøst, men langt viktigere: driftssikkerhet i produksjon. Team i store virksomheter rapporterer at RAG som fungerer i en laptop-demo og RAG som fungerer på tvers av et enormt, stadig skiftende datamateriale, er to helt forskjellige tekniske problemer — governance, sladding av personopplysninger, tilgangskontroll og vektordrift eskalerer alle sammen når man skalerer opp [7].

Context engineering — komprimering, gradvis avsløring («progressive disclosure»), grafoppslag, styrte kontekstlag — er nå fagbegrepet som erstatter «bare legg til embeddings» [8][9]. EU AI Act-etterlevelse legger et ekstra lag spesifikt for europeiske virksomheter som tar i bruk disse systemene [7]. Kommentatorer samler seg om et gjennomgående poeng: naiv vektorsøk overlever ikke møtet med reell organisatorisk kunnskap.

Dette er nettopp terrenget kunnskapsgraf-basert henting er bygget for — strukturerte relasjoner mellom mennesker, beslutninger og temaer holder seg gjerne bedre enn flate embeddings når datamaterialet sprer seg over måneder eller år.

Google Cloud går videre fra RAG med alltid-på-minneagenter

Googles nye Always-On Memory Agent, bygget på Gemini, foreslår noe strukturelt annerledes enn retrieval-augmented generation: kontinuerlig LLM-basert konsolidering av kunnskap i stedet for statiske embedding-oppslag [10][11]. Tanken er et minnelag som oppdaterer seg selv etter hvert som ny informasjon kommer inn, i stedet for å re-embedde og re-spørre en fastfrossen vektordatabase.

Reaksjonene har kretset rundt hva dette betyr for debatten om RAG versus agentminne — flere stemmer i AI-infrastrukturmiljøet ser dette som en bekreftelse på at statiske embeddings er en overgangsteknologi, ikke et endepunkt [11]. Om «kontinuerlig konsolidering» kan skaleres kostnadseffektivt på virksomhetsnivå, er fortsatt et åpent spørsmål ingen har svart på ennå.

Hva dette betyr for dine møter

Dagens saker peker alle samme vei: å fange opp et møte var det enkle problemet, og det er stort sett løst. Granola og Meetily representerer to solide, modne svar på «hvordan får jeg en ren transkripsjon uten friksjon» — den ene optimalisert for bekvemmelighet, den andre for kontroll. Den egentlige kampplassen nå er hva som skjer etter at transkripsjonen finnes: hvordan den lagres, kobles sammen og hentes frem igjen måneder senere når du trenger å vite hva teamet ditt faktisk besluttet i mars.

Det er nøyaktig der RAG-modenhet- og minneagent-historiene blir relevante. Én enkelt møtetranskripsjon er trivielt å søke i. Et år med møter — hundrevis av transkripsjoner, tusenvis av beslutninger, dusinvis av talere — er det «enorme, stadig voksende datamaterialet»-problemet virksomheter nå åpent sliter med [7][8]. Flatt embedding-søk svekkes etter hvert som historikken hoper seg opp; du trenger styrt struktur — kunnskapsgrafer, talerbevisst kontekst, relasjonssporing — for å holde hentingen presis når møtehistorikken vokser til å bli år, ikke uker. Googles satsing på kontinuerlig minnekonsolidering er en stilltiende innrømmelse av at statisk henting alene ikke klarer å holde en kunnskapsbase oppdatert [10].

For alle som bygger eller velger et verktøy for møteintelligens, er lærdommen å slutte å vurdere kun ut fra transkripsjonskvalitet — det er nå blitt en standardvare — og heller begynne å spørre hvordan systemet organiserer og kobler sammen kunnskap over tid, på tvers av talere, temaer og måneder med kontekst.

Nøkkelpoeng: Transkribering er løst; varig, strukturert henting på tvers av hele møtehistorikken din er der den egentlige verdien — og den egentlige tekniske utfordringen — nå 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/