talat.app satser på 100 % lokal transkribering mens Granola når 1,5 milliarder dollar i verdi

talat.app satser på 100 % lokal transkribering mens Granola når 1,5 milliarder dollar i verdi

talat.app lanserte i mars 2026 med et enkelt løfte: møtetranskribering som aldri forlater bærbaren din. Dobbeltstrøms-opptak, talermerking, live notater, automatisk kalenderstart og sammendrag etter samtalen — alt lokalt på enheten, ingen sky, ingen abonnement, bare en engangsnedlasting på 20 MB [1][2][3].

Timingen er tydelig. Den kommer bare dager etter at Granolas finansieringsrunde verdsatte den skybaserte notatappen til 1,5 milliarder dollar, og talat posisjonerer seg eksplisitt som det personvernvennlige alternativet for virksomheter som er skeptiske til å sende møtelyd til tredjepartsservere [2]. Både tråder på Product Hunt og TechCrunchs dekning fremstiller dette som et svar på reell nøling blant virksomheter, ikke en nisjeprodukt for personvern-entusiaster [3].

Det er et nyttig signal om hvor markedets bekymringer ligger i midten av 2026: teamene vil ha intelligenslaget (sammendrag, taler-ID, søkbar historikk) uten å måtte gi fra seg kontrollen over egne data. Denne spenningen — lokal-først-opptak versus sky-basert henting og kunnskapsgrafer — er nøyaktig den avveiningen enhver seriøs plattform for møteintelligens må løse, ikke unngå.

"Harness-ingeniørkunst" blir den egentlige differensiatoren for AI-agenter

OpenAIs rammeverk fra februar 2026 rundt "harness" — stillaset av kontekstlevering, minne, verktøy, underagenter, verifikasjonssløyfer og observerbarhet rundt en modell — har blitt den dominerende linsen for å forstå hvorfor enkelte AI-agenter fungerer i produksjon og andre ikke gjør det [1]. Codex' harness håndterer angivelig over en million linjer med produksjonskode, noe av det uten en eneste menneskeskrevet linje, mens Anthropics Claude Code-harness bygger på gradvis avdekking og et bevisst begrenset verktøysett [1][2].

Konsensusen som vokser frem hos OpenAI, GitHub, Google, Microsoft og Anthropic er direkte: rå modellkapasitet er ikke lenger flaskehalsen. Pålitelighet i stor skala kommer fra infrastrukturen rundt modellen [2][3]. De som kuraterer «awesome»-lister på GitHub katalogiserer allerede harness-mønstre som en egen disiplin, atskilt fra prompt-ingeniørkunst eller finjustering.

For alle som bygger noe oppå møtedata, er dette den stille, men viktige historien. En transkripsjon er bare tokens; en harness er det som gjør den om til noe en agent kan resonnere pålitelig over — å hente frem riktig talers løfte fra tre måneder tilbake uten å hallusinere hvem som sa hva.

Agentisk RAG med kunnskapsgrafer kutter hallusinasjoner med ~62 %

Produksjonsklar retrieval-augmented generation (RAG) modnet raskt i første halvdel av 2026. Benchmarker fra mai på tvers av 47 implementeringer viste at agentiske RAG-pipeliner — som kombinerer kunnskapsgrafer med multi-agent-orkestrering via rammeverk som LangGraph og CrewAI — kutter hallusinasjonsraten med rundt 62 % sammenlignet med naiv henting [1][3].

Arkitekturmønstrene som får fotfeste: hybrid henting (vektor + nøkkelord), reranking, graf-RAG for relasjonsbevisste spørringer, og modulære pipeliner som ruter spørringer til riktig hentestrategi i stedet for én embedding-basert løsning for alt [1][2]. Verktøy som Airweave jobber mot enhetlig henting på tvers av apper og databaser, og behandler «kunnskapen din» som én søkbar overflate uansett kildesystem [3].

Dette er infrastrukturlaget som gjør «spør møtehistorikken din et spørsmål og få et pålitelig svar» faktisk gjennomførbart — og det er nettopp her graf-basert henting over strukturerte data om talere, temaer og beslutninger slår vanlig dokumentsøk.

Hva dette betyr for møtene dine

Fire separate tråder i dag peker mot samme konklusjon: verdien ligger ikke i å fange opp mer tekst, den ligger i det som befinner seg mellom innhenting og gjenfinning. Obsidian-brukere setter manuelt sammen harness-lignende systemer — underagenter, grafer, levende indekser — for å gjøre notatene sine faktisk nyttige måneder senere. talat.app viser at det finnes reell etterspørsel etter å holde sensitivt kildemateriale lokalt, samtidig som man ønsker et intelligenslag oppå. Og forskningen på harness og RAG bekrefter at pålitelige svar krever bevisst arkitektur: minnesystemer, kunnskapsgrafer og verifikasjonssløyfer — ikke bare en større modell rettet mot en større haug med transkripsjoner.

Møter er en spesielt vanskelig versjon av dette problemet. I motsetning til et notat du skriver selv, har et møte flere talere, implisitt kontekst, beslutninger gjemt i tilfeldige bemerkninger, og forpliktelser inngått på tvers av dusinvis av møter over flere måneder. Et flatt transkripsjonssøk løser ingenting av dette. Det Obsidian-miljøet bygger for hånd — selvorganisert, motsigelsesflagget, grafkoblet kunnskap — er det møteintelligensverktøy må levere som standard, fordi ingen har tid til å manuelt tagge hvem-sa-hva på tvers av 200 samtaler.

De 62 % reduserte hallusinasjonene fra graf-basert agentisk RAG er ikke en akademisk fotnote — det er forskjellen mellom en assistent som selvsikkert dikter opp hva CFO-en din gikk med på i mars, og en som henter det korrekt frem, med riktig taler-tilskrivning og riktig kontekst, på første forsøk. Som harness-ingeniørene stadig sier: modellen var aldri den vanskelige delen.

Nøkkelpoeng: Infrastrukturen som kobler rå samtale til pålitelige svar — kunnskapsgrafer, harnesser, agentisk henting — er nå selve slagmarken i arbeidslivets AI, og det er nettopp dette laget som skiller et transkripsjonsarkiv fra en ekte «andre hjerne» for møtene dine.

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