Copilots 30 millioner lisenser beviser at møter er den nye slagmarken

Copilots 30 millioner lisenser beviser at møter er den nye slagmarken

Microsofts tall for fjerde kvartal (regnskapsåret) traff bransjen som et jordskjelv: 30 millioner betalende Copilot-lisenser, en økning på 50 % fra forrige kvartal, og kunder med over 50 000 lisenser vokser 7x sammenlignet med året før [1][2]. Ukentlig engasjement er nå på nivå med Outlook og Teams — det betyr at Copilot ikke lenger er noe nytt og spennende, det er blitt daglig infrastruktur.

En fersk arXiv-studie om bruk av M365 Copilot Chat fant at 82–89 % av aktiviteten er arbeidsrelatert, og dekker skriving, analyse, beslutningstaking og — viktigst av alt — møter [3]. Antall samtaler per bruker er nesten doblet fra året før, noe som tyder på at folk ikke bare prøver Copilot én gang; de bygger vaner rundt det.

Underteksten for leverandører av møteintelligens er tydelig: Microsoft normaliserer tanken om at møtehistorikken din skal kunne søkes i, ikke bare tas opp. Det er gode nyheter for kategorien, men det hever også lista — generiske sammendragsboter holder ikke mål mot en gigant med denne rekkevidden.

Karpathy sier: Slett alt, behold grafen

Andrej Karpathys siste Stanford-forelesning, lastet opp 14. august, legger frem en rett-frem progresjon for modenhet i AI-systemer: LLM (10 %) → Prompt (30 %) → Agent (50 %) → Loop (70 %) → Graf (100 %) [1]. Argumentet hans er at kontekst, hukommelse, verktøy og tilbakemeldingssløyfer bare blir varige og pålitelige når de representeres som en rettet graf med datastyrt meldingsutveksling — alt annet er bare stillas.

Forelesningen har skapt stor diskusjon på X, hvor kommentatorer har destillert den ned til at "grafer er det overlevende laget" for multi-agent-systemer [2][3]. Det er et teknisk foredrag, men implikasjonene rekker langt utover AI-ingeniørmiljøer: ethvert verktøy som hevder å bygge "institusjonell hukommelse" fra ustrukturerte data — som møtetranskripsjoner — trenger en graf under panseret, ikke bare et søkbart transkripsjonsarkiv.

Dette er i praksis en teknisk bekreftelse på det kunnskapsgraf-baserte møteverktøy har satset på det siste året.

Møteverktøy tar oppfølging på alvor — ikke bare sammendrag

En bølge av sammenlignende analyser (25+ verktøy testet, inkludert Fireflies, Otter, Fathom, Lindy, Sentra og MeetingTango) avdekker en ubehagelig sannhet: de fleste AI-møteverktøy er gode til å fange opp samtaler og dårlige til å sørge for at noe faktisk skjer etterpå [1][2]. Tallet som siteres overalt: rundt 44 % av handlingspunktene fra møter blir aldri fullført [3].

Svaret er en ny generasjon verktøy som bygger strukturerte forpliktelsesregistre, avdekker motsigelser (fanger opp når noen sier ja til noe som strider mot en tidligere beslutning), og sender påminnelser til eierne via Slack eller e-post. MeetingTango posisjonerer seg eksplisitt som en "AI-ansvarlighetsagent" fremfor et transkripsjonsverktøy [3].

Kommentarene på X er lite imponert over flommen av "vibe-kodede" møteboter som transkriberer godt, men henter frem informasjon dårlig uker senere — og belønner i stadig større grad verktøy som behandler møter som varig, søkbar hukommelse i stedet for engangssammendrag.

Hva dette betyr for dine møter

Dagens historier peker alle mot det samme gapet: å fange opp et møte er lett nå, men å omdanne det opptaket til kunnskap du faktisk kan hente frem, stole på og handle ut fra måneder senere, er der alle leverandører — fra Google til Microsoft til dristige oppstartsselskaper — kjemper om å ligge i front. Karpathys forelesning gir dette kappløpet et navn: graflaget. Enten det er Spanner Graph i Googles stack eller Copilots voksende møteintegrasjon, er mønsteret identisk — flate transkripsjoner og vektorsøk er ikke nok; du trenger enheter, relasjoner og tidsbevisst struktur som kobler sammen det som ble sagt på tvers av dusinvis av møter.

Forskningen på oppfølging av handlingspunkter er den mest menneskelige delen av denne historien. Nesten halvparten av møteforpliktelser dør stille, ikke fordi verktøyene ikke klarer å registrere dem, men fordi ingen følger opp. Det er like mye et kunnskapsgraf-problem som et arbeidsflyt-problem — du trenger et system som vet hvem som eier hva, når det ble lovet, og om en senere samtale motsa eller erstattet det. Det er nettopp her verktøy som bare transkriberer flater ut, og grafbaserte systemer trekker fra.

For Proudfrog-brukere er dette en bekreftelse på selve grunntanken: en personlig kunnskapsbase bygget fra møter lønner seg bare hvis den er strukturert som en graf — talere, beslutninger, forpliktelser og relasjonene mellom dem over tid — ikke bare en søkbar haug med transkripsjoner. Nå bruker bransjegigantene milliarder på å bevise at denne tesen stemmer.

Hovedpoeng: Verktøyene som vinner neste fase av møteintelligens, er ikke de som transkriberer best — det er de som husker, kobler sammen og følger opp som en graf, ikke en arkivskuff.

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/