Markedet for AI-møteassistenter finner sine faste prisklasser

Markedet for AI-møteassistenter finner sine faste prisklasser

Ferske sammenligninger fra 2026 av Otter, Fireflies, Fathom, tl;dv og Granola viser at kategorien har modnet og landet på forutsigbare prissjikt. De billigste betalte planene samler seg rundt 8–10 dollar per bruker per måned (Otter ligger på rundt 8,33–17 dollar på årsbasis, Fireflies 10–18 dollar), mens Fathom har skåret ut et sterkt ubegrenset gratisnivå for enkeltbrukere før man må betale 15–19 dollar for teamfunksjoner [1][2]. Granola ligger på 14–18 dollar med sitt bot-frie, lokale opptaks-konsept, og tl;dv ligger høyere med 18-pluss dollar [3].

Det er i det finstilte om gratisnivåene den egentlige differensieringen kommer til syne: Fathom tilbyr genuint ubegrenset opptak og transkribering for enkeltbrukere, Otter setter et tak på 300 minutter i måneden for gratisbrukere, og Fireflies satser på generøs lagringsplass fremfor ubegrensede minutter [2]. For team som vurderer verktøy, kommer avgjørelsen i økende grad ned til hvor dyp CRM-integrasjonen er, og om en modell der "en bot blir med i møtet ditt" eller en mer diskret hjelperfunksjon passer best med kulturen.

Det er et tegn på at kategorien har beveget seg forbi funksjonskrigen og over i en mer moden, marginbevisst fase — gode nyheter for kjøpere, men en klemme for leverandører uten et reelt fortrinn utover transkribering.

Kunnskapsgrafer inntar hovedscenen som svaret på AI-ens hukommelsesproblem

En rekke forsknings- og analysebidrag denne uken samler seg rundt ett tema: vektorsøk alene er ikke nok for agenter eller assistenter som må resonnere over langtidskunnskap. InfoWorlds gjennomgang av agentiske hukommelsessystemer, en ny arXiv-oversikt om grafbasert agenthukommelse, og et Forrester-notat peker alle mot kunnskapsgrafer — ikke flate embeddings — som strukturen som lar AI-systemer spore relasjoner, beslutninger og avhengigheter over tid [1][2][3].

Taksonomien som vokser frem her, deler hukommelse inn i korttids-/langtidskategorier og kunnskaps-/erfaringskategorier, med teknikker for uttrekk, lagring, gjenfinning og videreutvikling av kunnskapen etter hvert som den bygger seg opp. Forresters formulering er rett på sak: uten semantikk og ontologier kan ikke bedriftsagenter resonnere pålitelig — de bare henter frem informasjon. Systemer som Graphitis temporale kunnskapsgrafer trekkes frem som eksempler på hukommelse som utvikler seg, i stedet for bare å hope seg opp [2][3].

På X har samtalen samlet seg rundt ett enkelt, men treffende poeng: vektordatabaser er gode på "dette høres likt ut", men dårlige på "dette avhenger av det". For ethvert verktøy som skal gi mening til måneder med møter, er nettopp dette skillet hele poenget.

Company Brain blir open source og viser malen for AI-lagkamerater

Supermemory har gjort Company Brain åpen kildekode — en Slack-basert AI-lagkamerat som tar inn teamsamtaler, husker hvem som eier hva, svarer på spørsmål basert på intern kunnskap, og kan utføre handlinger som å opprette saker i Linear [1]. Det er bemerkelsesverdig både fordi det er et skifte fra betalt produkt til åpen arkitektur, og for det det avslører om rørleggingen som kreves: Slack-integrasjon for flere brukere, vedvarende hukommelse med sporbarhet og tilgangsstyring, samt koblinger til verktøy som Notion og Linear [1][2].

Beslektede open source-initiativer — temporale kunnskapsgraf-motorer bygget eksplisitt som "organisatorisk hukommelse" — forsterker inntrykket av at bransjen samler seg om ett mønster: hent inn data fra møter, Slack og dokumenter, og gjør det om til utførbar kontekst en agent kan handle på — ikke bare søke i [2][3]. Grunnleggerens offentlige gjennomgang av hele arkitekturen har fått oppmerksomhet som en sjelden, komplett mal, snarere enn en markedsføringssmakebit.

Dette har betydning langt utover Slack: det er i bunn og grunn det samme problemet møteintelligens-verktøy løser, bare anvendt på chat i stedet for lyd. Tilgangs- og sporbarhetslaget — å vite hvem som sa hva, og hvem som har lov til å se det — er den vanskelige biten alle nå bygger i full offentlighet.

Hva dette betyr for møtene dine

Sett disse fire sakene i sammenheng, og et mønster trer frem: infrastrukturen for å gjøre samtaler om til varig, søkbar kunnskap blir raskt en hyllevare. Åpne vektbaserte diariseringsmodeller betyr at enhver leverandør nå kan få presis talergjenkjenning uten å bygge det fra bunnen. Open source-arkitekturer for "company brain" viser at det samme skjer med hukommelse og gjenfinning. Terskelen for grunnleggende møtetranskribering synker raskt — noe som betyr at verdien flytter seg helt over til det som skjer etter transkripsjonen.

Det er nettopp her kunnskapsgrafer kommer inn. En flat transkripsjon, selv en perfekt diarisert en, er bare en oversikt over hva som ble sagt. Forskningen denne uken om grafbasert agenthukommelse gjør poenget klart: relasjoner mellom beslutninger, eiere og oppfølgingspunkter trenger struktur for å kunne gjenfinnes måneder senere — "hva bestemte vi om Helsinki-utrullingen i mars, og hvem eier den nå" er en grafspørring, ikke et nøkkelordsøk. Dette er nøyaktig gapet mellom et transkriberingsverktøy og en ekte personlig kunnskapsbase.

Prissammenligningene fungerer også som en nyttig realitetssjekk: størstedelen av markedet selger fremdeles transkriberte minutter, ikke bevart kunnskap. Ettersom diarisering og grunnleggende opptak blir en selvfølge — gratis, åpent, hyllevare — vil verktøyene som vinner, være de som bygger varige, taler-bevisste kunnskapsgrafer på tvers av hele møtehistorikken din, ikke bare sammendrag per samtale.

Hovedpoeng: Å fange opp et møte blir trivielt; å forstå det — hvem sa hva, hvordan det henger sammen med alt som kom før, og hva som skal gjøres videre — er der det egentlige produktet nå befinner seg.

Kilder

1. https://www.marktechpost.com/2026/09/23/nvidia-releases-nemotron-3-diarization/
2. https://huggingface.co/blog/nvidia/nemotron-diarization
3. https://huggingface.blog/blog/nvidia-nemotron-diarization/
4. https://wirecraft.ai/best-ai-meeting-note-takers-2026/
5. https://dupple.com/learn/best-free-ai-meeting-assistants
6. https://bestautomationtools.ai/best-ai-meeting-assistants/
7. https://www.infoworld.com/article/4192397/four-agentic-ai-memory-systems-for-smarter-llms.html
8. https://arxiv.org/abs/2602.05665
9. https://www.forrester.com/blogs/build-meaning-before-machines-why-semantics-ontologies-and-knowledge-graphs-matter-for-agentic-ai/
10. https://github.com/supermemoryai/company-brain
11. https://github.com/caelstewart/company-brain
12. https://github.com/garrytan/gbrain/blob/master/docs/tutorials/company-brain.md