Twillot viser appetitten for å gjøre spredt innhold om til strukturert kunnskap

Twillot viser appetitten for å gjøre spredt innhold om til strukturert kunnskap

Utenfor møteverdenen viser Twillot at det samme prinsippet gjelder for sosiale bokmerker. Nettleserutvidelsen synkroniserer hele X/Twitter-bokmerkehistorikken din, legger til nøkkelordsøk, mappeorganisering og AI-drevet emneklassifisering, og eksporterer deretter alt til Obsidian, Markdown, CSV eller PDF [1][2][3]. Brukere rapporterer at den løfter frem glemt innhold og automatisk sorterer tusenvis av lagrede innlegg i sammenhengende emneklynger [1].

Det er et lite produkt, men et nyttig signal. Folk er stadig mindre villige til å la verdifull informasjon — enten det er en bokmerket tråd eller en kundesamtale — forsvinne i en usøkbar haug. Etterspørselen etter verktøy for personlig kunnskapsforvaltning som pålegger struktur automatisk, i stedet for å kreve manuell merking, er reell og økende på tvers av kategorier, ikke bare i møter.

Parallellen til møteintelligens er direkte: et bokmerke du ikke finner igjen er like ubrukelig som en beslutning begravet i en transkripsjon du aldri kommer til å lese på nytt. AI-klassifisering blir stadig mer det forventede minstenivået for ethvert verktøy som hevder å forvalte "kunnskapen din".

Yann LeCun: LLM-er alene vil ikke ta oss til menneskelig nivå på AI

Metas tidligere sjefsvitenskapsmann innen AI, nå hos AMI Labs, brukte en rekke intervjuer og innlegg gjennom 2026 til å gjenta et rett-frem poeng: auto-regressive LLM-er vil ikke nå menneskelig intelligensnivå på egen hånd [1][2]. Argumentet hans sentrerer rundt hva LLM-er mangler — rask læring, ekte tilpasning og genuine verdensmodeller — ikke hva de allerede kan gjøre. Han har pekt på fraværet av forbruksklare hjemmeroboter eller pålitelige selvkjørende biler på nivå 4/5 som bevis på at dagens "intelligens" er smal og oppgavespesifikk, ikke generell [3].

Reaksjonene på X har i stor grad vært sympatiske til kritikken, med en gjentagende erkjennelse av at flotte demoer fortsatt skjuler et bredt gap til pålitelig autonomi i den virkelige verden. Konsensusen som dannes: uansett hva som kommer etter ren neste-token-prediksjon, må det ha en bedre intern modell av hvordan verden faktisk fungerer.

For alle som bygger AI-produkter oppå LLM-er — inkludert verktøy for møteintelligens — er dette en nyttig realitetssjekk. Oppsummering og informasjonsgjenfinning er genuint sterke bruksområder nettopp fordi de ikke krever generell intelligens; de krever god gjenfinning over velstrukturerte data. LeCuns skepsis er rettet mot AGI-ambisjoner, ikke mot den mer beskjedne, men allerede verdifulle oppgaven med å organisere det teamet ditt allerede har sagt og bestemt.

EU AI Act: Automatisk logging nå obligatorisk for høyrisiko AI-systemer

Artikkel 12 i EUs AI-forordning (Forordning 2024/1689) beveger seg fra teori til håndhevelse, og krever at høyrisiko AI-systemer — inkludert agenter — automatisk logger hendelser gjennom hele sin operasjonelle levetid [1][2]. Målet er sporbarhet: risikoidentifisering under artikkel 79, overvåking etter markedsintroduksjon under artikkel 72, og generell operasjonell tilsyn. Minimumskravene til logging omfatter bruksperioder, referansedatabaser, treff i inndata, og verifikatoridentiteter for visse systemtyper, der distributører er pålagt å oppbevare logger i minst seks måneder [3].

Diskusjonen på X forventer allerede strammere håndhevelse innen 2027, drevet av nylige hendelser knyttet til datahåndtering, med økende krav om vannmerking av modeller og GDPR-lignende åpenhet utvidet spesifikt til autonom agentbeslutningstaking.

For nordiske og europeiske selskaper er dette ikke abstrakt. Ethvert AI-system som tar konsekvensfulle beslutninger — inkludert AI-agenter som oppsummerer, kategoriserer eller handler på møteinnhold i regulerte sektorer — vil trenge reviderbare beslutningsspor, ikke bare resultater. Compliance-teamene bør spørre leverandørene nå: kan dere vise loggene deres?

Hva dette betyr for møtene dine

Setter man disse fire sakene sammen, trer det frem et klart mønster: markedet kappløper for å gjøre møtekunnskap søkbar og handlingsrettet (vekst i transkripsjonsprogramvare), brukere ønsker allerede AI-organiserte personlige kunnskapsbaser på tvers av alle deler av det digitale livet (Twillot), den underliggende AI-en har fortsatt reelle begrensninger som bør respekteres (LeCun), og regulatorer krever nå bevis for hvordan AI-systemer kommer frem til sine konklusjoner (EU AI Act artikkel 12).

For møteintelligens spesifikt betyr dette at de vinnende produktene ikke bare vil transkribere — de vil bygge holdbare, reviderbare kunnskapsgrafer på tvers av møter som tåler både brukertillit og regulatorisk gransking. En transkripsjon ingen kan søke i igjen er dødvekt; et AI-sammendrag ingen kan spore tilbake til kilden er en compliance-risiko. Verktøyene som overlever de neste årene må klare begge deler: løfte frem innsikt og vise arbeidet sitt, spesielt ettersom EU-baserte team møter økende press om å dokumentere hvordan automatiserte systemer kommer frem til beslutninger som påvirker reelle forretningsresultater.

Nordiske selskaper befinner seg spesielt i et interessant krysningspunkt — tidlig, pragmatisk AI-adopsjon kombinert med noen av de strengeste regulatoriske forventningene i verden. Det er ikke en motsetning; det er et designoppdrag. Bygg den informasjonsrike kunnskapsbasen folk faktisk ønsker seg, men gjør hvert sammendrag, hver oppgave og hver taleridentifisering sporbar tilbake til kilden.

Nøkkelinnsikt: Det neste konkurransefortrinnet innen møteintelligens er ikke bedre transkripsjon — det er å bygge en kunnskapsbase som samtidig er mer nyttig og mer reviderbar enn det som kom før.

Sources

1. https://dataintelo.com/report/meeting-transcription-software-market
2. https://marketintelo.com/report/meeting-transcription-software-market
3. https://www.sally.io/blog/ai-transcription-assistant-market-report-2026
4. https://www.twillot.com/en/
5. https://github.com/twillot-app/twillot
6. https://chromewebstore.google.com/detail/twitter-bookmarks-search/cedokfdbikcoefpkofjncipjjmffnknf
7. https://aifront-page.com/yann-lecun-human-level-ai-llms-geoffrey-hinton/
8. https://www.bbc.co.uk/news/articles/cj6gr0xkyr3o
9. https://archive.is/2026.03.10-145820/https://www.wsj.com/tech/ai/yann-lecun-ai-meta-aa59e2f5
10. https://aiact-info.eu/regulation/AIACT/article/12/record-keeping
11. https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-12
12. https://truescreen.io/insights/ai-act-record-keeping-requirements/