Copilots 30 miljoner licenser bevisar att möten är den nya slagfältet

Copilots 30 miljoner licenser bevisar att möten är den nya slagfältet

Microsofts siffror för räkenskapsårets fjärde kvartal landade med en duns som hördes över hela företagsmjukvaruvärlden: 30 miljoner betalande Copilot-licenser, en ökning med 50 % jämfört med föregående kvartal, och kunder med 50 000+ licenser ökade 7 gånger på ett år [1][2]. Den veckovisa användningen ligger nu i nivå med Outlook och Teams — vilket betyder att Copilot inte längre är en nyhet, utan daglig infrastruktur.

En ny arXiv-studie om användningen av M365 Copilot Chat visade att 82–89 % av aktiviteten är arbetsrelaterad och omfattar skrivande, analys, beslutsfattande och — avgörande — möten [3]. Antalet konversationer per användare nästan fördubblades på ett år, vilket tyder på att folk inte bara testar Copilot en gång — de bygger vanor kring det.

Underförstådda budskapet för leverantörer av mötesintelligens: Microsoft normaliserar tanken att din mötesteshistorik ska gå att fråga, inte bara spelas in. Det är goda nyheter för kategorin, men det höjer också ribban — generiska sammanfattningsbottar räcker inte mot en jätte med den här spridningen.

Karpathy säger: Ta bort allt, behåll grafen

Andrej Karpathys senaste föreläsning vid Stanford, uppladdad den 14 augusti, lägger fram en rättfram progression för AI-systemens mognad: LLM (10 %) → Prompt (30 %) → Agent (50 %) → Loop (70 %) → Graf (100 %) [1]. Hans argument är att kontext, minne, verktyg och feedbackloopar bara blir varaktiga och pålitliga när de representeras som en riktad graf med datadriven meddelandeöverföring — allt annat är stödställningar.

Föreläsningen har genererat livlig diskussion på X, där kommentatorer sammanfattar det som att "grafer är det överlevande lagret" för multiagentsystem [2][3]. Det är ett tekniskt föredrag, men implikationen sträcker sig långt bortom AI-ingenjörskretsar: varje verktyg som påstår sig bygga "institutionellt minne" från ostrukturerad indata — som mötestranskript — behöver en graf under ytan, inte bara ett sökbart transkriptarkiv.

Det här är i praktiken en teknisk bekräftelse av det som kunskapsgraf-baserade mötesverktyg har satsat på det senaste året.

Mötesverktyg tar tag i uppföljning på allvar, inte bara sammanfattningar

En våg av jämförande analyser (25+ verktyg testade, inklusive Fireflies, Otter, Fathom, Lindy, Sentra och MeetingTango) avslöjar en obekväm sanning: de flesta AI-mötesverktyg är bra på att fånga konversationer men dåliga på att se till att något faktiskt händer efteråt [1][2]. Siffran som citeras överallt: cirka 44 % av åtgärdspunkterna från möten blir aldrig genomförda [3].

Svaret är en ny generation verktyg som bygger strukturerade "löftesregister", motsägelsedetektion (som fångar när någon går med på något som strider mot ett tidigare beslut) och påminnelser som pushas till ansvariga via Slack eller e-post. MeetingTango positionerar sig uttryckligen som en "AI-ansvarsagent" snarare än ett transkriptionsverktyg [3].

Kommentarer på X är oimponerade av floden av "vibe-kodade" mötesbottar som transkriberar bra men söker dåligt veckor senare — och belönar i allt högre grad verktyg som behandlar möten som varaktigt, sökbart minne snarare än engångssammanfattningar.

Vad detta betyder för dina möten

Dagens nyheter pekar alla mot samma lucka: att fånga ett möte är enkelt nu, men att omvandla den inspelningen till kunskap som man faktiskt kan hämta fram, lita på och agera utifrån månader senare är där varje leverantör — från Google till Microsoft till hungriga startups — kämpar om att ligga i framkant. Karpathys föreläsning ger den här kapplöpningen ett namn: graflagret. Oavsett om det är Spanner Graph i Googles stack eller Copilots växande mötesintegration, är mönstret identiskt — platta transkript och vektorsökning räcker inte; man behöver entiteter, relationer och tidsmedveten struktur som kopplar samman vad som sagts över dussintals möten.

Forskningen om spårning av åtgärdspunkter är den mest mänskliga delen av den här historien. Nästan hälften av mötesåtaganden dör tyst, inte för att verktygen misslyckas med att registrera dem, utan för att ingen följer upp. Det är lika mycket ett kunskapsgrafsproblem som ett arbetsflödesproblem — man behöver ett system som vet vem som äger vad, när det utlovades och om ett senare samtal motsade eller ersatte det. Det är precis här rena transkriptionsverktyg planar ut och graf-baserade system tar ledningen.

För Proudfrogs användare är detta en bekräftelse av grundtanken: en personlig kunskapsbas byggd från möten lönar sig bara om den struktureras som en graf — talare, beslut, åtaganden och deras relationer över tid — inte bara en sökbar hög med transkript. Branschens jättar spenderar nu miljarder på att bevisa att den tesen stämmer.

Viktigaste slutsatsen: De verktyg som kommer att vinna nästa fas av mötesintelligens är inte de som transkriberar bäst — det är de som minns, kopplar samman och följer upp som en graf, inte som ett arkivskåp.

Källor

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/