AI-funktioner i Ultra-planen: Resuméer, referater og sociale opslag med en lokal open source-LLM

En transskription er sjældent slutningen på arbejdet. Efter mødet kommer referatet. Efter interviewet kommer artiklen. Efter workshoppen kommer opgavelisten. Og efter podcasten kommer opslaget på de sociale medier, der peger hen til den. Det er alt sammen trin, der egner sig perfekt til automatisering med en sprogmodel – forudsat at du er villig til at overdrage den færdige transskription til en ekstern tjeneste til det formål.

Det er netop det punkt, hvor de fleste privatlivsbevidste brugere står af. For en transskription, der tidligere er blevet behandlet med klientside-kryptering bør ikke sendes videre til OpenAI, Anthropic eller Google i næste trin. Derfor tilbyder scryp AI-analyse på en anden måde: den kører på de samme GPU-workers som transskriptionen, i det samme afskærmede miljø, med en lokal open source-model. Denne funktion er tilgængelig i Ultra-planen.

Forskellen: en lokal LLM i stedet for et cloud-API

AI-analyse i scryp kører på en lokal open source-sprogmodel, der udføres på vores egne GPU-workers i EU. Der er intet kald til OpenAI, Anthropic, Google eller nogen anden ekstern AI-tjeneste. Modellen har ingen internetadgang og kan ikke sende data ud i verden – ikke teknisk.

De fleste AI-funktioner i transskriptionsværktøjer fungerer efter et enkelt mønster: den færdige transskription overdrages til et API – som regel til en amerikansk udbyder som OpenAI eller Anthropic – og svaret sendes tilbage til brugeren. Det er hurtigt at implementere, men databeskyttelsesmæssigt er det et brud: de data, du netop omhyggeligt har krypteret, ender i klartekst hos en tredjepartsvirksomhed uden for EU.

scryp griber det anderledes an. Til AI-analyse bruger vi en open source-sprogmodel, som vi selv hoster. Den kører på de samme GPU-workers, der også udfører transskriptionen, i de samme EU-datacentre hos Hetzner. Konkret betyder det:

• Intet eksternt API-kald. Hverken OpenAI, Anthropic eller Google ser din transskription. Der er ingen kontrakt med en amerikansk LLM-udbyder, fordi der teknisk set ikke behøver at være nogen.
• Ingen internetadgang for modellen. Den container, som sprogmodellen kører i, har kun en indgående forbindelse til vores interne jobkø – ikke omvendt. Modellen kan ikke sende nogen forespørgsler ud i verden.
• Ingen modeltræning på dine data. Open source-modellen er statisk. Vi tilpasser den ikke til brugerdata, vi indsamler ingen prompts, og der er ingen feedbackløkke, der fører dit indhold tilbage ind i modellen.
• Samme retssystem som transskriptionen. Behandlingen finder sted i EU, på infrastrukturen hos en europæisk host. Ingen tredjelandsoverførsler, ingen CLOUD Act.

Samme arkitektur som transskriptionen

AI-analysen bruger ikke kun den samme hardware som selve transskriptionen, men også den samme sikkerhedsmodel. Resultaterne krypteres øjeblikkeligt på ny med din nøgle, før de forlader worker-miljøet. På intet tidspunkt ligger de i klartekst på disken eller i databasen – præcis som med transskriptioner og lydfiler.

AI-analysen er derfor ikke et nyt tillidsspørgsmål: den kører inden for det samme isolerede miljø, som vi allerede bruger til selve transskriptionen.

Fem typer analyse i Ultra-planen

Ultra-planen tilbyder i øjeblikket fem typer analyse. Hver er optimeret til et konkret anvendelsestilfælde i stedet for at tilbyde en generel “chat”-funktion. Resultatet er et specifikt, klar-til-brug-dokument – ikke et generisk AI-output, som du stadig skal bearbejde yderligere.

1. Resumé

Resuméet kondenserer en transskription ned til dens væsentlige udsagn. Det egner sig særligt godt til lange optagelser – timelange interviews, to timers workshops, podcast-episoder – hvor du har brug for et hurtigt overblik uden at læse hele transskriptionen.

Du kan indstille resuméets længde med en skyder mellem 100 og 2.000 tegn. Kort til et overblik i en e-mail, længere til et detaljeret ledelsesresumé. Modellen tilpasser automatisk tekstens tæthed til den ønskede længde.

2. Mødereferat

Referatet strukturerer en mødetransskription i de klassiske afsnit: deltagere, emner, diskussionspunkter, beslutninger og åbne punkter. I modsætning til resuméet, der kondenserer indholdet narrativt, følger referatet en fast struktur – præcis som du kender det fra almindelige mødeprotokoller.

Denne funktion egner sig godt til mødereferater, dokumentation af tilbagevendende jour fixe-møder, projektgennemgange og overalt, hvor der er brug for en sporbar, struktureret optegnelse. Resultatet er et dokument, du kan bruge direkte med mindre justeringer.

3. Opgaveliste

Opgavelisten udtrækker alle to-dos fra et møde – sammen med den ansvarlige person og, hvor det er nævnt, den planlagte deadline. Modellen søger specifikt efter sætninger som “Lisa tager sig af det,” “Inden fredag skal vi…” eller “Daniel, kan du tage dig af det?” og laver dem om til klare handlingspunkter.

Det sparer et trin, som ingen i mange teams bryder sig om at tage på sig: at holde styr på åbne punkter. I stedet for manuelt at finkæmme transskriptionen for løfter får du en færdig liste, som du kan overføre til dit projektstyringsværktøj.

4. Opslag til sociale medier

Ud fra en transskription kan du generere et opslag til sociale medier til LinkedIn, Facebook eller X (Twitter). Modellen vælger den længde, tone og struktur, der passer til platformen. LinkedIn-opslag er typisk længere, mere substantielle og mere professionelt formuleret. X-opslag er korte, skarpe og bygget op omkring en klar krog. Facebook ligger midt imellem, med en mere personlig tone.

Det er især nyttigt, når du alligevel skal udgive en optagelse senere – et foredrag, et podcast-interview, en keynote. I stedet for at skrive opslaget manuelt fra hukommelsen leverer modellen et færdigt udkast baseret på sætninger, der faktisk blev sagt.

5. Artikel

Den længste og mest beregningstunge type analyse: en struktureret artikel med en indledning, underoverskrifter, nøglepunkter og en konklusion – genereret ud fra transskriptionen af en optagelse. Det ønskede antal tegn kan ligge mellem 1.000 og 10.000 tegn.

Artikeltilstanden arbejder internt i flere trin: modellen planlægger først dispositionen, skriver derefter de enkelte afsnit og samler dem til sidst til en sammenhængende tekst. Resultatet er ikke en “udvandet transskription,” men en selvstændig artikel, der præsenterer optagelsens udsagn i journalistisk eller redaktionel form.

Typiske anvendelser: blogindlæg fra interviews eller podcasts, baggrundsartikler fra fagforedrag, reportager fra konferenceoptagelser. Manuel redigering er fortsat nødvendig – men udgangspunktet er betydeligt længere fremme end en rå transskription.

Hvad open source-modellen kan – og hvor dens grænser går

Vi navngiver bevidst ikke den model, vi bruger. Grunden: AI-landskabet udvikler sig så hurtigt, at det konkrete valg måske allerede er et andet om seks måneder. Det, der betyder noget, er princippet: open source, kørt lokalt, ingen ekstern tjeneste, EU-behandling. Vi forpligter os på disse egenskaber, selv hvis vi til sidst udskifter modellen med en mere moderne.

Hvad du dog bør vide: lokale open source-modeller af den størrelse, der kører på en enkelt GPU, er ikke på samme absolutte kvalitetsniveau som de største cloud-modeller (GPT-4-klasse, Claude Opus). Til de typiske analyseopgaver – at opsummere, strukturere, omformulere – er de dog meget velegnede. Kvalitetskløften er desuden blevet betydeligt mindre i løbet af de seneste 18 måneder, mens en lokal models databeskyttelsesfordel forbliver konstant.

I praksis betyder det: hvis du vil have en frit formuleret, kreativ tekst, der lyder, som om den er skrevet af en erfaren forfatter, bør du betragte AI-outputtet som et udgangspunkt, ikke som en færdig tekst. Til strukturerede opgaver som referater, opgavelister eller resuméer er resultatet regelmæssigt klar til brug med det samme.

Hvad resultatet gemmer – og hvad det ikke gør

Resultatet af en AI-analyse gemmes krypteret, præcis som den underliggende transskription. Ingen uden for din konto kan læse det – hverken vores medarbejdere eller nogen, der måtte få fysisk adgang til databasen. De prompts, vi bruger internt til at styre modellen, logges heller ikke sammen med dit indhold.

Hvad vi gemmer: at et job af en bestemt type (resumé, referat, …) kørte, hvornår det kørte, og hvor lang tid behandlingen tog. Vi har brug for disse metadata til fakturering, fejldiagnostik og kapacitetsplanlægning. Indholdet af dine transskriptioner eller AI-resultaterne er ikke en del af disse logfiler.

Hvorfor AI-analyse kun er tilgængelig i Ultra-planen

AI-analyse kører på de samme GPU’er som transskriptionen. Et enkelt artikeljob kan optage en GPU i flere minutter; et referat eller et resumé tager betydeligt kortere tid. Det er dyrere end et API-kald hos en cloud-udbyder, men vi overdrager ikke hardwaren til tredjeparter.

Derfor er funktionen inkluderet i Ultra-planen. Enhver, der vil bruge den aktivt, får den hardwarekapacitet, der kræves til det – til en forudsigelig månedlig pris i stedet for at blive afregnet pr. token. Du finder alle detaljer om planerne på prissiden.

Resumé

• Lokal open source-model: Kører på scryp’s egne GPU-workers i EU. Intet eksternt API-kald, ingen amerikansk LLM-udbyder.
• Isoleret miljø: Modellen har ingen internetadgang. Den kan ikke sende data ud i verden, fordi den teknisk set ikke har nogen forbindelse til det.
• Samme sikkerhedsmodel som transskriptionen: Resultaterne gemmes krypteret, og behandlingen kører i det samme isolerede miljø.
• Ingen træning på brugerdata: Modellen er statisk. Dit indhold flyder ikke tilbage ind i modellen.
• Fem typer analyse: Resumé, referat, opgaveliste, opslag til sociale medier (LinkedIn/Facebook/X) og artikel – hver optimeret til et konkret anvendelsestilfælde.
• Ultra-planen: AI-analyse er en del af Ultra-planen, fordi den GPU-tid, den kræver, binder reel hardwarekapacitet.

Konklusion

En AI-funktion, der derefter sender din omhyggeligt krypterede transskription videre til en ekstern cloud-tjeneste, giver kun lidt mening set fra et databeskyttelsessynspunkt. Derfor gør scryp det ikke. Resuméet, referatet, opgavelisten, opslaget til sociale medier og artiklen oprettes på det samme worker-system, der også udfører transskriptionen – i EU, på vores egen GPU-infrastruktur, med en lokal open source-model, der ikke har noget vindue mod omverdenen. Det er langsommere og dyrere end et API-kald til OpenAI – men det er den eneste variant, der passer til resten af arkitekturen.