Mødereferater & Action Points

Use-casen dækker det, der sker efter mødet: en rå transskription bliver til et struktureret referat med beslutninger, action points og ejerskab. Modellen læser teksten, finder det væsentlige og skriver det ind i et fast format. Input er tekst, ikke lyd.

Grænsen mod nabo-use-cases går to steder. Selve transskriptionen er en separat opgave, som løses af tale-til-tekst-modeller, ikke af en sprogmodel. Og opfølgningen, altså at oprette opgaver og rykke for dem, hører til dit projektværktøj.

Opgaven adskiller sig også fra almindelig opsummering. Et referat skal bevare hvem der sagde hvad, og skelne mellem en beslutning, et forslag og en løs bemærkning. Det er en klassifikationsopgave lige så meget som en komprimeringsopgave.

Kæden har fire led. Lyden optages, en tale-til-tekst-model laver transskription med diarisering, altså markering af hvem der taler, og derefter får sprogmodellen transskriptionen sammen med en prompt, der beskriver det ønskede format. Til sidst læser et menneske resultatet igennem.

Kvaliteten afgøres tidligt. En transskription uden talerlabels gør det næsten umuligt at knytte action points til personer, og fejlstavede navne og fagtermer følger med hele vejen igennem. Giv derfor modellen en liste over deltagere og faste begreber i prompten.

Outputformatet betyder mere end prompt-formuleringen. Beder du om JSON med felter for beslutning, begrundelse, ansvarlig og deadline, tvinger du modellen til at tage stilling til hvert felt. Et frit formuleret referat skjuler til gengæld, at oplysningen mangler.

Lange møder kræver et større context window eller opdeling i afsnit med efterfølgende sammenskrivning. Opdeling koster sammenhæng, fordi en beslutning i minut 50 ofte refererer til en diskussion i minut 10.

Den hyppigste fejl er forkert attribution. Når to personer taler i munden på hinanden, eller diariseringen skifter label midt i en sætning, tildeler modellen opgaven til den forkerte. Fejlen ser plausibel ud og bliver først opdaget, når nogen ikke leverer.

Den næsthyppigste er opfundne action points. Sætninger som "det bør vi nok kigge på" er ikke en beslutning, men modellen har en tendens til at gøre uklar tale skarpere, fordi templaten beder om en liste. Resultatet er et referat, der lyder mere beslutsomt end mødet var.

Omvendt forsvinder det, der aldrig blev sagt højt. Uenighed udtrykt gennem tøven, ironi eller tavshed findes ikke i en transskription. Referatet vil registrere enighed, hvor der reelt var resignation.

Endelig er mødeindhold ofte fortroligt. Lønsamtaler, personalesager og kundeforhandlinger bør ikke sendes gennem en tjeneste uden databehandleraftale, og du bør vide, hvor lang tid transskriptionen opbevares.

Til korte, forudsigelige møder som daglige standups er en lille model tilstrækkelig. GPT-5 nano klarer et referat på ti minutters tale til en brøkdel af prisen, når strukturen er givet på forhånd.

Til længere møder med flere spor og reel uenighed giver de større modeller mærkbart bedre resultater. Claude Sonnet 5 og GPT-5.6 Sol er bedre til at holde styr på, hvem der argumenterede for hvad, og til at lade et punkt stå som uafklaret i stedet for at digte en konklusion.

Mål kvaliteten på faktiske møder, ikke på et enkelt eksempel. Tag ti referater, sammenlign dem med hvad deltagerne selv husker, og tæl hvor mange action points der er forkert tildelt eller opfundet. Det tal fortæller mere end nogen benchmark.