Funkcje AI w planie Ultra: podsumowania, protokoły i posty społecznościowe z lokalnym modelem open source

Transkrypcja rzadko jest końcem pracy. Po spotkaniu przychodzi protokół. Po wywiadzie artykuł. Po warsztacie lista zadań. A po podcaście post w mediach społecznościowych, który do niego odsyła. To wszystko kroki, które doskonale nadają się do automatyzacji za pomocą modelu językowego – pod warunkiem, że jesteś gotów przekazać w tym celu gotową transkrypcję zewnętrznej usłudze.

I to jest dokładnie moment, w którym większość użytkowników dbających o prywatność się wycofuje. Bo transkrypcja, która została wcześniej przetworzona za pomocą szyfrowania po stronie klienta, nie powinna w kolejnym kroku trafiać do OpenAI, Anthropic czy Google. Dlatego scryp oferuje analizę AI inaczej: działa na tych samych workerach GPU co transkrypcja, w tym samym izolowanym środowisku, z użyciem lokalnego modelu open source. Ta funkcja jest dostępna w planie Ultra.

Różnica: lokalny LLM zamiast chmurowego API

Analiza AI w scryp działa na lokalnym modelu językowym open source uruchamianym na naszych własnych workerach GPU w UE. Nie ma żadnego wywołania OpenAI, Anthropic, Google ani innej zewnętrznej usługi AI. Model nie ma dostępu do internetu i technicznie nie może wysyłać danych na zewnątrz.

Większość funkcji AI w narzędziach do transkrypcji działa według prostego schematu: gotowa transkrypcja jest przekazywana do API – zwykle dostawcy z USA, takiego jak OpenAI czy Anthropic – a odpowiedź jest odsyłana użytkownikowi. To szybko się wdraża, ale z punktu widzenia ochrony danych to naruszenie: dane, które właśnie starannie zaszyfrowałeś, trafiają jako czytelny tekst do firmy trzeciej poza UE.

scryp przyjmuje inne podejście. Do analizy AI używamy modelu językowego open source, który hostujemy sami. Działa na tych samych workerach GPU, które wykonują też transkrypcję, w tych samych centrach danych UE w firmie Hetzner. Konkretnie oznacza to:

• Brak zewnętrznego wywołania API. Ani OpenAI, ani Anthropic, ani Google nie widzi Twojej transkrypcji. Nie ma żadnej umowy z dostawcą LLM z USA, bo technicznie żadna być nie musi.
• Brak dostępu modelu do internetu. Kontener, w którym działa model językowy, ma tylko połączenie przychodzące do naszej wewnętrznej kolejki zadań – nie odwrotnie. Model nie może wysyłać żadnych żądań na zewnątrz.
• Brak treningu modelu na Twoich danych. Model open source jest statyczny. Nie dostosowujemy go do danych użytkowników, nie zbieramy promptów i nie istnieje pętla sprzężenia zwrotnego, która zwracałaby Twoją treść do modelu.
• Ten sam porządek prawny co transkrypcja. Przetwarzanie odbywa się w UE, na infrastrukturze europejskiego hostingu. Brak przekazywania do krajów trzecich, brak CLOUD Act.

Ta sama architektura co transkrypcja

Analiza AI wykorzystuje nie tylko ten sam sprzęt co właściwa transkrypcja, ale i ten sam model bezpieczeństwa. Wyniki są natychmiast ponownie szyfrowane Twoim kluczem, zanim opuszczą środowisko workera. W żadnym momencie nie leżą w postaci jawnej na dysku ani w bazie danych – dokładnie jak transkrypcje i pliki audio.

Analiza AI nie jest więc nową kwestią zaufania: działa w obrębie tego samego izolowanego środowiska, którego już używamy do samej transkrypcji.

Pięć typów analizy w planie Ultra

Plan Ultra oferuje obecnie pięć typów analizy. Każdy jest zoptymalizowany pod konkretny przypadek użycia, zamiast oferować ogólną funkcję “czatu”. Wynikiem jest konkretny dokument gotowy do użycia – a nie ogólny wynik AI, który musisz jeszcze dalej przetwarzać.

1. Podsumowanie

Podsumowanie zagęszcza transkrypcję do jej najważniejszych stwierdzeń. Szczególnie dobrze nadaje się do długich nagrań – godzinnych wywiadów, dwugodzinnych warsztatów, odcinków podcastów – gdzie potrzebujesz szybkiego przeglądu bez czytania całej transkrypcji.

Długość podsumowania możesz ustawić suwakiem między 100 a 2000 znaków. Krótkie do przeglądu w e-mailu, dłuższe do szczegółowego podsumowania zarządczego. Model automatycznie dostosowuje gęstość tekstu do żądanej długości.

2. Protokół ze spotkania

Protokół strukturyzuje transkrypcję spotkania w klasyczne sekcje: uczestnicy, tematy, punkty dyskusji, decyzje i punkty otwarte. W przeciwieństwie do podsumowania, które zagęszcza treść w sposób narracyjny, protokół ma stałą strukturę – dokładnie taką, jaką znasz ze zwykłych protokołów ze spotkań.

Ta funkcja dobrze nadaje się do protokołów ze spotkań, dokumentacji cyklicznych jour fixe, przeglądów projektów i wszędzie tam, gdzie potrzebny jest możliwy do prześledzenia, ustrukturyzowany zapis. Wynikiem jest dokument, którego możesz użyć bezpośrednio po drobnych korektach.

3. Lista zadań

Lista zadań wyciąga ze spotkania wszystkie to-do – wraz z osobą odpowiedzialną i, jeśli wspomniany, planowanym terminem. Model celowo wyszukuje zdania takie jak “Zajmie się tym Lisa”, “Do piątku musimy…” lub “Daniel, możesz się tym zająć?” i zamienia je w jasne zadania do wykonania.

To oszczędza krok, którego w wielu zespołach nikt nie lubi podejmować: śledzenie punktów otwartych. Zamiast ręcznie przeczesywać transkrypcję w poszukiwaniu zobowiązań, otrzymujesz gotową listę, którą możesz przenieść do swojego narzędzia do zarządzania projektami.

4. Post w mediach społecznościowych

Z transkrypcji możesz wygenerować post w mediach społecznościowych na LinkedIn, Facebooka lub X (Twitter). Model dobiera długość, ton i strukturę odpowiednie dla danej platformy. Posty na LinkedIn są zwykle dłuższe, bardziej treściwe i sformułowane bardziej profesjonalnie. Posty na X są krótkie, celne i zbudowane wokół wyraźnego haka. Facebook plasuje się pośrodku, z bardziej osobistym tonem.

Jest to szczególnie przydatne, gdy i tak później opublikujesz nagranie – prelekcję, wywiad w podcaście, keynote. Zamiast pisać post ręcznie z pamięci, model dostarcza gotowy szkic oparty na zdaniach, które faktycznie padły.

5. Artykuł

Najdłuższy i najbardziej wymagający obliczeniowo typ analizy: ustrukturyzowany artykuł ze wstępem, śródtytułami, kluczowymi punktami i zakończeniem – wygenerowany z transkrypcji nagrania. Docelowa liczba znaków może wynosić od 1000 do 10 000 znaków.

Tryb artykułu działa wewnętrznie w kilku krokach: model najpierw planuje konspekt, potem pisze poszczególne sekcje, a na końcu składa je w spójny tekst. Wynikiem nie jest “napompowana transkrypcja”, ale samodzielny artykuł, który prezentuje stwierdzenia z nagrania w formie dziennikarskiej lub redakcyjnej.

Typowe zastosowania: wpisy na blog z wywiadów lub podcastów, artykuły z prelekcji fachowych, relacje z nagrań konferencyjnych. Ręczna redakcja pozostaje konieczna – ale punkt wyjścia jest znacznie dalej niż surowa transkrypcja.

Co potrafi model open source – i gdzie są jego granice

Celowo nie podajemy, jakiego modelu używamy. Powód: krajobraz AI rozwija się tak szybko, że konkretny wybór za sześć miesięcy może być już inny. Liczy się zasada: open source, uruchamiany lokalnie, brak zewnętrznej usługi, przetwarzanie w UE. Do tych właściwości się zobowiązujemy, nawet jeśli w końcu wymienimy model na nowocześniejszy.

Mimo to powinieneś wiedzieć: lokalne modele open source o rozmiarze, który działa na jednym GPU, nie są na tym samym absolutnym poziomie jakości co największe modele chmurowe (klasa GPT-4, Claude Opus). Do typowych zadań analizy – podsumowywania, strukturyzowania, przeformułowywania – nadają się jednak bardzo dobrze. Różnica w jakości znacznie się ponadto zmniejszyła w ciągu ostatnich 18 miesięcy, podczas gdy przewaga lokalnego modelu w zakresie ochrony danych pozostaje stała.

W praktyce oznacza to: jeśli chcesz swobodnie sformułowanego, kreatywnego tekstu, który brzmi, jakby napisał go doświadczony autor, powinieneś traktować wynik AI jako punkt wyjścia, a nie jako gotowy tekst. Przy ustrukturyzowanych zadaniach, takich jak protokoły, listy zadań czy podsumowania, wynik jest regularnie gotowy do natychmiastowego użycia.

Co przechowuje wynik – a czego nie

Wynik analizy AI jest przechowywany w postaci zaszyfrowanej, dokładnie jak transkrypcja, na której się opiera. Nikt spoza Twojego konta nie może go odczytać – ani nasi pracownicy, ani ktokolwiek, kto uzyskałby fizyczny dostęp do bazy danych. Również prompty, których używamy wewnętrznie do sterowania modelem, nie są zapisywane razem z Twoją treścią.

Co przechowujemy: że zadanie określonego typu (podsumowanie, protokół, …) zostało wykonane, kiedy zostało wykonane i jak długo trwało przetwarzanie. Te metadane są nam potrzebne do rozliczeń, diagnostyki błędów i planowania pojemności. Treść Twoich transkrypcji ani wyników AI nie znajduje się w tych logach.

Dlaczego analiza AI jest dostępna tylko w planie Ultra

Analiza AI działa na tych samych GPU co transkrypcja. Pojedyncze zadanie typu artykuł może zająć GPU na kilka minut; protokół lub podsumowanie zajmują znacznie mniej czasu. Jest to droższe niż wywołanie API u dostawcy chmurowego, ale nie przekazujemy sprzętu podmiotom trzecim.

Dlatego funkcja jest częścią planu Ultra. Kto chce z niej aktywnie korzystać, otrzymuje potrzebną pojemność sprzętową – za przewidywalną cenę miesięczną, zamiast rozliczania według tokenów. Wszystkie szczegóły dotyczące planów znajdziesz na stronie z cenami.

Podsumowanie

• Lokalny model open source: Działa na własnych workerach GPU scryp w UE. Brak zewnętrznego wywołania API, brak dostawcy LLM z USA.
• Izolowane środowisko: Model nie ma dostępu do internetu. Nie może wysyłać danych na zewnątrz, bo technicznie nie ma do tego żadnego połączenia.
• Ten sam model bezpieczeństwa co transkrypcja: Wyniki są przechowywane w postaci zaszyfrowanej, a przetwarzanie działa w tym samym izolowanym środowisku.
• Brak treningu na danych użytkowników: Model jest statyczny. Twoja treść nie wraca do modelu.
• Pięć typów analizy: Podsumowanie, protokół, lista zadań, post w mediach społecznościowych (LinkedIn/Facebook/X) i artykuł – każdy zoptymalizowany pod konkretny przypadek użycia.
• Plan Ultra: Analiza AI jest częścią planu Ultra, bo czas GPU, którego wymaga, wiąże realną pojemność sprzętową.

Podsumowanie końcowe

Funkcja AI, która następnie wysyła Twoją starannie zaszyfrowaną transkrypcję do zewnętrznej usługi chmurowej, ma niewielki sens z punktu widzenia ochrony danych. Dlatego scryp tego nie robi. Podsumowanie, protokół, lista zadań, post w mediach społecznościowych i artykuł powstają na tym samym systemie workerów, który wykonuje też transkrypcję – w UE, na naszej własnej infrastrukturze GPU, z lokalnym modelem open source, który nie ma okna na świat zewnętrzny. Jest wolniejsze i droższe niż wywołanie API do OpenAI – ale to jedyny wariant, który pasuje do reszty architektury.