Notatki ze spotkań i transkrypcja z AI: jak to ustawić w małej firmie

Problem, który zna każdy zespół

Godzinne spotkanie z klientem, pięć ustaleń, trzy zadania dla różnych osób. Wszyscy wychodzą przekonani, że pamiętają. Po tygodniu każdy pamięta coś innego. Ktoś miał wysłać wycenę, ale nie wie, czy do piątku, czy do końca miesiąca.

Pisanie notatki zajmuje 15 do 30 minut i zwykle spada na najmłodszą osobę w pokoju albo nie robi go nikt. Tymczasem transkrypcja i podsumowanie to zadania, z którymi AI radzi sobie dziś naprawdę dobrze, także po polsku.

Sam nagrywam i podsumowuję większość rozmów z klientami. Oszczędza mi to około 3 godzin tygodniowo, a co ważniejsze, nie gubię szczegółów, które potem okazują się istotne przy budowie agenta.

Jak działa transkrypcja

Pierwszy etap to zamiana mowy na tekst, czyli speech-to-text. Modele takie jak Whisper od OpenAI albo modele ElevenLabs radzą sobie z polskim na poziomie, który jeszcze 3 lata temu był nieosiągalny. Przy dobrym mikrofonie błędów jest kilka na stronę tekstu, najczęściej w nazwiskach i nazwach własnych.

Koszt transkrypcji przez API to około 1,5 zł za godzinę nagrania. Gotowe narzędzia, jak Fireflies, tl;dv czy Otter, kosztują od 40 do 100 zł miesięcznie na osobę i same dołączają do spotkań w Google Meet, Zoomie czy Teamsach.

Rozmowy na żywo, przy stole, też da się nagrać telefonem i wrzucić plik do folderu. Automatyzacja zrobi resztę. Ważne jest tylko, żeby telefon leżał na środku, a nie w kieszeni.

Z transkrypcji do użytecznej notatki

Sama transkrypcja to 8 do 10 tysięcy słów na godzinę. Nikt tego nie przeczyta. Drugi etap to model językowy, który z surowego tekstu robi notatkę w stałym formacie: cel spotkania, najważniejsze ustalenia, decyzje, zadania z osobą odpowiedzialną i terminem, otwarte pytania.

Godzinna rozmowa mieści się bez problemu w oknie kontekstowym współczesnych modeli, więc nie trzeba jej dzielić na części. Koszt podsumowania to kilkadziesiąt groszy.

W prompcie proszę, żeby model przy każdym zadaniu zaznaczył, czy termin padł wprost, czy go wywnioskował. Jeśli nikt nie powiedział, kto robi dane zadanie, pole osoby ma zostać puste. Bez tej instrukcji model lubi przypisywać zadania na wyczucie, co potem rodzi nieporozumienia.

Automatyzacja całego obiegu

Mój typowy scenariusz w n8n wygląda tak. Nagranie trafia do folderu na Dysku Google. Automat wysyła je do transkrypcji, potem tekst do modelu, który tworzy notatkę. Notatka ląduje jako dokument w folderze klienta, a zadania trafiają do Trello, Asany albo po prostu do Google Sheets.

Na koniec uczestnicy dostają maila z podsumowaniem. Ja wysyłam je dopiero po przejrzeniu, co zajmuje mi 2 minuty. Klienci regularnie odpisują, że to pierwsza firma, która po spotkaniu przysłała im jasne podsumowanie tego samego dnia.

Po kilku miesiącach masz też archiwum wszystkich rozmów z klientem, które można przeszukiwać. W bardziej rozbudowanej wersji podłączam je do wyszukiwania RAG, żeby zapytać „co klient mówił o terminach w lutym” i dostać odpowiedź z cytatem.

Zgoda, RODO i tajemnica

Nagrywanie rozmowy wymaga poinformowania rozmówców. Mówię o tym na początku każdego spotkania i proponuję, że wyłączę nagrywanie, jeśli ktoś sobie nie życzy. Zdarza się to może raz na 30 rozmów.

Nagranie głosu i transkrypcja to dane osobowe. Wybieram więc dostawców z umową powierzenia i przechowywaniem w UE, a pliki audio kasuję po 30 dniach, zostawiając tylko notatkę. W branżach z tajemnicą zawodową, jak kancelarie czy gabinety, rozważam transkrypcję na własnym serwerze modelem open source. Więcej o zasadach piszę w poradniku o bezpiecznym korzystaniu z AI w firmie.