Kamil DzikowskiCTO · Inżynieria Ery AI · Doradztwo

W moim kalendarzu jest coraz więcej cyklicznych spotkań w różnych organizacjach — codzienne standupy, cotygodniowe spotkania z partnerami, przeglądy z kadrą zarządzającą — a ja nie mogę być na wszystkich. Oczywistym rozwiązaniem jest narzędzie do notatek ze spotkań. Okazało się jednak, że popularne rozwiązania to nie tyle wygoda, co problem prawny i zarządczy — dlatego zbudowałem własne, hostowane na mojej infrastrukturze, gdzie nagrania i transkrypcje nigdy nie opuszczają środowiska, które kontroluję. Wyjaśniam, dlaczego to zrobiłem, ile to kosztowało i gdzie leży granica między „zrobiłem to dla siebie” a „mógłbym zrobić to dla Twojej firmy”.

Co było zapalnikiem

„Przeczytaj transkrypcję później” to nie system — to nadzieja. Moje potrzeby były precyzyjnie określone: dowiedzieć się, co wydarzyło się na spotkaniu, na którym mnie nie było, przenieść moje zadania do mojego systemu i więcej o tym nie myśleć. To oznaczało poszukiwanie narzędzia do notatek. Jednak to, co odkryłem, analizując rynek, całkowicie zmieniło moją decyzję.

Co tak naprawdę dzieje się w firmach, które używały popularnych narzędzi

To nie jest hipotetyczny problem z prywatnością. To aktywne spory sądowe i zakazy instytucjonalne. Warto zapoznać się ze źródłami, zamiast wierzyć mi na słowo.

Read AI twierdzi, że nie trenuje modeli na treściach ze spotkań, chyba że klient wyrazi na to zgodę, i oferuje przestrzenie robocze, w których jest to kontraktowo niemożliwe. Przyjmijmy to za dobrą monetę — to wciąż nie rozwiązuje sedna problemu:

Polityka prywatności to obietnica dotycząca zachowania. Self-hosting to fakt wynikający z architektury. Polityki są zmieniane, firmy są przejmowane, a obietnica, którą pobieżnie przeczytałeś w mailu pół roku temu, może się zmienić. Pytanie nie brzmi, czy ufasz im dzisiaj — ale czy istnieje jakakolwiek możliwość, że coś pójdzie nie tak, gdy już przekażesz im swoje dane.

Żadna polityka nie rozwiązuje też większego problemu: nie da się „od-udostępnić” transkrypcji. Moje standupy regularnie obejmują status bieżących incydentów bezpieczeństwa, stanowisko regulatora czy ograniczenia kadrowe. Żadna z tych informacji nie powinna trafić do cudzego repozytorium, podlegając przyszłym decyzjom kogoś innego.

Co zbudowałem

Bota do spotkań na własnym hostingu i infrastrukturze, który dołącza do rozmów na Google Meet, na które jest zaproszony, odczytuje transkrypcję i dostarcza podsumowanie oraz moje zadania prosto do narzędzi, których już używam. Ani nagranie, ani transkrypcja nigdy nie opuszczają mojej sieci, a w procesie nie bierze udziału żadna chmurowa usługa transkrypcji. Uczestnik, projekt open-source, dołącza do rozmowy. Wszystko, co dzieje się później — podsumowanie, kierowanie na moją listę zadań, dostarczenie na odpowiedni czat — jest moje.

Technologia przechwytywania nie jest autorska. Attendee jest oprogramowaniem open source (licencja Elastic License 2.0 — darmowe do użytku wewnętrznego, nie może być odsprzedawane jako usługa hostowana). Każdy kompetentny zespół inżynierski mógłby zbudować coś o podobnej strukturze. Notatki z budowy, które znajdziesz niżej, opisują, jak to wyglądało w praktyce.

Architektura składa się z dwóch części połączonych celowo uproszczonym interfejsem — tylko transkrypcja i ID wydarzenia z kalendarza, nic więcej nie przekracza tej granicy:

Ten uproszczony interfejs sprawia, że część przechwytująca jest wymienna — dzisiaj Attendee, jutro coś innego — bez konieczności modyfikowania dalszych etapów procesu.

Co to tak naprawdę daje, oprócz tego, że „dane zostają na miejscu”

• Inteligentne kierowanie, a nie tylko transkrypcja. Zadania, które faktycznie należą do mnie, stają się zadaniami z terminem wykonania w moim własnym systemie; podsumowanie ląduje w odpowiedniej konwersacji dla danego projektu — a nie na stronie internetowej, o której muszę pamiętać.
• Prompt dopasowany do jednego czytelnika, a nie do przeciętnego użytkownika. System wie, że nie było mnie na spotkaniu i że jego jedynym zadaniem jest poinformowanie mnie, co mnie ominęło — podczas gdy gotowy produkt optymalizuje się dla wszystkich naraz.
• Twoje własne zasady jakości. Transkrypcje mowy „halucynują” pod wpływem hałasu w tle. Mój system jest nauczony traktować pojedyncze fragmenty jako szum, a nie cytować je, jakby ktoś je wypowiedział — to zasada, którą mogę dodać, ponieważ mam pełną kontrolę nad procesem.
• Transkrypcja jest bezpłatna, bez limitów. Bot odczytuje napisy na żywo generowane przez samą platformę — za tą konfiguracją nie kryje się żaden rachunek za transkrypcję naliczany od minuty, niezależnie od tego, czy bot uczestniczy w jednym spotkaniu dziennie, czy w każdym spotkaniu w kalendarzu. Jedynym bieżącym kosztem jest konto Workspace, którego potrzebuje, a jest to opłata stała, nieuzależniona od użycia.

Koszty i ograniczenia

• Płatne konto Google Workspace jest nieuniknione dla bota, który ma się prawidłowo logować — to wymóg architektury, a nie opłata, której ktoś zapomniał usunąć. Zwykłe konto Google nie ma takiej możliwości.
• Utrzymanie systemu jest po Twojej stronie. Platforma może w każdej chwili zmienić swój interfejs spotkań, a przy własnym hostingu staje się to Twoim problemem, a nie kwestią objętą umową SLA dostawcy.
• Rozwiązanie, którego dziś używam, jest stworzone dla jednej osoby — jeden CTO, jedna lista zadań, dowolne spotkania, na które jestem zapraszany. Wersja dla całej firmy — wielu pracowników, wiele spotkań jednocześnie, tożsamość Workspace należąca do kogoś innego — wymaga zupełnie innego wdrożenia, a nie skopiowania mojego rozwiązania.

Jeśli to aktualne wyzwanie dla Twojej firmy

Jeśli Twój zespół rozważał Otter, Read AI, Fireflies lub podobne narzędzia, ale coś w haśle „zewnętrzna firma ma wgląd w nasze spotkania” budziło Wasz niepokój — ten instynkt jest słuszny. To dokładnie ten aspekt, któremu przyglądam się w ramach Audytu Efektywności Inżynierskiej lub technicznego due diligence zlecenia: gdzie faktycznie trafiają Wasze dane, ile kosztuje Was ewentualny wyciek i czy własne rozwiązanie jest warte wysiłku inżynierskiego przy Waszej skali i ryzyku. Nie podaję tu ceny — wdrożenie dla firmy to zupełnie inny projekt niż to, z czego korzystam osobiście. Omówmy jego zakres podczas rozmowy.

Chcesz to zobaczyć w akcji, a nie tylko o tym czytać? Oto jak system wygląda w codziennym użyciu — bot na prawdziwym spotkaniu, rzeczywiste notatki i sposób, w jaki integruje się z narzędziami, z których już korzystam.

Jak to działa

Zaproś konto bota na wydarzenie w kalendarzu i to cały interfejs — bez panelu, bez aplikacji do otwierania. Pojawia się na liście gości, dołącza sam o czasie i uczestniczy w spotkaniu jak każdy inny:

Co się dzieje w tle: bot odczytuje napisy na żywo generowane przez Google Meet (dźwięk nie opuszcza sieci), a po zakończeniu spotkania system podsumowujący zamienia transkrypt w ustrukturyzowane notatki — co się wydarzyło, co zostało postanowione, co jest zablokowane i jakie zadania należą do mnie. Oto prawdziwy przykład, z imionami zmienionymi na potrzeby tego opisu:

Tym, co naprawdę oszczędza czas, nie jest samo podsumowanie — ale to, co dzieje się z nim dalej. Zadania, które faktycznie należą do mnie, stają się prawdziwymi zadaniami z terminem wykonania, przypisanymi do etykiety, po której mogę filtrować we wszystkich projektach:

Zasady, które mogłem dodać tylko dlatego, że mam pełną kontrolę nad procesem

Zewnętrzny dostawca tworzy podsumowania dla swojego przeciętnego klienta. Mój system ma tylko jednego czytelnika, co przekłada się na konkretne zasady w prompcie, a nie na ustawienia w menu:

• Transkrypcje mowy „halucynują” pod wpływem ciszy i hałasu w tle — nie ogólnikowo, lecz konkretnie: jeden z wczesnych testów wygenerował z pustego pokoju frazy „Algonquin too much now!” i „Mojito.”. Mechanizm podsumowujący otrzymał jednoznaczne polecenie, by traktować pojedyncze fragmenty jako szum i nigdy nie przytaczać ich tak, jakby ktoś je faktycznie wypowiedział.
• Nazwa właściciela zadania liczy się tylko wtedy, gdy jest nią moje imię. Zasada jest jednoznaczna: zadanie jest oznaczane jako moje tylko wtedy, gdy faktycznie nim jest lub gdy jego wykonanie wprost zależy ode mnie — a nie dlatego, że moje nazwisko pojawiło się obok niego w transkrypcji. W przeciwnym razie po każdym spotkaniu miałbym na liście połowę zadań wszystkich uczestników.
• Żadnego zadania bez terminu. Todoist w widoku dziennym pokazuje tylko zadania z datą — zadanie bez daty jest niewidoczne i nigdy nie zostanie zrealizowane. Dlatego każde zadanie otrzymuje termin, nawet jeśli nie określono go na spotkaniu.

Działa również w trakcie trwania spotkania

Transkrypcję można czytać na żywo, a nie dopiero po zakończeniu rozmowy. Dzięki temu na pytanie „co do tej pory omówiono?” odpowiedź jest generowana w trakcie spotkania na podstawie tego, co faktycznie powiedziano — nawet bez mojej obecności. Przetestowałem to, pisząc ten artykuł: zapytałem, o czym mówiono podczas rozmowy, w której nie uczestniczyłem, i otrzymałem odpowiedź, zanim spotkanie dobiegło końca.

„A w czym Twoje rozwiązanie jest bezpieczniejsze?”

Słuszne pytanie, które należy zadać każdemu, kto przedstawia taki argument. Samodzielne zbudowanie narzędzia nie czyni go automatycznie bezpiecznym — sprawia jedynie, że polityka bezpieczeństwa staje się... twoja, co jest zaletą tylko wtedy, gdy faktycznie coś z tym zrobisz. W tym przypadku oznacza to konkretnie, że:

• Nie jest dostępne w internecie. Usługa przechwytywania nasłuchuje wyłącznie w prywatnej sieci nakładkowej — nie w publicznym internecie, ani nawet w lokalnej sieci LAN. Domyślna konfiguracja oryginalnego oprogramowania nasłuchuje na wszystkich interfejsach; to była pierwsza rzecz, którą zmieniłem. Alternatywą jest bowiem aktywna sesja zalogowanego konta Google i stos transkrypcji dostępnych z każdego urządzenia w sieci.
• Nie ma bucketu w chmurze, więc nie ma czego źle skonfigurować. Mechanizm przechwytywania napisów nie zapisuje żadnych plików multimedialnych, a stos technologiczny nie przechowuje danych dostępowych do pamięci obiektowej. Najczęstsza przyczyna wycieków danych z tego typu narzędzi — czyli pozostawienie publicznie dostępnego zasobnika (bucket) — w tym przypadku w ogóle nie wchodzi w grę.
• Działa na sprzęcie, który już posiadałem. Na serwerze NAS w mojej sieci, obok innych usług. Nie płacę za moc obliczeniową za każde spotkanie, a w ścieżce przetwarzania danych nie ma żadnych firm zewnętrznych — co jest sednem całego rozwiązania. Dlatego też koszt utrzymania sprowadza się w zasadzie do opłaty za konto Workspace i rachunków za prąd.
• Promień rażenia najbardziej ryzykownego elementu jest celowo minimalny. Jedyny naprawdę ryzykowny komponent — tożsamość SSO — znajduje się w osobnym, testowym środowisku (tenancie), które nie zawiera żadnych istotnych danych. Gdyby kiedykolwiek doszło do jego przejęcia, nie ma tam niczego, do czego warto byłoby uzyskać dostęp.

Czego dzięki self-hostingowi nie zyskasz: zespołu bezpieczeństwa dostawcy, historii jego audytów ani regularności we wdrażaniu poprawek. To wszystko bierzesz na siebie. Jeśli chodzi o treść spotkań, zawsze jestem gotów pójść na taki kompromis — ale jest to właśnie kompromis, a nie darmowe ulepszenie. Każdy, kto twierdzi inaczej, nigdy nie wdrażał takiego systemu produkcyjnie.

Notatki z wdrożenia: na co faktycznie poświęciłem czas

Najwięcej czasu zajęło zupełnie co innego, niż można by się spodziewać. Postawienie kontenerów to kwestia jednego popołudnia. Wszystko, co opisuję poniżej, wydarzyło się później — to prawdziwe ślepe zaułki, z których każdy kosztował mnie cały dzień pracy. Jeśli rozważasz opcję „przecież możemy to zbudować sami”, to jest to lista, od której powinieneś zacząć.

Co dalej — i czego jeszcze nie zbudowałem

Napisy w Meet są darmowe i szybkie, ale obsługują tylko jeden język naraz, bez automatycznego wykrywania. To realne ograniczenie dla zespołów, które mieszają języki w trakcie zdania, co jest częste w firmach działających w kilku krajach. To stwarza realną szansę, by zrobić to lepiej niż sama platforma: przepuścić dźwięk lokalnie przez model mowy na tekst, taki jak Whisper, zamiast (lub obok) napisów. Daje to automatyczne wykrywanie języka i obsługę przełączania kodów (code-switching), czego napisy w Meet po prostu nie oferują, a wszystko to bez wysyłania dźwięku poza sieć. Nie zbudowałem jeszcze tej warstwy dla siebie — powyższa konfiguracja opiera się wyłącznie na napisach — ale architektura już przewiduje na nią miejsce. To dokładnie ten rodzaj rozszerzenia, który uwzględniłbym w projekcie dla zespołu, który faktycznie pracuje w wielu językach.

← Wróć do studiów przypadków