AI-functies in het Ultra-plan: samenvatting, notulen & social posts met een lokaal open-source-LLM

Een transcript is zelden het einde van het werk. Na de vergadering komen de notulen. Na het interview het artikel. Na de workshop de takenlijst. En na de podcast de social-media-post die ernaar verwijst. Dat zijn allemaal stappen die zich uitstekend laten automatiseren met een taalmodel – als je bereid bent om het afgeronde transcript daarvoor aan een externe dienst over te dragen.

Precies daar haken de meeste privacybewuste gebruikers af. Want een transcript dat eerder aan de clientzijde versleuteld is verwerkt, mag in de volgende stap niet naar OpenAI, Anthropic of Google worden gestuurd. scryp biedt de AI-analyse daarom anders aan: die draait op dezelfde GPU-workers als de transcriptie, in dezelfde afgeschermde omgeving, met een lokaal open-source-model. Deze functie is beschikbaar in het Ultra-plan.

Het verschil: lokaal LLM in plaats van cloud-API

De AI-analyse in scryp draait op een lokaal open-source-taalmodel dat op onze eigen GPU-workers in de EU wordt uitgevoerd. Er is geen aanroep naar OpenAI, Anthropic, Google of een andere externe AI-dienst. Het model heeft geen internettoegang en kan technisch geen gegevens naar buiten sturen.

De meeste AI-features in transcriptietools werken volgens een eenvoudig patroon: het afgeronde transcript wordt doorgegeven aan een API – meestal naar een Amerikaanse aanbieder zoals OpenAI of Anthropic – en het antwoord wordt teruggestuurd naar de gebruiker. Dat is snel te implementeren, maar juridisch een breuk: de gegevens die je zojuist zorgvuldig hebt versleuteld, belanden als leesbare tekst bij een derde onderneming buiten de EU.

scryp volgt een andere aanpak. Voor de AI-analyse gebruiken wij een open-source-taalmodel dat wij zelf hosten. Het draait op dezelfde GPU-workers die ook de transcriptie uitvoeren, in dezelfde EU-datacenters bij Hetzner. Concreet betekent dat:

• Geen externe API-aanroep. Noch OpenAI, noch Anthropic, noch Google ziet je transcript. Er is geen contract met een Amerikaanse LLM-aanbieder, omdat dat technisch niet nodig is.
• Geen internettoegang voor het model. De container waarin het taalmodel draait, heeft alleen een inkomende verbinding naar onze interne taakwachtrij – niet andersom. Het model kan geen verzoeken naar buiten sturen.
• Geen modeltraining met je gegevens. Het open-source-model is statisch. Wij passen het niet aan op gebruikersgegevens, wij verzamelen geen prompts en er is geen feedbackloop die je inhoud terug het model in voert.
• Hetzelfde rechtssysteem als de transcriptie. De verwerking vindt plaats in de EU, op infrastructuur van een Europese hoster. Geen overdracht naar derde landen, geen CLOUD Act.

Dezelfde architectuur als bij de transcriptie

De AI-analyse gebruikt niet alleen dezelfde hardware als de eigenlijke transcriptie, maar ook hetzelfde beveiligingsmodel. Resultaten worden direct weer met je sleutel versleuteld voordat ze de worker-omgeving verlaten. Op de harde schijf of in de database staan ze op geen enkel moment in platte tekst – net zoals transcripten en audiobestanden.

De AI-analyse is daarmee geen nieuwe vertrouwenskwestie: die draait binnen dezelfde geïsoleerde omgeving die wij al voor de transcriptie zelf inzetten.

Vijf analysetypen in het Ultra-plan

In het Ultra-plan zijn momenteel vijf analysetypen beschikbaar. Elk is geoptimaliseerd voor een concrete toepassing, in plaats van een algemene „chat“-functie aan te bieden. Het resultaat is een specifiek, direct bruikbaar document – geen generieke AI-output die je nog verder moet bewerken.

1. Samenvatting

De samenvatting condenseert een transcript tot de wezenlijke uitspraken. Ze is bij uitstek geschikt voor lange opnames – interviews van een uur, workshops van twee uur, podcastafleveringen – waarbij je een snel overzicht nodig hebt zonder het volledige transcript te lezen.

Je kunt de lengte van de samenvatting via een schuifregelaar instellen tussen 100 en 2 000 tekens. Kort voor een overzicht in een e-mail, langer voor een uitgebreide management summary. Het model past de dichtheid van de tekst automatisch aan de gewenste lengte aan.

2. Notulen

De notulen structureren een vergadertranscript in klassieke onderdelen: deelnemers, onderwerpen, discussiepunten, besluiten en openstaande punten. Anders dan de samenvatting, die de inhoud verhalend condenseert, volgen de notulen een vaste indeling – zoals je die kent uit reguliere vergaderverslagen.

Deze functie is geschikt voor vergadernotulen, de documentatie van jour fixes, projectbesprekingen en overal waar een navolgbare, gestructureerde documentatie nodig is. Het resultaat is een document dat je met kleine aanpassingen direct kunt hergebruiken.

3. Takenlijst

De takenlijst haalt uit een vergadering alle to-do's – samen met de verantwoordelijke persoon en, waar genoemd, de geplande deadline. Het model zoekt gericht naar zinnen als „Dat neemt Lisa op zich“, „Vóór vrijdag moeten we…“ of „Daniel, kun jij je daarover ontfermen?“ en zet ze om in heldere actiepunten.

Dat scheelt een stap die in veel teams niemand graag op zich neemt: het opvolgen van openstaande punten. In plaats van het transcript handmatig op verplichtingen door te zoeken, krijg je een kant-en-klare lijst die je in je projectmanagementtool kunt overnemen.

4. Social-media-post

Uit een transcript kan een social-media-post voor LinkedIn, Facebook of X (Twitter) worden gegenereerd. Het model kiest de voor het platform passende lengte, toon en structuur. LinkedIn-posts zijn doorgaans langer, inhoudelijker en professioneler geformuleerd. X-posts zijn kort, scherp en werken met een duidelijke hook. Facebook ligt daartussen, met een persoonlijkere aanspreektoon.

Vooral zinvol is dat wanneer je een opname toch later publiceert – een lezing, een podcastinterview, een keynote. In plaats van de post handmatig uit het geheugen te formuleren, levert het model een kant-en-klaar concept dat gebaseerd is op daadwerkelijk uitgesproken zinnen.

5. Artikel

Het langste en meest rekenintensieve analysetype: een gestructureerd artikel met inleiding, tussenkopjes, kernpunten en slot – gegenereerd uit het transcript van een opname. Het beoogde aantal tekens kan tussen 1 000 en 10 000 liggen.

De artikelmodus werkt intern in meerdere stappen: het model plant eerst de opbouw, schrijft daarna de afzonderlijke onderdelen en voegt ze aan het eind samen tot een coherente tekst. Het resultaat is geen „opgeblazen transcript“, maar een zelfstandig artikel dat de uitspraken van de opname in journalistieke of redactionele vorm verwerkt.

Typische toepassingen: blogposts uit interviews of podcasts, vakartikelen uit lezingen, verslagen uit conferentieopnames. De handmatige bewerking blijft nodig – maar het startpunt ligt duidelijk verder dan een ruw transcript.

Wat het open-source-model kan – en waar zijn grenzen liggen

Wij noemen het ingezette model bewust niet bij naam. De reden: het AI-landschap ontwikkelt zich zo snel dat de concrete keuze over zes maanden alweer een andere kan zijn. Belangrijk is het principe: open source, lokaal beheerd, geen externe dienst, EU-verwerking. Aan die eigenschappen houden wij vast, ook wanneer wij het model op termijn vervangen door een moderner exemplaar.

Wat je toch moet weten: lokale open-source-modellen in de omvang die op één enkele GPU draait, halen niet hetzelfde absolute kwaliteitsniveau als de grootste cloudmodellen (GPT-4-klasse, Claude Opus). Voor de typische analysetaken – samenvatten, structureren, herformuleren – zijn ze echter zeer geschikt. De kwaliteitskloof is de afgelopen 18 maanden bovendien duidelijk kleiner geworden, terwijl de privacyvoorsprong van een lokaal model constant blijft.

In de praktijk betekent dat: als je een vrij geformuleerde, creatieve tekst wilt die klinkt alsof een ervaren auteur hem heeft geschreven, beschouw de AI-output dan als startpunt, niet als afgeronde tekst. Voor gestructureerde taken zoals notulen, takenlijsten of samenvattingen is het resultaat regelmatig direct inzetbaar.

Wat het resultaat opslaat – en wat niet

Het resultaat van een AI-analyse wordt net als het onderliggende transcript versleuteld opgeslagen. Niemand buiten je account kan het lezen – noch onze medewerkers, noch iemand die zich fysieke toegang tot de database zou verschaffen. Ook de prompts die wij intern gebruiken om het model aan te sturen, worden niet samen met je inhoud gelogd.

Wat wij wél opslaan: dat een taak van een bepaald type (samenvatting, notulen, …) is uitgevoerd, wanneer die is uitgevoerd en hoe lang de verwerking heeft geduurd. Die metadata hebben wij nodig voor facturatie, foutdiagnose en capaciteitsplanning. De inhoud van je transcripten of van de AI-resultaten staat niet in deze logs.

Waarom de AI-analyse alleen in het Ultra-plan beschikbaar is

De AI-analyse draait op dezelfde GPU's als de transcriptie. Eén enkele artikeltaak kan een GPU enkele minuten bezetten, notulen of een samenvatting duidelijk korter. Dat is duurder dan een API-aanroep bij een cloudaanbieder, maar wij geven de hardware daarvoor niet uit handen aan derden.

Daarom zit de functie in het Ultra-plan. Wie haar actief wil gebruiken, krijgt de hardwarecapaciteit die daarvoor nodig is – tegen een voorspelbare maandprijs, in plaats van per token te worden afgerekend. Alle details over de plannen vind je op de prijspagina.

Samenvatting

• Lokaal open-source-model: draait op scryp-eigen GPU-workers in de EU. Geen externe API-aanroep, geen Amerikaanse LLM-aanbieder.
• Geïsoleerde omgeving: het model heeft geen internettoegang. Het kan geen gegevens naar buiten sturen, omdat het daarvoor technisch geen verbinding heeft.
• Hetzelfde beveiligingsmodel als de transcriptie: resultaten worden versleuteld opgeslagen, de verwerking loopt in dezelfde geïsoleerde omgeving.
• Geen training met gebruikersgegevens: het model is statisch. Je inhoud vloeit niet terug het model in.
• Vijf analysetypen: samenvatting, notulen, takenlijst, social-media-post (LinkedIn/Facebook/X) en artikel – elk geoptimaliseerd voor een concrete toepassing.
• Ultra-plan: de AI-analyse maakt deel uit van het Ultra-plan, omdat de daarvoor benodigde GPU-tijd echte hardwarecapaciteit bindt.

Conclusie

Een AI-functie die je zorgvuldig versleutelde transcript vervolgens naar een externe clouddienst stuurt, slaat juridisch weinig zin. scryp doet dat daarom niet. De samenvatting, de notulen, de takenlijst, de social-media-post en het artikel ontstaan op hetzelfde worker-systeem dat ook de transcriptie uitvoert – in de EU, op onze eigen GPU-infrastructuur, met een lokaal open-source-model dat geen venster naar buiten heeft. Dat is trager en duurder dan een API-aanroep bij OpenAI – maar het is de enige variant die bij de rest van de architectuur past.