Transkriptet vet inte vem som lovade

Du har spelat in mötet. Du har transkriptet. Det står där, ordagrant, allt som sades.

Och ändå går det inte att göra något med.

Inte för att texten är dålig. För att den saknar en sak som verkar liten och inte är det: den vet inte vem som sa vad.

Skillnaden mellan en anteckning och ett åtagande

"Vi bestämde att offerten ska ut före fredag."

Det är en anteckning. Den är sann, den är korrekt transkriberad, och den driver ingenting. Ingen vaknar på torsdagen med en känsla av att det var deras sak.

"Anna sa till Markus att offerten ska ut före fredag, och Markus sa okej."

Det är något annat. Det går att följa upp. Det går att påminna om. Det finns någon som kan säga "det var inte jag som tog det" och någon annan som kan säga "jo, det var det".

Ett åtagande utan avsändare är inte ett åtagande. Det är en formulering. Och det är, tror jag, det verkliga skälet till att så många mötesanteckningar aldrig leder någonstans. De är inte för korta. De är inte för långa. De saknar bara vem.

Tre lager, tre frågor

Det är enklare att se om man delar upp det i vad varje lager faktiskt svarar på.

Transkriptet svarar på: vad sades? Det ger dig en ordagrann text av ett tillfälle.

Strukturen svarar på: vad hör ihop? Den kopplar tillfällen till varandra, så att tio möten blir en tråd i stället för tio filer.

Härkomsten svarar på: vem sa det, och till vem? Den gör yttranden till något som kan bäras av någon.

De flesta är på det första lagret. En del har börjat på det andra. Det tredje pratar nästan ingen om, och det är det enda som gör materialet till något du kan driva ett projekt med.

Teams är löst. Rummet är det inte.

Här ska jag vara ärlig om var det är svårt, för det finns en risk att det här låter enklare än det är.

I Teams, Zoom och Meet är problemet i praktiken löst. Varje deltagare har en egen ljudström och en egen inloggning. Transkriptet kommer namnsatt, utan att någon behövt lista ut något. Det är bra, och det är inte där utmaningen ligger.

Utmaningen är det vanliga mötesrummet. Fem personer runt ett bord. En mikrofon i mitten. Folk avbryter varandra, pratar i mun på varandra, sitter olika långt bort. Ingen har spelat in en röstprofil i förväg och ingen tänker göra det.

Där finns bara ljudet. Och att ur ett enda spår avgöra att det var fyra olika personer, och var den ena slutade och den andra tog vid, är en helt annan sak än att läsa en etikett som redan finns.

Det är den delen som är olöst nog att vara värd att arbeta med. Och det är också där de viktigaste samtalen faktiskt sker.

Det obekväma

Nu tänker någon: det här låter som övervakning.

Det är en rimlig reaktion och den förtjänar ett svar i stället för att viftas bort.

Poängen är inte att kunna peka ut. Ingen behöver ett system som håller reda på vem som sa något dumt på ett internmöte. Poängen är att fånga riktningen i ett samtal. Vem som frågade och vem som svarade. Vem som tog på sig något och inför vem. Det är det som gör att ett samtal kan leda till något, och det är information som i dag går förlorad varje gång.

Och det finns en jämförelse som är värd att göra. Alternativet till att systemet vet vem som sa vad är inte att ingen vet det. Alternativet är att en person antecknar efteråt och bestämmer det själv, ur minnet. Den personen hann inte med allt, mindes fel på ett par ställen, och skrev omedvetet fram sin egen roll lite tydligare än de andras. Det är inte neutralt. Det är bara osynligt.

Ett ordagrant underlag med angiven härkomst är i själva verket mer rättvist mot alla i rummet än ett referat skrivet av den som hade minst tid över.

Två saker som låter lika men inte är det

Här finns en skillnad som nästan ingen gör, och den är viktigare än den låter.

Talarseparation är att veta att det var fyra olika röster, och vilken som sa vad. Talare A, talare B, talare C. Ingen vet vilka de är. Det är signalbehandling.

Talaridentifiering är att binda talare B till en namngiven person genom att matcha rösten mot en sparad röstprofil. Det är något helt annat, och det är det i juridisk mening också: en röstprofil som används för att peka ut en bestämd person hanteras som biometriska uppgifter, alltså den strängaste kategorin av personuppgifter.

Att slå ihop de två är lätt, eftersom båda på vardagssvenska heter "veta vem som sa vad". Men den ena är att räkna röster i ett rum. Den andra är att mäta en kropp.

Ordningen som följer av det verkar för mig ganska självklar när man väl sett skillnaden:

Separera alltid. Talare A, B, C, utan att spara någon röstprofil.

Identifiera aldrig automatiskt.

Låt människan knyta namnet. Den som var på mötet märker "talare B" som sig själv efteråt, om hon vill. Då är det en person som gör kopplingen, inte ett system som mätt henne.

Det sista steget är dessutom det enda som är rimligt av ett annat skäl, som inte har med juridik att göra: den som binder ett namn till ett åtagande bör vara en människa som kan ställas till svars för att det blev rätt.

Lagret som gör skillnad

Jag har skrivit mycket om att fånga. Om att transkriptet är råmaterialet och sammanfattningen det minst intressanta. Om att det som ligger löst inte driver något, och att värdet uppstår först när delarna hänger ihop över tid.

Allt det står jag för. Men det stannar vid ett välordnat arkiv.

Det som gör arkivet till något som faktiskt får saker att hända är att det vet vem som sa vad till vem. Utan det har du en utmärkt historik. Med det har du något som kan driva ett projekt.

Och det är, som så ofta, inte modellen som är det svåra. Det är att veta vad man saknar.

Se även: Din mötessammanfattning är värdelös och Varje möte för sig driver ingenting.