RAG-stakken virksomheder faktisk bygger med

RAG-stakken virksomheder faktisk bygger med

Mens de store platforme konsoliderer sig, modnes de open source-værktøjer, der ligger under enterprise-AI, i hurtigt tempo. LangGraph har overhalet CrewAI i antal GitHub-stjerner ved starten af 2026, primært fordi dets tilstandsbaserede, checkpoint-styrede arkitektur passer bedre til holdbare produktionsworkflows end CrewAIs rollebaserede prototype-model [4]. Qdrant forbliver den foretrukne vektordatabase til semantisk søgning og filtreret hentning på tværs af begge frameworks [5].

Byggerfællesskaber betragter denne stak — LangChain, Qdrant, LangGraph eller CrewAI — som et minimumskrav for AI-udviklingsarbejde, og reference-repos viser multi-agent RAG-pipelines, der udfører hentning, opsummering og flertrins-analyse over omfattende dokumenter [6]. Mønstret er konsistent: komplekst videnarbejde kører i stigende grad gennem agent-pipelines med hukommelse og revisionsspor, ikke gennem enkeltstående prompts.

Dette har betydning ud over udviklerteams. Det er den samme arkitektur — hentning, forankring, sporbarhed — som ethvert seriøst værktøj til videnstyring nu må tage alvorligt.

On-chain identitet ankommer til AI-agenter

En mere stille, men betydningsfuld trend: AI-agenter får bærbare, verificerbare identiteter. TermiX lancerede sin Agent Autonomous Commerce Protocol på BNB Chain mainnet, som bruger ERC-8004 til agent-identitet og omdømme og ERC-8183 til programmerbar deponering — hvilket lader agenter handle med hinanden uden en central operatør, der garanterer tilliden [7].

Concordiums Agent Registry, som har været live siden maj, havde ved midten af juli registreret 1.131 AI-agenter, hver forankret til en verificeret person via zero-knowledge-beviser, med næsten 146.000 CCD i on-chain drikkepenge afregnet og cross-chain omdømmemærker udvidet til Ethereum og Solana [8]. Crypto-AI-miljøer betragter i stigende grad dette som en infrastrukturel nødvendighed: hvis agenter skal handle økonomisk på dine vegne, har de brug for identitet, deponering og tvistbilæggelse indbygget — på samme måde som mennesker har kontrakter og domstole [9].

Det er tidligt og nichepræget, men det underliggende spørgsmål — hvordan stoler man på et autonomt systems output og oprindelse — er det samme, som enterprise-videnværktøjer kæmper med.

Altman melder sig i koret for at bremse udviklingen af frontier-AI

Sam Altman brugte X den 12.-13. september til offentligt at bakke op om Dario Amodeis opfordring til at sænke tempoet for udviklingen af frontier-AI, og kaldte det et centralt internt emne hos OpenAI samt forpligtede sig til uafhængige evaluatorer med medarbejderniveau-adgang til modeller inden udgivelse [10]. Det følger et opslag fra 18. august, hvor Altman sagde, at OpenAI allerede havde sat noget af sin frontier reinforcement learning-træning på pause i afventning af bedre standarder for alignment og overvågning [11].

Elon Musk og andre profiler i branchen bakkede offentligt op om budskabet, og rammesætningen med "safety case" — strukturerede, evidensbaserede argumenter for, hvorfor et system er sikkert at udrulle, lånt fra luftfarts- og atomkraftindustrien — vinder indpas i politiske kredse [12]. Det er et bemærkelsesværdigt tonesskifte: mindre "kør stærkt", mere "vis dit arbejde".

For virksomhedskøbere er dette et signal, det er værd at holde øje med. Efterhånden som governance bliver en konkurrencemæssig differentiator frem for blot en compliance-boks, vil værktøjer, der kan demonstrere revisionsklar, forklarbar AI-adfærd, have lettere ved at trænge igennem i indkøbssamtaler.

Hvad det betyder for dine møder

Den røde tråd gennem dagens historier er umiskendelig: AI-systemer, der berører forretningskritisk viden, bedømmes på forankring, governance og sporbarhed — ikke kun rå kapacitet. Microsofts Foundry-satsning, LangGraph/Qdrant-stakken, og selv eksperimenterne med on-chain identitet, løser alle varianter af det samme problem — hvordan ved man, at en AI's output er præcist, kildebelagt og ansvarligt over for noget virkeligt?

Det er præcis den barre, mødeintelligens-værktøjer skal springe over. Et referat er kun nyttigt, hvis det er forankret i, hvem der faktisk sagde hvad, kan hentes frem måneder senere med fuld kontekst, og kan spores tilbage til den oprindelige samtale — de samme principper, som Azure indbygger i enterprise-agenter, og den samme grund til, at taleridentifikation og videngrafer betyder mere end blot transskription alene. Efterhånden som frontier-laboratorier sænker tempoet for at få deres safety cases rigtige, stiger forventningen til "kedelig" enterprise-AI — den slags, der bare skal huske dit tirsdagsstandup pålideligt — kun parallelt hermed.

Nordiske organisationer, som ofte ligger i front på datastyring og privatlivsforventninger, står godt rustet her. En personlig videnbase bygget op fra møder bør opføre sig som de styrede, revisionsklare systemer beskrevet ovenfor: forankret i din faktiske mødehistorik, ikke en sort boks, og til at hente frem med tillid måneder senere.

Vigtigste pointe: Efterhånden som AI-agenter bliver mere autonome, vil de værktøjer, der vinder, være dem, der kan bevise — ikke bare hævde — hvor deres viden kommer fra.

Sources

1. https://azure.microsoft.com/en-us/blog/azure-ai-foundry-your-ai-app-and-agent-factory/
2. https://learn.microsoft.com/en-us/training/paths/aaai-3-deploy-govern-agentic-ai-solutions-azure/
3. https://azure.microsoft.com/en-us/blog/agent-factory-designing-the-open-agentic-web-stack/
4. https://levelop.dev/blog/best-ai-agent-frameworks-2026-langgraph-crewai-autogen-compared
5. https://qdrant.tech/documentation/agentic-rag-langgraph/
6. https://github.com/benitomartin/crewai-rag-langchain-qdrant
7. https://docs.termix.ai/product/overview
8. https://www.concordium.com/article/the-concordium-agent-registry-is-live-the-accountability-layer-erc-8004-doesnt-have
9. https://www.concordium.com/article/agent-registry-update-july-2026
10. https://x.com/sama/status/2089787807611195475
11. https://siliconangle.com/2026/09/13/sam-altman-and-elon-musk-back-dario-amodeis-call-to-slow-down-the-frontier-of-ai-development/
12. https://www.governance.ai/research-paper/safety-cases-for-frontier-ai