RAG bliver klogere: GraphRAG og agent-baseret søgning overtager rampelyset

RAG bliver klogere: GraphRAG og agent-baseret søgning overtager rampelyset

Hvis 2025 handlede om at bevise, at RAG virker, viser analyserne fra oktober 2026, at feltet nu modnes og specialiseres. Vektor-RAG — chunk-embeddings plus similarity search — er stadig grundlaget, men GraphRAG, der har rødder i Microsoft Research's arbejde, trækker fra i komplekse forespørgsler med flere trin ved at udtrække entiteter og relationer til videngrafer og bruge community detection (Leiden-algoritmen) til at finde forbundet evidens [1][2][3]. Agent-baseret RAG går endnu videre og tilføjer iterativ planlægning, refleksion og gentagne forsøg til de virkelig svære søgeopgaver.

Hybrid søgning, reranking, kontekstuel chunking og query rewriting betragtes nu som grundlæggende krav snarere end nice-to-have, og privatlivsbevarende teknikker som random projection er ved at blive en del af samtalen, efterhånden som søgesystemer håndterer mere følsomme data [3]. Vigtigst af alt kårer ingen af analyserne en entydig vinder — konsensus er, at vektor- og grafbaserede tilgange supplerer hinanden snarere end konkurrerer, og at teams bør bygge ordentlige evalueringssæt i stedet for at stole på manuelle stikprøver.

X-tråde i denne uge fokuserede på GraphRAG's værdi for "forbundet evidens" i vidensbaser — præcis den type problem, man støder på, når man skal søge på tværs af måneders møder og ikke bare ét enkelt dokument.

Multi-agent-systemer går fra demo til delegering

Multi-agent-AI er ved at lægge sit eksperimentelle ry bag sig. OpenHands' opdateringer til Agent Canvas (fra september til oktober) omfatter nu afgrænsede agenter, Docker-isolerede runtimes og vedvarende workflows til kodnings- og automatiseringsopgaver [1]. CrewAI's nye Flows gør det muligt at opbygge begivenhedsdrevne, rollebaserede agent-teams, mens LangGraph og Microsofts Agent Framework nu understøtter supervisor-worker-mønstre, "sværme" og overdragelser mellem specialiserede agenter [2].

OpenAI satser hårdest på virksomhedsdelegering med sin Dots- og Agents-API, designet til autonomt, langvarende arbejde — bogføring, markedsføring og lignende opgaver — afgrænset af definerede integrationer og sikkerhedsforanstaltninger [3]. Hagen: teams af agenter slår enkelt-agent-præstationer på benchmarks som ProgramBench, men koster 3-7 gange mere, selvom optimerede opsætninger med "en leder plus billige arbejdere" kan reducere merprisen med omkring 70 %.

Samtalen på X i denne uge handlede om agenter, der samarbejder om kodnings- og designopgaver, samt om "Agentese" — et begreb, der vinder frem til at beskrive agent-til-agent-kommunikation omkring mødespørgsmål og opgaveudførelse. Det er nu økonomien, ikke evnerne, der sætter grænsen.

Nvidia sætter 2 milliarder dollars bag Europas AI-ambitioner

Jensen Huang brugte en europarundrejse — Paris, London, Berlin — til at annoncere 2 milliarder dollars i nye AI-aftaler på tværs af kontinentet, oven i de 8 milliarder dollars, der allerede er investeret i løbet af det seneste år [1][2][3]. Franske startups som Doctolib, Genesis AI, Pigment og Entalpic er blandt de navngivne modtagere, sammen med infrastrukturtiltag som 18.000 Grace Blackwell-GPU'er udrullet til Mistral i Frankrig og computerressourcer til britiske sikkerhedslaboratorier.

Huangs budskab — "Europa er nødt til at komme med i kapløbet" — fremstiller dette både som et computer-træk og et skub mod åbne modeller, efter omkring 8 milliarder dollars fordelt på 14 europæiske startup-finansieringsrunder i 2025 [1]. For en virksomhed med nordiske rødder betyder det noget: mere regional computerkraft og et voksende økosystem af åbne modeller betyder mindre afhængighed af amerikansk infrastruktur og potentielt mere konkurrencedygtige, EU-kompatible AI-værktøjer på sigt.

Hvad det betyder for dine møder

Dagens historier er ikke separate tråde — de er den samme historie set fra tre vinkler. Debatten om bot eller ikke-bot handler i virkeligheden om tillid: hvem ser dit mødeindhold, hvor behandles det, og hvad sker der med det bagefter. RAG-fremskridtene er vigtige, fordi rå transskriptioner kun er nyttige, hvis man faktisk kan finde den beslutning, der ligger begravet i uge 14's standup-møde — og det er netop her, GraphRAG-lignende forbundet søgning overgår simpel nøgleords- eller vektorsøgning på tværs af en voksende mødehistorik. Multi-agent-systemer peger samtidig på, hvor det hele er på vej hen: ikke bare "søg i mine møder", men "lad en agent handle på det, der blev besluttet i mine møder".

For Proudfrog er dette et felt, der bekræfter vores retning. En videngraf bygget af identificerede talere og forbundne møder er præcis den struktur, som GraphRAG-forskning viser overgår flad transskriptionssøgning ved spørgsmål med flere trin — "hvad aftalte vi med denne kunde på tværs af de sidste tre opkald?" er ikke et svar, der findes i ét enkelt chunk, det er et spørgsmål om forbundet evidens. Og efterhånden som agent-baserede workflows modnes, vokser værdien af en ren, privatlivsrespekterende, enhedsvenlig vidensbase: den bliver det pålidelige grundlag, en agent rent faktisk kan forespørge på og handle ud fra, i stedet for en bunke ustruktureret transskription.

Nvidia-investeringen er en påmindelse om, at dette infrastrukturkapløb har en geografi, og at nordiske og europæiske værktøjer bygget på lokal, suveræn computerkraft vil betyde mere, ikke mindre, efterhånden som virksomheder bliver mere kræsne med hensyn til, hvor deres mødedata befinder sig og trænes.

Vigtigste pointe: Værktøjerne konvergerer om en fælles sandhed — mødeintelligens handler ikke længere om transskription, det handler om at opbygge en troværdig, søgbar videngraf, som både mennesker og agenter kan stole på.

Sources

1. https://l8bites.com/blog/ai-meeting-assistants-compared-otter-fireflies-fathom-granola-2026
2. https://wisprflow.ai/notetaker/best-ai-notetakers-integrations
3. https://stateofsurveillance.org/articles/corporate/ai-notetakers-compared-privacy-training-2026/
4. https://www.okoone.com/spark/technology-innovation/when-graphrag-beats-vector-rag-on-complex-retrieval/
5. https://skalablog.com/p/graphrag-vs-vector-rag-connected-context/
6. https://www.topsinfosolutions.com/blog/rag-vs-graphrag/
7. https://www.openhands.dev/blog/new-in-agent-canvas-september-2026
8. https://insights.reinventing.ai/articles/ai-agents-multi-agent-collaboration-cost-controls-2026-10-08
9. https://www.infoworld.com/article/4229252/openai-bets-enterprises-are-ready-to-delegate-real-work-to-autonomous-agents.html
10. https://www.bloomberg.com/news/articles/2026-10-13/nvidia-s-huang-plans-2-billion-in-europe-ai-deals-in-next-week
11. https://thenextweb.com/news/nvidia-huang-europe-2-billion
12. https://cryptobriefing.com/nvidia-2-billion-ai-investments-europe/