Netflix bygger en ontologidrevet videngraf, der lader AI-agenter ræsonnere i stedet for bare at søge

Netflix bygger en ontologidrevet videngraf, der lader AI-agenter ræsonnere i stedet for bare at søge

Netflix' tekniske blog offentliggjorde den 16. oktober en detaljeret gennemgang af sin "Observability Ontology" — en videngraf bygget på W3C-standarder (RDF, OWL, SHACL, SPARQL) og en grafdatabase kaldet QuipuDB, der samler metrikker, hændelser og deployment-data på tværs af virksomheden [4][5][6]. Systemet validerer mod omkring 49.000 katalogposter og driver et agentisk system kaldet AutoRCA, hvor specialiserede AI-agenter forespørger grafen med SPARQL, sporer dokumentation og sender beslutninger gennem menneskelig godkendelse i stedet for at handle autonomt.

Det bemærkelsesværdige er ikke skalaen — det er designfilosofien. Netflix smider ikke bare logfiler ind i en vektordatabase og håber, at en LLM finder nålen i høstakken; de modellerer relationerne eksplicit, så agenterne kan ræsonnere om hvorfor noget gik galt, ikke bare hvad der ligner tidligere hændelser. Teknisk kommentering på X har netop fokuseret på dette: et skifte fra reaktiv, nøgleordsdrevet overvågning til proaktiv, struktureret ræsonnement, hvor menneskelig kontrol undervejs ses som en styrke frem for en flaskehals.

Dette er et stærkt signal til alle, der bygger AI-systemer oven på ustruktureret organisatorisk data: grafer indkoder relationer, som flade søgemetoder går glip af, og det er netop den struktur, der gør det muligt for en agent at forklare sin ræsonnering frem for blot at mønstergenkende.

RAG-debatten bliver mere teknisk: Vector vs. vectorless vs. agentic

Tre separate analyser fra 2026 peger samstemmende på en nyttig ramme for alle, der bygger søgesystemer. Vector RAG — embeddings plus similaritetssøgning — er fortsat hurtig og stærk til semantiske, upræcise forespørgsler, men kommer til kort, når svaret afhænger af præcis struktur: kontraktklausuler, nummererede politikker, lovtekster [7][8]. Vectorless RAG dropper embeddings helt og bruger i stedet nøgleordssøgning (BM25), hierarkisk dokumentnavigation eller LLM-ræsonnement direkte over strukturen — med rapporterede nøjagtigheder på op til 98,7 % på strukturerede søgeopgaver, hvor vektormetoder snubler [8][9].

Agentic RAG ligger oven på begge dele: iterativ, agentdrevet udforskning med evalueringsløkker og brug af flere værktøjer. Det er den mest robuste løsning til virkelig komplekse spørgsmål med mange trin, men en benchmark viste, at den koster omkring 94 % mere pr. forespørgsel end simpel vektorsøgning ved sammenlignelig nøjagtighed [9]. Den fremvoksende konsensus, som genlyder på tværs af X-tråde, er hybrid som standard — vælg ikke bare én metode, men dirigér forespørgsler til den rette metode afhængigt af, om spørgsmålet er semantisk, strukturelt eller kræver flere trin.

For alle med et voksende arkiv af mødetranskriptioner er dette direkte relevant: "hvad besluttede vi om prissætning" er en semantisk forespørgsel, som vektorsøgning klarer fint, men "find hver klausul, hvor vi forpligtede os til en deadline på tværs af Q3-kontrakter" er en strukturel forespørgsel, der kræver vectorless eller agentiske metoder for at blive løst korrekt.

RAG slår stadig finjustering, når det gælder om at holde LLM'er opdaterede og pålidelige

Tre oktober-guides bekræfter det, der er ved at blive gængs visdom: retrieval-augmented generation — ikke finjustering — er det rette værktøj til at holde AI-assistenter præcise og opdaterede på private eller hurtigt skiftende oplysninger [10][11][12]. Selv med long-context-modeller, der nu håndterer op til 1 million tokens, understreger guides, at disse ikke erstatter RAG for store eller private datasamlinger — kontekstvinduer er dyre og skalerer ikke til en hel organisations videnbase, og de drager stadig fordel af reranking og adgangskontrol lagt ovenpå.

Agentic RAG fremhæves specifikt for at tilføje ræsonneringsløkker og søgning på tværs af flere kilder, så svar kommer med kildehenvisninger og sporbar ræsonnering i stedet for ét enkelt bedste gæt. Den gennemgående ramme er "open-book"-AI — systemer, der slår ting op frem for at stole på fastfrosset træningsdata — som det praktiske modtræk mod hallucinationer i virksomhedssammenhæng.

Hvad dette betyder for dine møder

Sæt disse fire historier ved siden af hinanden, og der fremkommer et mønster, der er direkte relevant for alle, der har en mødetung arbejdsuge. Sammenligningerne af notetagningsværktøjer viser, at markedet allerede har løst transskription — det er nu en selvfølge. Den reelle konkurrence har flyttet sig til det, der sker efter transskriptionen: hvordan den gemmes, struktureres og hentes frem igen måneder senere, når du skal huske præcis, hvad en kunde lovede i marts, eller hvilket opfølgningspunkt der faldt ud i en omorganisering.

Det er netop her, Netflix' ontologiarbejde og RAG-debatterne bliver relevante langt ud over tekniske blogs. En flad bunke mødetranskriptioner, der søges med nøgleord eller simple embeddings, vil give et rimeligt svar på "hvad talte vi om angående Oslo-kontrakten" — men den vil fejle på "vis mig alle forpligtelser, vi har indgået over for denne kunde på tværs af 18 måneders opkald, i rækkefølge." Det kræver den slags strukturerede, relationsbevidste søgning, som Netflix bygger til infrastrukturdata — bare anvendt på mennesker, beslutninger og forpligtelser indgået på tværs af hundredvis af møder. Det er præcis forskellen mellem et transskriptionsværktøj og en reel videnbase.

For videnarbejdere er lektien enkel: spørg ikke bare, om dit mødeværktøj transskriberer godt — spørg, om det om seks måneder kan besvare et strukturelt spørgsmål på tværs af flere møder, med en kildehenvisning tilbage til det præcise øjeblik, det blev sagt. Det er forskellen mellem en notetagningsapp og en personlig videngraf.

Det vigtigste at tage med sig: Kapløbet om AI-mødeværktøjer er rykket videre fra "hvem transskriberer bedst" til "hvem kan ræsonnere på tværs af hele din mødehistorik" — og det er et videngraf- og søgeproblem, ikke et transskriptionsproblem.

Sources

1. https://www.techrepublic.com/article/news-best-ai-meeting-note-takers-2026/
2. https://sieva.co/best/ai-meeting-assistants/
3. https://wisprflow.ai/notetaker/best-ai-notetakers-2026
4. https://netflixtechblog.com/ontology-driven-observability-building-an-end-to-end-knowledge-graph-at-netflix-scale-421392cf5adf
5. https://www.sysdesai.com/news/pxOqg9gz1SUG
6. https://devblogs.sh/posts/ontology-driven-observability-building-an-end-to-end-knowledge-graph-at-netflix-scale
7. https://paath.online/blog/vector-rag-vs-vectorless-rag-2026
8. https://outcomeschool.com/blog/vectorless-rag
9. https://www.dataworkz.com/blog/agentic-rag-vs-vectorless-retrieval-benchmark/
10. https://slash-digital.io/en/insights/rag-2026/
11. https://www.kore.ai/blog/what-is-agentic-rag
12. https://www.hcltech.com/knowledge-library/rag-in-ai-enterprise-retrieval-augmented-generation