IBMs STAIR viser at struktureret søgning stadig har potentiale

IBMs STAIR viser at struktureret søgning stadig har potentiale

IBM har introduceret STAIR, en søgemetode der bruger et dokuments indholdsfortegnelse — fremfor embeddings eller en vektordatabase — som den grundlæggende søgeenhed. På SearchTome-benchmarken (18 åbne lærebøger fordelt på 6 fagområder) opnåede STAIR 82,6% Recall@1 mod 76,9% for en finjusteret DSI-baseline, og reducerede antallet af ugyldige forudsigelser af ikke-blad-afsnit til 0,05% mod 3,25% for DSI [4][5][6].

Det er værd at være præcis her: den virale formulering om "65 gange færre hallucinationer" overdriver billedet. Det tal på 65x gælder for én snæver strukturel fejl-metrik, ikke den overordnede svarnøjagtighed — den reelle end-to-end forbedring i fejlrate ligger nærmere 1,3x (18,67% mod 24,31%). Stadig meningsfuldt, men ikke det tal der florerer på X.

Det bemærkelsesværdige for alle der bygger søgesystemer: STAIR fungerer helt uden vektordatabase, er bygget på Mistral 7B, og fokuserer specifikt på strukturerede dokumenter. Som @alex_verem's tråd og andre påpeger, er det et reelt skridt mod søgning der validerer det, den henter, før den genererer et svar — relevant langt ud over lærebøger.

Graphify forvandler enhver mappe til en lokal videngraf og buldrer forbi 137.000 GitHub-stjerner

Graphify, et open source-værktøj, omdanner kodebaser, PDF'er, SQL-skemaer, konfigurationsfiler og endda billeder til lokale videngrafer ved hjælp af deterministisk AST-parsing (tree-sitter) med et valgfrit semantisk lag — uden behov for en vektordatabase [7][8][9]. Det leveres som en /graphify-skill til Claude Code, Cursor og lignende værktøjer, og er eksploderet til 137.000 stjerner og 13.000 forks, med en vækst på omkring 5.500 stjerner om ugen.

Brugere rapporterer, at vedvarende, strukturerede grafer mærkbart forbedrer Claudes konsistens på kodnings- og designopgaver — det giver i praksis modellen en langtidshukommelse om et projekts faktiske struktur, i stedet for at skulle genudlede den i hver session.

Det bredere signal er: "second brain"-arbejdsgange og personlig videnstyring bevæger sig væk fra "vektorsøgning og håb-det-bedste" hen mod grafbaseret struktur — og gentager dermed samme tema som IBMs STAIR: struktur slår brute-force embedding-søgning, når det kommer til præcision.

EU-Rådet åbner døren for AI-træning på personlige data via "legitim interesse"

Den 21. oktober blev EU-Rådet enige om sin forhandlingsposition vedrørende Digital Omnibus, der tilføjer en ny GDPR-bestemmelse (Artikel 88a), som vil give virksomheder mulighed for at behandle personlige data til udvikling eller drift af AI-systemer på grundlag af "legitim interesse" — frem for at kræve udtrykkeligt samtykke — med forbehold for en konkret vurdering i hvert enkelt tilfælde og den sædvanlige ret til at gøre indsigelse [10][11][12].

Dette er et mandat fra Rådet, ikke endelig lovgivning — det skal stadig forhandles med Europa-Parlamentet, og nogle af Kommissionens oprindelige gennemsigtigheds- og tilsidesættelsesmekanismer er allerede blevet fjernet fra Rådets version. For nordiske og europæiske virksomheder, der håndterer mødedata, kunderegistre eller andre personlige data, som fodrer AI-systemer, er dette den bestemmelse, man bør følge nøje de kommende måneder.

Reaktionerne på X deler sig forudsigeligt: kritikere kalder det "digital ekspropriation" af personlige data, mens andre påpeger, at det blot formaliserer det, mange virksomheders AI-implementeringer allerede gør i praksis. Under alle omstændigheder vil Parlamentets svar afgøre, hvor meget dette reelt ændrer praksis.

Hvad dette betyder for dine møder

Dagens nyheder tegner én rød tråd: møde- og videnværktøjer bliver i stigende grad bedømt mindre på "blev det transskriberet korrekt" og mere på "blev det rigtige hentet på det rigtige tidspunkt, uden at finde på noget." Otters Work Mode og Live Assist skubber transskription i retning af aktiv, realtidsassistance — men det virker kun, hvis søgningen bag ved er til at stole på. IBMs STAIR og Graphifys eksplosive udbredelse peger begge på den samme løsning: struktur — indholdsfortegnelser, videngrafer, AST-parsing — slår ren vektorlighed, når det gælder præcision og sporbarhed. Det er præcis den arkitektur, Proudfrog er bygget omkring: en struktureret videngraf over din mødehistorik, ikke bare en søgbar bunke af transskriptioner.

GDPR-udviklingen betyder noget, der er mere stille, men lige så vigtigt. I takt med at "legitim interesse" potentielt bliver et gyldigt grundlag for AI-træning på personlige data, øges kløften mellem værktøjer, der behandler dine møder som engangs-træningsmateriale, og værktøjer — som Proudfrog, bygget på nordiske dataprincipper — der behandler din mødehistorik som et privat, struktureret aktiv, du selv kontrollerer og kan spørge til, frem for en ressource, der bliver udvundet.

Alt i alt peger udviklingen i retning af, at dine møder er en langsigtet videnbase, ikke blot et transskriptionsarkiv. Den, der kan hente fra den base mest præcist — og med størst respekt for dataens oprindelse — vinder den næste fase af dette kapløb.

Vigtigste pointe: Branchen kæmper om at opnå struktureret, verificerbar søgning på tværs af mødehistorik — og om den historik respekterer dine datarettigheder, bliver lige så vigtigt som hvor klog AI'en lyder.

Sources

1. https://otter.ai/blog/otter-rethinks-the-meeting-new-ai-preps-you-coaches-you-and-follows-through
2. https://otter.ai/blog/otter-ai-introduces-live-assist-the-first-live-coaching-agent-for-every-call
3. https://otter.ai/work-mode
4. https://indrajitswain.substack.com/p/ibms-stair-does-not-hallucinate-65x
5. https://arxiv.org/abs/2609.03874
6. https://x.com/alex_verem/status/2110055545852043385
7. https://github.com/safishamsi/graphify/tree/main
8. https://github.com/Graphify-Labs
9. https://ossradar.net/repo/Graphify-Labs/graphify
10. https://anoni.net/news/en/2026/10/eu-digital-omnibus-ai-training/
11. https://legal247.no/en/insights/digital-omnibus-gdpr/
12. https://cisonews.ai/regulation/eu-council-agrees-position-digital-omnibus-gdpr-ai-training