Netflix bygger en ontologidrevet kunnskapsgraf som lar AI-agenter resonnere, ikke bare søke

Netflix bygger en ontologidrevet kunnskapsgraf som lar AI-agenter resonnere, ikke bare søke

Netflix' tekniske blogg publiserte 16. oktober en detaljert gjennomgang av selskapets "Observability Ontology" — en kunnskapsgraf bygget på W3C-standarder (RDF, OWL, SHACL, SPARQL) og en grafdatabase kalt QuipuDB, som samler metrikker, hendelser og driftsettingsdata på tvers av hele selskapet [4][5][6]. Systemet valideres mot rundt 49 000 katalogoppføringer og mater et agentbasert system kalt AutoRCA, hvor spesialiserte AI-agenter spør grafen med SPARQL, sporer bevis og sender beslutninger gjennom menneskelige godkjenningsrunder i stedet for å handle autonomt.

Det bemerkelsesverdige er ikke skalaen — det er designfilosofien. Netflix dumper ikke bare logger i en vektordatabase i håp om at en LLM finner nålen i høystakken; de modellerer relasjonene eksplisitt slik at agentene kan resonnere rundt hvorfor noe gikk galt, ikke bare hva som ligner på tidligere hendelser. Teknisk kommentarfelt på X har plukket opp nøyaktig dette: et skifte fra reaktiv, nøkkelordstyrt overvåking til proaktiv, strukturert resonnering, der mennesket-i-løkken-kontrollpunkter behandles som en funksjon, ikke en flaskehals.

Dette er et sterkt signal for alle som bygger AI-systemer på toppen av ustrukturerte organisasjonsdata: grafer koder relasjoner som flate gjenfinningsmetoder mister, og det er nettopp denne strukturen som lar en agent forklare resonnementet sitt i stedet for bare å mønstergjenkjenne.

RAG-debatten blir mer teknisk: Vektor vs. vektorløs vs. agentisk

Tre separate analyser fra 2026 peker mot et nyttig rammeverk for alle som bygger gjenfinningssystemer. Vektor-RAG — embeddinger pluss similaritetssøk — forblir rask og sterk for semantiske, flytende spørringer, men sliter når svarene avhenger av eksakt struktur: kontraktsklausuler, nummererte retningslinjer, lovtekster [7][8]. Vektorløs RAG dropper embeddinger helt, og bruker i stedet nøkkelordsøk (BM25), hierarkisk dokumentnavigasjon eller LLM-resonnering direkte over strukturen — med rapportert treffsikkerhet på opptil 98,7 % på strukturerte gjenfinningsoppgaver der vektortilnærminger snubler [8][9].

Agentisk RAG ligger på toppen av begge: iterativ, agentdrevet utforskning med evalueringsløkker og bruk av flere verktøy. Det er det mest robuste alternativet for genuint komplekse, flertrinns spørsmål, men en test viste at det koster rundt 94 % mer per spørring enn enkel vektorgjenfinning for sammenlignbar nøyaktighet [9]. Den fremvoksende konsensusen, som gjenspeiles i flere X-tråder, er hybrid som standard — ikke velg én metode, men rut spørringer til riktig metode basert på om spørsmålet er semantisk, strukturelt eller krever flere trinn.

For alle med et voksende arkiv av møtetranskripsjoner er dette direkte relevant: "hva bestemte vi om prising" er en semantisk spørring som vektorsøk håndterer fint, men "finn hver klausul der vi forpliktet oss til en frist i tredje kvartals kontrakter" er en strukturell spørring som krever vektorløse eller agentiske tilnærminger for å bli besvart riktig.

RAG slår fortsatt finjustering når det gjelder å holde LLM-er oppdaterte og presise

Tre oktober-guider bekrefter det som er i ferd med å bli allment akseptert visdom: retrieval-augmented generation, ikke finjustering, er riktig verktøy for å holde AI-assistenter nøyaktige og oppdaterte på privat eller raskt skiftende informasjon [10][11][12]. Selv med langkontekst-modeller som nå håndterer opptil 1 million tokens, understreker guidene at disse ikke erstatter RAG for store eller private datasamlinger — kontekstvinduer er kostbare og skalerer ikke til en hel organisasjons kunnskapsbase, og de drar fortsatt nytte av reranking og tilgangskontroll lagt på toppen.

Agentisk RAG trekkes spesielt frem for å legge til resonneringsløkker og gjenfinning fra flere kilder, slik at svarene kommer med kildehenvisninger og sporbar resonnering, i stedet for én enkelt gjetning generert på forhånd. Gjennomgående brukes rammingen "åpen bok"-AI — systemer som slår opp ting i stedet for å stole på frosne treningsdata — som den praktiske motgiften mot hallusinasjoner i bedriftssammenheng.

Hva dette betyr for møtene dine

Sett disse fire sakene side om side, og det dukker opp et mønster som er direkte relevant for alle som styrer en møtetung arbeidshverdag. Sammenligningene av notatverktøy viser at markedet allerede har løst transkripsjon — det er nå bare en forutsetning. Den reelle konkurransen har flyttet seg til det som skjer etter transkripsjonen: hvordan den lagres, struktureres og hentes frem måneder senere når du trenger å huske nøyaktig hva en kunde lovet i mars, eller hvilket tiltakspunkt som falt mellom to stoler i en omorganisering.

Det er nettopp her Netflix' ontologiarbeid og RAG-debattene blir relevante langt utover tekniske blogger. En flat haug med møtetranskripsjoner søkt gjennom med nøkkelord eller enkle embeddinger vil svare rimelig godt på "hva diskuterte vi om Oslo-kontrakten" — men den vil mislykkes på "vis meg hver forpliktelse vi har gitt denne kunden gjennom 18 måneder med samtaler, i rekkefølge." Det krever den typen strukturert, relasjonsbevisst gjenfinning som Netflix bygger for infrastrukturdata, anvendt i stedet på mennesker, beslutninger og forpliktelser gjort på tvers av hundrevis av møter. Dette er nøyaktig skillet mellom et transkripsjonsverktøy og en faktisk kunnskapsbase.

For kunnskapsarbeidere er lærdommen enkel: ikke spør bare om møteverktøyet ditt transkriberer godt — spør om det kan svare på et strukturelt spørsmål på tvers av flere møter om seks måneder, med henvisning tilbake til det eksakte øyeblikket det ble sagt. Det er forskjellen mellom en notatapp og en personlig kunnskapsgraf.

Hovedpoeng: Konkurransen om AI-møteverktøy har gått forbi spørsmålet "hvem transkriberer best" til "hvem kan resonnere på tvers av hele møtehistorikken din" — og det er et spørsmål om kunnskapsgraf og gjenfinning, ikke transkripsjon.

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