IBMs STAIR viser at strukturert henting fortsatt har et stykke å gå

IBMs STAIR viser at strukturert henting fortsatt har et stykke å gå

IBM har lansert STAIR, en henteløsning ("retriever") som bruker et dokuments innholdsfortegnelse — ikke embeddinger eller en vektordatabase — som selve grunnenheten for informasjonshenting. På SearchTome-benchmarken (18 åpne lærebøker fordelt på 6 fagområder) oppnådde STAIR 82,6 % Recall@1 mot 76,9 % for en finjustert DSI-basislinje, og reduserte andelen ugyldige prediksjoner for ikke-blad-seksjoner til 0,05 % mot 3,25 % for DSI [4][5][6].

Det er verdt å være presis her: den viralt spredte framstillingen om «65 ganger færre hallusinasjoner» overdriver ting. Det tallet gjelder kun én snever strukturell feilmetrikk, ikke generell svarnøyaktighet — den reelle forbedringen i feilrate fra ende til annen er nærmere 1,3 ganger (18,67 % mot 24,31 %). Fortsatt betydningsfullt, men ikke det overskriftstallet som sirkulerer på X.

Det som er verdt å merke seg for alle som bygger henteløsninger: STAIR fungerer helt uten vektordatabase, er bygget på Mistral 7B, og fokuserer spesifikt på strukturerte dokumenter. Som @alex_verem sin tråd og andre påpeker, er dette et reelt steg mot henting som validerer det den trekker ut før generering finner sted — relevant langt utover lærebøker.

Graphify gjør enhver mappe om til en lokal kunnskapsgraf, raker til seg over 137 000 GitHub-stjerner

Graphify, et åpen kildekode-verktøy, gjør om kodebaser, PDF-er, SQL-skjemaer, konfigurasjonsfiler og til og med bilder til lokale kunnskapsgrafer ved hjelp av deterministisk AST-parsing (tree-sitter) med et valgfritt semantisk lag — uten behov for vektordatabase [7][8][9]. Det leveres som en /graphify-ferdighet for Claude Code, Cursor og lignende verktøy, og har eksplodert til 137 000 stjerner og 13 000 forks, med en vekst på rundt 5 500 stjerner i uken.

Brukere rapporterer at vedvarende, strukturerte grafer gir en merkbar forbedring i Claudes konsistens på koding- og designoppgaver — det gir i praksis modellen en langtidshukommelse om prosjektets faktiske struktur, i stedet for å måtte utlede den på nytt hver eneste økt.

Det overordnede signalet: "andre hjerne"-verktøy og arbeidsflyter for personlig kunnskapsforvaltning beveger seg bort fra vektorsøk-og-håp-det-beste og mot grafbasert struktur — et ekko av samme tema som IBMs STAIR: struktur slår rå embedding-søk når det gjelder presisjon.

EU-rådet åpner for AI-trening på personopplysninger via «berettiget interesse»

Den 21. oktober ble EU-rådet enige om sin forhandlingsposisjon for Digital Omnibus, og la til en ny GDPR-bestemmelse (artikkel 88 bis) som vil tillate selskaper å behandle personopplysninger for å utvikle eller drifte AI-systemer basert på «berettiget interesse», i stedet for å kreve eksplisitt samtykke — med forbehold om individuell vurdering og den vanlige retten til å protestere [10][11][12].

Dette er et rådsmandat, ikke endelig lov — det må fortsatt forhandles med Europaparlamentet, og enkelte av Kommisjonens opprinnelige åpenhets- og overstyringsmekanismer er allerede fjernet fra Rådets versjon. For nordiske og europeiske virksomheter som håndterer møtedata, kundeopplysninger eller andre personopplysninger som mates inn i AI-systemer, er dette bestemmelsen man bør følge nøye med på i tiden som kommer.

Reaksjonene på X er delte, som ventet: kritikere kaller det en «digital ekspropriasjon» av personopplysninger, mens andre påpeker at det bare formaliserer det mange virksomheter allerede gjør uformelt i sine AI-løsninger. Uansett vil Parlamentets respons avgjøre hvor mye dette faktisk endrer praksis.

Hva dette betyr for dine møter

Dagens nyheter har en felles rød tråd: møte- og kunnskapsverktøy blir i stadig mindre grad vurdert ut fra «transkriberte det korrekt» og i stadig større grad ut fra «hentet det frem det riktige, til riktig tid, uten å finne på noe». Otters Work Mode og Live Assist tar transkripsjon et skritt videre til aktiv assistanse i sanntid — men det fungerer bare hvis hentingen under overflaten er til å stole på. Både IBMs STAIR og Graphifys eksplosive utbredelse peker mot samme løsning: struktur — innholdsfortegnelser, kunnskapsgrafer, AST-parsing — slår ren vektorlikhet når det kommer til presisjon og etterprøvbarhet. Det er nøyaktig den arkitekturen Proudfrog er bygget rundt: en strukturert kunnskapsgraf av din møtehistorikk, ikke bare en søkbar haug med transkripsjoner.

GDPR-utviklingen betyr noe mer stillferdig, men like mye. Når «berettiget interesse» potensielt blir et gyldig grunnlag for AI-trening på personopplysninger, øker gapet mellom verktøy som behandler dine møter som engangs treningsmateriale, og verktøy — som Proudfrog, bygget på nordiske dataprinsipper — som behandler din møtehistorikk som en privat, strukturert ressurs du selv kontrollerer og spør mot, ikke som noe som skal utvinnes.

Samlet sett: markedet beveger seg mot forståelsen av at møtene dine er en langsiktig kunnskapsbase, ikke et transkripsjonsarkiv. Den som henter mest presist fra den basen — og med mest respekt for dataopprinnelsen — vinner neste fase av denne kategorien.

Viktigste poeng: Bransjen kappløper mot strukturert, verifiserbar henting på tvers av møtehistorikk — og hvorvidt den historikken respekterer dine datarettigheter, blir like viktig som hvor smart AI-en høres ut.

Kilder

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