IBM:s STAIR visar att strukturerad sökning fortfarande har potential

IBM:s STAIR visar att strukturerad sökning fortfarande har potential

IBM presenterade STAIR, en sökmotor som använder ett dokuments innehållsförteckning — snarare än embeddings eller en vektordatabas — som grundläggande sökenhet. På SearchTome-benchmarken (18 öppna läroböcker inom 6 ämnesområden) nådde STAIR 82,6 % Recall@1 jämfört med 76,9 % för en finjusterad DSI-baslinje, och minskade andelen ogiltiga förutsägelser för icke-löv-sektioner till 0,05 % jämfört med 3,25 % för DSI [4][5][6].

Här är det värt att vara precis: den virala formuleringen "65 gånger färre hallucinationer" överdriver saken. Den siffran gäller ett smalt mått på strukturella fel, inte den övergripande svarsprecisionen — den verkliga förbättringen av felfrekvensen från ände till ände ligger närmare 1,3 gånger (18,67 % mot 24,31 %). Fortfarande betydelsefullt, men inte den rubriksiffra som cirkulerar på X.

Det som är värt att notera för alla som bygger sökbaserade system: STAIR fungerar helt utan vektordatabas, är byggt på Mistral 7B och fokuserar specifikt på strukturerade dokument. Som @alex_verem:s tråd och andra påpekar är detta ett verkligt steg mot sökning som validerar det den hämtar innan den genererar svar — relevant långt utöver läroböcker.

Graphify förvandlar vilken mapp som helst till en lokal kunskapsgraf, rusar förbi 137k GitHub-stjärnor

Graphify, ett open source-verktyg, omvandlar kodbaser, PDF:er, SQL-scheman, konfigurationsfiler och till och med bilder till lokala kunskapsgrafer med hjälp av deterministisk AST-parsning (tree-sitter), med ett valfritt semantiskt lager — ingen vektordatabas krävs [7][8][9]. Det levereras som en /graphify-skill för Claude Code, Cursor och liknande verktyg, och har exploderat till 137k stjärnor och 13k forkar, med en tillväxt på runt 5 500 stjärnor i veckan.

Användare rapporterar att beständiga, strukturerade grafer märkbart förbättrar Claudes konsekvens vid kodnings- och designuppgifter — det ger i praktiken modellen ett långtidsminne av projektets verkliga struktur istället för att den ska behöva räkna ut den på nytt varje session.

Den bredare signalen: arbetsflöden för "second brain" och personlig kunskapshantering rör sig från vektorsökning-och-hopp-det-bästa mot grafbaserad struktur, vilket ekar samma tema som IBM:s STAIR — struktur slår brute-force-sökning med embeddings när det gäller precision.

EU-rådet öppnar dörren för AI-träning på personuppgifter via "berättigat intresse"

Den 21 oktober enades EU-rådet om sin förhandlingsposition för Digital Omnibus, och lade till en ny GDPR-bestämmelse (artikel 88a) som skulle tillåta företag att behandla personuppgifter för att utveckla eller driva AI-system med stöd av "berättigat intresse", istället för att kräva uttryckligt samtycke — med förbehåll för bedömning från fall till fall och den vanliga rätten att invända [10][11][12].

Detta är ett mandat från rådet, inte slutgiltig lag — det måste fortfarande förhandlas med Europaparlamentet, och vissa av kommissionens ursprungliga transparens- och skyddsmekanismer har redan plockats bort i rådets version. För nordiska och europeiska företag som hanterar mötesdata, kunduppgifter eller andra personuppgifter som matas in i AI-system är detta en bestämmelse att bevaka noga under de kommande månaderna.

Reaktionerna på X går isär på förväntat vis: kritiker kallar det "digital expropriation" av personuppgifter, medan andra påpekar att det bara formaliserar vad många AI-implementationer i näringslivet redan gör informellt. Hur som helst kommer parlamentets svar att avgöra hur mycket detta faktiskt förändrar praxis.

Vad detta betyder för dina möten

Dagens nyheter visar en gemensam röd tråd: mötes- och kunskapsverktyg bedöms allt mindre utifrån "transkriberade det korrekt" och allt mer utifrån "hämtade det rätt information vid rätt tillfälle, utan att hitta på". Otters Work Mode och Live Assist driver transkribering mot aktiv assistans i realtid — men det fungerar bara om sökningen bakom är tillförlitlig. Både IBM:s STAIR och Graphifys explosiva spridning pekar mot samma lösning: struktur — innehållsförteckningar, kunskapsgrafer, AST-parsning — slår ren vektorlikhet när det gäller precision och spårbarhet. Det är precis den arkitektur som Proudfrog är byggt kring: en strukturerad kunskapsgraf av din mötes­historik, inte bara en sökbar hög med transkript.

GDPR-utvecklingen spelar mindre uppmärksammad roll, men är precis lika viktig. I takt med att "berättigat intresse" potentiellt blir en giltig grund för AI-träning på personuppgifter, växer klyftan mellan verktyg som behandlar dina möten som engångsmaterial för träning och verktyg — som Proudfrog, byggt på nordiska dataprinciper — som behandlar din mötes­historik som en privat, strukturerad tillgång du kontrollerar och frågar, inte en resurs som ska utvinnas.

Sammantaget: marknaden rör sig mot idén att dina möten utgör en långsiktig kunskapsbas, inte ett transkriptarkiv. Den som kan hämta information ur den basen mest exakt — och mest respektfullt när det gäller dataursprung — vinner nästa fas av den här kategorin.

Viktigaste slutsatsen: Branschen rusar mot strukturerad, verifierbar sökning genom mötes­historik — och huruvida den historiken respekterar dina datarättigheter blir lika viktigt som hur smart AI:n låter.

Källor

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