AI-modeller og platforme
Perplexity udgiver en vejledning om administreret RAG til virksomheds-AI

NøglepunkterManaged RAG flytter vektordatabaser og retrievere fra virksomhedsteams til eksterne…
Vis mere
- Managed RAG flytter vektordatabaser og retrievere fra virksomhedsteams til eksterne udbydere.
- Selvhosting passer til afgrænset brug, men hardware og vedligeholdelse kan opveje de undgåede token-omkostninger.
- Outsourcing behøver ikke være virksomhedsomfattende, da hver udrulning kan fordele ansvaret for retrieval forskelligt.
Perplexity udgav en vejledning den 19. november 2026, der forklarer, hvordan virksomheder kan outsource hentningsforstærket generering (RAG) via en administreret tjeneste. Processen giver virksomheders AI-systemer adgang til information ud over modellens træningsparametre.
Vejledningen kalder denne tilgang RAG som tjeneste eller RaaS og bruger betegnelsen om ordninger, hvor eksterne udbydere håndterer de fleste eller alle RAG-komponenter og -processer. Ansvaret for vektordatabaser, indlejringsmodeller og hentningskomponenter overgår til udbyderen, som også kan stå for indlæsning, lagring, sikkerhed og løbende optimering. Afhængigt af pakken leverer udbyderen sprogmodellen og brugergrænsefladen eller forbinder sin hentningstjeneste med kundens eksisterende AI-system.
Sådan fungerer administreret informationshentning
Valget står mellem tre implementeringsmodeller. Med lokal RAG foregår indlæsning, informationshentning og lagring på brugerens egne servere, eventuelt sammen med lokalt kørende indlejrings- og sprogmodeller. Et selvudviklet cloudsystem bruger API’er til at få adgang til hostede databaser og tredjepartsmodeller, men interne administratorer står for forbindelserne og koordineringen. Med RaaS administrerer udbyderen hele eller det meste af systemet, mens virksomheden giver adgang til sin database eller cloudlagring.
I vejledningens eksempel på vidensstyring får udbyderen adgang til vidensbasen via et API. Efter at have renset teksten omdanner udbyderen tekststykker til vektorrepræsentationer og placerer dem i en vektordatabase på sine egne servere. Udbyderen tilføjer også ny dokumentation, efterhånden som den bliver tilgængelig, og forbinder sit hentnings-API med kundens orkestrator, den software, der koordinerer brugerinput og sender udvidede prompts til sprogmodellen.
Når en bruger stiller et spørgsmål til virksomhedens chatbot, sender orkestratoren forespørgslens tekst videre til udbyderen, som omdanner den til en vektorrepræsentation og søger i databasen. Orkestratoren føjer de fundne oplysninger til inputkonteksten og sender den videre til sprogmodellen, hvis svar derefter vises via chatbotten. Ifølge vejledningen forbedrer det nøjagtigheden og fuldstændigheden af de genererede resultater at tilføje oplysninger, der ikke indgår i træningsparametrene.
Anvendelser i virksomheder og afvejninger ved implementering
De vigtigste anvendelser er intern vidensstyring, kundesupport, salgsassistance, adgang til kundedata og chatbots om produkter, der henvender sig til kunder. Interne assistenter kan søge i dokumentation, der er gemt i tjenester som Google Drive, SharePoint og Confluence. Salgssystemer kan trække på supporthenvendelser, konkurrentanalyser og optagelser af opkald, mens applikationer med kundedata kan understøtte administration af abonnementer, returneringer og ændringer af personoplysninger. Produktchatbots kan også forbindes med backend-databaser for at besvare spørgsmål om produktvalg og tekniske forhold.
Perplexity fremhæver hurtigere implementering, mindre vedligeholdelse, skalerbarhed, automatisk indholdssynkronisering og integration med virksomhedsplatforme som fordele ved administreret RAG, samtidig med at det bemærkes, at der stadig gælder begrænsninger for tjenesten og de enkelte pakkeniveauer. Rammen for valget mellem selv at bygge og at købe en løsning fokuserer på omkostninger, skala og kompleksitet. Selvhosting kan passe til klart afgrænset brug og kan undgå udgifter til tokens og lagring, når alle komponenter kører på interne servere, selvom udgifter til hardware og vedligeholdelse kan opveje besparelserne.
Avancerede arkitekturer kan tilføje multimodal og hybrid informationshentning samt omrangering, og ifølge vejledningen tilbyder specialiserede udbydere typisk den mest økonomiske adgang til denne ekspertise. Da de fleste RAG-systemer allerede benytter tjenester fra udbydere, handler beslutningen om, hvor stor en del af det samlede system en udbyder skal bygge og administrere.
Udbyderlandskabet og Perplexity Enterprise
Vejledningen inddeler udbyderne i generelle AI-platforme med indbygget RAG og udbydere af administreret backend-infrastruktur. Førstnævnte præsenteres som færdige produkter med integrationer, mens sidstnævnte fremhæves som muligheder for skræddersyede opsætninger. Vejledningens redaktionelle udvalg på syv udbydere består af Perplexity, AWS, OpenAI, Microsoft Azure, Pinecone, LlamaIndex og Vectara.
Perplexity Enterprise indgår i udvalget som en samling agentbaserede værktøjer med interne vidensbaser og vidensbaser på projektniveau, websøgning, adgang til flere generative modeller, en proprietær indlejringsmodel, integrationer til eksterne data, sikkerhed og medarbejdertilladelser.
På sin separate side for virksomheder oplyser Perplexity, at mere end 50.000 organisationer har tillid til Perplexity Enterprise, og beskriver Computer som baseret på 20 avancerede modeller. Den bredere platform forbinder virksomhedens filer og værktøjer med intern viden, research og komplekse projekter.
På samme side står der, at Perplexity ikke træner sine store sprogmodeller på virksomheds kundedata. De angivne kontroller omfatter SOC 2 Type II-certificering, konfigurerbar opbevaring af filer, brugeradministration, SSO og SCIM samt revisionslogge til sporing af brugeraktivitet.
Virksomheder kan også vælge en kombineret tilgang ved selv at bygge enkle systemer og bruge en udbyder til avancerede anvendelser. I praksis betyder det, at outsourcing ikke behøver at omfatte hele virksomheden: Ved hver implementering kan en forskellig andel af kompleksiteten ved informationshentning, omkostningerne og vedligeholdelsen placeres hos udbyderen, mens virksomheden fortsat har ansvaret for det, den beholder internt.












