eGain: Jensens AI-stack saknar en kritisk komponent
eGain Corporation hävdar att Jensen Huangs modell för AI-stacken saknar ett nödvändigt lager för kunskapshantering. Företaget menar att detta avsaknad leder till att företagsanpassade AI-applikationer ofta misslyckas med att leverera korrekta svar.
AI-lösningleverantören eGain Corporation har uttryckt kritik mot Jensen Huangs femlagers AI-stackmodell, som presenterades vid GTC 2026. Enligt eGain saknar modellen ett kritiskt lager för kunskapshantering, vilket är avgörande för framgångsrika AI-applikationer inom företag.
Huangs modell, som består av skikten Energi, Chip, Infrastruktur, Modeller och Applikationer, misslyckas med att adressera den nödvändiga kopplingen mellan AI-modellerna och de applikationer som slutanvändarna interagerar med. eGain menar att denna brist blir tydlig när företag försöker integrera avancerade AI-modeller med befintliga, ofta fragmenterade och föråldrade, innehållskällor.
Företaget framhåller att problemet inte ligger i själva AI-modellerna, som GPT eller Gemini, utan i den data de bearbetar. Dåligt hanterad, motsägelsefull eller inaktuell information leder till felaktiga och inkonsekventa svar, vilket underminerar kundnöjdheten och ökar efterlevnadsrisker. Enligt en Gartner-rapport misslyckas upp till 100 procent av projekten för generativa AI-virtuella assistenter som saknar integration med modern kunskapshantering med att uppnå sina mål.
eGain betonar att framgångsrik företags-AI kräver ett dedikerat kunskapshanteringslager. Detta lager ansvarar för att samla in, granska, styra och uppdatera företagsdata för att skapa en enhetlig och tillförlitlig sanningskälla. Endast då kan AI-modellerna ge korrekta och aktuella svar på kundfrågor.