Starling använder begreppet Domain Language Model (DLM) för resultatet: en generell och i grunden tillståndslös språkmodell får organisationens strukturerade och styrda minne som kontext när den används. Modellen förväntas alltså inte själv komma ihåg organisationens interna kunskap.

En enkel jämförelse är ett bibliotek. Språkmodellen kan bytas ut, uppgraderas eller ersättas av en annan leverantör, medan katalogen och själva kunskapssamlingen består.

Fasta semantiska adresser i stället för flytande sökresultat

En central del av UCA är fasta semantiska adresser. Återkommande organisatoriska begrepp får permanenta identifierare – exempelvis en adress för organisationens konkurrensposition. Tanken är att människor och AI-system ska kunna hämta den auktoritativa posten direkt, i stället för att försöka tolka vilket sökresultat som verkar mest relevant för stunden.

Det ger också en tydligare koppling mellan information och betydelse. När en uppgift ändras kan posten uppdateras och versionshanteras, samtidigt som dess plats i organisationens kunskapsstruktur består.

Två delar av kunskapsbasen

Starling beskriver en kunskapsbas med två huvuddelar:

• Org Library ska innehålla styrda och versionshanterade organisationsposter – det som betraktas som organisationens officiella eller kanoniska kunskap.
• Resources ska rymma stödmaterial, källor samt skapade och pågående arbetsdokument.

Arkitekturen är textbaserad. Poster sparas som läsbar Markdown-text i stället för som ogenomskinligt modellminne. Enligt Starling ska det göra materialet lättare att granska, versionshantera och flytta, samtidigt som det förblir användbart för både människor och programvara.

På maskinsidan används ett manifest för att välja ut och sätta samman den kontext som är relevant för en viss uppgift. På människosidan avgör styrning och behörigheter vilken information som faktiskt är auktoritativ. Tanken är att minska risken för att organisationens kunskap gradvis förändras utan kontroll.

Hur MCP passar in

Starling kopplar UCA till Anthropic Model Context Protocol (MCP). MCP fungerar här som anslutningslagret som låter AI-modeller hämta extern organisationskontext. UCA ska samtidigt bidra med den gemensamma strukturen och de semantiska adresserna för informationen.

Det är en viktig skillnad: MCP beskriver i huvudsak hur en modell kan få tillgång till extern information, medan UCA enligt Starling beskriver hur organisationens information ska organiseras och adresseras. Kombinationen ska göra det enklare att ansluta olika modeller utan att bygga om hela kunskapslagret varje gång en AI-leverantör byts ut.

Vad betyder ”AI-suveränitet”?

Starling-vd:n Chris Kincades huvudargument är att AI-suveränitet inte enbart handlar om att äga grafikprocessorer, köra systemen lokalt eller välja en nationell modellleverantör. I företagets tolkning handlar suveränitet framför allt om att organisationen själv behåller kontrollen över sina beslut, riktlinjer, arbetsmetoder, källor och behörigheter – den så kallade kanon som AI-systemen ska utgå från.

Om en modell byts ut, uppgraderas, blir otillgänglig eller inte längre godkänns av styrningsskäl ska organisationens minne finnas kvar. En annan modell ska kunna kopplas till samma poster och fortsätta arbetet därifrån.

Det kan i teorin minska leverantörsberoendet, eftersom den mest värdefulla tillgången blir organisationens eget klassificerade arkiv – inte en viss leverantörs chattloggar eller proprietära minnesfunktion. Det kan också öka motståndskraften: modellen är tillfällig och tillståndslös i förhållande till den permanenta organisationskunskapen, medan arkivet bevaras som en granskningsbar källa.

Det är bakgrunden till Starling-formuleringen: ”modellen glömmer, organisationen minns.”

Vilka användningsområden nämns?

Starling hänvisar bland annat till ett omdöme från Brady Patterson på SelfOS, som säger att kunskapens ”tydliga ankare” minskade förlust av kontext och dataförskjutning.

Företaget har också kopplat arbetssättet till personlig coachning, marknadsföring, byggledning och juridiska tjänster, däribland Wrks Onlines QuillOS. Det underlag som finns här bekräftar dock inte självständigt relationen till QuillOS eller ger tillräckliga detaljer om genomförandet, omfattningen eller resultaten. Det finns därför inte tillräckligt stöd för starkare påståenden om användning eller effekt.

SelfOS bör på samma sätt ses som ett bransch- eller användaromdöme, inte som oberoende validering av produktens effektivitet.

Viktig brasklapp: en ny standard utan mycket oberoende bevis

UCA och Starling MX är nya, och flera av de mer detaljerade tekniska och kommersiella påståendena kommer från Starling självt eller från lanseringsbevakning. Grundidén – ett portabelt, textbaserat och styrt organisationsminne som kan användas av flera AI-modeller – är begriplig och tekniskt plausibel.

Men det saknas ännu tillräckligt oberoende underlag för att fastslå att arkitekturen i verkliga installationer ger bättre träffsäkerhet, lägre kostnader, högre säkerhet eller verkligt oberoende från AI-leverantörer. Den mest rättvisa beskrivningen är därför att UCA är ett ambitiöst öppet standardförslag, medan Starling MX är en tidig betaprodukt vars praktiska genomslag återstår att bevisa.

Starling använder begreppet Domain Language Model (DLM) för resultatet: en generell och i grunden tillståndslös språkmodell får organisationens strukturerade och styrda minne som kontext när den används. Modellen förväntas alltså inte själv komma ihåg organisationens interna kunskap.

En enkel jämförelse är ett bibliotek. Språkmodellen kan bytas ut, uppgraderas eller ersättas av en annan leverantör, medan katalogen och själva kunskapssamlingen består.

Fasta semantiska adresser i stället för flytande sökresultat

En central del av UCA är fasta semantiska adresser. Återkommande organisatoriska begrepp får permanenta identifierare – exempelvis en adress för organisationens konkurrensposition. Tanken är att människor och AI-system ska kunna hämta den auktoritativa posten direkt, i stället för att försöka tolka vilket sökresultat som verkar mest relevant för stunden.

Det ger också en tydligare koppling mellan information och betydelse. När en uppgift ändras kan posten uppdateras och versionshanteras, samtidigt som dess plats i organisationens kunskapsstruktur består.

Två delar av kunskapsbasen

Starling beskriver en kunskapsbas med två huvuddelar:

• Org Library ska innehålla styrda och versionshanterade organisationsposter – det som betraktas som organisationens officiella eller kanoniska kunskap.
• Resources ska rymma stödmaterial, källor samt skapade och pågående arbetsdokument.

Arkitekturen är textbaserad. Poster sparas som läsbar Markdown-text i stället för som ogenomskinligt modellminne. Enligt Starling ska det göra materialet lättare att granska, versionshantera och flytta, samtidigt som det förblir användbart för både människor och programvara.

På maskinsidan används ett manifest för att välja ut och sätta samman den kontext som är relevant för en viss uppgift. På människosidan avgör styrning och behörigheter vilken information som faktiskt är auktoritativ. Tanken är att minska risken för att organisationens kunskap gradvis förändras utan kontroll.

Hur MCP passar in

Starling kopplar UCA till Anthropic Model Context Protocol (MCP). MCP fungerar här som anslutningslagret som låter AI-modeller hämta extern organisationskontext. UCA ska samtidigt bidra med den gemensamma strukturen och de semantiska adresserna för informationen.

Det är en viktig skillnad: MCP beskriver i huvudsak hur en modell kan få tillgång till extern information, medan UCA enligt Starling beskriver hur organisationens information ska organiseras och adresseras. Kombinationen ska göra det enklare att ansluta olika modeller utan att bygga om hela kunskapslagret varje gång en AI-leverantör byts ut.

Vad betyder ”AI-suveränitet”?

Starling-vd:n Chris Kincades huvudargument är att AI-suveränitet inte enbart handlar om att äga grafikprocessorer, köra systemen lokalt eller välja en nationell modellleverantör. I företagets tolkning handlar suveränitet framför allt om att organisationen själv behåller kontrollen över sina beslut, riktlinjer, arbetsmetoder, källor och behörigheter – den så kallade kanon som AI-systemen ska utgå från.

Om en modell byts ut, uppgraderas, blir otillgänglig eller inte längre godkänns av styrningsskäl ska organisationens minne finnas kvar. En annan modell ska kunna kopplas till samma poster och fortsätta arbetet därifrån.

Det kan i teorin minska leverantörsberoendet, eftersom den mest värdefulla tillgången blir organisationens eget klassificerade arkiv – inte en viss leverantörs chattloggar eller proprietära minnesfunktion. Det kan också öka motståndskraften: modellen är tillfällig och tillståndslös i förhållande till den permanenta organisationskunskapen, medan arkivet bevaras som en granskningsbar källa.

Det är bakgrunden till Starling-formuleringen: ”modellen glömmer, organisationen minns.”

Vilka användningsområden nämns?

Starling hänvisar bland annat till ett omdöme från Brady Patterson på SelfOS, som säger att kunskapens ”tydliga ankare” minskade förlust av kontext och dataförskjutning.

Företaget har också kopplat arbetssättet till personlig coachning, marknadsföring, byggledning och juridiska tjänster, däribland Wrks Onlines QuillOS. Det underlag som finns här bekräftar dock inte självständigt relationen till QuillOS eller ger tillräckliga detaljer om genomförandet, omfattningen eller resultaten. Det finns därför inte tillräckligt stöd för starkare påståenden om användning eller effekt.

SelfOS bör på samma sätt ses som ett bransch- eller användaromdöme, inte som oberoende validering av produktens effektivitet.

Viktig brasklapp: en ny standard utan mycket oberoende bevis

UCA och Starling MX är nya, och flera av de mer detaljerade tekniska och kommersiella påståendena kommer från Starling självt eller från lanseringsbevakning. Grundidén – ett portabelt, textbaserat och styrt organisationsminne som kan användas av flera AI-modeller – är begriplig och tekniskt plausibel.

Men det saknas ännu tillräckligt oberoende underlag för att fastslå att arkitekturen i verkliga installationer ger bättre träffsäkerhet, lägre kostnader, högre säkerhet eller verkligt oberoende från AI-leverantörer. Den mest rättvisa beskrivningen är därför att UCA är ett ambitiöst öppet standardförslag, medan Starling MX är en tidig betaprodukt vars praktiska genomslag återstår att bevisa.