70 % tuotannon tekoälytiimeistä käyttää avoimen lähdekoodin malleja. 72,5 % yhdistää agentit tietokantoihin, eivät chat-käyttöliittymiin. Tämä on se, mitä 375 tekniset rakentajat oikeasti julkaisevat – eikä se näytä lainkaan Twitterin tekoälyltä. 70 % tiimeistä käyttää avoimen lähdekoodin malleja jossain määrin. 48 % kuvailee strategiaansa pääosin avoimeksi. 22 % sitoutuu vain avoimeen. Vain 11 % pysyy täysin omistusoikeudellisena. Kentän agentit ovat järjestelmäoperaattoreita, eivät chat-käyttöliittymiä. Ajattelimme, että agentit kutsuvat pääasiassa API:t. Sen sijaan 72,5 % yhdistää tietokantoihin. 61 % verkkohakuun. 56 % muistijärjestelmiin ja tiedostojärjestelmiin. 47 % kooditulkkeille. Painopiste on data ja toteutus, ei keskustelu. Kehittyneet tiimit rakentavat MCP-laitteita päästäkseen omille sisäisille järjestelmilleen (58 %) ja ulkoisille API-rajapinnoille (54 %). Synteettinen data vahvistaa arviointia enemmän kuin koulutusta. 65 % käyttää synteettistä dataa arviointien generointiin ja 24 % hienosäätöön. Tämä viittaa lyhyen aikavälin kasvuun arviointidata-markkinapaikoissa, skenaariokirjastoissa ja epäonnistumistila-aineistoissa ennen synteettisen koulutusdatan skaalausta. Ajoitus paljastaa, mihin pino on menossa. Tiimien täytyy varmistaa oikeellisuus ennen tuotannon laajentamista. 88 % käyttää automatisoituja menetelmiä kontekstin parantamiseen. Silti se on edelleen #1 kipupiste tekoälytuotteiden käyttöönotossa. Tämä kuilu työkalujen käyttöönoton ja ongelmanratkaisun välillä osoittaa perustavanlaatuisen haasteen. Työkalut ovat olemassa. Ongelma on vaikeampi kuin parempi nouto tai fiksumpi lohkominen voi ratkaista. Tiimit tarvitsevat järjestelmiä, jotka varmistavat oikeellisuuden ennen tuotannon laajentamista. Työkalut ovat olemassa. Ongelma on vaikeampi kuin parempi nouto voi ratkaista. Konteksti on edelleen todellinen haaste ja suurin mahdollisuus seuraavan sukupolven tekoälyinfrastruktuurille. Tutustu koko interaktiiviseen aineistoon täältä : tai lue Laurenin täydellinen analyysi: