70 % des équipes de production AI utilisent des modèles open source. 72,5 % connectent des agents à des bases de données, et non à des interfaces de chat. Voici ce que 375 constructeurs techniques livrent réellement - et cela ne ressemble en rien à l'IA de Twitter. 70 % des équipes utilisent des modèles open source d'une manière ou d'une autre. 48 % décrivent leur stratégie comme principalement ouverte. 22 % s'engagent uniquement sur l'open. Seuls 11 % restent purement propriétaires. Les agents sur le terrain sont des opérateurs de systèmes, et non des interfaces de chat. Nous pensions que les agents appelleraient principalement des API. Au lieu de cela, 72,5 % se connectent à des bases de données. 61 % à la recherche web. 56 % aux systèmes de mémoire et aux systèmes de fichiers. 47 % aux interprètes de code. Le centre de gravité est constitué des données et de l'exécution, et non de la conversation. Les équipes sophistiquées construisent des MCP pour accéder à leurs propres systèmes internes (58 %) et aux API externes (54 %). Les données synthétiques alimentent l'évaluation plus que l'entraînement. 65 % utilisent des données synthétiques pour la génération d'évaluation contre 24 % pour le fine-tuning. Cela indique une montée en puissance imminente des marchés de données d'évaluation, des bibliothèques de scénarios et des corpus de modes de défaillance avant que les données d'entraînement synthétiques ne se développent. Le timing révèle la direction que prend la pile. Les équipes doivent vérifier la justesse avant de pouvoir augmenter la production. 88 % utilisent des méthodes automatisées pour améliorer le contexte. Pourtant, cela reste le point de douleur n° 1 dans le déploiement des produits AI. Cet écart entre l'adoption des outils et la résolution des problèmes indique un défi fondamental. Les outils existent. Le problème est plus difficile que ce que de meilleures récupérations ou un fractionnement plus intelligent peuvent résoudre. Les équipes ont besoin de systèmes qui vérifient la justesse avant de pouvoir augmenter la production. Les outils existent. Le problème est plus difficile que ce que de meilleures récupérations peuvent résoudre. Le contexte reste le véritable défi et la plus grande opportunité pour la prochaine génération d'infrastructure AI. Explorez l'ensemble du jeu de données interactif ici : ou lisez l'analyse complète de Lauren :