70% van de productie-AI-teams gebruikt open source-modellen. 72,5% verbindt agents met databases, niet met chatinterfaces. Dit is wat 375 technische bouwers daadwerkelijk leveren - en het lijkt helemaal niet op Twitter AI. 70% van de teams gebruikt open source-modellen in enige hoedanigheid. 48% beschrijft hun strategie als voornamelijk open. 22% verbindt zich alleen tot open. Slechts 11% blijft puur propriëtair. Agents in het veld zijn systeemoperators, geen chatinterfaces. We dachten dat agents voornamelijk API's zouden aanroepen. In plaats daarvan verbindt 72,5% met databases. 61% met webzoekopdrachten. 56% met geheugensystemen en bestandssystemen. 47% met code-interpreters. Het zwaartepunt ligt bij data en uitvoering, niet bij conversatie. Geavanceerde teams bouwen MCP's om toegang te krijgen tot hun eigen interne systemen (58%) en externe API's (54%). Synthetische data drijft evaluatie meer dan training. 65% gebruikt synthetische data voor evaluatiegeneratie versus 24% voor fine-tuning. Dit wijst op een kortetermijnstijging in marktplaatsen voor evaluatiedata, scenario-bibliotheken en failure-mode corpora voordat synthetische trainingsdata opschaalt. De timing onthult waar de stack naartoe gaat. Teams moeten de correctheid verifiëren voordat ze productie kunnen opschalen. 88% gebruikt geautomatiseerde methoden voor het verbeteren van context. Toch blijft het het grootste pijnpunt bij het implementeren van AI-producten. Deze kloof tussen de adoptie van tools en probleemoplossing wijst op een fundamentele uitdaging. De tools zijn er. Het probleem is moeilijker dan betere retrieval of slimmer chunking kan oplossen. Teams hebben systemen nodig die de correctheid verifiëren voordat ze productie kunnen opschalen. De tools zijn er. Het probleem is moeilijker dan betere retrieval kan oplossen. Context blijft de ware uitdaging en de grootste kans voor de volgende generatie AI-infrastructuur. Verken de volledige interactieve dataset hier : of lees Lauren's volledige analyse :