70 % av produktions-AI-teamen använder open source-modeller. 72,5 % kopplar agenter till databaser, inte chattgränssnitt. Det här är vad 375 tekniska byggare faktiskt levererar – och det ser inte alls ut som Twitter-AI. 70 % av teamen använder open source-modeller i någon form. 48 % beskriver sin strategi som mestadels öppen. 22 % bestämmer sig för att bara öppna. Bara 11 % förblir helt proprietära. Agenter i fält är systemoperatörer, inte chattgränssnitt. Vi trodde att agenter mestadels skulle kalla API:er. Istället ansluter 72,5 % till databaser. 61 % till webbsökning. 56 % till minnessystem och filsystem. 47 % till kodtolkare. Tyngdpunkten är data och exekvering, inte konversation. Sofistikerade team bygger MCP:er för att komma åt sina egna interna system (58 %) och externa API:er (54 %). Syntetisk data driver analysen mer än träningen. 65 % använder syntetiska data för utvärderingsgenerering jämfört med 24 % för finjustering. Detta pekar på en kortsiktig ökning av eval-data-marknadsplatser, scenariobibliotek och fel-lägeskorpora innan syntetisk träningsdata skalar upp. Tidpunkten avslöjar vart stacken är på väg. Team måste verifiera korrektheten innan de kan skala produktionen. 88 % använder automatiserade metoder för att förbättra kontexten. Ändå är det fortfarande den största utmaningen vid implementering av AI-produkter. Detta glapp mellan verktygsanvändning och problemlösning pekar på en grundläggande utmaning. Verktygen finns. Problemet är svårare än vad bättre retrieval eller smartare chunking kan lösa. Team behöver system som verifierar korrektheten innan de kan skala produktionen. Verktygen finns. Problemet är svårare än vad bättre återvinning kan lösa. Kontexten är fortfarande den verkliga utmaningen och den största möjligheten för nästa generations AI-infrastruktur. Utforska hela den interaktiva datamängden här: eller läs Laurens fullständiga analys: