Az AI helyzete: Hogyan használjuk valójában a nagy nyelvi...

Ez az empirikus tanulmány adatvezérelt betekintést nyújt abba, hogyan használják ténylegesen a nagy nyelvi modelleket (LLM-eket), és több olyan szempontot emel ki, amelyek árnyalják az AI alkalmazásával kapcsolatos közhelyeket.

Elsőként megmutatkozik egy sokrétű modellökoszisztéma létezése. Elemzésünk szerint nincs egyetlen modell, amely minden területen dominálna. Ehelyett egy gazdag, vegyes rendszert látunk, amelyben zárt és nyílt forráskódú modellek is jelentős részesedést szereznek. Bár az OpenAI és az Anthropic modellek vezetnek a programozási és tudásalapú feladatokban, a DeepSeek és a Qwen nyílt forráskódú modellek együttesen akár a teljes felhasználás 30%-át is lefedik. Ez azt jelzi, hogy a jövőben a modellek használata valószínűleg független lesz az adott modelltől, inkább heterogén marad. A fejlesztőknek ezért rugalmasnak kell lenniük, több modellt kell integrálniuk, és a feladathoz leginkább megfelelőt választaniuk, ahelyett, hogy egyetlen modell fölényére tennék fel mindenüket. A modellszolgáltatók számára pedig világos, hogy a verseny váratlan irányokból érkezhet, például egy közösségi modell képes lehet piacrészt elhódítani, hacsak nem folyamatosan fejlesztik és különböztetik meg termékeiket.

Másrészt meglepő az LLM-ek szórakoztatási és szerepjáték-alapú használatának aránya. Az open source modellek felhasználásának több mint fele ilyen célokra irányul, míg a zárt platformokon, mint a ChatGPT, a korai időszakban a kreatív, inkább szórakoztató jellegű interakciók is jelentősek voltak, mielőtt a professzionális alkalmazások térnyertek volna. Ez megdönti azt a feltételezést, hogy a modelleket túlnyomóan kódírásra vagy e-mailek összefoglalására használják. Valójában sokan társasági céllal vagy önálló felfedezésre lépnek interakcióba velük. Ez komoly lehetőséget rejt a felhasználóközpontú alkalmazások számára, amelyek a narratív tervezést, az érzelmi kötődést és az interaktivitást ötvözik. A személyre szabás új terepei nyílnak meg, például olyan ügynökök, amelyek fejlődő személyiséggel, emlékező képességgel vagy hosszabb párbeszédek fenntartásával működnek. Emellett új mérőszámokat kell kidolgozni: a siker ezeknél a témáknál nem annyira a ténybeli pontosságon múlik, hanem inkább a koherencián, következetességen és az élvezetes párbeszéd fenntartásának képességén. Ugyanakkor új lehetőségek nyílnak az AI és a szórakoztatóipari szellemi tulajdon összekapcsolására, például interaktív történetmesélés, játékok vagy alkotóvezérelt virtuális karakterek terén.

Ezen túl az LLM-használat átalakulása megmutatkozik abban, hogy a korábbi egykörös válaszadás helyett egyre inkább többlépéses, ügynöki (agentic) gondolkodást alkalmaznak. A modellek most már nemcsak választ adnak, hanem terveznek, érvelnek, több lépésen át koordinálják eszközhasználatukat, hozzáférnek külső adatokhoz, és iteratívan finomítják az eredményeket egy adott cél eléréséhez. A kezdeti jelek szerint nő a többes lépésből álló lekérdezések és kapcsolt eszközhasználat aránya, amit az általunk agentic használatnak nevezett jelenségként azonosítunk. Ezzel párhuzamosan a teljesítményértékelés fókusza áthelyeződik a nyelvi minőségről a feladatvégrehajtásra és hatékonyságra. A következő versenyfront ezen a területen az lesz, hogy a modellek mennyire képesek fenntarthatóan, összetetten érvelni, ami alapjaiban változtathatja meg az ügynöki gondolkodás gyakorlati jelentését.

Az LLM-használat földrajzi szempontból egyre inkább globálissá és decentralizálttá válik, Észak-Amerikán kívül gyors növekedést tapasztalunk. Ázsia részesedése a token-felhasználásból a korábbi mintegy 13%-ról 31%-ra nőtt, jelezve az erőteljesebb vállalati adaptációt és innovációt. Kína különösen jelentős erővé vált, nem csupán a hazai fogyasztás, hanem a globálisan versenyképes modellek fejlesztése révén is. Az összkép világos: az LLM-eknek világszinten hasznosnak kell lenniük, jól kell teljesíteniük több nyelven, kultúrában és piacon. A következő versenyszakaszban a kulturális alkalmazkodóképesség és a többnyelvűség válik kulcsfontosságúvá, nem pusztán a modell mérete.

A költségek és felhasználás dinamikájában az LLM-piac még nem viselkedik árucikként: önmagában az ár keveset magyaráz a használati mennyiségből. A felhasználók az ár mellett a gondolkodás minőségét, megbízhatóságot és képességek széles skáláját is mérlegelik. A zárt modellek továbbra is a magasabb értékű, bevételhez kötött munkaterheléseket birtokolják, míg a nyílt forráskódú verziók az olcsóbb, nagy volumenű feladatok urai. Ez egy dinamikus, folyamatos nyomás alatt álló egyensúlyt eredményez. A nyílt modellek folyamatosan tolják a hatékonysági határvonalat, főként az érvelés és kódolás terén, ahol a gyors iterációk és az OSS-innovációk szűkítik a teljesítménybeli különbségeket. Minden fejlesztés a nyílt modellekben szorítja a zárt rendszerek árazási mozgásterét, akik így prémium áraikat jobb integrációval, következetességgel és vállalati támogatással kénytelenek indokolni. A verseny gyors, aszimmetrikus és állandóan változó. Ahogy a minőségi konvergencia gyorsul, az árérzékenység növekedése várható, a mai differenciált piac egy egyre fluidabbá váló rendszerbe alakul.

Végül egy izgalmas jelenség a megtartás: a "Hamupipőke üvegcipő"-effektus. Ahogy az alapmodellek ugrásszerűen fejlődnek, a megtartás válik a valódi versenyelőny mércéjévé. Minden áttörés egy rövid nyitott időszakot teremt, amikor egy adott modell tökéletesen illeszkedhet egy magas értékű munkafolyamathoz – ez a Hamupipőke pillanat. Amint a felhasználók megtalálják a megfelelő illeszkedést, rendszerint ott maradnak. Itt a termék-piac illeszkedés egyenlő a munkaterhelés-modell illeszkedéssel: az első, aki egy valós problémát megold, mély, ragadós elfogadást ér el, ahogy a felhasználók munkafolyamatokat és szokásokat építenek erre a képességre. A váltás ezután mind technikailag, mind viselkedésben költséges lesz. Az építőknek és befektetőknek nem a növekedési mutatókat, hanem a megtartási görbéket kell szemmel tartaniuk – különösen azt, hogy kik alkotják azokat a stabil csoportokat, akik modellfrissítések között is kitartanak. Egy egyre gyorsuló piacon a korai, fontos kielégítetlen igények meglovaglása döntheti el, ki marad talpon az újabb képességlépések után.

Összességében az LLM-ek alapvető számítási alappá válnak az érvelést igénylő feladatokban, a programozástól a kreatív írásig. Ahogy a modellek tovább fejlődnek és a bevezetésük szélesedik, az aktuális használati tendenciák pontos ismerete elengedhetetlen a megalapozott döntéshozatalhoz. Az LLM-használat módjai sokszor eltérnek a várakozásoktól, jelentős eltérések mutatkoznak országonként, régiónként és alkalmazási területenként. A nagyléptékű használat figyelése révén valós alapra helyezhetjük az LLM-ek hatásának megértését, biztosítva, hogy a következő fejlesztések, legyenek azok technikai újítások, termékfejlesztések vagy szabályozások, összhangban álljanak a valódi igényekkel. Reméljük, hogy ez a munka alapot szolgáltat további empirikus kutatásokhoz, és ösztönözni fogja az AI-közösséget a valós felhasználási adatok folyamatos mérésére és tanulására, miközben az új generációs, élvonalbeli modelleket fejlesztjük.

Az AI helyzete: Hogyan használjuk valójában a nagy nyelvi modelleket