Miközben a mesterséges intelligencia jövőjéről szóló hírek az AGI-ról, a “gépi zsenikről” és a rekordokat döntő modellekről szólnak, az amerikai vállalatok többségében valójában egyszerűbb, kisebb és olcsóbb AI-modellek dolgoznak. Ők azok a láthatatlan gépkarok, amelyek a valódi termelékenységet hozzák.
A hype a csúcsmodelleké, a hatékonyság a kicsiké
A legnagyobb modellek – mint az OpenAI, Anthropic vagy DeepMind rendszerei – lenyűgöző intellektuális teljesítményeket mutatnak. Orvosi és jogi vizsgákat tesznek, matematikai versenyeket nyernek, és a vezető fejlesztők “emberi szintű” mesterséges intelligenciáról beszélnek.
De a valóság az, hogy a vállalatok napi működésében ezek a modellek ritkán játszanak szerepet. A legtöbb munkahelyen a gyors, olcsó és korlátozott képességű rendszerek uralják a terepet.
MI-gyárak: futószalagon dolgoznak a kismodellek
A cégek ma úgy építik fel MI-folyamataikat, mint egy gyártósort. Az adat bemegy az egyik oldalon, a másikon eredmény, döntés vagy termék jön ki. Középen pedig tucatnyi kisebb, specializált modell dolgozik együtt, mindegyik elvégezve a maga apró, de fontos feladatát.
Ez a logika hajtja például:
- az Aurelian startupot, amely MI-val kezeli a 911-es hívások nem sürgős eseteit,
- a Hark Audiot, amely podcastokból gyűjt és szerkeszt kiemelt pillanatokat,
- a Gong rendszert, amely értékesítési hívások ezreit elemzi,
- és az Airbnb-t, ahol a panaszokat ma már részben kínai nyílt forrású modellek oldják meg gyorsabban, mint az ügyfélszolgálatosok.
A Meta is a kicsikre támaszkodik – spórolásból
A Meta pénzügyi vezetője, Susan Li elismerte: a legnagyobb AI-modellek túl drágák ahhoz, hogy hirdetések célzására használják őket. A vállalat inkább a nagy modellek tudását “átadja” kisebb, olcsóbb és specializált rendszereknek, amelyek a valódi munkát végzik. Más szóval: az MI-futószalagon a zsenik csak a terveket írják, a munkát a kis modellek végzik el.
Az MI-siker kulcsa: nem az intelligencia, hanem a rendszerépítés
A cégek termelékenységnövekedése nem abból fakad, hogy a modellek okosabbak lettek, hanem abból, hogy az emberek megtanulták, hogyan kell hatékonyan összekötni sok kis MI-t. A “nagy gondolkodók” csak a stratégiai feladatokat végzik, míg a gyors, egyszerű modellek automatizálják az ismétlődő műveleteket. Ezt a struktúrát nevezik ma sokan MI tudásgyárnak.
Költségkülönbség: 10 cent kontra 3,44 dollár
Az árkülönbség a csúcskategóriás és a kisebb modellek között brutális. Egy apró modell, mint a GPT-5 Nano, mindössze 10 centbe kerül egymillió tokenre vetítve. A teljes méretű GPT-5 viszont 3,44 dollárba. És a nagy modellek ráadásul sokszor ezerszer több tokent is felhasználnak ugyanannak a feladatnak a megoldására. Ebből következik, hogy a legtöbb vállalatnak nincs más választása, mint a kismodellekre támaszkodni.
A jövő: kis modellek, nagy hatás
A kisebb MI-modellek nem buta rendszerek, csak finomhangolt, célzott szakmunkások a gépi gyárban. A Hark Audio példája jól mutatja: saját, ember által válogatott podcast-adatbázisukat használják arra, hogy egy kicsi, személyre szabott MI automatizálja a vágást és az összegzést.
A vállalati MI-ökoszisztéma egyre inkább ezekre az apró, de hatékony fogaskerekekre épül.
