70 % av produksjonsAI-teamene bruker åpen kildekode-modeller. 72,5 % kobler agenter til databaser, ikke chatgrensesnitt. Dette er hva 375 tekniske byggere faktisk leverer – og det ser ikke ut som Twitter-AI. 70 % av teamene bruker åpen kildekode-modeller i en eller annen form. 48 % beskriver strategien sin som stort sett åpen. 22 % forplikter seg til kun å åpne. Bare 11 % forblir helt proprietære. Agenter i feltet er systemoperatører, ikke chatgrensesnitt. Vi trodde agenter stort sett ville ringe API-er. I stedet kobler 72,5 % til databaser. 61 % til nettsøk. 56 % til minnesystemer og filsystemer. 47 % til kodetolker. Tyngdepunktet er data og utførelse, ikke samtale. Sofistikerte team bygger MCP-er for å få tilgang til egne interne systemer (58 %) og eksterne API-er (54 %). Syntetisk data driver analyse mer enn trening. 65 % bruker syntetiske data for evalueringsgenerering mot 24 % for finjustering. Dette peker på en kortsiktig økning i evalueringsdatamarkeder, scenariobiblioteker og feilmoduskorpora før syntetiske treningsdata skalerer opp. Tidspunktet avslører hvor stabelen er på vei. Teamene må verifisere riktigheten før de kan skalere produksjonen. 88 % bruker automatiserte metoder for å forbedre konteksten. Likevel er det fortsatt det største problemet ved å ta i bruk AI-produkter. Dette gapet mellom verktøyadopsjon og problemløsning peker på en grunnleggende utfordring. Verktøyene finnes. Problemet er vanskeligere enn bedre henting eller smartere chunking kan løse. Team trenger systemer som verifiserer korrekthet før de kan skalere produksjonen. Verktøyene finnes. Problemet er vanskeligere enn bedre henting kan løse. Kontekst forblir den virkelige utfordringen og den største muligheten for neste generasjon AI-infrastruktur. Utforsk hele det interaktive datasettet her: eller les Laurens komplette analyse: