Az AI modellek fejlődésével egyre gyakrabban jelennek meg új típusok és beállítási lehetőségek, amelyek hatással vannak arra, hogy mennyi „erőfeszítést” kell alkalmazni adott feladatokon. Ez a rendszer azonban sokak számára zavaros: mikor érdemes alacsony, közepes vagy magas szintű erőfeszítést választani?
Sokan tévesen feltételezik, hogy a nagyobb erőfeszítés automatikusan intelligensebb vagy jobb eredményt jelent. A valóságban azonban a túlzott „gondolkodás” vagy erőforrás-felhasználás akár vissza is üthet, ráadásul könnyen túlléphetjük az elérhető token keretet.
Konkrét példákon keresztül kerül bemutatásra, hogyan viselkednek különböző modellek — például a GPT 5.6 család tagjai vagy a Claude és Codeex — különféle erőfeszítési szinteken, amikor egy jól meghatározott feladatot kell megoldaniuk. A részletek szemléltetik, hogy gyakran pusztán esztétikai eltérés figyelhető meg a kimenetekben, de lényegi változás alig történik, miközben a költség jelentősen emelkedhet.
Felmerül az is, mennyire fontos a „harness” (környezet, amelyben a modell fut), hiszen a legtöbb felhasználó csak az AI „aggyal” foglalkozik, nem pedig azzal, hogyan kapcsolódik a külvilághoz és a felhasználói fájlokhoz, feladatokhoz.
Kiderül, hogy mennyire eltérhetnek az egyes szolgáltatók erőfeszítés szintjei és azok hatása, emiatt nem lehet univerzális szabályt alkalmazni. Ráadásul számos példával illusztrálják, mikor érdemes valójában a legalacsonyabb szintről indulni, és csak szükség esetén feljebb lépni.
Többek között azt is vizsgálja a videó, hogy miként lehet tudatosan, költséghatékonyan választani modellek és erőfeszítési szintek között, hogy a napi munkafolyamatokat optimalizálhassuk – időben, költségben, eredményben egyaránt.
