Az open-source GLM 5.2 nyíltan felveti a kérdést: ha ennyire hatékony, olcsó, és sok mindennapi mesterséges intelligencia-feladatra jobb, mint a piacon lévő drága modellek (például Claude), vajon miért nem váltanak rá tömegesen a cégek?
A videó rávilágít arra, hogy a feladatok eloszlása – azaz, mennyire általános vagy speciális egy vállalat AI-munkafolyamata – meghatározza, szükséges-e a legmodernebb, „frontier” modellek alkalmazása, vagy bőven elég lenne egy jó open-source megoldás. Azonban kevesen mérik fel igazán, milyen típusú feladataik vannak.
Az átállás bonyolultságánál kulcskérdéssé válik az úgynevezett „last mile”, vagyis a cégre szabott AI-keretrendszer (harness) kiépítése. Egyes példák (mint a Lindy csapat saját rendszerre történő áttérése) megmutatják, mennyire összetett és drága automatizálni a váltást, főleg, ha a cégen belüli munkafolyamatokat is hozzá kell igazítani.
Az „AI-harness” fejlesztői tehetségek ritkasága és ára meghatározza, ki tud valóban áttérni olcsóbb modellekre. Eközben a nagy szereplők (mint Anthropic a Claude Tag-gel) folyamatosan olyan integrációkat hoznak létre, melyekkel még erősebben beépülnek a céges folyosók mindennapjaiba – a cégek gyakorlatilag szolgáltatásként visszabérlik maguknak az „agyukat”.
A videó egyértelművé teszi: a következő években hatalmas lehetőség nyílik azoknak, akik képesek megfelelő rendszereket és átjárást építeni az open-source és zárt modellek között. Azonban ez egyben kényszerítő is: a cégeknek el kell dönteniük, hosszú távon valóban ki akarják-e adni tudásuk kulcsát külső szolgáltatónak – vagy inkább saját kapacitásaikba fektetnek.
