Companiile descoperă că schimbarea unui model AI nu se face cu un singur click. Unele au nevoie de peste o lună pentru migrare
Înlocuirea unui model AI cu unul mai nou sau mai ieftin pare, la prima vedere, o operațiune simplă: câteva modificări de configurare și aplicația poate continua să funcționeze. În realitate, pentru multe companii, schimbarea implică săptămâni de muncă din partea echipelor tehnice, iar uneori rezultatul este atât de slab încât trebuie revenit la modelul inițial. Un sondaj realizat de VentureBeat arată că integrarea unui model nou în aplicații deja folosite de angajați sau clienți este mult mai complicată decât sugerează promisiunile industriei AI, scrie Venture Beat.
Cât durează, în realitate, înlocuirea unui model AI într-o companie
Companiile investesc în infrastructuri care le permit să schimbe rapid modelele AI, pe măsură ce apar versiuni mai performante sau mai accesibile. Gateway-urile și sistemele de rutare pot direcționa cererile către diferiți furnizori, iar uneori schimbarea modelului presupune doar modificarea unei setări sau a unei linii de cod.
Această flexibilitate funcționează însă mai ales la nivelul infrastructurii. Când un model nou trebuie integrat într-o aplicație de producție, folosită deja de angajați sau clienți, situația devine mult mai complicată. Instrucțiunile, instrumentele și testele construite în jurul modelului inițial pot necesita modificări, iar comportamentul aplicației trebuie verificat din nou.
Un sondaj VentureBeat din octombrie 2026, realizat în rândul persoanelor care lucrează la proiecte AI în companii cu cel puțin 100 de angajați, arată amploarea problemei. Dintre respondenți, 47% au declarat că organizațiile lor au înlocuit în ultimele 12 luni modelul folosit într-un sistem AI de producție, păstrând aplicația din jurul acestuia.
Dintre companiile care au făcut o asemenea schimbare, 70% au avut nevoie de cel puțin câteva săptămâni de muncă tehnică suplimentară, dincolo de simpla modificare a modelului. Mai mult, 36% au raportat că procesul a durat peste o lună. Doar 13% au descris înlocuirea drept o operațiune aproape lipsită de efort, asemănătoare unei simple modificări de configurare.
Rezultatele nu au fost întotdeauna pozitive. În 55% dintre cazuri, noul model a avut performanțe cel puțin la fel de bune ca versiunea anterioară. În celelalte 45% dintre situații, performanța a scăzut, aplicația a trebuit refăcută parțial sau compania a revenit la modelul inițial.
Modelele mai ieftine pot reduce costurile, dar necesită verificări suplimentare
Unul dintre motivele pentru care companiile iau în calcul schimbarea modelelor este reducerea costurilor. Prețurile serviciilor AI pot varia semnificativ, iar folosirea unui model mai mic pentru anumite sarcini poate diminua cheltuielile fără să afecteze neapărat rezultatul final.
Un exemplu recent vine de la Anthropic, care a lansat Claude Fable 5.2 la un preț cu 20% mai mic decât versiunea înlocuită, potrivit informațiilor publicate de VentureBeat. Noul tarif este de 8 dolari pentru un milion de tokenuri de intrare și 40 de dolari pentru un milion de tokenuri generate. Sondajul din octombrie a fost încheiat înainte de această lansare, astfel că rezultatele sale nu reflectă efectul noilor prețuri.
Companiile pot folosi sisteme de rutare pentru a trimite fiecare solicitare către modelul potrivit. Un router este un program care decide ce model AI trebuie să primească o anumită cerere, iar un gateway AI funcționează ca intermediar între aplicațiile unei companii și furnizorii de modele.
Adobe folosește deja o asemenea abordare în unul dintre agenții săi de marketing. Un model mai ieftin selectează informațiile relevante, după care solicitarea este transmisă către un model mai mare. Astfel, compania încearcă să reducă numărul de operațiuni costisitoare fără să renunțe la capacitățile avansate acolo unde sunt necesare.
Există și furnizori care dezvoltă sisteme de rutare automată. Tetrate, de exemplu, oferă un mod care selectează modelul în funcție de fiecare solicitare. Totuși, automatizarea nu elimină nevoia de verificare. Companiile trebuie să testeze dacă răspunsurile sunt la fel de bune ca înainte și dacă reducerea costurilor justifică schimbarea.
La Upwork, abordarea este diferită în funcție de complexitatea sarcinii. Activitățile repetitive și bine definite, precum asocierea freelancerilor cu proiecte potrivite, pot fi gestionate de modele mai mici și adaptate special. Sarcinile deschise, care presupun mai multă flexibilitate, sunt direcționate către modele mai mari.
De ce un model nou poate funcționa mai prost în aceeași aplicație
O problemă importantă apare atunci când o companie a adaptat deja un model AI la propriile nevoi. Prin procesul numit fine-tuning, un model este antrenat suplimentar folosind exemple și date specifice unui anumit domeniu. Acest lucru poate îmbunătăți precizia, dar rezultatele nu se transferă automat către o versiune nouă.
PayPal s-a confruntat cu această situație în dezvoltarea agentului său pentru cumpărături online. Compania a trecut la un model mai mic și mai rapid, pe care l-a ajustat suplimentar pentru a îmbunătăți acuratețea. Rezultatele au fost mai bune, dar nu suficient de bune pentru toate cerințele aplicației.
Ulterior, PayPal a decis să reducă dependența de fine-tuning. Procesul necesită specialiști și trebuie reluat atunci când apare un model nou, ceea ce poate transforma fiecare actualizare într-un proiect tehnic separat. Compania încearcă acum să găsească un echilibru între modelele folosite direct, adaptările suplimentare și modul în care sunt alocate resursele de calcul.
O altă dificultate ține de așa-numitul harness, adică infrastructura software care înconjoară modelul. Aceasta îi transmite instrucțiunile, gestionează instrumentele pe care le poate folosi și controlează modul în care interacționează cu aplicația. Două modele diferite pot avea rezultate foarte diferite în aceeași infrastructură, iar unul mai nou nu este automat mai bun.
Ben Kus, directorul tehnic al companiei Box, a explicat că dezvoltatorii adaptează adesea aplicațiile la comportamentul unui anumit model. Când îl înlocuiesc, noua versiune poate interpreta diferit instrucțiunile sau poate folosi altfel instrumentele disponibile. Din acest motiv, Box testează modelele împreună cu infrastructura software în care urmează să funcționeze.
Un benchmark realizat de Runta ilustrează cât de mult poate conta această diferență. Modelul Kimi K3 a rezolvat 63,3% dintre sarcinile testate atât în Claude Code, cât și într-o configurație DeepSeek Harness. Costul median pentru fiecare sarcină rezolvată a fost însă de 18,34 dolari în prima configurație și de numai 3,28 dolari în a doua. Același model și același scor au generat, așadar, costuri de peste cinci ori mai mari în funcție de infrastructura folosită.
De ce companiile nu pot ține pasul cu fiecare model AI nou
Ritmul lansărilor din industria AI pune presiune pe companiile care vor să folosească permanent cele mai bune modele disponibile. Versiunile noi promit performanțe mai mari, viteză mai bună sau costuri mai mici, dar integrarea lor poate necesita modificări ample în aplicațiile deja funcționale.
Problema este și mai vizibilă în cazul modelelor mici. Acestea pot fi mult mai ieftine, dar sunt uneori mai sensibile la felul în care primesc instrucțiunile și la instrumentele puse la dispoziție. Potrivit lui Micah Hill-Smith, cofondatorul companiei de evaluare Artificial Analysis, rezultatele modelelor mai mici în testele pentru agenți de programare pot varia cu 20 până la 40 de puncte, în funcție de infrastructura pentru care au fost optimizate.
Prin urmare, o companie care vrea să treacă la un model mai ieftin trebuie să ia în calcul și timpul necesar adaptării aplicației. Economiile obținute la fiecare solicitare pot fi anulate, cel puțin temporar, de orele de muncă ale inginerilor și de testele suplimentare.
Recomandarea specialiștilor este ca modelele noi să fie evaluate în aceeași infrastructură în care vor funcționa efectiv. Dacă rezultatele sunt slabe, merită testată și o altă configurație software înainte ca modelul să fie respins. În caz contrar, compania riscă să atribuie modelului probleme care provin, de fapt, din aplicația construită în jurul lui.