In de afgelopen twee jaar hebben grote baanbrekende AI-modellen, met miljarden tot biljoenen parameters, aanzienlijke aantrekkingskracht gekregen en integreren ze bijna dagelijks in verschillende applicaties en zakelijke tools. De snelle uitbreiding van deze hulpbronnenintensieve modellen wekt echter bezorgdheid over hun duurzaamheid. Dit heeft geleid tot onderzoeken van grote technologiebedrijven, waaronder Microsoft, Google en AWS, naar kernenergie om de enorme datacenters te ondersteunen die nodig zijn voor toekomstige AI-groei. Hoewel geavanceerde modellen van OpenAI, NVIDIA, Google en Anthropic ongekende mogelijkheden demonstreren, overschrijden ze vaak de eisen voor veel applicaties, vergelijkbaar met het gebruik van een Formule 1-auto voor dagelijks woon-werkverkeer. Er is daardoor een groeiende belangstelling voor kleinere modellen, die doorgaans enkele honderden miljoenen tot minder dan 10 miljard parameters bevatten, die efficiënt en kosteneffectief zijn. NVIDIA introduceerde recentelijk zijn NIM (NVIDIA inference Microservice)-technologie, die AI-implementatie vereenvoudigt en geschikt is voor industrie-specifieke toepassingen zoals geneesmiddelenonderzoek en codegeneratie, terwijl de rekenkundige eisen worden geminimaliseerd.

De samenwerking tussen NVIDIA en Accenture illustreert hoe gespecialiseerde microservices en expertise de snellere acceptatie van AI in bedrijven kunnen bevorderen. Evenzo onthulde IBM zijn Granite 3. 0-modellen, concurrerend met Llama en Mistral, wat de effectiviteit van kleine taalmodellen in verschillende toepassingen benadrukt. De open-source-oplossingen van IBM kunnen op meerdere cloudplatforms worden toegepast, inclusief zijn eigen watsonx, wat een sterke focus op de behoeften van bedrijven aangeeft. De toekomst van bedrijfs-AI kijkt naar een mix van modellen en aanpasbare infrastructuur die prioriteit geeft aan resultaatsgerichte projecten, waarbij vooruitgang wordt geboekt op gebieden zoals automatisering en digitale arbeid. De gedachte dat een enkel, grootschalig model aan alle bedrijfsbehoeften kan voldoen, is misleidend; veel gedefinieerde use-cases zouden meer baat hebben bij kleinere, gespecialiseerde modellen die een betere energie-efficiëntie en kostenbeheer bieden, terwijl ze de gegevensbeheer vereenvoudigen. Onderzoek naar geavanceerde AI zal doorgaan, maar voor veel zakelijke toepassingen vertegenwoordigen kleinere fundamentele modellen een duurzamere benadering. Dit maakt niet alleen bredere en meer efficiënte AI-implementatie mogelijk, maar vermindert ook aanzienlijk de operationele kosten, waardoor het een aantrekkelijke keuze is voor bedrijven die het potentieel van generatieve en agentieve AI-oplossingen willen benutten.