عصر مدل‌های چندگانه در هوش مصنوعی سازمانی

به نقل از بلاگ رسمی Perplexity در حدود ۹۲ درصد از شرکت‌های Fortune 500، از جمله ۶ شرکت از Magnificent 7، از نسخه Perplexity Enterprise برای دریافت پاسخ‌ها و اتخاذ تصمیمات استفاده می‌کنند. این امر موقعیت منحصربه‌فردی به Perplexity می‌دهد که دریابد چگونه شرکت‌ها واقعاً از مدل‌های مختلف برای وظایف و تیم‌های مختلف استفاده می‌کنند.

داده‌های سال ۲۰۲۵ الگوی واضحی را نشان می‌دهد. به جز تیم‌های مهندسی، هیچ مدلی سهم بیشتر از ۱۷ درصدی از استفاده کلی نداشت و با پیشرفت بیشتر مدل‌های هوش مصنوعی و تکمیل آموزش کاربران، میزان استفاده از مدل‌ها به‌تدریج در میان مدل‌های مختلف توزیع شد. در ژانویه ۲۰۲۵، دو مدل برتر بیش از ۹۰ درصد استفاده سازمانی را به خود اختصاص دادند؛ ولی تا دسامبر، چهار مدل هرکدام بیش از ۱۰ درصد سهم داشتند و حتی مدل پیشرو تنها حدود ۲۳درصد از کوئری‌های را دریافت می‌کرد.

نیروی کار چندمدلی

داده‌های استفاده از مدل‌های هوش مصنوعی سازمانی نشان می‌دهد که کارمندان اکنون مدل‌ها را به‌عنوان یک منوی انتخابی می‌بینند و نه یک ابزار پیش‌فرض واحد. از بین کاربران سازمانی، ۱۲.۵ درصد به‌عنوان کاربران فعال شناخته می‌شوند که در هر ۲۸ روز، حداقل ۱۲ روز از هوش مصنوعی استفاده می‌کنند. این کاربران فعال باعث کشف مدل‌ها می‌شوند؛ به‌طوری‌که ۴۰درصد از آن‌ها از بیش از ۶ مدل استفاده می‌کنند، درحالی‌که تنها ۲۰ درصد از کاربران عادی از این تعداد استفاده می‌کنند. این الگو در سطح سازمانی نیز مقیاس‌پذیر است. ۵۰ اکانت سازمانی برتر به طور متوسط از ۳۰ مدل استفاده می‌کنند، درحالی‌که حساب‌های معمولی از ۷ مدل استفاده می‌کنند.

چگونه تیم‌های سازمانی مدل‌ها را با وظایف مرتبط می‌کنند؟

در سال ۲۰۲۵ شرکت‌های پیشرو در هوش مصنوعی، ۴۶ مدل جدید را معرفی کردند و Perplexity همه این مدل‌ها را ظرف ۲۴ ساعت از انتشار ارائه داد. در میان مشتریان سازمانی، ۴۳.۶ درصد از سازمان‌ها در طول سال ۲۰۲۵ از بیش از یک مدل در برخی مواقع استفاده کردند که این نشان‌دهنده تغییر تصمیم‌گیری از استانداردسازی با یک مدل به استفاده چندمدلی است. ۹.۱ درصد از کاربران سازمانی که از چند مدل در یک روز استفاده می‌کنند، نشان‌دهنده الگوی رفتاری یک کاربر فعال هستند که وظایف مختلف را به مدل‌های مختلف ارجاع می‌دهند. از میان کاربرانی که مدل‌های خاصی را انتخاب می‌کنند، ۵۳ درصد حداقل یک‌بار در روز مدل خود را تغییر دادند که نشان‌دهنده رایج و عادی‌شدن عادت رفتاری جابه‌جایی مرتب میان مدل‌های مختلف است.

استفاده بر اساس کاربرد

در سال ۲۰۲۵، مدل‌های Claude در حدود ۳۸ درصد از کوئری‌های برنامه‌نویسی کاربران سازمانی را در اختیار داشت. در سطح سازمانی نیز ۴۰ درصد از شرکت‌ها به طور پیش‌فرض از Claude برای برنامه‌نویسی استفاده می‌کنند، درحالی‌که ۲۲ درصد ترجیح می‌دهند از GPT استفاده کنند.

اما برنامه‌نویسی استثناست؛ برای سایر وظایف، یکه‌تازبودن مدل‌ها کمتر واضح است. در دسامبر ۲۰۲۵، ترجیحات بر اساس نوع وظیفه به شرح زیر بود:

• هنرهای بصری: Gemini Flash با ۴۰ درصد
• تحلیل مالی: Gemini 3.0 Pro Thinking  با ۳۱ درصد
• دی‌باگ‌کردن: Claude Sonnet 4.5 با ۳۰ درصد
• توسعه نرم‌افزار: Claude Sonnet 4.5 با ۲۹ درصد
• پرونده‌های حقوقی/دادگاهی: Claude Thinking models با ۲۳ درصد
• تحقیقات پزشکی: GPT-5.1 Thinking با ۱۳درصد

با انتشار مدل‌های جدید، این ترجیحات احتمالاً تغییر خواهند کرد. آنچه که امروز در صدر لیست است، ممکن است در فصل آینده مجبوب‌ترین مدل نباشد.

چشم‌انداز کلی مدل‌ها همچنان در حال تکامل است

در ابتدای سال ۲۰۲۵، مدل‌های ClaudeSonnet 4 با ۴۷.۵ درصد و GPT-4o با ۴۴ درصد، مشترکاً ۹۱.۵ درصد از درخواست‌های سازمانی را به خود اختصاص دادند. اما تا اواخر ۲۰۲۵، میزان استفاده از مدل‌های هوش مصنوعی توزیع آماری یک‌نواخت‌تری را تجربه کرد؛ به‌طوری‌که:

• ۲۳.۳ درصد کاربران از Gemini 3.0 Pro Thinking
• ۲۰.۶ درصد از Claude Sonnet 4.5
• ۱۰.۷ درصد از Claude Sonnet 4.5 Thinking
• و ۷.۹ درصد از  GPT-5 استفاده می‌کردند.

مدل‌های جدید معمولاً پس از انتشار خود به مدت چند روز بالای ۵۰ درصد از استفاده‌های سازمانی را به خود اختصاص می‌دهند، زیرا کاربران قابلیت‌های جدید مدل‌ها را آزمایش می‌کنند؛ به‌عنوان‌مثال GPT-4.1 در اواخر آپریل، GPT-5 در اوایل آگوست و GPT-5 در اواخر اکتبر این افزایش استفاده را تجربه کرند؛ اما این درصدها در طی هفته بعد به‌سرعت به ۳۵ درصد کاهش می‌یافت. مدل‌ها پیوسته محبوبیت خود را از دست می‌دهند یا به دست می‌آورند؛ زیرا مدل‌های جدید منتشر می‌شوند و تیم‌ها تعیین می‌کنند که کدام مدل برای کدام وظیفه مناسب‌تر است.

انعطاف‌پذیری بیشتر از انتخاب یک مدل برتر اهمیت دارد

Claude برای مهندسان انتخاب اول است؛ اما این یک استثنا بود. در سایر وظایف، تیم‌ها بسته به نوع وظیفه از مدل‌های مختلف استفاده می‌کنند. زمانی که چشم‌انداز مدل‌ها این‌چنین سریع تغییر می‌کند، دسترسی به تمامی گزینه‌ها مهم‌تر از انتخاب بهترین مدل برای امروز است.