Το νέο Model Stack: Chat, Search, Agents, Vision και Voice

Το τέλος των δέκα μπλε συνδέσμων

Το διαδίκτυο απομακρύνεται από το μοντέλο καταλόγου που καθόρισε τις τελευταίες δύο δεκαετίες. Για χρόνια, οι χρήστες πληκτρολογούσαν ένα ερώτημα και λάμβαναν μια λίστα με ιστότοπους. Σήμερα, αυτή η αλληλεπίδραση αντικαθίσταται από ένα εξελιγμένο stack δυνατοτήτων. Αυτό το stack περιλαμβάνει chat interfaces, αναζήτηση σε πραγματικό χρόνο, αυτόνομους agents, computer vision και voice χαμηλής καθυστέρησης. Ο στόχος δεν είναι πλέον να σας βοηθήσει να βρείτε έναν ιστότοπο. Ο στόχος είναι να σας δώσει την απάντηση απευθείας ή να ολοκληρώσει την εργασία για λογαριασμό σας. Αυτή η αλλαγή δημιουργεί τεράστια πίεση στα click-through rates για τους παραδοσιακούς εκδότες. Όταν ένα AI overview παρέχει μια τέλεια σύνοψη ενός άρθρου, ο χρήστης συχνά δεν έχει λόγο να επισκεφθεί την αρχική πηγή. Αυτή δεν είναι απλώς μια αλλαγή στην τεχνολογία. Είναι μια αλλαγή στη θεμελιώδη οικονομία του διαδικτύου. Βλέπουμε την άνοδο των answer engines που δίνουν προτεραιότητα στη σύνθεση έναντι της πλοήγησης. Αυτό το νέο model stack απαιτεί έναν διαφορετικό τρόπο σκέψης για την ορατότητα. Το να είσαι το πρώτο αποτέλεσμα σε μια σελίδα αναζήτησης γίνεται λιγότερο σημαντικό από το να είσαι η κύρια πηγή για ένα model training set ή ένα σύστημα ανάκτησης σε πραγματικό χρόνο.

Χαρτογραφώντας το Multi-Modal Οικοσύστημα

Η δομή αυτού του νέου περιβάλλοντος είναι χτισμένη σε τέσσερα διακριτά επίπεδα. Το πρώτο επίπεδο είναι το chat interface. Πρόκειται για το conversational front end όπου οι χρήστες εκφράζουν την πρόθεσή τους σε φυσική γλώσσα. Σε αντίθεση με την άκαμπτη δομή λέξεων-κλειδιών του παρελθόντος, αυτά τα interfaces επιτρέπουν αποχρώσεις και επακόλουθες ερωτήσεις. Το δεύτερο επίπεδο είναι η μηχανή αναζήτησης, η οποία έχει εξελιχθεί σε σύστημα ανάκτησης. Αντί να ευρετηριάζει απλώς σελίδες, τροφοδοτεί τώρα δεδομένα υψηλής ποιότητας σε μεγάλα γλωσσικά μοντέλα για να διασφαλίσει την ακρίβεια και τη φρεσκάδα. Εδώ γίνεται πιο εμφανής η ένταση μεταξύ ορατότητας και επισκεψιμότητας. Ένα brand μπορεί να είναι ορατό σε μια απάντηση AI, αλλά αυτή η ορατότητα δεν μεταφράζεται πάντα σε επίσκεψη. Το τρίτο επίπεδο αποτελείται από agents. Πρόκειται για εξειδικευμένα προγράμματα σχεδιασμένα να εκτελούν ροές εργασίας πολλαπλών βημάτων. Ένας agent δεν σας λέει απλώς ποια πτήση είναι η φθηνότερη. Συνδέεται στον ιστότοπο και προετοιμάζει την κράτηση. Το τελικό επίπεδο περιλαμβάνει vision και voice. Αυτές είναι οι αισθητηριακές είσοδοι που επιτρέπουν στο stack να αλληλεπιδρά με τον φυσικό κόσμο. Μπορείτε να στρέψετε μια κάμερα σε έναν χαλασμένο κινητήρα και να ζητήσετε μια λύση, ή να μιλήσετε στο αυτοκίνητό σας ενώ οδηγείτε για να συνοψίσετε μια μακροσκελή αναφορά. Αυτή η ολοκληρωμένη προσέγγιση αντικαθιστά την εμπειρία των μεμονωμένων apps. Οι χρήστες δεν θέλουν πλέον να πηδούν ανάμεσα σε πέντε διαφορετικές πλατφόρμες για να ολοκληρώσουν κάτι. Θέλουν ένα ενιαίο σημείο εισόδου που διαχειρίζεται την πολυπλοκότητα στο παρασκήνιο. Αυτή η μετάβαση μετακινεί το διαδίκτυο προς μια πιο προληπτική κατάσταση. Η πληροφορία δεν είναι πλέον κάτι που πρέπει να ψάξετε για να βρείτε. Είναι κάτι που σας παραδίδεται σε μορφή έτοιμη προς χρήση. Αυτή η αλλαγή αναγκάζει κάθε ψηφιακή επιχείρηση να επανεξετάσει τον τρόπο με τον οποίο σηματοδοτεί την αξία της σε αυτά τα συστήματα.

Η οικονομική μετατόπιση της ανακάλυψης πληροφοριών

Παγκοσμίως, ο αντίκτυπος αυτού του νέου stack γίνεται περισσότερο αισθητός από εκείνους που βασίζονται στο arbitrage πληροφοριών. Εκδότες, marketers και ερευνητές αντιμετωπίζουν έναν κόσμο όπου ο μεσάζοντας αυτοματοποιείται. Στον παλιό κόσμο, ένας χρήστης μπορεί να έκανε κλικ σε τρία διαφορετικά blogs για να συγκρίνει τα χαρακτηριστικά ενός νέου laptop. Στον νέο κόσμο, ένα μόνο AI overview αντλεί τα δεδομένα από αυτά τα τρία blogs και παρουσιάζει έναν πίνακα σύγκρισης. Τα blogs παρέχουν την αξία, αλλά το AI αιχμαλωτίζει την προσοχή. Αυτό δημιουργεί μια κρίση για τα σήματα ποιότητας περιεχομένου. Εάν οι εκδότες δεν μπορούν να έχουν επισκεψιμότητα, δεν μπορούν να χρηματοδοτήσουν ποιοτική δημοσιογραφία. Εάν η ποιοτική δημοσιογραφία εξαφανιστεί, τα μοντέλα δεν έχουν τίποτα ουσιαστικό να συνοψίσουν. Αυτή η κυκλική εξάρτηση είναι μία από τις μεγαλύτερες προκλήσεις για την τεχνολογική βιομηχανία το 2026. Βλέπουμε μια κίνηση προς μια πραγματικότητα μηδενικών κλικ. Για τις επιχειρήσεις, αυτό σημαίνει ότι το παραδοσιακό SEO δεν αρκεί πλέον. Πρέπει να βελτιστοποιήσουν ώστε να είναι η οριστική πηγή που εμπιστεύεται το AI. Αυτό περιλαμβάνει δομημένα δεδομένα, σαφή σήματα αυθεντίας και εστίαση στο να είναι η κύρια πηγή αλήθειας. Το παγκόσμιο κοινό βλέπει επίσης μια αλλαγή στον τρόπο που εμπιστεύεται τις πληροφορίες. Όταν μια φωνή στο αυτί σας λέει ένα γεγονός, είναι λιγότερο πιθανό να ελέγξετε την πηγή από ό,τι όταν βλέπετε έναν σύνδεσμο σε μια οθόνη. Αυτό θέτει μια τεράστια ευθύνη στις εταιρείες που χτίζουν αυτά τα μοντέλα. Δεν παρέχουν πλέον απλώς έναν χάρτη για το διαδίκτυο. Λειτουργούν ως το μαντείο του. Αυτή η αλλαγή συμβαίνει με διαφορετικές ταχύτητες σε διαφορετικές περιοχές, αλλά η κατεύθυνση είναι σαφής. Οι φύλακες του παρελθόντος αντικαθίστανται από τους συνθέτες του μέλλοντος.

Μια μέρα με τον ολοκληρωμένο βοηθό

Σκεφτείτε μια marketing manager, τη Σάρα, που προετοιμάζεται για το λανσάρισμα ενός προϊόντος. Στο παρελθόν, η Σάρα θα περνούσε το πρωί της ανοίγοντας είκοσι καρτέλες. Θα έλεγχε τη Google για ειδήσεις ανταγωνιστών, θα χρησιμοποιούσε ένα ξεχωριστό εργαλείο για social media analytics και ένα άλλο για τη σύνταξη emails. Με το νέο model stack, η ροή εργασίας της είναι ενοποιημένη. Ξεκινά τη μέρα της μιλώντας στον σταθμό εργασίας της. Ζητά μια σύνοψη των τελευταίων κινήσεων των ανταγωνιστών. Το σύστημα δεν της δίνει απλώς συνδέσμους. Χρησιμοποιεί το επίπεδο αναζήτησης για να βρει ειδήσεις, το επίπεδο vision για να αναλύσει τις αναρτήσεις των ανταγωνιστών στο Instagram και το επίπεδο chat για να συνθέσει μια αναφορά. Στη συνέχεια, η Σάρα ζητά από το επίπεδο των agents να συντάξει μια στρατηγική απόκρισης βασισμένη στο ύφος του brand της. Το σύστημα αντλεί δεδομένα από την τοπική της αποθήκευση για να διασφαλίσει ότι ο τόνος είναι συνεπής με προηγούμενες καμπάνιες. Ενώ οδηγεί προς μια συνάντηση, χρησιμοποιεί το voice interface για να τροποποιήσει το προσχέδιο. Παρατηρεί ένα τυπογραφικό λάθος στο έγγραφο αλλά το διορθώνει με μια γρήγορη προφορική εντολή. Αυτή δεν είναι μια σειρά από ασύνδετες εργασίες. Είναι μια ενιαία, συνεχή ροή πρόθεσης. Αργότερα, πρέπει να βρει έναν χώρο για μια εκδήλωση λανσαρίσματος. Στρέφει την κάμερα του τηλεφώνου της σε έναν πιθανό χώρο. Το σύστημα vision αναγνωρίζει την τοποθεσία, εμφανίζει την κάτοψη και υπολογίζει τη χωρητικότητα. Ζητά από τον agent να ελέγξει το ημερολόγιό της και να στείλει ένα αίτημα κράτησης στον υπεύθυνο του χώρου. Ο agent διαχειρίζεται το email και ορίζει μια υπενθύμιση για follow-up. Η Σάρα πέρασε τη μέρα της παίρνοντας αποφάσεις αντί να κάνει χειροκίνητη εισαγωγή δεδομένων. Αυτό το σενάριο δείχνει τη διαφορά μεταξύ ορατότητας και επισκεψιμότητας. Ο υπεύθυνος του χώρου έλαβε ένα αίτημα επειδή η Σάρα μπόρεσε να βρει και να επαληθεύσει τον χώρο μέσω του AI stack της. Ο ιστότοπος του χώρου μπορεί να μην έλαβε ένα παραδοσιακό hit από μια μηχανή αναζήτησης, αλλά κέρδισε ένα lead υψηλής αξίας. Αυτό είναι το νέο μοτίβο ανακάλυψης. Αφορά λιγότερο την περιήγηση και περισσότερο την εκτέλεση. Η τριβή του παλιού διαδικτύου λειαίνεται από ένα στρώμα έξυπνου αυτοματισμού που κατανοεί το πλαίσιο. Αυτό επιτρέπει στους επαγγελματίες να εστιάσουν στη στρατηγική, ενώ το stack διαχειρίζεται τα logistics της συλλογής πληροφοριών και της επικοινωνίας.

Το ηθικό τίμημα των άμεσων απαντήσεων

Η κίνηση προς αυτό το ολοκληρωμένο stack εγείρει δύσκολα ερωτήματα σχετικά με το κόστος της ευκολίας. Αν οι χρήστες δεν εγκαταλείπουν ποτέ το chat interface, πώς διασφαλίζουμε την επιβίωση του ανοιχτού διαδικτύου; Πρέπει να αναρωτηθούμε αν ανταλλάσσουμε την ποικιλομορφία της σκέψης με την ταχύτητα πρόσβασης. Όταν ένα μόνο μοντέλο αποφασίζει ποιες πληροφορίες είναι σχετικές, λειτουργεί ως ένα τεράστιο φίλτρο. Αυτό το φίλτρο μπορεί να εισάγει προκαταλήψεις ή να αποκρύψει αντίθετες απόψεις. Υπάρχει επίσης το ζήτημα της ιδιωτικότητας. Για να κλείσει ένας agent μια πτήση ή να διαχειριστεί ένα ημερολόγιο, χρειάζεται βαθιά πρόσβαση σε προσωπικά δεδομένα. Πού αποθηκεύονται αυτά τα δεδομένα και ποιος μπορεί να τα δει; Το ενεργειακό κόστος είναι ένας άλλος κρυφός παράγοντας. Η δημιουργία μιας multi-modal απάντησης απαιτεί σημαντικά περισσότερη υπολογιστική ισχύ από μια παραδοσιακή αναζήτηση λέξεων-κλειδιών. Βλέπουμε επίσης μια αλλαγή στον τρόπο που αξιολογούμε την ανθρώπινη εμπειρία. Αν ένα AI μπορεί να συνοψίσει ένα νομικό έγγραφο ή μια ιατρική μελέτη, τι απογίνονται οι επαγγελματίες που πέρασαν χρόνια μαθαίνοντας αυτές τις δεξιότητες; Ο κίνδυνος είναι να γίνουμε υπερβολικά εξαρτημένοι από μερικές μεγάλες πλατφόρμες που ελέγχουν το stack. Αυτές οι πλατφόρμες κρατούν τα κλειδιά για το πώς βλέπουμε τον κόσμο. Πρέπει να εξετάσουμε τον μακροπρόθεσμο αντίκτυπο στις γνωστικές μας ικανότητες. Αν σταματήσουμε να ψάχνουμε και αρχίσουμε μόνο να λαμβάνουμε, χάνουμε την ικανότητα να σκεφτόμαστε κριτικά για τις πηγές των πληροφοριών μας;

Αυτά δεν είναι απλώς τεχνικά προβλήματα. Είναι κοινωνικά. Χτίζουμε ένα σύστημα που ανταμείβει την αποτελεσματικότητα πάνω από όλα. Πρέπει να αποφασίσουμε αν αυτός είναι ο μόνος δείκτης που έχει σημασία. Το κρυφό κόστος αυτής της μετάβασης μπορεί να μην είναι εμφανές για χρόνια, αλλά οι αποφάσεις λαμβάνονται σήμερα από μια χούφτα μηχανικών και στελεχών στη Silicon Valley και πέρα από αυτήν.

Η τεχνική αρχιτεκτονική της σύγχρονης πρόθεσης

Για τον power user, το νέο model stack καθορίζεται από τις υποδομές του. Η μετάβαση από απλές κλήσεις API σε σύνθετες ροές εργασίας RAG (Retrieval-Augmented Generation) είναι ο πυρήνας αυτής της εξέλιξης. Οι προγραμματιστές δεν χτυπούν πλέον απλώς ένα GPT endpoint. Διαχειρίζονται εξελιγμένα pipelines που συνδέουν τοπικές διανυσματικές βάσεις δεδομένων (vector databases) με ζωντανά αποτελέσματα αναζήτησης. Ένα από τα μεγαλύτερα εμπόδια είναι το όριο του API. Καθώς τα μοντέλα ενσωματώνονται όλο και περισσότερο στις καθημερινές ροές εργασίας, ο όγκος των tokens που επεξεργάζονται εκτοξεύεται. Αυτό οδήγησε σε εστίαση στην τοπική αποθήκευση και το edge computing. Οι χρήστες θέλουν τα δεδομένα τους να παραμένουν στις συσκευές τους ενώ επωφελούνται από τη δύναμη των μεγάλων μοντέλων. Εδώ μπαίνουν στο παιχνίδι τα μικρά γλωσσικά μοντέλα. Διαχειρίζονται βασικές εργασίες τοπικά για να εξοικονομήσουν χρόνο απόκρισης και κόστος, φτάνοντας στο cloud μόνο για τις βαριές εργασίες. Τα context windows είναι επίσης ένας κρίσιμος δείκτης. Ένα μεγαλύτερο context window επιτρέπει στο μοντέλο να θυμάται περισσότερα από μια συνομιλία ή ένα ιστορικό έργου. Ωστόσο, καθώς το παράθυρο μεγαλώνει, αυξάνεται και η πιθανότητα το μοντέλο να χάσει την εστίαση ή να κάνει παραισθήσεις. Βλέπουμε μια κίνηση προς πιο δομημένα αποτελέσματα. Αντί να επιστρέφουν απλώς κείμενο, τα μοντέλα επιστρέφουν τώρα JSON ή άλλες μορφές αναγνώσιμες από μηχανές που μπορούν να χρησιμοποιήσουν οι agents για να ενεργοποιήσουν δράσεις. Αυτή είναι η γέφυρα μεταξύ της ομιλίας και της πράξης. Η ενσωμάτωση του vision και του voice προσθέτει ένα άλλο επίπεδο πολυπλοκότητας. Η επεξεργασία βίντεο σε πραγματικό χρόνο απαιτεί τεράστιο εύρος ζώνης και χαμηλή καθυστέρηση. Αυτός είναι ο λόγους που βλέπουμε μια ώθηση για εξειδικευμένο hardware που μπορεί να διαχειριστεί αυτούς τους συγκεκριμένους φόρτους εργασίας. Ο στόχος είναι μια απρόσκοπτη εμπειρία όπου η μετάβαση μεταξύ πληκτρολόγησης, ομιλίας και θέασης είναι αόρατη για τον χρήστη. Αυτό απαιτεί ένα επίπεδο συντονισμού μεταξύ hardware και software που δεν έχουμε δει από τις πρώτες μέρες του smartphone.

Έχετε μια ιστορία, εργαλείο, τάση ή ερώτηση σχετικά με την τεχνητή νοημοσύνη που πιστεύετε ότι πρέπει να καλύψουμε; Στείλτε μας την ιδέα σας για άρθρο — θα χαρούμε να την ακούσουμε.

Το άλυτο μέλλον της ανακάλυψης

Η μετάβαση σε ένα multi-modal stack δεν είναι μια ολοκληρωμένη διαδικασία. Είναι μια περίοδος έντονου πειραματισμού. Βρισκόμαστε επί του παρόντος σε μια κατάσταση σύγχυσης όπου οι χρήστες δεν είναι σίγουροι πότε να χρησιμοποιήσουν μια μηχανή αναζήτησης και πότε ένα chat interface. Αυτή η σύγχυση πιθανότατα θα επιμείνει μέχρι οι δύο εμπειρίες να συγχωνευθούν πλήρως. Το μεγάλο ερώτημα που παραμένει είναι πώς θα χρηματοδοτηθεί το διαδίκτυο σε μια εποχή αναζητήσεων μηδενικών κλικ. Αν το παραδοσιακό διαφημιστικό μοντέλο καταρρεύσει, ένα νέο πρέπει να πάρει τη θέση του. Αυτό μπορεί να περιλαμβάνει μικροπληρωμές για τη χρήση δεδομένων ή μια πλήρη στροφή σε υπηρεσίες βασισμένες σε συνδρομές. Η μόνη βεβαιότητα είναι ότι ο τρόπος με τον οποίο αλληλεπιδρούμε με τις πληροφορίες έχει αλλάξει για πάντα. Δεν ψάχνουμε πλέον για συνδέσμους. Ψάχνουμε για λύσεις. Το νέο model stack παρέχει αυτές τις λύσεις, αλλά το κάνει με ένα τίμημα που μόλις αρχίζουμε να υπολογίζουμε. Το αν αυτό θα οδηγήσει σε μια πιο ενημερωμένη κοινωνία ή σε μια πιο απομονωμένη είναι ένα ερώτημα που μόνο ο χρόνος θα απαντήσει.

Σημείωση συντάκτη: Δημιουργήσαμε αυτόν τον ιστότοπο ως έναν πολύγλωσσο κόμβο ειδήσεων και οδηγών τεχνητής νοημοσύνης για άτομα που δεν είναι φανατικοί των υπολογιστών, αλλά εξακολουθούν να θέλουν να κατανοήσουν την τεχνητή νοημοσύνη, να τη χρησιμοποιούν με μεγαλύτερη αυτοπεποίθηση και να παρακολουθούν το μέλλον που ήδη έρχεται.

Βρήκατε κάποιο λάθος ή κάτι που χρειάζεται διόρθωση; Ενημερώστε μας.