Az AI Observatory nevű kutatási kezdeményezés azt vizsgálta, mennyire tükrözik a nagy mesterséges intelligencia-vállalatok nyilvános jelentései a valós használati mintákat. A projektet többek között a Stanford Trustworthy AI Research (STAIR) Lab PhD-hallgatója, Anka Reuel és az MIT kutatói vezetik; a csapatban részt vesz a Data Provenance Initiative és más intézmények kutatói is.
A kezdeményezés célja, hogy független adatforrást adjon kutatóknak és döntéshozóknak: a platform hét korábbi, felhasználók hozzájárulásával gyűjtött valós beszélgetésből aggregált és elemez valós AI–felhasználó interakciókat Claude, ChatGPT, Gemini, Grok és más modellekkel.
Mit talált az AI Observatory?
A projekt 24 521 beszélgetést dolgozott fel, amelyek 85 633 beszélgetési fordulóból (prompt + válasz) álltak, 5 000 felhasználótól és 52 különböző modelltől származtak, 2023 és 2025 között. Az eredmények szerint:
- Az AI-használat modellek szerint jelentősen eltér: témák, interakciós stílusok és a „szenzitív” használati esetek gyakorisága modellről modellre más.
- Időben változások is tapasztalhatók: például a WildChat adathalmazban a beszélgetések hosszabbak, részletesebbek lettek (növekedtek a prompt- és válaszkódok, valamint a fordulók száma), és nőtt a small talk aránya, miközben az asszisztensek önfeltárása („én egy chatbot vagyok”) csökkent — ami az AI-társas kapcsolatok növekedésére utalhat.
- A kutatók szerint a szigorúan vett „szenzitív” kategóriába eső tartalmak (pl. szexuális zaklatás, gyűlöletbeszéd) aránya csökkent az időszak során, ami a platformok hatékonyabb védelmi intézkedéseire utalhat.
Összehasonlítás a vállalati jelentésekkel
A tanulmány kiemeli, hogy a vállalati riportok gyakran szűkített szemszögből vizsgálják a használatot. Az Anthropic Economic Index például nevéhez híven a munkával és termelékenységgel kapcsolatos Claude‑használatra fókuszál, és kiszűri az e céloktól eltérő beszélgetéseket. Amikor az AI Observatory csapata Anthropic szűrési módszereit alkalmazta saját adathalmazára, kiderült, hogy a beszélgetések 48%-át ki kellett volna szűrni.
Ezek a kiszűrt, nem munkával kapcsolatos beszélgetések azonban gyakrabban tartalmaztak egészségügyi és párkapcsolati témákat (44,2% vs. 31,2% az Anthropic elemzéséhez képest), felnőtt vagy illegális témákat (7,9% vs. 2,1%), zaklatást és gyűlöletet (27,5% vs. 5,66%) és szexuális tartalmat (16,7% vs. 2,4%). Hasonlóan OpenAI 2025‑ös ChatGPT‑jelentése is azt mutatta, hogy a fogyasztói használatok körülbelül 30%-a kapcsolódott munkához.
David Widder, a Texasi Egyetem (UT‑Austin) School of Information adjunktusa, aki nem tagja az AI Observatorynek, azt mondta, hogy bár Anthropic külön posztokat is közölt például támogatásra, társaságra vagy CSAM‑generálásra vonatkozó használatról, az Observatory „madártávlati” egységes elemzése segíti a kutatókat abban, hogy következetesebb képet kapjanak a különböző felhasználási módokról.
Modell- és verzióközi különbségek
A kutatás megállapította, hogy bizonyos modellek inkább információkeresésre használatosak: Grok és Gemini például gyakrabban szolgáltak információ‑lekérésre; Grok különösen gyakori volt hírek és politika témájában, és ugyanitt koncentrálódott a téves információ is. A tanulmány megjegyzi, hogy más kutatások is hasonló jelenséget tapasztaltak Grok kapcsán; az xAI nem válaszolt megkeresésre.
Egyes modellek specializációja is kirajzolódott: Anthropicot többen keresték kódolási célokra, Geminit társas és szerepjátékos használatra, ChatGPT‑t pedig házi feladathoz való segítségkérésre.
Még egy modellen belül is különbségek voltak: a GPT‑3.5‑tel működő ChatGPT‑beszélgetések rövidebbek voltak, míg a GPT‑4o‑val hosszabb, iteratívabb konverzációk fordultak elő — ami összhangban van azzal a korábbi megfigyeléssel, hogy a GPT‑4o „érzelmi függőséget” eredményezhet.
Adatkorlátok és következmények
A kutatók hangsúlyozzák, hogy az AI Observatory adathalmaza is torzításokat tartalmazhat: a beszélgetések önkéntesen közölt forrásokból származnak, így valószínűleg alulreprezentálják a különösen érzékeny használatokat, amelyeket a felhasználók kevésbé hajlandók megosztani. Emellett a 24 521 beszélgetés a nagy laborok adatmennyiségéhez képest csekély: az Anthropic Economic AI Index például 1 millió Claude‑beszélgetésen alapul, OpenAI ChatGPT‑elemzése pedig 1,5 millió beszélgetésre támaszkodott.
Anthropic képviselője elmondta, hogy a publikált kutatásaik a csapataik konkrét kérdéseit tükrözik, és hangsúlyozta a külső, független kutatások támogatásának fontosságát. OpenAI nem válaszolt a megkeresésre.
Reuel és munkatársai azt remélik, hogy az AI Observatory adatai szélesebb hozzáférést biztosítanak a kutatói közösség számára, és terveik szerint bővítik a gyűjteményt. Ideálisan a nagy AI‑cégek megosztanák adataikat független kutatókkal — természetesen a felhasználói magánélet védelmét biztosító módon. Jelenleg azonban, figyelmeztetnek, a döntéshozók gyakran „a vállalati narratívákon” alapuló, hiányos adatokra támaszkodnak döntések meghozatalakor, anélkül, hogy ismernék a teljes képet.
Miért fontos ez?
A kutatás rávilágít arra, hogy az AI‑használat sokszínűsége és a szenzitív esetek aránya eltérőképpen jelenik meg különböző forrásokban. Az átláthatóbb, független adatbázisok segíthetnek jobb kutatási alapot adni a szabályozóknak és a társadalmi vitáknak arról, hogyan befolyásolja a generatív AI a munka, a magánélet és a közösségi viselkedés területeit.
