Egy 170 vállalatot érintő, 2026 júliusában készített VentureBeat Pulse felmérés szerint az AI-infrastruktúra nagy része már éles üzemben fut: a megkérdezettek 66%-a üzemeltet AI-munkaterhelést éles környezetben, 29% pedig azt méretekben is. Ugyanakkor a kiadások pontos számbavétele sok cégnél hiányos marad — kevesebb mint a vállalatok fele képes szigorúan nyomon követni az AI-számítási költségeket.
Ez a hullám azt vizsgálja, hogy az intézmények hol tartanak a bevezetésben, milyen platformokon futtatnak AI-t ma, hogyan vásárolnak és mérik az infrastruktúrát, hová irányul a következő költés, és mennyire átláthatóak a mögöttes költségek.
Ki hol tart — a pilótán túl
A válaszadók többsége már túljutott a kísérleti fázison: a 170 szervezet közül 66% futtat AI-munkaterhelést élesben, 29% skálázott éles környezetben, 30% van még PoC-fázisban, és mindössze 4% nem kezdett hozzá. A minta erősen operatív: a válaszadók 57%-a több mint 1 000 alkalmazottat foglalkoztat.
Ez a háttér magyarázza, hogy a döntéshozók miért helyeznek nagyobb hangsúlyt a teljesítményre és a rendelkezésre állásra a költség helyett: az infrastruktúra-döntések többsége éles terhelést és valós számlákat érint.
A stack: többnyire hyperscalerek és API-k, átlagosan három platform
A vállalatok átlagosan három platformot használnak. A leggyakoribb szereplők: OpenAI (49%), Google Gemini (48%), Microsoft Azure (47%) és Google Cloud (42%). Amikor egy elsődleges platformot kellett megnevezni, a Microsoft Azure vezet 26%-kal.
A speciális GPU-felhők (CoreWeave, Lambda, Baseten stb.) gyakorlati használata azonban marginális: CoreWeave és Lambda egyenként 3,5%-ban jelenik meg, a többi neocloud pedig 3% alatt; elsődleges platformként összesen 1%-ot tesznek ki. Ezzel szemben 13% futtat nyílt forrású, saját menedzselt megoldást, és 9% üzemeltet saját GPU klasztert.
Megjegyzés: a kérdés többszörös választást tett lehetővé, ezért ezek a százalékok a jelenlétet mérik a stackben, nem a költés arányát.
Hová mennek a következő befektetések? — a szándékok eltérnek a jelenlegi használattól
A következő 12 hónapban a vállalatok 44%-a tervezi, hogy AI-specializált felhőket értékel, ami a legerősebb pozitív irányú lendületet mutatja (+36 net momentum). Ugyanakkor a jelenlegi használatban ezek a szolgáltatók alig jelennek meg: CoreWeave és Lambda 3,5%-os részesedéssel. Nem-Nvidia gyorsítók teszik ki a tervezett értékelések 39%-át, és 25% vizsgálja a következő generációs Nvidia szilikonokat.
Ez tehát komoly szándékot jelez a replatformolásra, de a kívánság és a gyakorlat között nagy a szakadék: a 44%-os értékelési szándék ütközik a 3,5%-os jelenlegi használattal.
Változtatási szándék és a megfontolt szereplők
A vállalatok 62%-a tervezi, hogy 12 hónapon belül vált vagy hozzáad egy infrastruktúra-szolgáltatót; 29% a következő negyedévben fontolgat váltást. Ugyanakkor a váltási megfontolások többsége azokra a szolgáltatókra irányul, amelyeket már használnak: OpenAI és Google Cloud (29–29%), Microsoft Azure (28%), Gemini (25%), Anthropic (16%), Oracle Cloud (14%), AWS (13%). A speciális felhők csak kis arányban jelennek meg a tényleges váltási shortlistben (CoreWeave 4%, Lambda 3,5%).
Ez arra utal, hogy a közel távú átrendeződés többnyire az incumbentok között zajlik, míg a neocloudok inkább hosszabb távú vizsgálati célpontok maradnak.
Vásárlási és mérési kritériumok: a teljesítmény előrébb, a költség hátrébb
A kiválasztásnál a legerősebb szempont továbbra is az integráció a meglévő felhő- és adatsztackkel (40%). Azonban a második helyre a teljesítmény (latencia és átviteli sebesség) lépett (35%), harmadik a GPU-hozzáférés és rendelkezésre állás (24%), míg a teljes tulajdonlási költség (TCO) csak 22%-on áll. A finom skálázás 18%-ot, a költség/millió token 16%-ot kapott.
A siker mérésénél is az üzemidő és megbízhatóság áll az élen (51%), majd a fejlesztői termelékenység és a telepítési sebesség (39%), a költség/millió token 31%-on, a latencia 27%-on, az áteresztőképesség pedig 25%-on.
Ez a sorrend logikus a production környezetekben: a csapatok először azt nézik, hogy működik-e és milyen gyorsan lehet szállítani. Ugyanakkor kényelmetlenül illeszkedik a mérési hiányhoz: a TCO lejjebb került pontosan abban a pillanatban, amikor 53% nem képes szigorúan követni a számítási költségeket.
GPU-utilizáció: a legtöbbet melegítenek, de sok még mindig kihasználatlan
A 155 saját GPU-t üzemeltető vállalat közül 69% jelzi, hogy kapacitásuk 50% vagy annál alacsonyabb kihasználtságon működik; a 26–50% sáv 46%-ot tesz ki. Csak 23% éri el az 50% feletti kihasználtságot. További 12% egyáltalán nem méri a kihasználtságot.
A skálázottság sem garantál jobb hatékonyságot: a skálázott éles környezetben futó cégeknél a 50% fölötti arány 22%, nem különbözik lényegesen a többiek 24%-ától. Az inaktív (vagy alacsonyan kihasznált) gyorsítók jelentős költségtöbbletet jelentenek, és a jelenlegi flottában nagy a hatékonysági potenciál.
Költségkövetés hiánya: kevesebb mint a vállalatok fele látja a számokat
Átfogóan csak 47% tudja szigorúan mérni AI-számítási költségeinek és megtérülésének nagyságát. 39% részlegesen követi, 15% még nem tudja számszerűsíteni, és 6% nem tartotta prioritásnak. Még a skálázott éles üzemet futtató vállalatoknál is a precíz követés aránya csak 56%.
A felhasználói elégedettség skáláján az általános elégedettség átlagosan 4,14 (ötös skálán), a bevezetés egyszerűsége 4,04, míg az ár-érték mutató 3,87 — azaz a leggyengébb pont éppen az, amihez mérés kellene.
A memóriahatár kapcsán még nincs konszenzus
A nagy skálájú inference következő korlátja a memória (különösen a KV-cache kapacitás) lesz. Ebben a kérdésben megosztott a piac: Dell 24%-kal és Nvidia 21%-kal vezet, 12% nyílt forrású eszközöket említ, 11% modell-szintű hatékonysági technikákat (MLA, kvantálás). Ugyanakkor 19% vagy nem ismeri a problémát (7%) vagy még nem kezdett el foglalkozni vele (12%). Ez arra utal, hogy a memóriahatár sok cégnél még nem része a tervezésnek.
Összegzés — gyorsan vesznek, de vakon a költségek felé
A vállalatok 100+ alkalmazottal átléptek az éles üzembe: kétharmad futtat AI-t éles környezetben, harmad skálázottan. Döntéseik középpontjában az integráció, a teljesítmény és a rendelkezésre állás áll, és az átlagos stack három platformból épül fel. Ugyanakkor a költségátláthatóság nem tart lépést: 53% nem követi szigorúan a költségeket, 69% 50% vagy alatti GPU-kihasználtságot jelent, és 12% egyáltalán nem méri a kihasználtságot. Az ár-érték értékelése alacsonyabbra kerül, miközben a legtöbb vállalat nem rendelkezik a szükséges instrumentációval ahhoz, hogy ezt megalapozottan ítélje meg.
A következő költési hullám a jelenlegi stacken túlra mutat: AI-specializált felhők a leggyakoribb értékelési cél (44%), de jelenleg csak 3,5% használ ilyen szolgáltatót. A kérdés nyitott marad, hogy a neocloudok képesek-e átalakítani az értékelést tényleges használattá, vagy a jelenlegi nagy szolgáltatók fogják kiszolgálni ezt a keresletet.
Módszertan
A VentureBeat Pulse Research felmérést egyetlen, 2026 júliusi hullámban végezték 170, több mint 100 alkalmazottal rendelkező szervezet körében. A minta önkéntes és iránymutató jellegű; a kérdések közül több többszörös választást tett lehetővé, ezért egyes megoszlások összege meghaladhatja a 100%-ot. A válaszadók megoszlása szervezetméret, szerepkör és iparág szerint a cikkben található részleteknek megfelelő.
(Az eredmények iránymutató jellegűek és a júliusi hullámon alapulnak; nem vonnak le hónapról hónapra trendkövetkeztetéseket.)
