एंटरप्राइझ AI मॉडेल-स्वित्चिंगच्या उदयाच्या आत

Perplexity हे एकमेव एंटरप्राइझ AI प्लॅटफॉर्म आहे जे एकाच इंटरफेसमध्ये अनेक प्रदात्यांच्या मॉडेल्समध्ये प्रवेश प्रदान करते. दरम्यान, मॅग्निफिशंट ७ मधील सहा कंपन्यांसह फॉर्च्युन ५०० कंपन्यांपैकी ९२% कंपन्या उत्तरे मिळवण्यासाठी आणि निर्णय घेण्यासाठी Perplexity चा वापर करतात. यामुळे कंपन्या विविध कामांसाठी आणि टीम्ससाठी प्रत्यक्षात वेगवेगळ्या AI मॉडेल्सचा कसा वापर करतात हे पाहण्यासाठी आम्हाला एक अनन्य स्थान मिळते.

२०२५ च्या डेटावरून एक स्पष्ट पॅटर्न दिसून येतो: इंजिनिअरिंग टीम्स वगळता, कोणत्याही मॉडेलने एकूण वापराच्या १७% पेक्षा जास्त हिस्सा गाठला नाही आणि जसे जसे AI मॉडेल्स आणि वापरकर्ते अधिक अत्याधुनिक झाले, तसे मॉडेल्समधील वापर अधिकाधिक खंडित होत गेला. जानेवारी २०२५ मध्ये, दोन शीर्ष मॉडेल्सचा एंटरप्राइझ वापरापैकी ९०% पेक्षा जास्त हिस्सा होता. डिसेंबरपर्यंत, चार मॉडेल्सपैकी प्रत्येकाचा १०% पेक्षा जास्त हिस्सा होता आणि अग्रगण्य मॉडेलनेही केवळ सुमारे २३% क्वेरी हस्तगत केल्या.

मल्टी-मॉडेल वर्कफोर्सचा उदय

एंटरप्राइझ वापराचा डेटा दर्शवतो की कर्मचारी आता मॉडेल्सना एकाच डीफॉल्ट टूलऐवजी पर्यायांच्या मेनू म्हणून पाहत आहेत. एंटरप्राइझ जागांपैकी, १२.५% सक्रिय पॉवर वापरकर्ते म्हणून पात्र ठरतात, जे प्रत्येक २८ दिवसांपैकी किमान १२ दिवस सहभागी होतात. हे पॉवर वापरकर्ते मॉडेलच्या शोधाला चालना देतात: नियमित वापरकर्त्यांपैकी २०% च्या तुलनेत, ४०% सक्रियपणे ६+ मॉडेल्स वापरतात. हा पॅटर्न संस्थात्मक स्तरावरही मोजला जातो. शीर्ष ५० एंटरप्राइझ खाती सरासरी ३० मॉडेल्स वापरतात तर सामान्य खात्यांसाठी हे प्रमाण सात आहे.

एंटरप्राइझ टीम्स कामांशी मॉडेल्स कशी जुळवतात

अग्रगण्य AI कंपन्यांनी २०२५ मध्ये ४६ नवीन मॉडेल्स लाँच केले आणि Perplexity ने रिलीझ झाल्यानंतर २४ तासांच्या आत त्या सर्वांची ऑफर दिली. या अ‍ॅग्रीगेटर दृष्टिकोनाने वर्कफ्लोची एक मोठी समस्या सोडवली: कर्मचारी लॉगइनची जुळवाजुळव न करता किंवा स्वतंत्र करार व्यवस्थापित न करता मॉडेल्स दरम्यान स्विच करू शकतात.

एंटरप्राइझ ग्राहकांमध्ये, २०२५ दरम्यान काही मोक्यावर ४३.६% संस्थांनी एकापेक्षा जास्त मॉडेलचा वापर केला, ज्यामुळे एकाच मॉडेलच्या मानकीकरणापासून दूर जाऊन मल्टी-मॉडेल वापराकडे झालेला निर्णायक बदल दिसून येतो. एकाच दिवशी एकाधिक मॉडेल्स वापरणाऱ्या ९.१% एंटरप्राइझ वापरकर्ते विविध कामांना वेगवेगळ्या मॉडेल्सकडे पाठवण्याच्या पॉवर-वापरकर्त्याचे वर्तन दर्शवतात. विशिष्ट मॉडेल्स निवडणाऱ्या वापरकर्त्यांपैकी, ५३% वापरकर्त्यांनी २०२५ मध्ये किमान एकदा एकाच वर्कडे दरम्यान मॉडेल्स बदलले, ज्यामुळे या गटासाठी नियमित मॉडेल-हॉपिंग किती सामान्य झाले आहे हे अधोरेखित होते.

वापर प्रकरणानुसार मॉडेल स्पेशलायझेशन

२०२५ मध्ये संपूर्ण, एंटरप्राइझ वापरकर्त्यांनी प्रोग्रामिंग क्वेरींपैकी ३८% साठी Claude मॉडेल निवडले. संस्था स्तरावर, ४०% एंटरप्राइझ प्रोग्रामिंगसाठी Claude ला डीफॉल्ट मानतात, तर २२% GPT ला प्राधान्य देतात.

परंतु प्रोग्रामिंग हा अपवाद आहे. इतर प्रत्येक कार्यासाठी, लीड कमी स्पष्ट आहे. डिसेंबर २०२५ मध्ये, प्राधान्ये कार्य प्रकारानुसार बदलली:

व्हिज्युअल आर्ट्स: Gemini Flash (४०%)

फायनान्शियल अ‍ॅनालिसिस: Gemini 3.0 Pro तर्क (३१%)

डिबगिंग: Claude Sonnet 4.5 (३०%)

सॉफ्टवेअर डेव्हलपमेंट: Claude Sonnet 4.5 (२९%)

लीगल/कोर्ट केसेस: Claude तर्क मॉडेल्स (२३%)

मेडिकल रिसर्च: GPT-5.1 तर्क (१३%)

नवीन मॉडेल्स लाँच झाल्यामुळे, ही प्राधान्ये बदलण्याची शक्यता आहे. आज जे पुढे आहे ते पुढच्या तिमाहीत पुढे नसू शकते.

मॉडेल लँडस्केप विकसित होत राहते

२०२५ च्या सुरुवातीला, Claude Sonnet 4 आणि GPT-4o यांनी मिळून एंटरप्राइझ क्वेरीजपैकी ९१.५% हिस्सा घेतला (अनुक्रमे ४७.५% आणि ४४%). २०२५ च्या उत्तरार्धात, शीर्ष मॉडेल्सनी प्रदात्यांमध्ये अधिक समानतेने भाग केला: २३.३% Gemini 3.0 Pro तर्क, २०.६% Claude Sonnet 4.5, १०.७% Claude Sonnet 4.5 तर्क, आणि ७.९% GPT-5.

नवीन क्षमतांसह प्रयोग करत असताना वापरकर्त्यांनी नवीन मॉडेल्स रिलीझ झाल्यानंतर काही दिवस एंटरप्राइझ वापराच्या ५०% पेक्षा जास्त स्पाइक केली (एप्रिलच्या उत्तरार्धात GPT-4.1, ऑगस्टच्या सुरुवातीला GPT-5, ऑक्टोबरच्या उत्तरार्धात GPT-5 चॅट). पुढील आठवड्यापर्यंत ते वेगाने सर्वाधिक ३५% पर्यंत कमी होते. नवीन रिलीझ आल्यावर आणि टीम्स कोणते मॉडेल कोणत्या नोकरीस अनुकूल आहे हे परिष्कृत करत असताना मॉडेल्स पसंतीस उतरतात आणि बाहेर जातात.

फक्त एका विजेत्याची निवड करण्यापेक्षा लवचिकता का श्रेष्ठ आहे

इंजिनिअरर्ससाठी Claude ने वर्चस्व गाजवले, पण तो अपवाद होता. इतर प्रत्येक कार्यामध्ये, टीम्स कार्यानुसार वेगवेगळ्या मॉडेल्समध्ये विभागल्या गेल्या. जेव्हा लँडस्केप इतक्या वेगाने बदलते, तेव्हा आजच्या सर्वोत्तम निवडीपेक्षा प्रत्येक पर्यायामध्ये प्रवेश असणे अधिक महत्त्वाचे असते.