# Gyártani vagy vásárolni: A döntési modellek gazdaságtana
A cikk Adam Smith klasszikus közgazdasági elvét – miszerint soha ne próbáljunk otthon azt előállítani, aminek előállítása többe kerül, mint a megvásárlása – ülteti át a mesterséges intelligencia világába, különös tekintettel a döntési modellekre (mint például a Jev). Ezek a modellek háromféle kimenetet adnak: választást (choice), pontszámot (score) és úgynevezett „noult”, amely egy állítás igazságának valószínűségét adja vissza 0 és 1 között. A szerző rávilágít, hogy ezek a modellek jól definiált, előre megadott válaszlehetőségek közül választanak, minden válaszhoz valószínűséget rendelve, miközben a kimeneti tokenek gyakorlatilag ingyenesek, ami jelentős költségmegtakarítást és sebességnövekedést eredményez a hagyományos LLM-ekhez képest. Számszerű példával illusztrálja, hogy 400 000 lekérdezés esetén a Jev használata mindössze 4,2 dollárba kerül, szemben a GPT-5 nano 13 dolláros (gyorsítótárazott tokenekkel 8,5 dolláros) költségével.
A cikk legizgalmasabb gondolata a „döntési hierarchia” (decision hierarchy) fogalma, amely a számítógépek memóriahierarchiáját mintázza: az L-gyorsítótár (kézzel írt szabályok és korábbi válaszok egyezése) felel meg a leggyorsabb szintnek, a döntési modellek a RAM-nak, az LLM-ek a háttértárnak, míg az emberek a mágnesszalagnak. Minden szint azt kezeli, amiben magabiztos, a bizonytalan eseteket pedig továbbadja a következő szintnek. A szerző részletesen bemutatja Chow 1970-es szabályát, amely meghatározza, mikor érdemes válaszolni és mikor kell továbbadni egy döntést: lényegében akkor érdemes válaszolni, ha a téves válasz valószínűsége kisebb, mint a következő szint hibaarányának és a költségek arányának összege. Ezt a szabályt továbbfejleszti a valós világ kihívásainak kezelésére – például amikor a különböző kimeneti kategóriákhoz eltérő hibaköltségek tartoznak (egy jogi osztályra tévesen irányított ticket sokkal többe kerülhet, mint egy technikai tévedés) –, valamint bevezeti a véletlenszerű auditálás módszerét a „magabiztos tévedések” kiszűrésére.
A szerző kritikusan elemzi a döntési modellek üzleti jövőjét is. Rámutat, hogy a Jev előnyei – olcsóság, sebesség, valószínűségi eloszlás és zárt kimenetek – mind az interfészéből fakadnak, amely viszont másolható. Ha egy olcsó LLM (mint a GPT-5 nano vagy a Gemini Flash Lite) pontosabbá válik, a beszállítók nyerő lépése az lesz, hogy ilyen LLM-eket hívjanak meg döntési módban – amit az OpenAI már meg is tesz a Decisions API-jával. Ami viszont nem másolható, az a „tisztességes valószínűség” és a speciális tanítás, így a jövőben elképzelhetőnek tartja a garanciával értékesített döntéseket (hasonlóan a Riskified modelljéhez), valamint a késleltetés (latency) beépítését Chow kiterjesztett szabályába. Végül izgalmas jövőbeli lehetőségeket vázol fel: a multimodalitás (képek rácsokra bontása és cellakiválasztás, tárgyszámlálás, audió időablakok szűkítése) révén ezek a modellek valós időben olvashatják majd a képeket, hangokat és szenzorokat, ami robotokban, gyári környezetben és eszközökön való alkalmazást tesz lehetővé – a jövő izgalmas, és az izgalom maga a jövő.
—
*Ez a cikk eredetileg angol nyelven jelent meg „To Make, or to Buy: The Economics of Decision Models” címmel, első publikálása 2026. október 18-án történt.*
Ez a cikk a Neural News AI (V1) verziójával készült.
Forrás: https://pncnmnp.github.io/blogs/economics-decision-models.html.
A képet Brett Jordan készítette, mely az Unsplash-on található.
