A Gartner felhőalapú adatbázis-kezelő rendszereket értékelő legfrissebb - tavaly novemberi keltezésű - mágikus négyzetében (2025 Magic Quadrant for Cloud Database Management Systems) a helyzet továbbra is változatlan, legalábbis ami a vezető szállítók alnégyzetét illeti. Itt ugyanis minden nagy platformszállító (AWS, Google, Microsoft, Databricks, Snowflake, IBM, Oracle) neve szerepel, immár évek óta. A felszín alatt azonban jelentős változások mennek végbe, a piacot és a platformokat olyan trendek formálják, mint a generatív mesterséges intelligencia (AI) térhódítása, az adatfeldolgozás és -elemzés valós idejűvé válása, valamint a felhőalapú DBMS és az adatmenedzsment más elemei közötti interakciók átalakulása, mutatott rá az elemző.
Felhasználói oldalon is találunk olyan trendeket, amelyek évek óta kitartanak - mondta nyitó előadásában Arató Bence, a Budapest Data+AI Fórumot szervező BI Consulting ügyvezető igazgatója, az idén ötvennél több hazai és külföldi előadót felvonultató, több mint 370 fős szakmai közönséget vonzó konferencia házigazdája.
A BARC idei felmérése (Data, BI and Analytics Trend Monitor 2026) szerint a vállalati prioritások listáján például ismét az adatminőség biztosítása szerepel első helyen, ami aligha meglepő. Az adatminőséget soha nem lehet tökélyre vinni és örökre letudni, ugyanakkor mindennek ez az alapja, ezért jó látni, hogy a vállalatok tisztában vannak a feladat jelentőségével, és ennek megfelelő prioritást rendelnek hozzá, mondta Arató Bence. Évek óta folyamatosan a lista első öt helyén szerepel az adatbiztonság, az adat- és AI irányítás (governance), valamint az adatkultúra és az AI írástudás fejlesztése is, legfeljebb változó sorrendben, és ez is így helyes. Bár a prioritások között a mesterséges intelligencia és az automatizálás is egyre nagyobb figyelmet kap, az említett alapképességek fejlesztése a vállalatok számára létfontosságú feladat, mivel azok a hosszú távon is sikeres adatalapú működéshez nélkülözhetetlenek.
Az adatkultúra és -készségek fejlesztése olyan feladat, amelynek fontosságát nem lehet túlbecsülni, hívta fel rá a figyelmet a Gartner is. A mesterséges intelligencia mindinkább beépül az adatplatformokba, nemcsak az adatmérnökök, hanem minden, adattal dolgozó alkalmazott munkáját az eddiginél sokkal nagyobb mértékben át fogja alakítani. A vállalatok erre már most készülnek, az elemző adatmenedzsment-technológiák érettségét mutató, legfrissebb, tavaly júliusi ábráján (Gartner Hype Cylce for Data Management, 2025 July) az AI-kész adat például a felfokozott várakozások csúcsán szerepel.
Míg a Dbt Labs éves jelentésében (2026 State of Analytics Engineering) megállapítja, hogy a mesterséges intelligencia használatában a vállalati adatcsapatok máris túljutottak a kísérletezés szakaszán. Az alapul szolgáló felmérésben a megkérdezettek 72 százaléka mondta ugyanis, hogy az AI képességekkel támogatott kódírást beépítették napi munkafolyamataikba. Ezzel együtt egy év alatt 66-ról 83 százalékra emelkedett a válaszadók aránya, akik az adatminőséget, a megbízhatóságot emelték ki a legfontosabb prioritások között, így az maga mögé utasította a vállalati adattermékek gyors szállítását is, amely a voksok 50, majd 71 százalékát gyűjtötte be. A felmérés szerint az adatcsapatok hasonlóan nagy jelentőséget tulajdonítanak az irányításnak is, amellyel például elkerülhető, hogy az AI hallucinációival üzleti felhasználókat tévesszen meg, vagy bizonytalanná váljanak az adatgazdai jogosultságok és felelősségek.
Nagyétkű adatplatformok és az örökifjú SQL
Az adattechnológiák gyors fejlődését kiadós piaci konszolidáció kíséri, még az olyan érett, befutott cégek is elkelnek, mint a felhőalapú adatmenedzsment megoldásairól ismert Informatica, amelyért a Salesforce tavaly 8 milliárd dollárt fizetett. Arató Bence példaként említette a Confluent felvásárlását is, amelyet az IBM idén márciusban fejezett be. A 11 milliárd dollárért elkelt Confluent Apache Kafka alapú, nyílt forráskódú adat streaming platformjával a vállalatok valós időben továbbíthatják, kapcsolhatják össze, dolgozhatják fel és irányíthatják adataikat AI ügynökök és más alkalmazások számára.
Jóllehet adatplatformjaik mára kiteljesedtek, a vezető szállítók ebben a kategóriában is folytatják felvásárlásaikat, amelyekkel portfóliójuk erősítését - vagy egyre gyakrabban annak további szélesítését - célozzák. A Snowflake például idén januárban fizetett mintegy 1 milliárd dollárt az Observe-ért, amely a megfigyelhetőséghez (naplózáshoz, metrikákhoz, nyomon követéshez) fejleszt eszközöket, a Databricks pedig az év eleje óta három céget is vásárolt, közülük kettőt (Antimatter, SiftD.ai) a kiberbiztonság területéről.
Eközben olyan sikeres, kisebb szereplők, mint az AI és analitikai munkaterhelésekhez nyílt adatinfrastruktúrát kínáló Dbt és Fivetran összeolvadnak - ami szintén mutatja, hogy a méret milyen sokat számít ezen a piacon. A kategóriájukban legjobb (best-of-breed), innovatív megoldásokat fejlesztő startup cégek, amelyek az elmúlt években tömegével léptek színre, ma már komoly üzleti kihívásokkal küzdenek - ha kevés ügyfelük van, akkor túlzottan függnek a kockázati tőkebefektetőktől, ha gyorsan növekszik felhasználói táboruk, akkor a kiszolgálásukhoz szükséges kapacitásokat nem tudják biztosítani. Felhasználói oldalon pedig a nagyobb vállalatok, úgy tűnik, ismét a kész, integrált platformokat részesítik előnyben, ezért sokan már a modern data stack (MDS) haláláról beszélnek.
A korábbi években kialakult gyakorlat szerint a vállalatok, amelyek nem akartak vagy tudtak nagy adatplatformot bevezetni, kisebb szereplők egy-egy területre, feladatra kifejlesztett, nyílt vagy zárt forráskódú szoftvereiből válogatták össze a kívánt funkcionalitást. A szoftver költségét így alacsonyabban tarthatták, bár a magasan képzett adat- és szoftvermérnökök munkabérével számolniuk kellett - mindenesetre mérlegelhették, melyik megközelítés kifizetődőbb számukra. Ez a korszak alighanem lezárul, de ez nem az MDS végét, sokkal inkább evolúcióját jelenti. A kiváló szoftvereszközök eddigi, felaprózott gyűjteménye az AI (ügynökök) vállalati alkalmazásához nélkülözhetetlen, egységes kontextust, szemantikus réteget és irányítást biztosító platformokba épül.
A mesterséges intelligencia nemcsak az adatplatformok, hanem a programnyelvek piacát is átalakítja, legalábbis ami az erőviszonyokat illeti. Az IEEE évente frissített listáját (Top Programming Languages 2025) ugyan továbbra is a Python vezeti, de az SQL öt helyet előrelépve feljött a negyedik helyre, közvetlenül a Java és a C++ mögé - ami a lekérdező nyelv életkorát tekintve figyelemre méltó. Az SQL több évtizeden átívelő innovációnak köszönheti, hogy a vállalati analitika gerincévé vált, további megújítására és okosabbá tételére ma is számos ígéretes kezdeményezés irányul - és úgy tűnik, remekül illeszkedik az ügynöki AI, a nem emberi fejlesztők ergonómiájához. A Python persze továbbra is az adatos világ meghatározó programozási nyelve marad, szerepe azonban csökkenhet, amikor az ügynöki AI fejlesztési módszerei szélesebb körben elterjednek.
Meghatározó technológiai trendként említette Arató Bence az orkesztráció és a nyílt táblaformátumok területén zajló fejleményeket is. A feladatok ütemezéshez ma sok vállalat három, népszerű orkesztrátor eszköz, az Apache Airflow, a Prefect vagy a Dagster valamelyikét választja, de kihívóik - a Mage, az Orchestra és a Kestra - is hallatnak már magukról. A nagy platformok integrált eszközei is egyre népszerűbbek, bár ezek között is találkozhatunk például hosztolt Airflow-val.
Az analitikai adatkészletek nyílt táblaformátumai, mint például az Apache Iceberg, a formátum-agnosztikus adattóházak építéséhez elérhető, nyílt forráskódú keretrendszerek (pl. Delta Lake), valamint az újgenerációs adatbázis-kezelő rendszerek, adatmotorok, mint a DuckDB, továbbra is lehetővé teszik a vállalatoknak, hogy egyedi igényeik szerint helyben vagy tetszés szerinti felhőben építsék ki és futtassák adatkörnyezetüket. Választásuktól függetlenül azonban számolniuk kell azzal is, hogy a nem túl távoli jövőben, egy újabb felvásárlás következtében valamely nagy platformszállító ügyfelévé válnak.
AI modellek közösségi megmérettetése
A Datadog éves jelentése (State of AI Engineering 2026) szerint folyamatosan növekszik az egyszerre több AI modellre támaszkodó szervezetek tábora. Az alapul szolgáló felmérésben a megkérdezettek 70 százaléka arról számolt be, hogy vállalatuknál 3 vagy annál több modellel dolgoznak, de ezen belül a válaszadók 41 százaléka mondta, hogy 6 vagy még annál is több modellt használnak - utóbbiak aránya tavaly még mindössze 23 százalék volt. A szervezetek egyúttal több szállító AI modelljei közül választanak. A Datadog adatai szerint az OpenAI részesedése 63 százalék, de az elmúlt egy évben a Google és az Anthropic is 20, illetve 23 százalékra növelte tortaszeletét.
A Budapest Data+AI Fórum második napján Peter Gostev, az AI modelleket értékelő Arena szakértője nyitó előadásban foglalkozott a témával. A Kaliforniai Egyetem (Berkely) kutatói által alapított - korábban LMArena néven ismert - cég közösségi platformján szakemberek milliói valós életből vett feladatokon tesztelik a fejlett modelleket, és visszajelzéseikkel segítik a pontozást. Az elmúlt 12 hónapban a két bajnok, az OpenAI és az Anthropic párviadala különösen izgalmasan alakult. Az Arena listáján az Anthropic tavaly a harmadik negyedévben előzte be a nagy riválist, és jelenlegi összpontszáma (1503) alapján már 19 ponttal vezet az OpenAI (1484) előtt. A teljes képhez azonban hozzátartozik, hogy az idei év első negyedében az xAI 1495, a Google pedig 1494 ponttal második és harmadik helyen szerepelt a rangsorban, és - a Bytedance-től kezdve az Alibabán át a DeepSeekig - a többi neves szállító is 1400 feletti pontszámot ért el.
Peter Gostev idézte az Epoch AI kutatóintézet becslését is, amely szerint gigawattban kifejezve az Anthropic modelljei 2023 óta következetesen kevesebb számítási kapacitást használnak, mint az OpenAI modelljei, és jelenleg is ez a felállás. Éves árbevétel tekintetében ugyanakkor az Anthropic idén már átveheti a vezetést - az előrejelzés szerint ugyanis 30 milliárd dollárra, míg az OpenAI 25 milliárd dollárra számíthat, ami a tavaly januári szinthez képest mindkét cég esetében hatalmas ugrásnak minősül.
A ChatGPT kibocsátása, 2022 novembere óta a processzorgyártók árbevétele is felívelt, az NVIDIA számai pedig az egekbe szöktek - negyedéves bevétele már a 70 milliárd dollárhoz közelít, amit a TSMC mintegy 36, a Micron pedig 24 milliárd dollárral követ. Kivétel az ASML, amelynek negyedéves árbevétele ebben az időszakban éppen csak átlépett a 10 milliárd dollár feletti sávba, majd csökkenni kezdett.
Gyorsabb ütemben növekednek a ChatGPT megjelenése óta a legnagyobb felhőszolgáltatók árbevételei is - bár ezek a szereplők az annyi mindent megváltoztató premier előtti évek számaira és dinamikájára sem panaszkodhattak. Mindenesetre tavaly a negyedik negyedévben az AWS 37,6, a Microsoft Azure 32,6, a Google Cloud pedig 20 milliárd dollár bevételt könyvelhetett el.
Kilőttek viszont az infrastruktúra-beruházások, összegük 2023 óta évente közel a duplájára emelkedik. A három legnagyobb beruházó az említett triász - a becslések szerint az Amazon idén már 200, a Microsoft 190, a Google pedig 185 milliárd dollárt fordíthat erre a célra, négyszer többet, mint három évvel ezelőtt. Peter Gostev szerint ezt a tempót nyilván nem lehet sokáig tartani, és a várható lassulást valószínűsíti az a körülmény is, hogy a legutóbbi infrastruktúra-beruházások, a legfejlettebb AI modellek és processzorok hatása csak később lesz érzékelhető a piacon.
Jól látható az is, hogy a modellek mind nagyobb és összetettebb (emberek számára hosszabb időt igénybe vevő) feladatok elvégezésére képesek - az esetek 80 százalékában sikerrel. Pár évvel ezelőtt ez az időtartam csupán néhány perc volt, mára azonban a legtöbb, széles körben hozzáférhető modell esetében egy-másfél óra, a Claude Mythos esetében pedig már 3 óra fölé nőtt.
Ugyanakkor nem kell attól tartani, hogy az AI holnap például minden informatikai vagy más profilú szakember munkáját elveszi. Elemzői becslések szerint a generatív mesterséges intelligenciát fejlesztő cégek éves árbevétele 80 milliárd dollár körül alakul, miközben az IT iparágban a munkabérek tétele egyedül az Egyesült Államokban 660 milliárd dollárra rúg, míg világszinten a munkabérre kifizetett teljes összeg eléri az 58,2 billió dollárt. Más szóval az AI-nak még sokat kell dolgoznia azért, hogy ebből a tortából a jelenlegi 0,1 százaléknál nagyobb szeletet harapjon, mondta az Arena szakértője.
Adatos és AI tanácsok IT vezetőknek
Miként nyitó előadásában Arató Bence rámutatott, az AI- és adatplatformok fejlődése és kiteljesedése, valamint a felvásárlások, a piaci konszolidáció mellett a vállalatoknak továbbra is van mozgásterük és mérlegelési lehetőségük, el kell dönteniük, hogy adataikat, analitikai és AI eszközeiket milyen környezetben, mely felhőben futtassák, milyen folyamatokat automatizáljanak, és milyen magas bérigényű szakembereket foglalkoztassanak.
A BI Consulting ügyvezetője ehhez négy fontos teendőt ajánlott az IT igazgatók figyelmébe idei évre vonatkozó prioritásaik meghatározásához:
Vezessenek be AI-kész adatplatformot - Vállalatuk ezen a platformon egységesítheti adatvagyonát, hogy az egységes kontextus, ontológia és irányítás révén adatait használhatóvá tegye a mesterséges intelligencia számára. Ennek eredményeként az üzleti felhasználók műszerfalak (dashboard) helyett természetes nyelvi kezelőfelületen keresztül beszélgethetnek majd adataikkal, és automatizált adatelemző eszközöket használhatnak. Mindez azonban nem megy egyik napról a másikra, erre a szintre jellemzően maratoni projekteken keresztül vezet az út.
Adattermékeik fejlesztését gyorsítsák AI képességekkel - AI asszisztensek révén gyorsabban és egyszerűbben készíthetnek adatmodelleket, automatizálhatják az adat-előkészítés folyamatát a kinyeréstől kezdve az átalakításon át a betöltésig, valamint gyorsabban fejleszthetnek műszerfalakat az üzlet igényei szerint. AI copilotok révén a riportok, műszerfalak prototípusát például maguk az üzleti felhasználók is elkészíthetik szóbeli utasításokat adva, több iteráción keresztül, és amikor elégedettek az adattermékkel, azt egyszerűen átadhatják az IT osztálynak véglegesítésre, bevezetésre és üzemeltetésre. Sokkal gyorsabb megoldás ez, mint az jelenleg elterjedt gyakorlat, amely szerint üzleti elemzők próbálnak közvetíteni a két, egymással nehezen szót értő terület között.
Vállalatuk emberi munkaerejét készítsék fel a mesterséges intelligencia használatára - Képezzék csapataikat az elemzőktől kezdve a felsővezetőkig, fejlesszék a gyakorlatban használható AI írástudást minden releváns területen és szerepkörben. Ne becsüljék alá az árnyék AI megjelenésének kockázatát, adjanak engedélyezett eszközöket az alkalmazottak kezébe, és tanítsák meg őket felelősségteljes használatukra.
Nem utolsósorban az IT vezetők optimalizálják vállalatuk adat- és AI költését - Ésszerűsítsék az eszközök használatát, és a pénzügyi ráfordítást kapcsolják FinOps megoldásokkal adatos és AI munkaterheléseikhez, hogy javíthassák az elszámoltathatóságot, és IT beruházásaikon jobb megtérülést érjenek el.
Az AI modellek használatáért a vállalatok a felhasznált számítási kapacitás alapján fizetnek, amit a szolgáltatók tokenköltségként számláznak ügyfeleiknek. A token az AI modell által feldolgozott - bevitt és generált - információ alapegysége, kb. négy karakternek felel meg. A tokenköltség már napjainkban is könnyen elérheti egy adatmérnök eleve magas bérköltésének felét, és a vállalatoknak további drasztikus mértékű növekedésére kell készülniük. A megtérülés-számítás ezért amilyen nehéz, olyan fontos minden területen, a feladat nem hárítható egyedül a pénzügyi igazgatóra.
