OpenAI ökoszisztéma: ChatGPT-től az API-ig
Az OpenAI nem egyenlő a ChatGPT-vel. A platform ma már modellek, Projects, deep research, Canvas, Codex, Responses API és agent builder rétegekből áll — minden felhasználói szintre van megfelelő belépési pont.
Mi ez valójában?
Az OpenAI platformot nem érdemes egyetlen chatként tanítani. A helyes mentális modell az, hogy van egy modellréteg, és erre épülnek rá a különböző termék- és workflow-rétegek: fogyasztói app, kutatási agent, canvas-alapú szerkesztő, kódolási agent, API és enterprise infrastruktúra.
Ettől lesz a rendszer egyszerre széles és könnyen félreérthető. Sokan a ChatGPT-vel azonosítják az egész OpenAI-t, miközben a Projects, a deep research, a Codex és az Agents SDK teljesen más problémára készültek — és más szinten lépnek be a workflow-ba.
Ez az oldal az OpenAI ökoszisztéma rendszertérképe — a modellrétegtől a fogyasztói appon és a canvas workflow-kon át az enterprise cloudos infrastruktúráig. Ha kimondottan a ChatGPT fogyasztói felhasználásáról van szó, azt a ChatGPT oldalon találod részletesen.
A ChatGPT részletes leírása külön oldalon él
Chat, deep research, Canvas, voice, image generation, Plans és konkrét felhasználási minták — mind egy helyen, rétegről rétegre.
Hogyan olvasd ezt az oldalt
Első jó OpenAI-mentális modell
ChatGPT ≠ OpenAI
A ChatGPT az OpenAI egyik terméke, nem maga az ökoszisztéma. Az egész platform ma már modellek, API, Agent Builder, Projects, deep research és Canvas rétegekből áll.
Válaszd szét a felületet és a modellt
A GPT-4o, o1, o3 és más modellek az intelligencia rétegét jelentik. A ChatGPT, a Canvas, a Codex és a Responses API ezek felé különböző belépési pontok és workflow-k.
Nézd meg, melyik rétegre van szükséged
Csevegés, kutatás, canvas-alapú szerkesztés, kódolás, API-integráció vagy enterprise deployment — mindhez más réteg a belépési pont.
A Projects és az API határ közt gondolkodj
A Projects és Tasks a tartós, emberi munkamenet-réteg. Az API és az Agents SDK az, ahol az OpenAI infrastruktúrává válik, nem csak eszközzé.
Mire jó ez a rendszerkép
Tipikus OpenAI platform minták
Kutatás és összefoglalás
A deep research nem egyszerű chat, hanem többlépéses webes kutatási agent. Kutatási briefingekre, versenytárs-elemzésre és szakmai anyagok gyors feltérképezésére való.
Tartós projektalapú munka
A Projects réteg lehetővé teszi, hogy a ChatGPT memóriával és kontextussal dolgozzon egy projekten belül — ez különbözteti meg az egyszeri csevegéstől.
Kódolás és fejlesztői workflow
A Codex és Canvas hosszabb kódolási és szerkesztési workflow-khoz valók. A Canvas deliverable-szintű outputot generál, a Codex agent-módban dolgozik.
API és termékintegráció
A Responses API, function calling és built-in tools (web search, code interpreter, file search) olyan fejlesztők eszközei, akik az OpenAI modelljeit saját termékbe akarják építeni.
Rendszerrétegek
Hogyan áll össze a stack?
Model layer
GPT modellek: reasoning (o1, o3), szöveg, kép (DALL-E), hang (Whisper, TTS) és structured output. Ez az intelligencia alaprétege, amelyre minden más épül.
App layer
A ChatGPT felület rétegei: chat, deep research, canvas, voice, image generation, fájlfeltöltés. A legtöbb felhasználó itt találkozik az OpenAI-val.
Projects / Memory layer
Tartós munkatér, projektmemória, tasks és ütemezés. Ez az a réteg, ahol a ChatGPT nem egyszeri eszköz, hanem folyamatos munkatárs.
Research / Connectors layer
Deep research és app connectorok: GitHub, Drive, webes források. A kutatási agent és az külső adatforrások összekötése ezen a szinten történik.
Canvas / Codex layer
Hosszabb írási és kódolási workflow-k, szerkeszthető deliverable. A Canvas dokumentumok, a Codex agentic kódolási feladatokhoz való.
Developer / API layer
Responses API, function calling, built-in tools, Realtime API. Ez az a szint, ahol az OpenAI infrastruktúrává válik termékek és rendszerek számára.
Agent layer
Agent Builder, Agents SDK, tool orchestration. Saját agentek, multi-agent rendszerek és orchestration itt épülnek az OpenAI platformon.
Enterprise layer
Business, Enterprise és Edu admin konzol, analytics, compliance és szervezeti irányítás. Az a réteg, ahol az OpenAI szervezeti infrastruktúrává válik.
Az OpenAI platform fő rétegei
A ChatGPT alaprétege ma már nem csupán chat. A deep research egy önálló többlépéses agent, amely webes forrásokat keres, szintetizál és hivatkoz. Ez nem egyszerű keresőkérdés, hanem strukturált kutatási workflow.
A két réteg közötti különbség lényeges: chat gyors kérdések és ötletelés esetén ideális, a deep research szakmai anyagok, briefingek és piackutatás esetén hoz mélyebb értéket.
A legfontosabb OpenAI rétegek
ChatGPT
Az OpenAI fogyasztói apprétege. Chat, deep research, canvas, voice és kép. A legtöbb felhasználónak ez az elsődleges belépési pont, de csak egyik szelet az egész platformból.
ChatGPT oldal megnyitásaOpenAI Platform
A fejlesztői és API réteg: Responses API, function calling, built-in tools, playground és management. Termékbe épített AI-hoz és API-alapú integrációkhoz ez a belépési pont.
OpenAI Platform megnyitásaCodex
Agentic kódolási feladatok rétege: pull requestek, refactoring, tesztelés és repo-szintű automatizálás. Nem IDE-beépülő, hanem agent-módban futó kódolási workflow.
Codex oldal megnyitásaAgentek és orchestration
Az Agents SDK és az Agent Builder az OpenAI platform agent-rétege. Saját agentek, multi-agent rendszerek és tool orchestration épül ezen a szinten.
Agentek oldal megnyitásaHogyan néz ki ez a gyakorlatban?
Kutatás és piacelemzés
Egy stratégiai elemző deep research-csel feltérképezi a versenytársakat és iparági trendeket, majd Projects-be szervezi a visszatérő összefoglalóit. A connectorok (GitHub, Drive) a saját forrásokat is bevonják.
Tartalom és kommunikáció
Egy tartalomszerkesztő Canvas-ben dolgozik hosszabb cikkeken, ahol a ChatGPT nem csak javaslatokat ad, hanem a dokumentumot is szerkeszti egyszerre. Az output deliverable-szintű, nem csak vázlat.
Fejlesztői integráció
Egy fejlesztőcsapat a Responses API-n keresztül építi be az OpenAI modelljeit saját termékükbe. A function calling és a built-in file search az alkalmazás belső adataira is támaszkodik.
Vállalati bevezetés
Egy enterprise IT vezető ChatGPT Enterprise-szal indul: SSO, audit log és compliance-beállítások után kezdi el a szervezeti knowledge-base-t és a belső workflow-automatizálást kialakítani.
Mikor melyiket válaszd?
| Feladat | Jó választás | Miért |
|---|---|---|
| Általános chat és kérdések | ChatGPT | Gyors ötletelés, összefoglalás, szövegírás — az app chat rétege elegendő. |
| Strukturált kutatás és briefing | ChatGPT deep research | Többlépéses webes kutatáshoz, hivatkozott szintézishez a deep research agent az eszköz. |
| Tartós projekt és kontextus | ChatGPT Projects | Ha egy témán többnapos vagy visszatérő munkát végzel, a Projects tartja a kontextust. |
| Dokumentum- és kódolási workflow | Canvas / Codex | Hosszabb szerkesztési projekthez Canvas, agentic kódoláshoz Codex a megfelelő réteg. |
| Saját termékbe épített AI | Responses API | API-alapú integráció, function calling, built-in tool-ok és Realtime API a fejlesztői rétegen. |
| Agent és automatizáció | Agents SDK / Agent Builder | Saját agentek, multi-step automatizálás és tool orchestration ezen a szinten épül. |
| Szervezeti használat és compliance | Enterprise / Business | Admin konzol, SSO, audit log és compliance-beállítások az Enterprise csomagban. |
Miben nem jó — korlátok
Az OpenAI egyenlő a ChatGPT-vel
Nem. A ChatGPT az OpenAI egyik fogyasztói terméke. Az ökoszisztéma tartalmaz még API-t, Agents SDK-t, Agent Buildert, Codexet, enterprise admin konzolt és modellréteget is.
A deep research ugyanolyan, mint a sima chat
Nem. A deep research több lépéses, webes forrásokat átfésülő kutató agent. Nem egy kérdés-válasz csere, hanem kutatási workflow, amely hivatkozásokat is gyűjt.
Az Enterprise csomag önmagában governance
Nem. Az Enterprise ad technikai kontrollt: SSO, audit log, adatbiztonság. De az AI-használati policy, a prompt szabályozás és a szervezeti keretek kialakítása külön feladat marad.
A Codex és a Canvas ugyanarra való
Nem. A Canvas dokumentum- és szövegszerkesztési deliverable-munkafelület, a Codex viszont agentic kódoláshoz — repo-szintű feladatok, refactoring és PR-ok elvégzéséhez — készült.
Mikor érdemes az egész ökoszisztémában gondolkodni?
- Sok különböző feladattípust akarsz egyetlen platformon kezelni
- Csapatmunkát, kutatást, automatizációt és fejlesztést egyaránt igényelsz
- App connektorokat, deep researcht és multimodalitást is szeretnél
- Termékbe épített AI-t fejlesztesz Responses API-val