Multimodálne modely spracúvajú okrem textu aj obraz, zvuk a video, prípadne ich kombináciu v jednom zadaní. Pre firmy to otvára použitia, ktoré s čisto textovými nástrojmi neboli možné: opis a kontrola fotografie z prevádzky alebo stavby, odčítanie údajov zo štítka zariadenia, porovnanie výkresu s realitou, rozpoznanie chyby na výrobku, prepis a vyhodnotenie nahrávky alebo práca so skenovaným dokumentom bez textovej vrstvy. Presnosť sa medzi úlohami výrazne líši a pri technických detailoch, drobnom písme a nekvalitných snímkach klesá. Pri fotografiách z prevádzky treba pamätať na to, že môžu zachytiť osoby aj obchodné tajomstvo, preto sa na ich spracovanie vzťahujú rovnaké pravidlá ako na ostatné firemné údaje.
Pozri aj: AI na prácu s PDF, AI pre techniku a výrobu, obchodné tajomstvo pri používaní AI.
