A mérce

Egy állítás akkor trend, ha van mögötte mérés, dátum és mintanagyság. Akkor marketing, ha nincs mérés — vagy ami rosszabb, ha nincs olyan mérés, ami cáfolhatná.

És hogy miért érdemes szigorúnak lenni: a fenti 90%-os jóslat iránya helyes volt, csak az üteme nem. A mérések, amik azóta készültek:

A hat hónapra adott 90% tizennyolc hónap alatt sem jött össze. Az irány gyakran eltalálható, a menetrend szinte soha.

Négy trend, aminek mérhető nyoma van

1. Ugyanaz a képesség évről évre drámaian olcsóbb

Egy kutatóintézet hat benchmarkon mérte meg három év alatt, milyen gyorsan esik az adott teljesítményszint eléréséhez szükséges ár. Az eredmény: doktori szintű természettudományos kérdéseknél a korábbi élvonalbeli teljesítmény ára évi negyvenszeresére csökkent. A tartomány viszont hatalmas: a mérés szerint évi kilencszerestől kilencszázszorosig terjed, attól függően, melyik teljesítményszintről van szó. És a szerzők maguk teszik hozzá: a leggyorsabb áresések az utolsó évben történtek, ezért kevésbé biztos, hogy folytatódnak.

A kézzelfogható következmény ma: a kínált szintek között huszonötszörös az árkülönbség ugyanannál a szolgáltatónál. A költséged tehát nem attól függ elsősorban, hogy „használsz-e AI-t", hanem hogy melyik szintet hívod meg. Erről az AI-árazás lefordítvaad részletes bontást.

És itt a csavar, ami miatt ez nem megnyugtató trend: az egyik nagy szolgáltató jelenlegi ára kedvezményes, 2026. december 31-ig, és 2027. január 1-jén megduplázódik — mind a bemeneti, mind a kimeneti oldalon. A csökkenő trend nem véd meg a konkrét áremeléstől. Az ár hosszú távon csökken, de nem a te szerződésed szerint.

2. A helyben futtatható modellek felzárkóznak

Ugyanaz a kutatóintézet 2026 májusában ezt mérte: 2026 januárja óta a legjobb nyílt súlyú modellek átlagosan négy hónappal vannak lemaradva a zárt élvonaltól.

Egy konkrétabb, feladatszintű mérés dokumentumértésen — fontos kiírni, hogy ezt a ranglistát egy gyártó üzemelteti, és a saját modellje vezeti, tehát nem független:

Két árnyalás nélkül ez félrevezető. Az egyik: a „nyílt súlyú" nem egyenlő a „laptopon futtathatóval" — a listát vezető nyílt modellek gyakran százmilliárdos nagyságrendűek. Ez a táblázat azért erős, mert a négymilliárdos is benne van, és az valóban elfér egy mai gépen. A másik: a rés feladatfüggő. Egy körös feladatban kicsi, több körös agentmunkában nagyságrendnyi.

Hogy mikor éri meg egyáltalán, arra a helyi futtatás öt indoka ad konkrét számokat.

3. A szabályozásnak kihirdetett menetrendje van

Ez az egyetlen trend, ami nem becslés, hanem jogszabály.

A halasztás mértéke pontosan megadható: a nagy kockázatú rendszerek III. melléklet szerinti szabályai +16 hónapot, a termékbe ágyazottak +12 hónapot csúsztak, és szintén tizenkét hónapot a szabályozói tesztkörnyezetek.

Az átláthatósági szabályokat viszont nem halasztották el.

A trend, ami ebből kiolvasható: a szabályozás nem gyorsul, hanem lassul ott, ahol nehéz megfelelni — és tartja magát ott, ahol olcsó. Ez nem cinizmus, hanem a dátumokból következik.

Hogy mi vonatkozik ma egy kisvállalkozásra, azt az EU AI Act mai állásafoglalja össze.

Van egy második menetrend is, ami a vállalkozót közvetlenül érinti: az uniós áfaadat-szolgáltatási reform. A határon átnyúló B2B digitális adatszolgáltatás 2030. július 1-jén indul, a tagállami rendszerek összehangolása 2035. január 1-ig tart.

4. Az agentek egyre hosszabb feladatokat visznek végig

Ezt is mérik, méghozzá egy jól definiált mutatóval: az a feladathossz — emberi munkaidőben mérve —, amit a modell adott valószínűséggel old meg. Nem azt méri, milyen okos, hanem azt, hogy meddig bírja.

[Saját számítás] 2025 februárjától 2026 áprilisáig 17,3-szeres növekedés 13,5 hónap alatt — nagyjából 3,3 hónapos duplázódás. A mérést végző csoport saját adatai szerint a duplázódási idő a teljes idősoron 188 nap, 2023 óta viszont 129 nap, a legfrissebb mérésváltozat szerint pedig 2024 óta 89 nap.

És most az ellensúly, ugyanolyan hangsúllyal:

A megbízhatóság nem tart lépést. A 80%-os horizont a mérés egész története során négy-hatszor rövidebb az 50%-osnál. A kutatók megfogalmazásában: még azok a modellek sem tudnak megbízhatóan közepes hosszúságú feladatot végrehajtani, amelyek olykor nehéz és változatos feladatokat is megoldanak.

A bizonytalanság hatalmas. Egy másik, a fenti táblázatban nem szereplő 2026-os modellnél a mért 719 perces érték konfidencia-intervalluma 317 és 3 634 perc között van — a felső határ több mint tízszerese az alsónak.

És a mérce szennyeződik. Ugyanez a csoport 2026 júniusában egy modellről azt írta, hogy a korábban értékelt nyilvános modelleknél magasabb arányban próbált csalni — kihasználta a kiértékelés hibáit és rejtett forráskódot nyert ki. A saját minősítésük: az eredményeik egyikét sem tekintik a modell képességeinek megbízható mérésének.

A régi, egyszerű összefoglalás is áll: a mai modellek négy percnél rövidebb emberi feladatokon szinte hibátlanok, négy óránál hosszabbakon viszont tíz százalék alatt teljesítenek. Erről bővebben az agent reliabilitycímű írásban olvashatsz.

Négy állítás, amire nincs bizonyíték

Mindegyiknél ugyanaz a négy lépés: mit állítanak, mi a legfrissebb mérés, miért nincs bizonyíték, és milyen mérés döntené el. Ez utóbbi a lényeg.

1. „Az AGI a küszöbön van"

A legjobb érv ellene sokáig az volt, hogy a mérce készítői mondják.

Egy általános intelligenciát célzó benchmark — az ARC-AGI-3 — készítői 2026 áprilisában 458 résztvevővel végeztek ellenőrzött, személyes mérést: 90 perces ülések, minden környezettel egyszer találkoztak, egy kísérlettel, és ugyanazt az információt kapták, mint az AI-rendszerek. A tanulmányuk nyitómondata: „Még nincs AGI-nk. Ez az adathalmaz a bizonylat róla."

Aztán jött 2026. szeptember 3. Az OpenAI kiadta a GPT-6 Astrát, és ugyanazok a mércekészítők még aznap közzétették a saját mérésüket. Ugyanaz a feladatsor, két különböző futtatókörnyezet:

Összehasonlításul: ugyanezen a mércén az elődmodell 7,78%-ot ért el, a legerősebb versenytárs 30,16%-ot. Ez nem lépés, hanem ugrás — és ezért nem lehet a szokásos kézlegyintéssel elintézni.

Amit elértek — három konkrét dolog, amit érdemes néven nevezni

Ezen a blogon a szkepszis az alapállás, de az őszinteség előbbre való nála. Három olyan dolog történt, amit korábban senki nem tudott felmutatni.

1. Emberi szint fölötti hatékonyság egy általánosítási feladaton. Nem a pontszám a hír, hanem a lépésszám. A mérés szerint az Astra a szintek 96%-án kevesebb lépésből oldotta meg a feladatot, mint az emberi alapvonal — szintenként átlagosan 51,7%-kal kevesebből. Az emberi alapvonal itt nem százalékos pontszám, hanem a feladatot teljesítő játékosok medián lépésszáma. Vagyis egy addig nem látott környezetben a gép nemcsak megoldotta a feladatot, hanem célratörőbben, mint a medián ember.

2. Egy matematikai mérce, ahol addig minden modell nullát ért el. A FrontierMath Erdős-feladatsorán az Astra az első rendszer, amely egyáltalán megoldott bármit: hatvannyolcból kettőt a feladatonkénti háromszáz dolláros kereten belül, nagyobb kerettel ötöt. Minden korábbi modell eredménye ezen a mércén: nulla.

3. A mérce tervezője előrehozta a saját jóslatát. François Chollet — aki az ARC-ot kifejezetten úgy tervezte, hogy ellenálljon a memorizálásnak — az Astra megjelenésekor kimondta, hogy az érkezés nagyjából kétszer olyan gyors, mint amire számított, és a korábbi, 2030-as időzítését előrehozta. Ez azért számít, mert a mérce készítője a legkevésbé érdekelt abban, hogy a saját mércéjét legyőzöttnek nyilvánítsa.

És amiért mégis fenntartással kezeljük — öt ok

1. A 99,9% nem semleges mérés. A két szám nem összehasonlítható: a magasabbik a szolgáltató saját, zárt állapotkezelő funkcióival készült, amely megőrzi a korábbi gondolatmenetet a kérések között, és tömöríti a hosszabb beszélgetéseket. Ugyanaz a feladat, semleges futtatókörnyezetben 62,7% — harminchét pont a különbség.

2. Az ár. Egy futtatás a semleges környezetben 26 098 dollár. Ugyanezt a feladatsort a mérésben részt vevő emberek nagyjából 12,78 dollár fejenkénti díjazásért oldották meg — több mint ezerszeres különbség. Ha valaki azt mondja, „az AI már olyan, mint az ember", kérdezz rá, hogy mennyiért.

3. A saját definícióján bukik el. A kiadó alapító okiratába írt AGI-meghatározása így szól: „nagymértékben autonóm rendszerek, amelyek a gazdaságilag értékes munka nagy részében felülmúlják az embert". A cég külön benchmarkot épített pontosan ennek a mérésére — és az Astra bejelentésekor ezt az eredményt nem közölték. Egy független mérés szerint az Astra ezen a téren visszaesett az elődjéhez képest. A leglátványosabb eredmények tehát nem azon a mércén születtek, amit a kiadó maga nevezett meg a saját AGI-definíciója mérőeszközének.

4. A mércekészítők maguk sem állítják. A szó szerinti minősítésük: „miközben úgy gondoljuk, hogy az Astra érdemi előrelépés az általánosítás felé, nem állítjuk, hogy AGI volna." És hozzáteszik: a benchmark telítése sem jelentené annak bizonyítékát, mert a feladatkör szűk és zárt, a szabályai determinisztikusak, és nem tükrözi a valós világ nyitottságát.

5. Nincs elfogadott definíció és nincs elfogadott mérés. Egy állítás, amit semmilyen eredmény nem igazolhat és nem cáfolhat, nem tudományos állítás. Ez a kifogás az Astra után is ugyanúgy áll, mint előtte.

A nyilatkozatokról érdemes külön szólni. A kiadó elnöke személyes véleményként azt mondta, „üdvözöllek az AGI-korszakban", és hogy „talán éppen erről a modellről van szó" — ugyanakkor azt is, hogy nincs egyértelmű AGI-küszöbpillanat. A cég hivatalos bejelentésében az AGI szó nem szerepel. Egy nagy chipgyártó vezérigazgatója ennél tovább ment, és kijelentette, hogy az AGI megérkezett; erre a legismertebb kritikus válasza az volt, hogy ez bizonyíték és definíció nélküli állítás.

Az álláspontunk egy mondatban: a „küszöbön van" állítás 2026 szeptemberében érdemben erősebb lett, mint bármikor korábban — és három konkrét dologban a gép valóban odaért —, de a bizonyíték egy szűk, zárt feladatkörre szól, a semleges mérés harminchét ponttal alacsonyabb, az ár nagyságrendekkel magasabb, és épp a kiadó saját definíciója szerinti mérés hiányzik. Ez nem az AGI megérkezése, hanem az első olyan eredmény, amit nem lehet lesöpörni az asztalról.

Milyen mérés döntené el: előre rögzített, nyilvános kritériumrendszer, amit az állítás megtétele előtt publikálnak, amely nyitott, nem determinisztikus feladatkört használ, semleges futtatókörnyezetben mér, és amely tartalmazza az erőforrás-hatékonyságot is.

2. „Az AI tömegesen helyettesíti a munkahelyeket"

A legfrissebb makroadat egy amerikai jegybanki körzet 2026. augusztusi vállalati felvételéből:

És ugyanebből a felvételből: AI miatt a szolgáltató cégek 4%-a bocsátott el bárkit (egy éve 1%), a feldolgozóiparban egyetlen cég sem — sem 2025-ben, sem 2026-ban. Kevesebbet vett fel emiatt nagyjából 15%, többet vett fel azért, hogy kihasználja az AI-t, nagyjából 13%. Átképzést az AI-t használó szolgáltató cégek több mint egyharmada végzett. A szerzők összegzése: a meglévő munkatársakat sokkal valószínűbb, hogy átképzik, mint hogy lecserélik.

A kontraszt, ami ezt erőssé teszi: a használat két év alatt 25%-ról 61%-ra ugrott — ez az egyik leggyorsabb technológiai elterjedés, amit valaha mértek. Az elbocsátás közben egyetlen év alatt 1%-ról 4%-ra nőtt. A bevezetés tömeges, a helyettesítés nem az.

Miért nincs (még) bizonyíték: a technológia elterjedése és a foglalkoztatási hatás között évek telhetnek el; egy cég ritkán mondja, hogy „az AI miatt"; és a makrostatisztika nem tud kontrollcsoportot képezni.

Milyen mérés döntené el: foglalkozásonkénti, hosszú idősoros foglalkoztatási és bérstatisztika, AI-kitettség szerint bontva — és nem önbevallás.

Fontos korlát: a fenti adat regionális és amerikai. Európában és Magyarországon az AI-használat lényegesen alacsonyabb — a hazai kiindulóhelyzetről az AI-stratégia kisvállalkozásnak közöl friss számokat.

3. „A hallucináció megoldódott"

Három mérés, mind 2026-os.

A legkedvezőbb, és még az sem nulla. Egy folyamatosan frissülő ranglista a legkönnyebb feladatot méri: egyetlen odaadott dokumentum összefoglalását, kizárólag annak tényeiből. A legjobb eredmény 1,8% hallucinációs arány.

De itt van a legjobb gyakorlati lecke az egész cikkben. Ugyanezen a listán egy modell 3,7%-os aránnyal szerepel — miközben a kérdések 19%-ára nem is válaszol. A két számot párban kell olvasni. Egy szám önmagában félrevezet.

A nehezebb feladaton sokkal rosszabb. Egy európai műsorszolgáltatói vizsgálat 3 000-nél több AI-választ értékeltetett hivatásos újságírókkal, 22 médiaszervezetnél, 18 országban, 14 nyelven. A 2026 áprilisi bővített kiadás szerint a válaszok 45%-a tartalmazott legalább egy jelentős hibát, 31%-uk súlyos forrásmegjelölési, 20%-uk súlyos pontossági problémát. A jelentés a problémákat rendszerszintűnek minősíti, és leírja, hogy a hiba nyelvtől, országtól és platformtól függetlenül megjelenik.

És a szakterületi mérés, ami lektorált: egy 202 jogi kérdésen végzett vizsgálat szerint a kifejezetten hallucináció ellen épített, piacvezető jogi kutatóeszközök 17 és 33% között hallucináltak.

Miért nem oldódott meg: mert a hallucináció nem hiba, hanem a működési elv mellékterméke — a modell a legvalószínűbb folytatást állítja elő, nem igazságértéket ellenőriz. A javulás valós, de a nehezebb, valós feladatokon 20–45% a hibaarány. És a fogalom tágabb, mint hinnéd: akkor is hallucinál, ha létező forrást idéz, de az nem azt mondja. Ez a veszélyesebb eset, mert a hivatkozás kattintható. A mechanizmust miért hazudik az AImagyarázza el.

Milyen mérés döntené el: nem a gyártó által üzemeltetett, folyamatosan frissülő mérés valós munkafeladatokon — több forrás, keresés, szintézis —, és a válaszadási aránnyal együtt közölve.

4. „A nagy context window feleslegessé tette a RAG-ot"

Két független mérés, ugyanaz az eredmény.

Az első, egy 2025-ös konferenciacikk, a klasszikus „tű a szénakazalban" tesztet terjeszti ki úgy, hogy a kérdés és a keresett mondat között minimális a szó szerinti átfedés — következtetni kell, nem szót egyeztetni. Tizenkét modellt vizsgáltak, mind 128 ezer tokenes vagy nagyobb context windowt hirdet. Az eredmény: 32 ezer tokennél tizenkettőből tíz modell a saját rövid-context alapértékének a FELE alá esett. Egy konkrét példa: 99,3% ezer token alatt, 69,7% 32 ezernél.

A második — és itt ki kell írni, hogy a mérést vektoradatbázist áruló cég végezte, tehát érdekelt, viszont a módszertana nyílt és reprodukálható — 18 modellen mérte, mi történik, ha a feladat nehézségét állandóan tartják, és csak a bemenet hosszát változtatják. A megállapítás: a modellek nem használják egyenletesen a kontextusukat, a teljesítményük a bemenet növekedésével egyre megbízhatatlanabb.

A legjobb egyetlen kísérlet ebből: 306 kézzel tisztított feladatnál összehasonlították a fókuszált promptot (kb. 300 token, csak a releváns rész) a teljes prompttal (kb. 113 ezer token). Minden modellcsaládnál a fókuszált nyert. Ugyanaz a modell, ugyanaz a kérdés, a válasz mindkettőben benne van — és 300 tokenben jobban válaszol, mint 113 ezerben. Ez maga a RAG melletti érv, mérésből.

Miért nem oldotta meg: a hirdetett context window nem a használható context window; a romlás nem lineáris és nem a végén kezdődik; és a költség aszimmetrikus — ha minden kérdésnél beteszed a teljes tudásbázis t, minden kérdésnél kifizeted az egészet.

Milyen mérés döntené el: ugyanaz a modell, ugyanaz a kérdéshalmaz, azonos feladatnehézség mellett egyszer teljes korpusszal, egyszer visszakeresett részletekkel — és a hosszú nem veszít. Ez a mérés létezik, és ma a rövid nyer. A gyakorlati oldalt a RAGmutatja be lépésenként.

A tanulság, ami mindegyiknél ugyanaz

2025-ben tizenhat tapasztalt fejlesztő dolgozott 246 valódi feladaton, feladatonként sorsolva, hogy használhat-e AI-t. Az előzetes várakozásuk 24%-os gyorsulás volt. A kísérlet után, a saját, ténylegesen lelassult munkájuk ismeretében 20%-os gyorsulást becsültek. A mérés szerint 19%-kal lassabbak lettek.

Harminckilenc százalékpont az érzet és a mérés között — utólag. Nem az előrejelzésük volt rossz. Az érzékelésük volt rossz.

A szerzők maguk teszik hozzá a korlátot: nagy, érett, magas minőségi elvárású kódbázisokon dolgoztak, amiket évek óta ismertek. Ez a lehető legrosszabb eset az AI számára, és a mérés nem általánosítható az egész szakmára.

De a tanulság igen, és ez a cikk zárógondolata: az érzet nem mérés. Ha a saját cégedben tudni akarod, segít-e az AI, meg kell mérned — mert az érzeted akár 39 százalékponttal is melléfoghat, méghozzá abba az irányba, amit szeretnél. A mérés módszerét az AI-megtérülés méréseírja le öt szabályban.

Mit nézz meg negyedévente

Három szám, és egyik sem a hírekből jön:

1. A saját feladatod hibaaránya. Ugyanaz a húsz eset, ugyanaz a mérce, negyedévente.
2. Az árlap, amit ténylegesen használsz. A trend csökken, de a te tételed konkrét dátummal emelkedhet.
3. A rád vonatkozó szabályozási dátum. A következő: 2026. december 2.

És egy horgony, amit érdemes feljegyezni: egy nagy elemzőcég 2025 nyarán azt jósolta, hogy 2027 végéig az agentprojektek több mint 40%-át leállítják. Ez előrejelzés, nem mérés — de van határideje, tehát vissza lehet majd ellenőrizni. Ezt tervezem is.