AI-szöveg ellenőrzése publikálás előtt

A hiba, ami már nem ritka

Van egy nyilvános adatbázis, amely azokat a bírósági ügyeket gyűjti, ahol a bíróság maga állapította meg, hogy a benyújtott irat AI által kitalált hivatkozásokat tartalmaz. 2026 szeptemberének elején kétezer fölött járt a bejegyzések száma, negyvennél több joghatóságból. A gyűjtemény kezelője szerint 2025 előtt havi két-három ilyen eset jött, 2026 februárjára viszont napi öt körül. És ez alulbecslés: csak az kerül bele, amit bíróság már kimondott.

Az eljárási következmények is megjelentek. Egy 2026 márciusi fellebbviteli döntésben két ügyvédet fejenként 15 ezer dollárra bírságoltak, mert a beadványuk „két tucatnál több hamis hivatkozást és tényállításbeli félrevezetést" tartalmazott — a bíróság szerint ez „óvatos becslés". A döntés indoklásának egyetlen mondata a lényeg: egyetlen beadvány sem tartalmazhat olyan hivatkozást, amit az ügyvéd maga nem olvasott el és nem ellenőrzött. Egy amerikai állam bíróságai már tételes díjszabást is bevezettek: hivatkozásonként 500, kitalált idézetenként 1000 dollár.

A tudományban ugyanez a görbe. Egy 2026 májusában publikált elemzés 97 millió hivatkozást ellenőrzött azonosító alapján: 2023-ban 2828 cikkből egy tartalmazott kitalált hivatkozást, 2025-ben már 458-ból egy, 2026 első heteiben pedig 277-ből egy. Két év alatt tizenkétszeres növekedés — és ez is alsó becslés, mert a feloldható azonosító nélküli hivatkozások kimaradtak a vizsgálatból.

Miért nem működik, ha megkérded a modellt

A legelső nyilvánosságot kapott esetben, 2023-ban, az ügyvéd megkérdezte a chatbotot, hogy valódiak-e a hivatkozott ügyek. A válasz az volt, hogy igen, és megtalálhatók a nagy jogi adatbázisokban. Egyik sem létezett. Ez nem anekdota, hanem a hibatípus tökéletes illusztrációja: az önellenőrzés ugyanabból a rendszerből jön, mint a hiba.

A mérés ugyanezt mondja. Egy kontrollált vizsgálatban külső visszajelzés nélküli önjavítás után a teljesítmény minden benchmarkon romlott: az egyik matematikai feladatsoron 95,5 százalékról két kör alatt 89-re, egy másikon 75,8-ról 38,1-re. A modell nem azért nem javítja ki magát, mert lusta, hanem mert nincs hozzá külső mércéje.

A hibafelismerés is szelektív, és pont rossz helyen gyenge. Egy 2025-ös mérésben a modellek a saját hallucinációik 58 százalékát ismerték fel, ha lépésenként kérték tőlük — de a találati arány földrajzi nevek és cégek esetében 80 százalék fölött volt, személyeknél és szórakoztatóiparnál viszont 40 alatt. Vagyis pontosan ott gyenge, ahol a kitalálás a legvalószínűbb. Hogy mindez miért van így, arról a hallucináció magyarázata szól részletesen — röviden: a kiértékelés hagyományosan a tippelést jutalmazza a „nem tudom" helyett.

Ami megváltozott: már nem a hamis hivatkozás a fő baj

Ez a rész az, ami 2026-ban más, mint két éve volt. Egy 2026 júliusában publikált vizsgálat 2736 hivatkozást kért egy friss modelltől orvosi irányelvekhez: 7,13 százalék volt teljesen kitalált — ez látványos javulás a korábbi modellek 18-55 százalékához képest. Csakhogy ugyanebben a mintában mindössze 49,34 százalék volt bibliográfiailag pontos, és a lekérdezéseknek csak 8 százaléka adott hibátlan hivatkozáslistát. A tipikus hibák: rossz azonosító az esetek 37, rossz cím 31, rossz oldalszám 27 százalékában.

Egy másik, 2026 májusi mérés a kutató-agenteken ezt még élesebben mutatja. A frontvonalbeli modelleknél a hivatkozott link az esetek 94-100 százalékában működött, a téma 80-96 százalékban stimmelt — de a forrás ténylegesen csak 39-77 százalékban támasztotta alá az állítást. Ráadásul a tényszerű megalapozottság körülbelül 42 százalékkal romlott, ahogy az agent egyre több keresést futtatott, miközben a felszíni mutatók 92 százalék fölött maradtak. A tanulság kellemetlenül tömör: a működő, témába vágó link nem bizonyíték.

A négylépéses ellenőrzés

A négy lépés növekvő sorrendben drága. Az első kettőt mindig csináld meg; a harmadik és a negyedik ott számít, ahol a szöveg kimegy a kezedből.

1. Létezik? Minden hivatkozásnál keresd meg az azonosítót — DOI-t, PubMed-számot, ügyszámot, URL-t — és oldd fel a forrás saját nyilvántartásában. Ez a lépés majdnem determinisztikus, gyors, és ezzel megy el a nyilvánvaló kitalálás. Ne a hivatkozás címére keress rá, hanem az azonosítóra: a cím lehet valódi, miközben a szerző és az év nem stimmel.
2. Azt mondja? Nyisd meg, és keresd meg azt a mondatot, amire az állítás épül. Ez a nehéz lépés, és ez az, amit sem eszköz, sem modell nem old meg megbízhatóan: egy 2026-os mérés szerint a legjobb modellek a „jó ügy, rossz oldalszám" típusú hibák 37-61 százalékát ismerték fel csupán, és a téves elfogadások kétharmadánál még indoklást is gyártottak hozzá, hogy a forrás „kifejezetten kimondja" azt, ami nincs benne.
3. Stimmel a szám? Minden számot számolj újra, és nézd meg az évet meg a mértékegységet. Ehhez lentebb külön szakasz tartozik, mert a számoknál más típusú hiba keletkezik, mint a hivatkozásoknál.
4. Mi az, amit a legjobban szeretnél, hogy igaz legyen? Keresd meg a szövegben azt az egy állítást, ami a legjobban alátámasztja a mondanivalódat, és azt ellenőrizd kétszer. Ez a lépés nem a modellről szól, hanem rólad: az az adat marad ellenőrizetlenül, ami kényelmes.

Mennyi időbe telik

Egy nyolc hivatkozást és tíz számot tartalmazó cikknél az első lépés öt perc, a második tíz-tizenöt, a harmadik öt. Vagyis egy publikálásra szánt szövegnél húsz-huszonöt perc a teljes kör. Ez soknak hangzik, amíg nem hasonlítod ahhoz, amennyibe egy helyreigazítás kerül.

Van egy olcsóbb változata is, ami a legtöbb belső anyagra elég: az első lépés mindenre, a második csak arra a háromra, ami a szöveg gerince. A megmaradó kockázat így nem nulla, de a nyilvánvaló hibák kimennek belőle, és öt perc alatt megvan.

A számok külön fejezet

A hivatkozásoknál a lét és az alátámasztás a kérdés; a számoknál más. Négy típushiba fordul elő, és mind a négyre külön kell figyelni.

• A számolási hiba szövegkörnyezetben. Egy mérés szerint a modellek önálló számolási feladatokon jól teljesítenek, de „a teljesítmény jelentősen romlik, amikor a számítás egy szöveges feladatba van beágyazva" — és a logikai hibák aránya a számok nagyságával 14 százalékpontig nő. A bekezdésbe ágyazott százalékszámítás tehát nem ugyanaz a feladat, mint ugyanaz a művelet külön.
• A rossz év. A szám valódi, csak három évvel korábbi állapotot ír le. Ez a leggyakoribb csendes hiba, mert semmi nem hívja fel rá a figyelmet.
• A rossz forrás. A szám valódi, de nem az a szervezet publikálta, amelyiknek a modell tulajdonítja. Ez akkor derül ki, ha az azonosítót feloldod — és csak akkor.
• Az átalakított egység. Százalékból százalékpont, milliárdból millió, forintból euró. Ezek a hibák a fordításnál és az átfogalmazásnál keletkeznek, nem az eredeti generálásnál.

Amit a webes keresés megold, és amit nem

Kézenfekvő lenne azt hinni, hogy ha a modell kereshet a weben, a probléma megszűnik. Részben igaz: a teljesen kitalált forrás aránya valóban esik. De egy 1600 lekérdezéses újságírói vizsgálatban nyolc, keresésre épülő AI-eszköz mindegyike rosszul válaszolt a kérések több mint 60 százalékában, a legjobb 37, a legrosszabb 94 százalékos hibaaránnyal. És ami ennél is fontosabb: az eszközök szinte soha nem jelezték a bizonytalanságot, a fizetős szintek pedig rosszabbul szerepeltek, mert a bizonytalan esetben is határozott választ adtak.

Az orvosi területen mért arány ugyanezt mondja más szavakkal: a hivatkozással ellátott válaszok 50-90 százaléka nem volt teljesen alátámasztva a megjelölt forrás által, és néha ellent is mondott neki. A webes keresés tehát a létezés problémáját nagyrészt megoldja, az alátámasztásét nem. Hogy mikor melyik keresési módot érdemes használni, arról az AI-kereső vagy Google cikk ad döntési szempontokat.

Hat eset, amiből érdemes tanulni

Ezek megtörtént, forrásból megerősített esetek 2025-ből és 2026-ból. Mindegyik más ponton bukott el.

• A nyári olvasmánylista. Egy amerikai napilap szindikált mellékletében tizenöt könyvből tíz nem létezett — valódi, élő szerzőknek tulajdonítva. A lista külsős szerzőtől jött, és a szerkesztőség nem ellenőrizte.
• Az idézet, ami nem hangzott el. Egy technológiai lap visszavonta a cikkét, mert a benne szereplő idézeteket egy chatbot gyártotta egy valóban létező blogbejegyzés helyett. A szerző munkaviszonya két héten belül megszűnt.
• A gépi összefoglaló idézőjelben. Egy nagy napilap szerkesztői megjegyzést tett közzé, mert a riporter egy AI-összefoglalót közvetlen idézetként közölt egy politikus szájából. Az idézőjel az, ami a hibát súlyossá tette.
• A professzor, aki nincs. Egy dán napilap cikkében szakértő nyilatkozott, akit nem sikerült megtalálni, mert nem létezett: a szerkesztőségi AI-rendszer forrásanyag nélkül kapott feladatot, ezért gyártott hozzá forrást.
• A tanácsadói jelentés. Egy nagy tanácsadó cég kormányzati jelentésében kitalált hivatkozások és egy bírónak tulajdonított, el nem hangzott idézet szerepelt. A cég visszatérítette a díj egy részét.
• A könyv az AI-ról és az igazságról. Egy 2026-ban megjelent kötetben fél tucatnál több félreattribuált vagy kitalált idézet volt, köztük egy ismert újságírónak tulajdonított mondat, amit soha nem mondott. A szerző elismerte, hogy AI-eszközöket használt a kutatáshoz és a szerkesztéshez.

Amit érdemes elvinni

Két dolgot ne bízz a modellre: hogy ellenőrizze magát, és hogy megmondja, alátámasztja-e a forrás az állítást. Az első lépés — az azonosító feloldása — olcsó és majdnem biztos, és ezzel megy ki a nyilvánvaló kitalálás. A második — hogy a forrás tényleg azt mondja-e — kézi munka, és 2026-ban ez a valódi kockázat, mert a link működik és a téma stimmel. A számokat számold újra, az évet nézd meg, és kétszer ellenőrizd azt az egy adatot, amit a legjobban szeretnél, hogy igaz legyen.