SZAKMAI INTELLIGENCIA * MI
3. Az MI, mint asszisztens
Elemzés, rendszerezés, összehasonlítás és alternatívák
Műhelyesszé | 3. rész
Egy nagy nyelvi modell néhány másodperc alatt képes hosszú szövegeket áttekinteni, kategóriákat kialakítani, szempontokat összevetni, alternatívákat felvetni vagy egy összetett anyag szerkezetére javaslatot tenni. Ezek a képességek könnyen kelthetik azt a benyomást, hogy a szakértő egyszerűen feladatokat ad át az MI-nek, majd átveszi az elkészült eredményt.
A ChildTech és a ChatGPT közös munkájában az asszisztensi szerep ennél összetettebbé vált. Egyre fontosabb kérdés lett, mely munkafázisokban ad tényleges szakmai értéket az MI közreműködése, milyen eredményt várhatunk tőle, és milyen emberi szakértelem szükséges az OUTPUT értelmezéséhez és további felhasználásához.
Mit jelent az, hogy asszisztens?
Az „asszisztens” első hallásra egyszerű szerepnek tűnhet. A szakértő meghatározza a feladatot, az asszisztens pedig végrehajtja. LLM-mel végzett összetett munkában ez a leírás hamar szűknek bizonyul.
A ChatGPT a ChildTech munkafolyamataiban különböző funkciókat tölthet be. Nagy mennyiségű információt rendezhet áttekinthető struktúrába. Azonos szempontok alapján összehasonlíthat több dokumentumot vagy eredményt. Kereshet ismétlődő mintázatokat. Felhívhatja a figyelmet hiányzó vagy ellentmondó elemekre. Alternatív szerkezeti megoldásokat javasolhat. Egy már kialakított módszertan alapján újabb anyagokat dolgozhat fel. Ezek közös jellemzője, hogy az MI műveleteket végez egy szakmailag meghatározott problématéren belül.
A problématér kijelölése ezért meghatározó. Mit vizsgálunk? Miért vizsgáljuk? Milyen adatok tekinthetők relevánsnak? Mely fogalmak jelentését rögzítettük korábban? Mi számít elfogadható következtetésnek? Milyen bizonytalanságot kell megőrizni az eredményben? Minél összetettebb a feladat, annál kevésbé választható el az asszisztensi teljesítmény attól a szakmai rendszertől, amelyben értelmezzük.
A rendszerezés szakmai művelet
A rendszerezést könnyű technikai feladatnak tekinteni. Adott egy nagyobb információhalmaz, amelyet kategóriákba kell rendezni. A kategóriák kialakítása azonban már értelmezést tartalmaz. Ha például több ChildTech-projekt dokumentumait szeretnénk áttekinteni, számos rendezési elv lehetséges. Csoportosíthatjuk őket projekt, időszak, célcsoport, módszer, kommunikációs csatorna, kutatási funkció vagy dokumentumtípus szerint. Mindegyik rendszer helyes lehet a saját célja szempontjából, miközben eltérő kapcsolatokat tesz láthatóvá.
Az MI ebben különösen hasznos asszisztens lehet. Gyorsan képes több lehetséges struktúrát előállítani, megmutatni azok következményeit, illetve azonosítani azokat az elemeket, amelyek nehezen illeszthetők a választott rendszerbe. A szakmai döntés ezen a ponton arra irányul, melyik struktúra szolgálja az adott munka célját. Ugyanaz az információhalmaz más rendszerezést kívánhat egy kutatási kézirat előkészítéséhez, egy kampány értékeléséhez vagy egy projektarchitektúra kialakításához. A rendezés minőségét ezért a felhasználási kontextus felől is értékelnünk kell.
Az összehasonlítás előtt szükség van összehasonlítási alapra
Az LLM-ek egyik különösen hasznos képessége az összehasonlítás. Több szöveg, koncepció, eredmény vagy alternatíva közös szempontok szerinti áttekintése jelentős időt takaríthat meg. Az összehasonlítás szakmai értéke azonban nagymértékben függ a választott dimenzióktól. Két kampány összevethető megnyitási arány alapján. Vizsgálhatjuk a kattintási aktivitást, a leiratkozást, a weboldalra történő átlépést vagy a közönség későbbi viselkedését is. Más kérdésre ad választ az egyes mutatók összehasonlítása, és megint másra a kampány egészének értékelése.
A ChildTech elemzésekben ezért az összehasonlítás előtt rendszeresen tisztázni kell három dolgot: mit hasonlítunk össze, milyen szempontból, és milyen döntéshez szeretnénk felhasználni az eredményt. E három kérdés nélkül az MI technikailag kifogástalan összehasonlítást is készíthet olyan dimenziók mentén, amelyek az adott szakmai problémához kevéssé relevánsak. Az asszisztensi szerep itt jól elkülöníthető. Az MI képes következetesen végigvinni az összehasonlítást, jelezni az eltéréseket és hasonlóságokat, illetve további szempontokat javasolni. A relevancia megítélése a szakmai kontextushoz kötődik.
Egy valós munkafolyamat: kampányadatokból mérési módszertan
A ChildTech Summer 2026 kampányának értékelése eredetileg egy konkrét kommunikációs folyamat méréséből indult. Rendelkezésünkre álltak a hírlevelek eredményei, az egyes sending unitok adatai, több mérési időpont, webes aktivitási adatok, valamint az elemzés közben felmerült módszertani problémák és korrekciók. Egy ilyen információhalmazból többféle OUTPUT készülhet. Összegezhetjük a kampány eredményeit, összehasonlíthatjuk az egyes sending unitokat, azonosíthatjuk a legerősebb és gyengébb teljesítményeket, vagy megfogalmazhatjuk a következő kampány számára releváns tanulságokat.
A közös munka során azonban egy további lehetőség is kirajzolódott: a kampány értékelésének tapasztalatait önálló mérési és értékelési munkafolyamattá lehet szerveznünk. Ezen a ponton az MI asszisztensi funkciója elsősorban a rendelkezésre álló információk rendszerezésében vált fontossá. Az elemzés során keletkezett tapasztalatokat, problémákat, ellenőrzési pontokat és korábbi döntéseket egymáshoz kellett kapcsolnunk. Meg kellett vizsgálnunk, mely elemek tartoznak az adat-előkészítéshez, melyek az elemzéshez, melyek az értelmezés ellenőrzéséhez, és melyek azok a tanulságok, amelyeket a következő kampányba is érdemes átvinni.
A kialakuló workflow több elkülönülő munkafázist tartalmazott. Ilyen lett az adat-audit, az analitikai feldolgozás, az interpretation audit, az Analytical Freeze, a végső kampányértékelés, a knowledge extraction, majd a tanulságok következő kampányba történő visszacsatolása.
Az eredeti kampányadat tehát ugyanaz maradt. A rendszerezés azonban egy új szakmai objektumot hozott létre: egy reprodukálható értékelési folyamatot.
A módszertan kialakítása közben a munkamegosztás is pontosabbá vált. Az MI-asszisztenshez rendelhető feladatok között megjelent az anomáliák keresése, az adatok és eredmények összehasonlítása, a számítások ellenőrzésének támogatása, a szakirodalmi kontextus feltárása és az értékelési draft előkészítése. A szakértő feladatai között szerepelt a kampánycél meghatározása, a források ellenőrzése, a kontextus szakmai értelmezése és a végső állítások elfogadása.
Ez a munkamegosztás a kialakított módszertanban human-in-the-loop measurement process formájában rögzült.
A rendszerezés közben alternatívákra is szükség volt. Kiderült például, hogy különböző kampányok eltérő elemzési mélységet igényelnek. Egy rutinszerű kommunikációs folyamat értékeléséhez aránytalan lenne ugyanazt az elemzési apparátust alkalmazni, mint egy kutatási vagy publikációs célú vizsgálathoz. Így alakult ki két elemzési szint: az Operational / Quick Evaluation a rutinértékelésekhez, illetve a Research / Full Evaluation a kutatási, módszertani, publikációs vagy stratégiai célú elemzésekhez. Az alternatívák ebben az esetben már nem egyszerűen kétféle szöveges megoldást jelentettek. Két különböző munkafolyamatot kínáltak ugyanahhoz az alapvető feladattípushoz, és a szakértői döntés határozza meg, hogy az adott helyzetben melyik elemzési mélység indokolt.
A Summer kampány egy másik problémája még közvetlenebbül mutatta meg, hogyan alakulhat át egy gyakorlati tapasztalat módszertani szabállyá. Az egymást követő méréseket kezdetben mérési sorszámokkal azonosítottuk. Az elemzés során azonban láthatóvá vált, hogy például az „ötödik mérés” megjelölés önmagában nem nyújt megfelelő időbeli összehasonlíthatóságot, ha az egyes sending unitok kiküldése és mérési időpontjai eltérnek.
A probléma azonosítása után többé már nem pusztán egy adott kampány mérési sajátosságáról volt szó. Olyan módszertani kérdéssé vált, amely a következő kampányok adatainak összehasonlíthatóságát is érinti.
Ennek eredményeként a következő munkafolyamat számára standard T+ időprotokoll alkalmazását rögzítettük. A mérési tapasztalat így konkrét módszertani szabállyá, majd a későbbi kampányok INPUT-jává vált. A teljes folyamat közelítőleg így írható le:
gyakorlati tapasztalat - probléma azonosítása - rendszerezés - alternatívák kialakítása - szakértői döntés - módszertani szabály - visszacsatolás
Ez az eset számomra jól megmutatja az MI szakmai asszisztensi szerepének egyik fontos formáját. A hozzáadott érték nem egyetlen látványos válaszban jelent meg. A szétszórtan keletkező információk, tapasztalatok és döntések olyan struktúrába rendeződtek, amely a későbbi szakmai munkában ismét felhasználhatóvá vált.
A Summer kampány értékeléséből végül húsz szabályból álló kampányértékelési rendszert szerveztünk. A szabályok többek között rögzítették a kampánycél és a KPI-hierarchia előzetes meghatározását, az adatok auditálását, a sending-unit szintű elemzés elsődlegességét, a kontextus és az oksági magyarázat elkülönítését, a következtetések erősségének ellenőrzését, az interpretation audit és az Analytical Freeze alkalmazását, valamint a tanulságok következő kampányba történő visszacsatolását.
Az asszisztensi munka ebben az esetben már túlmutatott egy kampány eredményeinek feldolgozásán. Segített a tapasztalatból módszertani struktúrát építeni.
Amikor az MI alternatívákat készít
A közös munka egyik legértékesebb területe számomra az alternatívák létrehozása.
Egy szakértő könnyen elindul egy már ismert megoldás felé. Ebben szerepet játszik a tapasztalata, a korábbi gyakorlata és az adott szakmai közegben kialakult gondolkodási rutinja. Ezek többnyire értékes kapaszkodók, időnként azonban szűkíthetik a megvizsgált lehetőségek körét. Az MI rövid idő alatt több alternatívát képes felvetni ugyanarra a problémára. Ezek között lehet azonnal használható javaslat, továbbfejleszthető ötlet, az adott kontextusban irreleváns lehetőség és szakmailag elvetendő megoldás is. Már maga az alternatívák megjelenése értékes lehet, mert szélesebb döntési teret hoznak létre.
A ChildTech elemzésekben ezért egy MI-javaslat értékét nem kizárólag az határozza meg, hogy végül megvalósítjuk-e. Egy elvetett alternatíva is pontosíthatja a saját álláspontunkat. Láthatóvá teheti, milyen kritérium alapján választunk két lehetőség között. Rámutathat egy korábban implicit szakmai feltételezésre. Elindíthat olyan kérdést, amely később más formában válik fontossá.
Az első műhelyesszében bemutatott CTMA-eset éppen ezt mutatta: egy szakmailag értékes MI-javaslatot elfogadhatunk felismerésként, miközben a megvalósítását későbbre helyezzük.
Az asszisztensi hozzájárulás értéke tehát részben abban mérhető, mennyivel teszi gazdagabbá és explicitebbé a szakértő rendelkezésére álló döntési teret.
Az MI és a nagyobb információs tér
A szakértő figyelme korlátozott erőforrás. Egy hosszabb projekt során dokumentumok, mérési eredmények, korábbi döntések, fogalmak, verziók és részproblémák sokasága halmozódhat fel. Egy ponton már jelentős munkát igényel annak áttekintése is, hogy mi kapcsolódik mihez. Itt az MI asszisztensi funkciója különösen értékessé válhat.
Képes lehet több forrásból származó információk együttes áttekintésére, korábban elkülönülten kezelt elemek közötti kapcsolat felvetésére vagy annak jelzésére, hogy egy új döntés ütközik valamelyik korábban rögzített elvvel. Ez azonban csak akkor működik megbízhatóan, ha a releváns kontextus valóban rendelkezésre áll.
Az MI számára hozzáférhető információs tér és a szakértő tényleges tudásterének határai eltérhetnek. Lehet olyan korábbi döntés, amely nincs jelen az aktuális kontextusban. Egy dokumentum lehet elavult. Egy korábban használt fogalom jelentése időközben pontosulhat. Több verzió közül nem feltétlenül a legfrissebb kerül előtérbe. Az asszisztensi munka minősége ezért összefügg a kontextusmenedzsment minőségével is.
A gyorsaság kockázata
Az MI-asszisztens egyik leglátványosabb előnye a sebesség. A gyorsaság azonban sajátos helyzetet teremt. Néhány perc alatt több elemzés, összehasonlítás és alternatíva készülhet, mint amennyit ugyanennyi idő alatt szakmailag alaposan értékelni tudunk. Ez a munkafolyamat egyensúlyát is megváltoztathatja.
Ha az OUTPUT gyorsabban keletkezik, mint ahogy a szakértő ellenőrizni és értelmezni képes, akkor az asszisztensi kapacitás növekedése önmagában nem gyorsítja ugyanilyen mértékben a teljes szakmai folyamatot. Az emberi figyelem, ellenőrzés és döntés válhat a szűk keresztmetszetté. Az MI által előállítható tartalom mennyisége mellett ezért azt is mérlegelnünk kell, hogy mennyi OUTPUT-ot tudunk szakmailag ellenőrizni, értelmezni és felelősen feldolgozni.
A ChildTech prpojektekben ennek gyakorlati következménye van. Sok esetben hasznosabb néhány jól elkülönített alternatívát kérni, világos értékelési szempontokkal, mint nagy mennyiségű javaslatot generáltatni. Az MI kapacitását így a szakértő tényleges feldolgozási kapacitásához igazítjuk.
Mit érdemes delegálni?
Az asszisztensi szerep természetesen felveti a delegálás kérdését. A ChildTech eddigi gyakorlata alapján különösen alkalmasak MI-támogatásra azok a munkafázisok, amelyekben nagyobb információmennyiséget kell strukturálni, azonos szempontok szerint összevetni, több alternatívát előállítani, egy meglévő rendszer következetességét ellenőrizni vagy korábbi elemek közötti kapcsolatokat feltárni. Nagyobb szakmai kontrollt igényelnek azok a pontok, ahol a feladat eredménye erősen függ a kontextustól, az értékválasztástól, a módszertani megítéléstől vagy az eredmény következményeitől.
A két terület határa ráadásul feladatonként változhat. Egy jól kialakított, többször ellenőrzött módszertan alkalmazását nagyobb mértékben átadhatjuk az MI-nek. Egy új módszertan alapelveinek meghatározásakor jóval több szakértői mérlegelésre van szükség. Ha a rendszer idővel stabilabbá válik, egyes korábban intenzív emberi kontrollt igénylő részfeladatok rutinszerűbbé válhatnak. A delegálás ezért dinamikus munkamegosztás.
Az asszisztens munkáját is specifikálni kell
A szakmai együttműködés minőségét jelentősen javítja, ha előre tisztázzuk, milyen típusú OUTPUT-ra van szükségünk. Elemzést kérünk vagy döntési javaslatot? Teljes körű feltárást vagy néhány releváns alternatívát? A meglévő rendszer alkalmazását vagy annak kritikáját? Azonosítsa az ellentmondásokat is? Jelezze külön a bizonytalanságokat? Különítse el a dokumentált tényt a következtetéstől? Az ilyen instrukciók részben prompttechnikai kérdések, de szakmai funkciójuk ennél szélesebb. Meghatározzák az asszisztensi mandátumot.
Egy világosan körülhatárolt mandátum segít eldönteni, mit várhatunk az MI-től az adott munkafázisban, és milyen szempontok szerint értékeljük az eredményt. Ez a gyakorlat a szakértőt is pontosabb gondolkodásra készteti. Egy feladat delegálásához előbb tisztáznunk kell saját magunk számára, mi a feladat célja, milyen korlátai vannak, és mit tekintünk megfelelő eredménynek. Az MI-asszisztens használata így időnként magát a szakmai feladatmeghatározást is pontosabbá teszi.
Az asszisztens nem szerep, hanem szerepek együttese
A ChildTech eddigi gyakorlatában az „MI mint szakmai asszisztens” több különböző funkciót fog össze.
Lehet rendszerező, amikor nagyobb információhalmazból áttekinthető struktúrát készít.
Lehet összehasonlító, amikor azonos szempontok mentén vizsgál több eredményt vagy alternatívát.
Lehet feltáró, amikor mintázatokat, kapcsolatokat vagy ellentmondásokat keres.
Lehet alternatívageneráló, amikor szélesíti a szakértő előtt álló döntési teret.
Lehet konzisztencia-ellenőrző, amikor egy új eredményt korábban rögzített fogalmakhoz, szabályokhoz vagy döntésekhez viszonyít.
És lehet előkészítő, amikor a szakértő döntéséhez rendezi a rendelkezésre álló információt.
E funkciók elkülönítése azért hasznos, mert pontosabban meg tudjuk határozni, milyen hozzájárulást várunk az MI-től. Az „asszisztens” így nem egyetlen általános szerepet jelent. Konkrét szakmai funkciók konfigurációját jelenti az adott munkafázisban.
Mit tanultunk ebből?
A ChildTech eddigi munkájából öt tanulságot emelnék ki.
Az első: az MI-asszisztens teljesítményét a szakmai problématér kijelölése alapvetően befolyásolja. A feladat célja, kontextusa és értékelési szempontjai meghatározzák, milyen OUTPUT tekinthető hasznosnak.
A második: a rendszerezés és az összehasonlítás értelmezést is tartalmaz. A kategóriák és összehasonlítási dimenziók kiválasztása ezért szakmai döntés.
A harmadik: az alternatívák létrehozása önmagában is értéket teremthet. Egy elvetett javaslat pontosíthatja a szakértő saját álláspontját, és láthatóvá teheti a döntés mögötti kritériumokat.
A negyedik: az MI sebessége és az emberi feldolgozási kapacitás között egyensúlyt kell teremteni. A nagyobb mennyiségű OUTPUT csak akkor jelent tényleges előnyt, ha rendelkezésre áll a megfelelő szakértői kapacitás annak értékelésére.
Az ötödik: a delegálás mértéke változhat a munkafolyamat során. Egy stabil, ellenőrzött módszertan alkalmazásában az MI nagyobb önállóságot kaphat; új vagy bizonytalan problémák esetén intenzívebb szakértői kontroll indokolt.
Az asszisztens fogalma így számunkra elsősorban munkamegosztás kérdése. A cél annak meghatározása, hogy egy adott szakmai folyamatban mely műveleteket tudja az MI hatékonyan támogatni, milyen kontextus szükséges ehhez, hogyan ellenőrizzük az OUTPUT-ot, és mely pontokon van szükség szakértői értelmezésre vagy döntésre.
Az asszisztensi szerep minősége végső soron azon mérhető, hogyan járul hozzá a szakmai munka átláthatóságához, következetességéhez és döntési minőségéhez.
A műhelyesszé egy mondatban
Az MI szakmai asszisztensként akkor teremt értéket, amikor világosan meghatározott funkcióban strukturálja, összeveti vagy kibővíti a szakértő rendelkezésére álló információt és döntési lehetőségeket, miközben az OUTPUT értelmezése a szakmai kontextushoz kapcsolódik.
A következő rész
4. Az MI, mint kritikai partner
Mi történik, amikor ellenvéleményt is kérünk?
A következő műhelyesszében azt vizsgáljuk, hogyan változik az együttműködés, amikor az MI feladata már nemcsak egy szakmai elképzelés támogatása vagy továbbfejlesztése, hanem annak tudatos megkérdőjelezése, gyenge pontjainak feltárása és alternatív értelmezések megfogalmazása.
Transzparencia
A tartalom a ChildTech ember–MI együttműködési gyakorlatában, ChatGPT közreműködésével készült; szakmai tartalmáért és végleges formájáért Piróth István felel.
További tájékozódásért kövesd az okosóvoda FB oldalát.
