Ismerős a jelenet. Eltöltünk háromnegyed órát azzal, hogy elmagyarázzuk egy AI-asszisztensnek a rendszerünk felépítését: a szolgáltatáshatárokat, az adatbázis-migrációk történetét, azt, hogy egyetlen végpont miért lóg ki a többi közül a hitelesítésével. A döntések mögötti döntéseket. És működik — az asszisztens megérti, és együtt, elegánsan megoldjuk a problémát.
Másnap reggel új munkamenetet nyitunk. És az egészből nem maradt semmi.
Kezdjük hát elölről. Csakhogy most már kihagyunk pár részletet, mert fárasztó harmadszor is végigmondani ugyanazt. Az asszisztens válaszai gyengébbek, mert vékonyabb a kontextus, amiből dolgozik. Kétszer kijavítjuk, aztán legyintünk, és inkább magunk írjuk meg a kódot.
Ha ismerős az érzés, akkor mi is fizetjük az újrafelfedezés adóját. És ez az adó — a felhőszámlával ellentétben — sehol nem szerepel tételként.
Az adó, amiről a kimutatások hallgatnak
Az AI hasznát abban szoktuk mérni, amit létrehoz: kódsorokban, dokumentumokban, elemzésekben. Arról jóval ritkábban esik szó, amit elfelejt — pedig a felejtésnek ára van, és ez az ár nem merül ki az újramagyarázással töltött percekben. Onnantól kezd csak igazán kamatozni.
A magyarázatok rövidülnek, mert elegünk van az ismétlésből. A kimenet romlik, mert hiányos a kontextus. Az architektúra-döntéseket újra felfedezzük ahelyett, hogy építkeznénk rájuk. A múlt heti, nagy nehezen megtalált hibát újra elkövetjük. Az órákon át csiszolt stílus visszaáll a gyári alapértelmezettre.
A tudás nem gyűlik. Minden munkamenet hidegindítás.
Andrej Karpathy az anterográd amnéziához hasonlította ezt — ahhoz az állapothoz, amelyet a Memento című film tett emlékezetessé, ahol a főhős néhány percnél tovább semmit nem képes megőrizni. Az AI-társ egy beszélgetésen belül briliáns. De abban a másodpercben, hogy a beszélgetés véget ér, tiszta lappal marad. Nem képességből fakad a baj — hanem abból, hogy nincs tegnapja.
Mennyibe kerül a felejtés?
A fejlesztők között egyre gyakrabban hallani a jelenség nevét: „Idétlen időkig”-probléma, a film után, amelyben a főszereplő újra meg újra ugyanarra a reggelre ébred. És a számok kijózanítóak.
- 12 perc — ennyi megy el naponta, fejlesztőnként, puszta újratájékozódásra (gyakorlati követéses vizsgálat, 2025).
- 19%-kal lassabban — ennyivel dolgoztak a tapasztalt fejlesztők, amikor valódi kódbázisokon vetették be az AI-t (METR, 2025; 16 fejlesztő, 246 feladat).
- 22–44% — ekkora szeletet vitt el a projektbüdzséből a „zavartsági adó” egy vizsgált ágensrendszerben (2026).
- 95% — ennyi vállalati AI-pilot zárult úgy, hogy az eredményre nem volt mérhető hatása (MIT NANDA, 2025).
Az utolsó szám megérdemel egy pillanatnyi csendet. 2025-ben a vállalatok becslések szerint 644 milliárd dollárt költöttek AI-ra — és a kísérleti projektek kilencvenöt százaléka nem hagyott mérhető nyomot az eredménysoron. Az elemzések a kudarcot újra meg újra a „kontextus-sodródáshoz” kötik: ahhoz, hogy a rendszer képtelen tanulni a korábbi interakcióiból és megőrizni a szervezet tudását.
A METR-vizsgálat azért különösen éles, mert tapasztalt fejlesztőket mért valódi, érett kódbázisokon — milliós nagyságrendű sorszámmal. A fejlesztők 20–24%-os gyorsulást éreztek. A mérőszalag 19%-os lassulást mutatott. A gép által írt kódnak kevesebb mint 44%-át fogadták el. Az érzés és a valóság között 39 százalékpont tátongott.
Miért? Mert a gépből hiányzott a hallgatólagos tudás — az a sehol le nem írt megértés, hogy miért épp úgy áll a kód, ahogy. Ezt minden munkamenetben elölről kellett kikövetkeztetnie, és a következtetései gyakran épp csak annyira tévedtek, hogy elkapni is csak alapos átnézéssel lehetett.
Miért nem oldja meg magát a probléma
Kézenfekvő a remény: „A kontextusablakok egyre nagyobbak, a gond majd elmúlik magától.” Megnyugtató gondolat — és téves.
A nagyobb ablak a munkameneten belül segít. A munkamenetek között nem old meg semmit. Egyetlen beszélgetésbe több dokumentum fér, de amint a beszélgetés lezárul, minden felismerés, minden ráhangolódás, minden nehezen megszerzett megértés elpárolog vele együtt.
És van egy alattomosabb rétege is. A Chroma és több kutatócsoport dokumentálta a „kontextusrohadást” (context rot): már egyetlen hosszú beszélgetésen belül is meredeken romlik a pontosság, ahogy dagad a kontextus. Az elején elhangzott tények menet közben elhalványulnak vagy eltorzulnak — az egyik mérésben a pontosság 77%-ról 26%-ra esett. A gondosan rendezett dokumentáció olykor rosszabbul teljesített a véletlenszerű sorrendnél.
A nagyobb ablak tehát nagyobb rövidtávú memória, nem hosszútávú megértés. A kép pontos: attól, hogy nagyobb íróasztalt kap valaki, nem lesz jobb a memóriája — csak több helyen teregetheti szét a papírokat, amiket este úgyis a kukába söpör.
Az egyszerű feladat — „írj egy függvényt, ami rendezi ezt a listát” — alig szenved az amnéziától; a kontextus elfér a promptban. De az AI értéke a bonyolultsággal együtt nő, és épp a bonyolultság az, ahol a felejtés a legjobban fáj. Egy tíz munkamenetből álló projekt nem tízszer annyi kontextust veszít, mint egy egymenetes feladat. Azt veszíti el, ami a munkamenetek között van: a fejlődő megértést, a kizárt zsákutcákat, a megvitatott és eldöntött terveket. A tudás kamatos kamatát. Ez az igazi adó.
Keresni és emlékezni nem ugyanaz
A piac jelenlegi válasza az amnéziára a visszakereséssel bővített generálás — a RAG. Beágyazzuk a dokumentumokat, rákeresünk a lényeges részletekre, betoljuk őket a promptba. Ez lett az alapértelmezett architektúra, és önmagában kevés.
A RAG hozzáférést ad az információhoz. Megértést nem ad. És a kettő között húzódik az egész különbség.
Az emlékezet — az a fajta, amitől az együttműködés kamatozni kezd — olyasmit kíván, amit a puszta visszakeresés nem ad meg:
- Időt. Nem csak azt, mi igaz, hanem azt is, mi volt igaz, és mikor változott meg. Az adatbázis márciusig MySQL-en futott. Az API a biztonsági átvizsgálásig alaphitelesítést használt. A visszakeresés a mai dokumentumot hozza; az emlékezet ismeri a történetet.
- Kapcsolatokat. A visszakeresés hasonlóság szerint rangsorolt, magányos részleteket ad. A szervezeti tudás értéke viszont az összefüggésekben van: ezt a döntést amiatt a megkötés miatt hozták, amit annál az incidensnél tapasztaltak. A részletek nem kapcsolódnak. A tudás igen.
- A kudarcok emlékét. Talán ez a legdrágább hiány. Ha nincs emléke a zsákutcáknak, az asszisztens magabiztosan ajánl olyat, amit már elvetettünk — néha épp biztonsági okból. És ott tartunk, hogy a hónapban harmadszor mondjuk: „ezt már próbáltuk, elszállt tőle az éles rendszer.”
- A friss és az elavult közti különbséget. Az a rendszer, amely egy féléves architektúra-vázlatot a múlt heti jegyzet mellé keres vissza, nem tudja, melyik írja le a valóságot. Egyformán érvényesnek veszi mindkettőt. Az emlékezet tudná, hogy az egyik felülírta a másikat.
Az AI-emlékezet mezőnye gyorsan érik — a Mem0, a Zep, a Letta és mások egyre kifinomultabbak. De a terep nehezebb, mint amilyennek látszik: a kinyerési zaj, az elavuló tények, az ütközések feloldása, a tartós tudás kormányzása mind megoldatlan a kellő léptékben. Ez már a következő cikk témája; itt elég annyi, hogy a „tárolj el mindent” felől a „értsd meg, mi számít” felé tart a szakma — és még az út közepén jár.
Amit 160 munkamenet megtanított
Több mint 160 munkameneten át követtük a saját ember–AI partnerségünket, harmincnál is több projektben, ipari vezérlőrendszerektől a tudásmenedzsmentig. Minden munkamenetet dokumentáltunk, minden döntést megőriztünk, minden kudarcot rögzítettünk. Néhány dolgot csak a saját bőrünkön értettünk meg:
- Az újratájékozódás ára láthatatlan. Nem tűnik fel, mert „belelendülésnek” érződik. De amikor lemértük, kiderült: minden munkamenet első 10–15 perce azzal telt, hogy a gép olyan kontextust rakott össze újra, ami már létezett valahol. Az információ ott volt. A gép csak nem találta, vagy nem állt össze belőle működő megértés.
- A tömörítés az árnyalatokat öli meg. Amikor a rendszer összefoglal, hogy beférjen az ablakba, a teendőlistát megtartja, az indoklást eldobja. Marad a „migráld az adatbázist”, és eltűnik a „a Postgrest választottuk az SQLite helyett az értesítő párhuzamos írásai miatt”. A mi túléli. A miért nem.
- A hibák visszajárnak. A kudarcok emléke nélkül végignéztük, ahogy az asszisztensek újra meg újra felhozzák a már elvetett megoldásokat — köztük biztonsági okból elvetetteket. Egy versenyhelyzet miatt kifejezetten elhagyott PLC-vezérlési ötlet három munkamenettel később, teljes lelkesedéssel visszatért.
- A tudás kamatozik — ha hagyjuk. Azok a munkamenetek, amelyekben a gép jól rendezett korábbi kontextushoz fért, minőségileg mások voltak. Nem pusztán gyorsabbak — mélyebbek. Építeni tudott a régi felismerésekre ahelyett, hogy újra levezette volna őket; olyan mintázatokat vett észre a munkamenetek fölött, amilyet egyik sem mutatott meg magában. Ez a különbség egy idegen — akit minden reggel eligazítunk — és egy társ között, aki hónapok óta velünk gondolkodik.
Az igazi hiba: eszközként kezeljük, nem társként
Az újrafelfedezés adója egy mélyebb feltevés tünete: hogy az AI eszköz, amit használunk, nem társ, akivel dolgozunk. Hogy minden interakció önálló. Hogy az értékét munkamenetenként mérjük, mint egy számológépét, amely véletlenül érti a magyart.
Csakhogy egy munkatárs — akár ember, akár gép — értékét nem az adja, amit egyetlen alkalommal nyújt, hanem az, amit idővel megtanul. A közös megértés kamatos kamata. Az a felhalmozott háttér, amelytől a „magyarázd el a rendszered” átfordul abba, hogy „látom, átírtad a hitelesítést — ez érinti a múlt héten megbeszélt sebességkorlátozót?”.
Minden újramagyarázás olyan befizetés, amely nem kamatozik. Minden elveszett felismerés egy olyan eszköz értékvesztése, amelynek gyarapodnia kellene. És minden munkamenet, amely nulláról indul, nem az intelligencia kudarca — az infrastruktúráé.
Mert nem az AI a gyenge láncszem. A gép egy munkameneten belül lenyűgözően képes. A hiányzó darab a rendszer, amely engedné, hogy ez a képesség fennmaradjon és halmozódjon — hogy valódi, közös munka bontakozhasson ki munkameneteken, projekteken és csapatokon át.
Amit még nem tudunk
Nem állítjuk, hogy nálunk a válaszok. De a kérdések egyre élesebbek:
- Mi változna, ha a gép nemcsak arra emlékezne, mit mondtunk, hanem arra is, miért? Ha végig tudná követni egy döntés útját — az első ötlettől a vitán át a lezárásig —, jobbat javasolna?
- Mi a különbség egy AI között, amely hozzáfér a dokumentumainkhoz, és egy másik között, amely érti a projektünket? A különbséget mind érezzük. Meg tudjuk-e építeni?
- Honnan tudjuk, hogy nem sérült-e a gép emlékezete? Ha egy rendszer munkameneteken át tárol és idéz fel tudást, mivel ellenőrizzük, hogy amire emlékszik, az igaz? Hogy nem csúszott el? Hogy a 12. menetben ejtett hiba nem gyűrűzött-e tovább a 13.-tól a 40.-ig?
- Mit jelent jól felejteni? Az emberi emlékezet nem tárol mindent: tömörít, elvonatkoztat, és — ez a döntő — felejt. Az a rendszer, amely mindent egyforma súllyal őriz, nem hasznosabb, hanem fuldoklik. A művészet nemcsak abban rejlik, mit tartsunk meg. Hanem abban is, mit engedjünk el.