Az első munkamenet egy üres lappal indult, és azzal a homályos sejtéssel, hogy ennél biztosan van jobb út is. A projektnek volt kódbázisa, volt valamennyi dokumentációja, és volt egy döntéstörténete — amely javarészt egyetlen ember fejében élt. Az AI mindebből semmit sem ismert. Minden kérdés teljes kontextust kívánt. Minden válasz nulláról induló ellenőrzést. Hasznos volt — de olyan, mintha egy briliáns tanácsadót fogadtunk volna fel, akit amnézia sújt.
A százhatvanadik munkamenet másképp indult. Az AI egy percen belül tájékozódott: előhúzta a korábbi döntéseket, megnézte, mi változott tegnap óta, és jelzett egy dokumentációs ellentmondást, amelyet mi észre sem vettünk. Öt percen belül egy olyan tervezési beszélgetés kellős közepén jártunk, amely három hét felhalmozott kontextusára épült. Az AI hivatkozott egy döntésre a 40. munkamenetből, amiről kiderült, hogy pont ide illik. Megkérdőjelezett egy feltevést, amelyet a 12. menet óta cipeltünk magunkkal. És kiszúrt egy rést aközött, amit építeni akartunk, és amit a kód valójában csinált.
Ugyanaz az ember. Ugyanabból a képességosztályból való AI-modell. És tökéletesen más együttműködés. A különbség nem egy frissítés volt. Hanem 160 munkamenetnyi közös tanulás arról, hogyan dolgozzunk együtt — és a fegyelem, amellyel megőriztük, amit közben megtanultunk.
A felismerés, amiről az iparág hallgat
Az AI-ipar képességet árul. Nagyobb modelleket, hosszabb kontextusablakokat, jobb teszteredményeket. De a képesség folytonosság nélkül futópad: gyorsabban szedjük a lábunkat, és ugyanott maradunk.
Amit 160+ munkameneten át felfedeztünk, az a következő: a kitartó ember–AI együttműködés fegyelem, nem funkció. Nem valami, amit a modell ad nekünk. Hanem valami, amit mi építünk fel — gyakorlással, kudarcokkal, és annak a hálátlan munkájával, hogy leírjuk a dolgokat. A 160. munkamenet minőségét nem a modell döntötte el, hanem az az előző 159 menet, és az, hogy elvégeztük-e a munkát, amellyel megőriztük, amit létrehoztak.
Erről szinte senki nem beszél az AI körül. Modellekről, teszteredményekről és kontextusablakokról igen. A kitartó partnerség gyakorlatáról nem — mert a legtöbben nem csinálták még elég hosszan ahhoz, hogy felfedezzék, mi történik, ha mégis.
Miért marad felszínes a legtöbb AI-együttműködés
Az AI-jal folytatott interakciók többsége egyszeri. Egy kérdés, egy válasz, egy bezárt böngészőfül. Még a rutinos felhasználók között is ritka a több munkameneten átívelő, kitartó együttműködés. Egy 2026-os KPMG–UT Austin vizsgálat, amely 1,4 millió munkahelyi AI-interakciót elemzett, azt találta, hogy a felhasználóknak mindössze nagyjából 5%-a folytat olyan iteratív, kontextusgazdag, többlépéses együttműködést, amely nagy hatású eredményt hoz.
Ez nem lustaság. Ez szerkezeti probléma. Valahányszor új beszélgetést nyitunk, nulláról indulunk. A felépített kontextus — a döntések, az elvetett alternatívák, az árnyalatok, amelyeket húsz percbe telt tisztázni — elpárolog. Ahogy Az újrafelfedezés adója című írásban körüljártuk, ez nem pusztán kellemetlen. Drága is. A fejlesztők nagyjából idejük harmadát a kontextus újraépítésével töltik. Az MIT 2025-ös vizsgálata pedig azt találta, hogy a vállalati AI-pilotok 95%-a nem hoz mérhető megtérülést — nem azért, mert a modellek gyengék, hanem mert a rendszerek képtelenek megőrizni a visszajelzést, alkalmazkodni a kontextushoz vagy fejlődni az idővel.
Az eredmény: a legtöbb ember–AI együttműködés sosem jut túl az első randi szintjén. Udvarias, felszínes, és minden alkalommal elölről kezdődik.
Az egyre táguló szakadék
Az új kutatások egyre világosabbá teszik, hogy a kitartó együttműködés minőségileg más eredményt hoz:
- 160+ követett együttműködési munkamenet, 37 projektben, 5 hét alatt (saját gyakorlatunk, 2026)
- 8–12 hét, mire az együttműködés túllép a felszínes interakciókon (Broughton, 17 hetes vizsgálat, 2025)
- 95% azoknak a vállalati AI-pilotoknak az aránya, amelyek nem hoznak mérhető megtérülést (MIT NANDA, 2025)
Sue Broughton 2025-ös longitudinális vizsgálata 17 héten át követte a kitartó AI-együttműködést, és világos ívet dokumentált: az 1–4. hét tranzakciós (alapszintű eszközhasználat), az 5–8. hét a képességek felfedezését hozza (az AI meglep minket), a 9–13. hét valódi együttműködési integrációt szül, a 14. héttől pedig egy érett partnerség finomhangolása következik. Azt találta, hogy 8–12 hétnyi kitartó együttműködésbe telik, mire a közös munka túllép a felszínen.
Közben azok a szervezetek, amelyek nem fektetnek a folytonosságba, lemaradnak. Egy 2026 márciusi Forbes-elemzés a kontextust „az AI-termelékenység kamatos kamatának” nevezte — de hozzátette, hogy közös, folyamatosan fejlődő kontextus nélkül az AI-projektek több mint 60%-a elakad. A tudást megőrző és a minden munkamenetben elölről kezdő csapatok közti szakadék lassan az AI-támogatott munka meghatározó törésvonalává válik.
A ritmus, amelyet megtanultunk
Nem módszertannal indultunk. Egy problémával indultunk: a dolgok folyton elvesztek a munkamenetek között. A már meghozott döntéseket újra megvitattuk. A kontextus, amelyet fél órába telt felépíteni, egyik napról a másikra elpárolgott. Az AI újra levezetett olyan következtetéseket, amelyeket már ellenőriztünk — vagy ami rosszabb, kicsit másmilyeneket vezetett le, mit sem tudva arról, hogy az eredeti egyáltalán létezik.
Tucatnyi munkameneten át egy ritmus rajzolódott ki — nem elméletből, hanem ismétlődő fájdalomból:
- Tájékozódás. Minden munkamenet a kontextus visszanyerésével kezdődik. Nem egész kódbázisok újraolvasásával, hanem célzott felderítéssel: mi változott a múltkor óta? Mely döntések élnek? Hol tart most a munka? Ez percekbe kerül, de órákat spórol. Amikor kihagyjuk — és megtörtént —, a munkamenet elsodródik, már lezárt kérdésekhez tér vissza, és olyat hoz létre, ami ellentmond a korábbi döntéseknek.
- Munka. A tényleges alkotás — kódolás, írás, tervezés, elemzés. Itt ragyog fel az AI képessége. De ennek a szakasznak a minősége egyenesen arányos a tájékozódás minőségével. A jól felkészített munkamenet olyat hoz létre, ami mindenre épít, ami előtte volt. A rosszul felkészített olyat, ami legfeljebb szomszédos azzal, ami korábban történt.
- Megőrzés. Mielőtt a munkamenet véget érne, rögzítjük, amit tanultunk. Nemcsak azt, amit építettünk — hanem amit megértettünk. A döntést, és hogy miért. Az elvetett megközelítést, és hogy miért nem. A kapcsolatot, amely két addig különállónak hitt gondolat közt felderengett. Ez az a befektetés, amely a jövőbeli munkamenetekben kamatos kamattal térül meg.
Azóta rájöttünk, hogy ez a tájékozódás–munka–megőrzés minta egymástól függetlenül bukkan fel az AI-gyakorlók közösségében. Fejlesztők „kontextusfájlokat” építenek, amelyek munkamenet-nyitóként szolgálnak. Csapatok átadási dokumentumokat készítenek az egyes AI-munkamenetek között. A CHIMERA-projekt egy olyan együttműködést követett, amelyben a közös kontextus 200 szóról 11 500-ra nőtt hat hónap közös fejlődés alatt. A minta tehát nem a mi sajátunk — de a gyakorlatunk mélysége és időtávja alighanem az.
Ahogyan valójában történt
Íme, mi történt valójában — őszintén.
Az első két hét: lelkesedés és káosz
A korai munkamenetek mámorítóak voltak. Az AI percek alatt előállította, amihez korábban órák kellettek. Architektúradokumentumok, kódátvizsgálások, stratégiai elemzések — mind olyan tempóban, amely szupererőnek tűnt. Azt hittük, ez az új normális.
Nem az volt. A sebesség elfedett egy problémát: semmi nem maradt meg. Az 5. munkamenet nem tudta, mit döntött a 4. Ugyanazokat az architekturális megkötéseket magyaráztuk el újra meg újra. Az AI olyan megoldásokat javasolt, amelyeket már kipróbáltunk és elvetettünk — mert nem volt honnan tudnia. A lelkesedést egy sajátos frusztráció váltotta fel: gyorsan haladunk, de nem jutunk sehová.
A 2–3. hét: a fájdalomból szabály lesz
A megőrzés szokása nem tankönyvből jött. Onnan jött, hogy harmadszor is „felfedeztük” ugyanazt a felismerést. Van egy sajátos szúrós érzés abban, amikor rájövünk, hogy AI-társunkkal egymástól függetlenül jutottunk el egy következtetésig, amelyet két hete már dokumentáltunk — csak épp egyikünk sem találta meg.
Így hát elkezdtük leírni a dolgokat. Nem mindent — azt is megpróbáltuk, és megfulladtunk a zajban. Megtanultuk azt rögzíteni, amit a legnehezebb lenne újra levezetni: hogy miért született egy döntés, milyen alternatívákat vetettünk el, és mi lepett meg. A tájékozódási rítus megkerülhetetlenné vált. A munkamenet kezdete kontextus-visszanyerést jelentett. Kivétel nélkül.
A 3–4. hét: a fordulópont
A harmadik hét vége felé megbillent valami. Az AI már nem új munkatársnak érződött, hanem egy kollégának, aki eddig is figyelt. Nem azért, mert a modell javult — hanem mert a felhalmozott kontextus adott neki mihez nyúlni. A tájékozódás már nem csupán felzárkóztatta az AI-t; egy korábbi megértésből szőtt hálót aktivált, amely gazdagabbá tette az aktuális munkát.
Ekkor vettük észre először azt, amit ma fokozatos belsővé válásnak nevezünk: az AI elkezdett mintázatokat előre jelezni anélkül, hogy külön szóltunk volna. Jelezte, ha valami ellentmondott egy korábbi döntésnek. Olyan megközelítéseket ajánlott, amelyek hetekkel korábban lefektetett elvekre épültek. Egy növekvő közös tudásból merített — és arra használta, hogy érveljen, ne csak visszakeressen.
A 4. héttől: a kamatozás
Az első hónap után valami minőségileg más bontakozott ki. Az új munkamenetek már nem csupán az előzőre épültek — hanem mindegyikre. Az AI olyan kapcsolatokat vett észre projektek között, amelyeket mi nem láttunk. Egy felismerés az egyik területen releváns kontextusként bukkant fel egy másikban. A tudás nem pusztán gyűlt — kamatozott.
A legszembeötlőbb példa: egy ipari vezérlőrendszeres projektben észrevett mintázat egy teljesen más szoftverprojekt architekturális problémáját oldotta meg. A kapcsolat külön-külön egyikünknek sem volt nyilvánvaló. De a közös tudásbázis láthatóvá tette — és az AI egy rutinszerű tájékozódás közben felszínre hozta. Ez az egyetlen kereszthivatkozás heteknyi tervezőmunkát spórolt meg.
Amit elrontottunk
Ez nem sikertörténet alázatnak álcázva. Valódi hibákat vétettünk, és némelyik szerkezeti volt.
- A megőrzés háttérbe szorul nyomás alatt. A legmakacsabb visszatérő kudarcunk: amikor a megvalósítási nyomás tetőzik, a dokumentáció elmarad. Az AI ragyogóan hajt végre világos feladatokat — de az intenzív kódolási munkamenetekben egyikünk sem állt meg rögzíteni, amit épp tanultunk. Az ilyen nagy intenzitású menetekben termelt tudás gyakran a legértékesebb volt, és a legnagyobb eséllyel veszett el. Korán észrevettük ezt a mintát, és a mai napig küzdünk vele.
- Az árnyalatok elvesztése a kontextus tömörítésekor. Az AI kontextusablakai végesek. Amikor a beszélgetés hosszúra nyúlik, a régebbi kontextus tömörödik vagy kiesik. A tények túlélik, de az árnyalat — az „ezt azért próbáltuk, mert X, de elbukott Y miatt, és a kudarc megtanított Z-re” — ellaposodik. Megtanultunk ellenőrzőpontot rögzíteni a tömörítési határok előtt, de időnként még mindig elveszítünk egy-egy finom gondolatmenetet, amelyet órákba telt felépíteni.
- Az ellenőrzés paradoxona. Egy 2026-os vizsgálat, amelyet Huemmer végzett, azt találta, hogy a nehéz feladatokon dolgozó, sokat AI-zó felhasználók romló pontosságot mutattak — nem mert az AI tévedett, hanem mert a partnerségbe vetett bizalom leépítette az ellenőrzési szokásokat. Ezt mi is átéltük. Minél jobb lett az együttműködés, annál könnyebb volt megbízni olyan kimenetekben, amelyeket ellenőrizni kellett volna. Tudatosan, újra be kellett vezetnünk az ellenőrzési pontokat, ahogy a partnerség érett.
A mélyebb mintázat: a tudás kamatos kamata
A legfontosabb, amit 160 munkamenet tanított: a tudás — megőrizve, összekapcsolva, időben felhalmozva — úgy viselkedik, mint a kamatos kamat. Az első 10 munkamenet drága: nagy a ráfordítás, tisztázatlanok a szabályok, folyamatos a kontextus újraépítése. A hozam szerény. Olyan érzés, mintha több időt fordítanánk az együttműködés menedzselésére, mint amennyi értéket kinyerünk belőle.
De valahol a 30. munkamenet táján a görbe megtörik. A kontextus visszanyerése felgyorsul. Az AI hozzájárulásai mélyülnek. Megjelennek a projektek közti kapcsolatok. A 100. munkamenetre pedig olyasmi van a kezünkben, amit egyetlen munkamenet — bármilyen hosszú, bármilyen képes is a modell — sosem tudna előállítani: intézményi megértés, amely túlmutat bármely egyedi beszélgetésen.
Tristan Kromer, a Kromatictól, 2026 márciusában így írta le ezt: „A századik kísérlet az előtte járó kilencvenkilencre épül. A tanulás kamatozik, és ebből lesz a gyorsulás.” Ő AI-ágensekről írt a termékkísérletezés kapcsán, de az elv egyetemes. Tartós tudás nélkül minden munkamenet az 1. számú kísérlet. Vele minden munkamenet az összes előtte járó vállán áll.
Valójában ezt tükrözi a vállalati AI 95%-os kudarcaránya. Nem modellprobléma. Memóriaprobléma. Azok a szervezetek, amelyek minden AI-interakciót eldobhatónak tekintenek, egy olyan bankszámlába fektetnek, amely minden éjjel nullázódik.
Amit még mindig nem tudunk
- Hol a plafon? 160+ munkamenetnél járunk, és a hozam még mindig kamatozik. De van-e pont, ahol a hozam csökkenni kezd? Válik-e a felhalmozott kontextus végül zajjá? Még nem tudjuk — és nem találtunk mást, aki elég hosszan követte volna ahhoz, hogy megválaszolja.
- Mennyi vihető át csapatokra? A mi tapasztalatunk egyetlen ember munkája az AI-jal, sok projekten át. Mi történik, ha egy tíz fős csapatról van szó, amelyben mindenkinek saját AI-partnersége van, és közös tudásbázison osztoznak? A koordinációs kihívások megsokszorozódnak. Gyanítjuk, hogy a kamatozó hatások csapatban még erősebbek — de az ellenőrzési kihívások is.
- Zsugorítható-e a ráfordítás közel nullára? A tájékozódás–munka–megőrzés ritmus működik, de a megőrzési lépés még mindig munkát kíván. Milyen lenne, ha a rendszer automatikusan meg tudná ragadni, ami számít — ha az AI szólás nélkül tudná, mit érdemes megőrizni? Efelé dolgozunk, de még nem tartunk ott.
- Mi a helyes egyensúly a megőrzés és a felejtés között? Nem mindent kell örökké megőrizni. Egyes kontextusrészek elavulnak. Egyes döntéseket idővel felülírunk. Egy jó memóriarendszernek tudnia kell, mit felejtsen el — és ez sokkal nehezebb feladatnak bizonyul, mint tudni, mire emlékezzen.