A bemutatón az AI „emlékezik”. Éles üzemben csak előkeres. A különbség nem akadémiai — tokenekben, téves válaszokban és bizalomban kerül pénzbe, és minden egyes alkalommal újra kifizetjük, amikor összekeverjük a kettőt.

A bemutató és az éles üzem szakadéka

A pre-sales mérnök megnyit egy chat-ablakot, és begépeli: „Jegyezd meg, hogy a metrikus mértékegységet kedvelem.” A rendszer válaszol: „Megjegyezve.” Öt perccel később, ugyanazon a bemutatón, egy követő kérdésre helyesen, metrikusban válaszol. A teremben mindenki bólint. A szerződés megy a maga útján.

Három hónap múlva ugyanez a termék éles üzemben fut. Egy felhasználó frissíti a beállítását. A következő válaszban a régi és az új preferencia ugyanabban a bekezdésben szerepel. Egy másik felhasználó — teljesen más fiók — feltesz egy független kérdést, és olyan választ kap, amelyben halkan ott motoszkál az első felhasználó beállítása. Az ügyfélszolgálat eszkalál. A gyártó elmagyarázza, hogy a rendszer „releváns kontextust keres vissza”, és hogy az „időnkénti következetlenségeket” a következő release fogja kezelni.

A rendszer pontosan azt csinálja, amire építették. A rendszert sosem építették emlékezésre. Visszakeresésre építették. A kettő összemosása a 2026-os vállalati AI egyik legdrágább félreértése, és van neve: RAG.

Mit csinál valójában a RAG

A Retrieval-Augmented Generation — a RAG — egy minta, nem egy emlékezetrendszer. A minta annyi: amikor a modellnek válaszolnia kell, megnéz egy vektor-tárat, kiválaszt néhány, a kérdéshez szemantikailag legközelebbi szövegrészletet, beilleszti a promptba, és onnan a modell dolgozik tovább.

A RAG hasznos. Lehorgonyozza a modellt a saját dokumentumainkban. Csökkenti a hallucináció bizonyos típusait. Skálázódik. Statikus referenciaanyaghoz — termékkézikönyvhöz, jogszabályszöveghez, tudásbázis-cikkhez — ez a megfelelő eszköz, és immár az alapeszköz is.

Amit a RAG nem: állapot. A RAG csak olvas. Nincs API, amin keresztül a modell visszaírhatna. Nincs olyan fogalom, hogy „ez a tény mostantól igaz, az a korábbi tény pedig már nem”. Nincs nyilvántartás arról, mit tanult a modell a beszélgetés során, nincs mód a preferenciák frissítésére, nincs mechanizmus, amelyre az egyik munkamenet építhetne a másik fölé. Minden lekérdezést úgy válaszol meg, mintha aznap reggel nullá­ról ébredt volna.

A 2026-os szakmai konszenzus, ami az akadémián és az iparban összeállt, egyetlen jól terjedő mondatba sűríthető: a RAG a padló, nem a plafon. Ahonnan elindulunk. De nem amire a termelési AI ágenseknek ténylegesen szükségük van.

Mit jelent valójában az „emlékezet”

A kognitív tudomány régóta tudja, hogy az emlékezet nem egyetlen dolog. Van szemantikus emlékezet — általános tények a világról, az, ami egy tankönyvben áll. Van epizodikus emlékezet — konkrét események, kontextussal, sorrenddel, kimenetelekkel; az, ami egy személyes naplóban áll. És van procedurális emlékezet — készségek és szokások, amelyek úgy alakítják a viselkedést, hogy nem is gondolunk rájuk tudatosan.

A RAG elsősorban a szemantikus emlékezet egy szeletét célozza — pontosabban azt a részét, amit valaki már leírt. Az epizodikus és a procedurális emlékezet — pont az a kettő, ami egy tanulni képes ágenst megkülönbözteti egy pusztán informált ágenstől — hiányzik.

Egy működő emlékezetrendszerben — abban az értelemben, ahogyan a 2026-os szakirodalom használja a kifejezést — öt dolog van, ami a RAG-ból nem:

  1. Írási útvonalak. Az új információ kontrollált módon kerül be a tárba. A rendszer észleli az ellentmondásokat. A régi tényeket a rendszer felülírja — de szándékosan, követhetően, nem csendesen.
  2. Reflexió és konszolidáció. Az események sorozatából a rendszer újrahasznosítható mintákat desztillál — ez az ágens megfelelője annak, hogy „azt vettem észre, hogy ez a felhasználó mindig a késleltetésről kérdez, mielőtt az áteresztőképességhez érne”.
  3. Felejtés és elhalványulás. Vannak tények, amiknek lejárati idejük van. Egy működő emlékezetrendszer tudja, mi az, hogy „ez most aktuális” és mi az, hogy „ez három negyedéve volt igaz”.
  4. Kormányzás (governance). Eredet, hatókör, naplózás, törlés-ellenőrzés. Ugyanazok az alap-építőkövek, amelyek minden szabályozott tudásrendszerben évtizedek óta megvannak.
  5. Futási idejű tanulás. A következő munkamenet nem az első munkamenet. Az ágens viselkedése azért változik, mert megjegyezte, amit korábban tapasztalt — nem csak azért, mert vissza tudja keresni.

A legrövidebb megfogalmazás: a RAG visszakeres, az emlékezet emlékezik. A visszakeresés passzív — ugyanaz a kérdés ugyanazokat a szövegrészleteket adja vissza, függetlenül attól, ki kérdezi, mi változott, mit tanult a rendszer múltkor. Az emlékezés aktív — a rendszer karbantart és frissít egy folyamatosan fejlődő modellt arról, hogy mit tud, ki mondta, és mikor szűnt meg igaz lenni.

Hogyan jön elő a szakadék éles üzemben

Az amnézia tüneteit ismerik mindazok, akik egynegyedévnél tovább üzemeltettek nem-triviális AI rendszert:

A sorozat nyitódarabja, Az újrafelfedezés adója, erre a költségre adott nevet a szervezeti szinten. A RAG-mint-emlékezet az a műszaki mechanizmus, amelyen keresztül az újrafelfedezés árát minden ágens-hívásnál újra megfizetjük.

Öt hallucinációs minta, ami kifejezetten a RAG-mint-emlékezetből jön

A hallucinációról gyakran úgy beszélünk, mintha egyetlen jelenség volna. Pedig nem az. Amikor a RAG-ot emlékezetként használjuk, öt különálló hibatípus jelenik meg, mindegyiknek megvan a maga aláírása:

  1. Kontextus-szennyeződés. A visszakeresett szövegrészletek ellentmondanak egymásnak. A modell úgy oldja fel az ellentmondást, hogy kitalál egy szintézist, amely egyiket sem elégíti ki.
  2. Időbeli magabiztosság-felfúvódás. A visszakeresett szövegrészlethez nem tartozik érvényességi időablak. A modell aktuálisként mutatja be, mert visszakerült — és mert a promptban semmi sem mond mást.
  3. Részlet-szintézis kudarc. A felső k visszakeresett részlet pontos töredékeket tartalmaz. Az elbeszélés, amit a modell ezekből épít, nem pontos — a kötőanyag találmány.
  4. Eredet elvesztése. A modell nem tudja megkülönböztetni, hogy „ez a hivatalos belső kézikönyvből van” vagy hogy „ez egy gyakornok által negyedévvel ezelőtt feltöltött piszkozatból”. Mindkettő szövegként érkezik a promptba.
  5. Egylövéses személyre szabási kudarc. A felhasználóra vonatkozó releváns tény epizodikus — valami, ami történt, nem valami, ami a témáról szól. A koszinusz-hasonlóság nem hozza fel. Az ágens úgy válaszol, ahogy bárki másnak válaszolna.

A jogi AI hallucinációs aránya — kereskedelmi, retrieval-augmented architektúrájú rendszereken 17 és 33 százalék között mérve — jelentős részben pontosan ezt a mintát mutatja. A visszakeresés csökkentett egy hallucináció-osztályt, és láthatóvá tett egy másikat.

Amit a 2026 már épített a szakadék zárására

A jó hír: a szakadék elég régóta látszik ahhoz, hogy mára létezzen egy valódi termékkategória — a vektor-tár-mint-emlékezet mintától elkülönülve. A vezető rendszereket érdemes név szerint ismerni, mert mindegyik más-más architekturális döntése világítja meg, mit is igényel valójában az emlékezet.

Ezek nem a RAG kisebb variánsai. Egy más architekturális tét: hogy az emlékezet „írás majd olvasás” — komoly munka történik az írási lépésnél (kivonatolás, deduplikáció, ellentmondás-feloldás, érvényesség kijelölése), hogy az olvasási lépés gyors, többstratégiás és bizalomra méltó lehessen.

Az öt minta, ami alapkövetelmény lett

Aki elég ideig nézi a 2026-os mezőnyt, észrevesz egy konvergenciát. Öt minta jelenik meg eredetileg egymástól függetlenül tervezett rendszerekben:

  1. „Írás majd olvasás”. A nehézségek a beillesztésnél vannak — kivonatolás, strukturálás, reflexió —, hogy az olvasások gyorsak legyenek, és több stratégiát kombinálhassanak (szemantikus vektor + gráfbejárás + időbeli + kulcsszavas + újrarendezés).
  2. Az események mint elsőosztályú objektumok. Az epizódok — mi történt, mikor, mi változott — objektumként tárolódnak, nem csak szövegrészletekként.
  3. Hibrid gráf + vektor. A pusztán vektoros tárolás már nem state-of-the-art. A gráfok a relációkat, az időbeli lekérdezéseket és a precíz kereséseket kezelik; a vektorok a fuzzy szemantikus hasonlóságot. A vezető rendszerek többsége mindkettőt használja, és sokan még egy kulcs-érték vagy relációs réteget is hozzátesznek a strukturált mezőkhöz.
  4. Kétidős érvényesség és ellentmondás-kezelés. Tényenként két időbélyeg — mikor lett igaz a világban, és mikor szerzett róla tudomást a rendszer —, felülrétegezéssel, nem felülírással. A naplóbejegyzés a hivatalos rekord.
  5. Reflexiós rétegek. Az epizódok periódikus konszolidációja magasabb szintű mintákká. A minta közvetlenül leszármazott a 2023-as Generative Agents tanulmányból, és ma valamilyen formában megjelenik szinte minden komoly éles rendszerben.

Vegye észre, mi az, ami még nem alapkövetelmény: a kormányzás. A naplózás, a hatókör-kezelés, a szerep-alapú hozzáférés, a humán felülvizsgálat — amik a szabályozott iparágakban evidenciák — az emlékezetrendszerek többségében még mindig egyedi fejlesztések. Erről a hiányról szólt A bizalmi lánc problémája, és ennek a hiánynak a multi-ágens vetületéről A 3. fázis problémája. A RAG-mint-emlékezet az alap, amin ezek a hiányok nyugszanak. Lecserélni valódi emlékezetre — ez az előfeltétele annak, hogy a többit egyáltalán be lehessen zárni.

Mit jelent ez a vásárlónak

Ha az ön szervezete 2026-ban „emlékezettel rendelkező AI”-ajánlatot mérlegel, a kérdés nem az, hogy van-e a rendszerben emlékezet. Ezt szinte mindenki állítja. A kérdés, amit fel kell tenni, az emlékezet alakjáról szól.

Éles üzemben ezek a rendszerek ritkán állnak egymagukban. A nyerő minta réteges: vékony ágens-oldali jegyzetfüzet a futási állapothoz, rendszer-oldali emlékezet-tár a kormányzott intézményi tudáshoz, RAG a statikus referenciaanyaghoz, ami nem fejlődik. Az egész réteget hívni „emlékezetnek” rendben van. Egyedül a RAG-ot „emlékezetnek” hívni nincs.

A beszélgetés, amit már folytatunk

A sorozat, amelyhez ez a cikk tartozik, abban szokatlan, hogy őszintén beszél arról, melyik problémát oldja meg az ipar éppen ténylegesen. Az újrafelfedezés adója az állapot nélküli ágensek költségére adott nevet. A bizalmi lánc problémája az intézményi szintű kormányzási vákuumra. Az árnyemlékezet arra, mi történik, amikor az emlékezet láthatatlanul gyűlik a szervezetben. A 3. fázis problémája arra, mi történik, amikor ezek az emlékezetek kezdenek átnyúlni az ágensek között.

Mindegyik cikk feltételezett valamit, amit ez a mostani teszi explicitté: amit a vállalatok többsége ma „emlékezetnek” hív, az nem emlékezet. Visszakeresés. Az eltérés a forrása az újrafelfedezés árának, a bizalmi lánc hézagjának, az árnyemlékezet halmozódásának és a multi-ágens szennyeződési láncolatnak. A szakadék lezárása nem opcionális. Ez a vállalati AI következő két évének munkája.

Ezt a gyakorlatból mondjuk, nem elméletből. Olyan rendszereket építünk, amelyek komolyan veszik a megkülönböztetést, és láttuk, mi történik a működési költséggel és a bizalmi felülettel akkor, amikor az ágensek alatti alap megszűnik egy magabiztos hangú vektor-tár lenni.

Ha az ön szervezete „emlékezettel rendelkező AI”-ajánlatokat mérlegel — vagy maga épít ilyet —, és a vásárlói szakaszban felsorolt kérdések azok a kérdések, amelyekre a gyártótól szerette volna a választ, szívesen meghallgatnánk. Lehet, hogy van valami, amit megmutathatunk.