Michael Spence amerikai közgazdász a hetvenes években dolgozta ki a jelzőelméletet, amelyért 2001-ben közgazdasági Nobel-díjat kapott. Az alapötlet egyszerű. A munkaerőpiacon a munkáltató nem látja közvetlenül, mennyit tud egy jelentkező, ezért olyan külső jeleket keres, amelyek korreláltan utalnak a valódi tudásra. Ilyen jel az egyetemi diploma, az önéletrajz, az ajánlás. Ezek mind jelzések, nem maga a tudás. Az elmélet addig működik, amíg a jelzés költséges és nehéz meghamisítani. 2026-ra pontosan ez a feltétel omlott össze.
A jelzés, ami nem jelez többé
Egy nyelvi modellel a tökéletes, az adott állásra szabott önéletrajz elkészítése ma néhány percbe telik. A motivációs levél ennél is kevesebbe kerül. Az MI-generált zajban a klasszikus jelzések elvesztették megkülönböztető erejüket. Ha mindenki tud profi önéletrajzot, akkor az önéletrajz már nem jelzés. Csak még egy szöveg.
A számok is ezt a diagnózist erősítik. Nemzetközi kimutatások szerint az MI- és gépi tanulási pozíciókra irányuló toborzás 2025-ben 88 százalékkal nőtt éves összevetésben, miközben a belépő szintű állások kínálata 73 százalékkal csökkent. A szakmai értékelés a két véglet között található. Egy vector database engineer pozíció esetén négy munkáltató jut egyetlen megfelelő jelöltre, és a fizetés 300 ezer dollár környékén mozog. Ugyanakkor egy pályakezdő általános fejlesztő piaci értéke hónapról hónapra lejjebb csúszik. A szórás óriási, az iránytű elveszett.
Négy kérdés
A javaslat egyszerű, és pont ezért figyelemre méltó. Négy kérdés, amelyeket bármilyen saját munkádra — egy dashboardra, egy ügyfélprojekt-anyagra, egy elemzésre, egy kódra — feltehetsz. Az első kérdés arra irányul, pontosan mi is az a dolog, amit felmutatsz. Röviden, köznyelven, nem marketingzsargonban. A második azt firtatja, miért éppen ezt a megközelítést választottad. Mi volt az alternatíva, és miért nem azt választottad. A harmadik kérdés éles. Hol törne el. Vagyis milyen feltételek mellett nem működik a megoldásod, hol van a rejtett határ? A negyedik pedig arra kérdez rá, mit tanultál a folyamat során. A tevékenység melyik pontján változott meg a fejedben valami.
A négy kérdés célja nem az, hogy jobban hangozzon, amit csinálsz. A célja az, hogy kiderüljön, érted-e a saját munkádat. Egy nyelvi modell által előállított válasz rendszerint elbukik valamelyik kérdésnél — leggyakrabban a mi törne el pontnál. Mert egy MI simán megmondja, mi a fejlesztésed és hogyan épül fel. De nehezen mondja meg, hol az árnyoldala, és nem ismeri a tanulási pillanatot, amely a folyamat közben neked személyesen megadódott.
Vegyünk egy pályakezdő adatelemzőt, aki első komoly modelljét egy lakossági előfizetéses szolgáltatónál készítette el. Az önéletrajzában ez a mondat szerepel.
Ügyfélmegtartási előrejelző modellt fejlesztettem Pythonban, 83 százalékos pontossággal.
A négykérdéses sablon nyomán ugyanez a mondat így alakul át. A feladat egy olyan előrejelzés elkészítése volt, amely időben megmutatja, mely ügyfelek állnak közel ahhoz, hogy felmondják az előfizetésüket. Két lehetséges algoritmus közül a magyarázhatóbbat választottam, mert a megrendelőnek fontosabb volt látni, miért kerül egy adott ügyfél a kockázatos csoportba. Egy néhány tized százalékkal pontosabb, de átláthatatlan eredménnyel nem tudott volna mit kezdeni. A modell pontossága gyorsan romlik, ha egy új termékbevezetés után hirtelen átrendeződik az ügyfélkör összetétele. A képzési adatokban ilyen helyzet nem szerepel. Számomra a projekt legfontosabb tanulsága az volt, hogy a technikai pontosság és az üzleti használhatóság nem ugyanaz a dolog.
A különbség pontosan ott bukkan ki, ahol a mesterséges intelligencia megáll. A személyes tanulságban. Az üzleti összefüggésekben. A választások mögött meghúzódó indoklásban. Ezeket egy nyelvi modell is elő tudja állítani — de csakis akkor, ha valaki ténylegesen végiggondolta előtte a problémát. Az önéletrajzot lehet hamisítani. A megértést sokkal nehezebb.
Csakhogy itt érdemes árnyalni
Persze felvetődik, hogy ez is csak egy újabb formátum, amit előbb-utóbb az MI is elsajátít majd. Néhány hónapon belül feltűnnek a négykérdéses sablont automatikusan kitöltő MI-eszközök, és kezdődik elölről a játék. Ez részben igaz. Az új jelzések költsége folyamatosan csökken, és az aszimmetria egy ideig fennmarad a technológia javára. A módszer azonban nem a formátumtól erős. Azért működik, mert kényszerít. Téged kényszerít arra, hogy átgondold a munkádat addig, amíg még magadnak is el tudod magyarázni. A kényszer nem automatizálható.
A záró kérdés
Daniel Kahneman a Gyors és lassú gondolkodás című könyvében részletesen bemutatja, hogy a valóban minőségi döntések ritkán születnek a gyors, automatikus gondolkodás eredményeként. Az úgynevezett 2-es rendszer — a lassú, reflektív mód — az, amely igazán lát. A generatív MI tökéletes 1-es rendszer. Fáradságot nem ismer, a válasz kész, a szöveg sima. De a megértés nem 1-es rendszer. A megértés lassú, és nem kölcsönözhető. Ez az egyetlen dolog, amelynek ma is komoly ára van a munkaerőpiacon.
A kérdés a tiéd.
