Mit tud valójában az AI, és hol fogy el az ereje? A Fintech Világa legújabb adásában Érczfalvi András műsorvezető és Siklós Bence, a Peak tanácsadója arról beszélgettek, miért tűnik néha „zseniálisnak” a ChatGPT – és miért választ mégis gyakran óvatos, sablonos megoldásokat. Kiderül, hogyan tanulnak a nagy nyelvi modellek, miben erősek, hol hibáznak, és miért nem ugyanúgy „gondolkodnak”, mint az emberek. Zseni vagy csak statisztika? A nagy nyelvi modellek óriási szövegkorpuszokon képzik magukat, és a legvalószínűbb következő szót próbálják kitalálni. Ez lenyűgöző szövegalkotást eredményez, de önmagában nem jelent megértést – inkább statisztikai mintakövetést. Amíg az ember képes a kontextuson túlmutató absztrakcióra, ezek a modellek a betanult mintákhoz ragaszkodnak, és ritkán vállalnak valódi kockázatot. Miért jók a fogalmazásban, és miért gyengébbek matekban? A szövegalkotás mintázatai bőven jelen vannak az interneten, a történelem- vagy irodalmi jellegű feladatokhoz rengeteg példa áll rendelkezésre. A matematika ezzel szemben szabályalapú, több lépcsős, formális következtetést igényel; itt már kevés a „jó eséllyel eltalált” következő szó. Az eredmény: gördülékeny esszék kontra időnként pontatlan számolás. Emberi flow vs. AI-konzervativizmus Az ember tanulása próbálkozásokra és elvétett hibákra épül, érzelmi bevonódással és céltudatossággal. Az AI-t ma jellemzően emberi visszajelzéssel megerősített tanulással (RLHF) finomhangolják, ami érthetően óvatosságra, „biztonsági játékra” kondicionálja: a modell a bevált, középszerű, de megbízható válaszokat részesíti előnyben a formabontó ötletekkel szemben. Mire használjuk okosan? A jelenlegi AI modellek kiválók stílus- és szerkezetkövetésben, dokumentációk, összefoglalók, vázlatok gyors előállításában, sőt a tervezés korai prototípus-lépéseiben is. Kreatív áttörést azonban ritkán hoz: a nagy kép megtervezése, az eredeti koncepció, a kockázatvállalás és a kritikus ítélőképesség továbbra is emberi terep – különösen ott, ahol a döntések üzleti kockázattal járnak.