Az ember, a gép és a közösen végzett szellemi munka. Apáti Balázs és Bessenyei István írása

Csakhogy a közös írás legnehezebb esete nem az, amikor a gép néhány órányi munkát megtakarít. Hanem amikor olyan összefüggést kínál, amelyet a szerző nem keresett, és amely az addigi érvelését is megváltoztatja.

Egy folyóirat szerkesztője olyan tanulmányt kap, amelynek szerzője nyíltan jelzi: a szöveg megfogalmazásában mesterséges intelligencia is közreműködött. A kutatási kérdést ő választotta, az érvelést többször átalakította, a következtetéseket vállalja. De milyen megjegyzés kerüljön a neve mellé? És lehet-e egyáltalán a megfogalmazott mondatok arányából következtetni arra, ki végezte a szellemi munkát?

A szerkesztői kérdésre előbb-utóbb kialakulhatnak világos szabályok. Az alkotás kérdése kevésbé engedelmes. Egy tízoldalas gépi szöveget ki lehet dobni, ha tévútra visz. Egyetlen váratlan ellenérv viszont elég lehet ahhoz, hogy a szerző megváltoztassa a tanulmány alaptételét. A hozzájárulások súlya nem feltétlenül követi a leütött betűk számát.

A közös írásban az ember hol kérdez, hol vitatkozik, hol javít. Máskor egy olyan összefüggést talál a gép válaszában, amelyet korábban nem vett észre. Lehet, hogy örül neki. Lehet, hogy némi bosszúságot is érez, amiért nem maga jutott odáig. A kész tanulmányból egyik sem derül ki.

A szerzőséghez ezért egy másik, kevésbé adminisztratív kérdés is társul: hogyan viszonyulunk ahhoz a gondolathoz, amelyet egy gép segítségével sikerült megfogalmaznunk? Az MI-vel támogatott írás pszichológiai kutatásai éppen ezt az eltérést kezdték vizsgálni: a jobb teljesítmény és a sajátként megélt alkotás nem mindig esik egybe.

Elena Hayoung Lee és munkatársai 2026-ban megjelent tanulmányukban azt vizsgálták, hogyan változik a saját képességeinkbe vetett bizalom, a munka jelentőségének érzése és a pszichológiai tulajdonosság különböző MI-használati módok mellett. Egy 269 résztvevős előregisztrált kísérletben összehasonlították az önálló írást, a gépi szöveg passzív átvételét és az aktív együttműködést. A passzív használat kedvezőtlenebb eredményeket hozott az említett pszichológiai mutatókban; az aktív részvétel mérsékelte ezeket a hatásokat. Egy további, 270 fős kérdőíves vizsgálat egészítette ki az eredményeket. [1]

A kutatás nem azt állítja, hogy minden géppel írt szöveg idegenné válik a szerzője számára. Inkább arra világít rá, hogy ugyanaz a technológia különböző személyes tapasztalatokat eredményezhet attól függően, hogyan veszünk részt a munkában.

Fiona Draxler és munkatársai már 2024-ben leírtak egy másik különös jelenséget. Kísérleteikben előfordult, hogy a résztvevők nem érezték egészen sajátjuknak a gépi segítséggel létrehozott szöveget, miközben nem szívesen tették nyilvánvalóvá a mesterséges intelligencia közreműködését. A szerzőség vállalása és a szöveg sajátként megélése nem feltétlenül esett egybe. [2]

A pszichológiai tulajdonosság kifejezés elsőre kissé idegenül hangozhat, de a jelenség ismerős. Egy szöveget olykor már az első változatában a sajátunknak érzünk. Egy másikat hiába javítgatunk hosszan, valamiért nem találjuk benne magunkat. Ez nem feltétlenül a szöveg minőségéről árulkodik.

Niki Pennanen, Pyry Kanerva és Christian Guckelsberger 2026-os vizsgálata szerint a gépi szöveg szerkesztése, bizonyos körülmények között pedig a többlépcsős promptolás is növelheti a sajátként megélés érzését. A 273 résztvevős kísérletben ugyanakkor a teljesen önálló írás valamennyi vizsgált MI-vel támogatott munkamódnál erősebb pszichológiai tulajdonosságot eredményezett. [3]

A három kutatás után csábító volna egy praktikus receptet összeállítani: ne vegyük át változtatás nélkül a gép szövegét, írjunk hozzá saját mondatokat, szerkesszünk többet, kérdezzünk vissza.

Mindez hasznos lehet. De egy több hónapos kutatási együttműködés lényegesen bonyolultabb a kísérletek rövid szövegalkotási feladatainál.

Mi történik például akkor, ha egy ember találja ki a kutatási kérdést, egy másik megtervezi az elemzési módszert, a gép előállít néhány váratlan összefüggést, majd a két ember közös vitája során az eredeti kérdés is megváltozik?

Kié lesz az a felismerés, amelyik végül a cikk középpontjába kerül?

A kérdés mögött ott bujkál egy régebbi elképzelés az alkotásról. Valaki leül, gondolkodik, és a saját fejéből előállít valamit, ami korábban nem létezett. Ez a kép sokszor rokonszenvesebb, mint a valóságos munkafolyamat.

Csakhogy egy kutató fejében évtizedek óta mások gondolatai is dolgoznak. Könyvekből, vitákból, előadásokból, szerkesztői megjegyzésekből, tévedésekből és véletlenül meghallott mondatokból származó töredékek. Ha mindent eltávolítanánk, ami valaha mástól érkezett, aligha maradna elegendő anyag egy tisztességes tanulmányhoz.

James Hollan, Edwin Hutchins és David Kirsh már 2000-ben amellett érveltek, hogy a gondolkodás sok esetben emberek, eszközök és külső reprezentációk együttes működésében érthető meg. Az elosztott kogníció elmélete régebbi annál, mint hogy a mai nyelvi modellek létezése meglephette volna. [4]

A gép tehát nem először hozott idegen gondolatot az alkotásba.

A különbség részben az időben van.

Egy könyv szerzője rendszerint nem válaszol azonnal arra a kérdésre, amelyet olvasás közben felteszünk neki. A könyv nem készít külön ellenérvet kizárólag a mi kedvünkért, és nem írja át a saját harmadik fejezetét, mert mi másként szeretnénk folytatni.

A nyelvi modell megteszi mindezt. Többé-kevésbé készségesen, néha túl készségesen.

A gondolatok közötti távolság lerövidül. A kérdés után szinte rögtön megjelenhet egy olyan válasz, amelynek önálló kidolgozása korábban napokat vett volna igénybe.

Az embernek persze továbbra is el kell döntenie, hogy elfogadja-e.

De az elfogadás nem ugyanaz a szellemi esemény, mint a felfedezés.

És az sem mindegy, hogy valaki éppen melyiket kereste.

A közös írásban egy idő után különös változás következhet be. Már nemcsak a szöveg készül a géppel, hanem maga a szöveghez vezető módszer is.

Először kérünk egy elemzést. A válasz túl általános, ezért pontosítunk. Következő alkalommal ellenérveket is kérünk. Aztán kiderül, hogy a modell hajlamos meggyőzően fogalmazni bizonytalan állításokról, így külön ellenőrzési szabályokat írunk elő. Eltelik néhány hét, és a kezdeti egyszerű kérés helyén már összetett gondolkodási eljárás áll.

Az ilyen módszeralkotás egyik önálló példája a Cognito Thinking System.

A Cognito különböző nyelvi modellekre épülő, emberileg kialakított gondolkodási eljárások, kutatási motorok, filozófiai modulok és szövegalkotási rendszerek együttese. Több fejlesztési ága párhuzamosan alakult. Van, amelyik a problématér rekonstruálására, más a bizonyítékok vizsgálatára, az ellenérvek ütköztetésére vagy éppen az írás folyamatára összpontosít.

A fejlesztés egyik állandó kérdése az volt, hogyan lehet megakadályozni, hogy a nyelvi modell túlságosan gyorsan jusson kész következtetésre.

Meg lehet követelni tőle, hogy előbb tisztázza a fogalmakat, különítse el a tényeket a feltételezésektől, keressen rivális értelmezéseket, majd vizsgálja meg saját eredményének gyenge pontjait. Későbbi változatok már az emberi szerző szándékának és hangjának megőrzését is külön szabályként fogalmazták meg.

Az eljárások részletessége önmagában még nem bizonyítja, hogy minden ellenőrzés valóban függetlenül megtörténik. Egy rendszerutasítás követése és a következtetések tényleges igazolása nem azonos. A Cognito dokumentumai között is vannak kísérleti architektúrák, önálló promptmotorok és különböző érettségű megvalósítások.

A gondolat mégis érdekes: a szellemi munka egy része áthelyeződik a gondolat közvetlen megalkotásáról a gondolkodási feltételek megtervezésére.

A Cognitóval végzett egyik oktatáskutatási munkában például a kiinduló felvetés az iskola és a digitális platformok figyelemért folytatott versenyére vonatkozott. Az első elemzés összehasonlította az eltérő intézményi működéseket. Ebből esszéváltozat készült. A későbbi emberi átdolgozások során azonban a gondolatmenet iránya megváltozott: a versenyhátrány leírása mellé bekerült a figyelmi önrendelkezés lehetősége.

Az új kérdés már más szöveget kívánt.

Itt tehát több különböző szellemi teljesítmény találkozott. Valaki felismerte az eredeti oktatási problémát. A vizsgálati eljárásnak külön emberi előtörténete volt. A nyelvi modell elemzéseket és szövegváltozatokat készített. A közös átdolgozás megváltoztatta a következtetéseket.

A mondatok eredetének pontos könyvelése aligha írná le mindezt kielégítően.

A gondolkodási eljárásnak is van szerzője. A kérdésnek is. A végső értelmezésnek is lehet több alakítója.

Közben pedig megtörténhet valami más: a gép által felkínált összefüggés hatására valaki valóban megváltoztatja a saját álláspontját.

Ez már személyes esemény. A gép előállíthatta az alkalmat, de a változást nem lehet egyszerűen a létrehozott mondatok számával mérni.

A Cognito egyik kísérleti ága hét eltérő gondolkodási szerepet állít egymással vitába. A kíváncsi Gyermek mellett megjelenik a Kritikus, a Nagyképű, a Kétségbeesett, az Összetartó, a Művész és a kívülről szemlélődő Hetedik.

A szereplők természetesen nem önálló személyiségek. Egyetlen modell különböző nézőpontokat jelenít meg, a módszer pedig igyekszik megakadályozni, hogy az első elfogadható válasz lezárja a gondolkodást.

Van ebben némi kedves ellentmondás. Az ember külön eljárást talál ki, hogy a gép vitatkozzon önmagával.

A szerzőség kérdésében a szerepek alighanem hamar összekülönböznének. A Kritikus megkérdezné, miért tekintjük a sajátként megélés érzését a valódi tudás bizonyítékának. A Nagyképű emlékeztetne rá, hogy az emberiség régen sem kizárólag saját ötletekből élt. A Kétségbeesettet valószínűleg az foglalkoztatná, hogy ha a gép már az érdekes gondolatokat is felkínálja, akkor mi marad abból a munkából, amelyet korábban örömmel végeztünk.

A Művész talán nem is a gondolat eredetét firtatná. Inkább azt kérdezné, mikor kezdett el igazán érdekelni bennünket.

Ezekből a megszólalásokból önmagukban semmiféle tudományos bizonyíték nem következik. A módszer arra jó, hogy a kérdés ne ugyanott érjen véget, ahol elkezdődött.

Ami meglepően nehéz feladat.

A nyelvi modellek ugyanis nagyon jól tudnak egyetértő, összefoglaló, rendezett szövegeket készíteni. Még a saját maguknak adott ellenérveket is gyakran úgy fogalmazzák meg, hogy azok néhány bekezdéssel később békésen beleilleszkedhessenek a végső következtetésbe.

Az emberi gondolkodás szerencsére nem mindig ilyen előzékeny.

A szerzőségi vita egy idő után a tudás kérdéséhez vezet. Ha egy gép segítségével olyasmit állítunk, amire korábban nem gondoltunk, mi az, amit ebből valóban tudunk?

Kant klasszikus kérdései közül három, a „Mit tudhatok?”, a „Mit kell tennem?” és a „Mit remélhetek?” egy pedagógiai gondolatkísérletben új megfogalmazást kapott: mit tudok elmondani, mit tudok megcsinálni, mit tudok elképzelni?

Nem Kant saját tudástipológiája ez, hanem kérdéseinek pedagógiai továbbgondolása. A három egyszerű kérdés most különösen jó próbának bizonyul.

A generatív MI mellett mindhárom kérdés kissé megváltozik.

Egy nyelvi modell segítségével el tudunk mondani valamit, amit korábban nem ismertünk. Elvégeztethetünk olyan műveleteket, amelyekre önállóan nem volnánk képesek. Olyan lehetőségeket is megvizsgálhatunk, amelyekre nem gondoltunk volna.

A gép tehát mindhárom területen kiterjesztheti a teljesítményünket.

A teljesítmény és a tudás viszonya azonban zavarba ejtővé válik.

Ha valamit a gép segítségével el tudok mondani, akkor tudom is? Ha megértem az általa felkínált magyarázatot, de egyedül nem jutottam volna el odáig, kevésbé az enyém? Ha ellenőrizni tudom az eredményt, de nem tudnám önállóan előállítani, akkor milyen értelemben rendelkezem a hozzá szükséges tudással?

Az eszköz nélküli önállóság nem lehet minden esetben a tudás kizárólagos mércéje. A modern tudomány jelentős része műszerek, számítógépek, szakirodalom és más kutatók közreműködésével működik. Ettől a kutató tudása nem válik jelentéktelenné.

A másik véglet sem különösebben meggyőző. Attól, hogy valaki hozzáfér egy rendszer válaszaihoz, még nem válik mindannak tudójává, amit a rendszer elő tud állítani.

Valahol a hozzáférés és az elsajátítás között történik valami, amit a kész eredményből már nehéz rekonstruálni.

Ráadásul a sajátként megélés érzése sem feltétlenül megbízható mérce. Saját gondolataink között is akad jó néhány, amelyet magabiztosan képviselünk, később mégis elvetünk. Másoktól tanult ismereteket viszont képesek lehetünk olyan természetességgel alkalmazni, mintha mindig is rendelkeztünk volna velük.

Talán nem is a gondolat eredeténél érdemes keresni a döntő különbséget.

Sokat elárulhat, hogy mit tudunk kezdeni vele. Képesek vagyunk-e megváltoztatni? Felismerjük-e, amikor már nem alkalmazható? Tudunk-e ellene érvelni? Segít-e másként látni egy korábbi problémát?

Ezek a kérdések már közelebb kerülnek a tanuláshoz.

A kész válasz önmagában ugyanis meglehetősen keveset mond arról, mi történt azzal, aki megkapta.

Hamsa Bastani és munkatársai 2025-ben középiskolások matematikai tanulását vizsgálták. Az egyik csoport közvetlen megoldásokat is kínáló GPT-alapú segítséget használhatott, egy másik olyan tutorváltozatot, amely inkább a feladat feldolgozására vezette rá a tanulókat.

A gépi segítség javíthatta a gyakorlás közbeni teljesítményt. Amikor azonban később önállóan kellett dolgozniuk, a közvetlen segítséget használó csoport gyengébben teljesített a kontrollcsoportnál. A korlátozott tutorváltozatnál nem mutatkozott hasonló, statisztikailag kimutatható visszaesés. [6]

Az eredmény nem az alkotói önazonosságról szól. Matematikai feladatmegoldásról, meghatározott kísérleti körülmények között. A támogatott teljesítmény és a megszerzett tudás közötti különbséget azonban jól mutatja.

A jó segítség időnként éppen azzal segít, hogy nem végzi el a teljes munkát.

Ez egy túlzottan készséges nyelvi modell számára meglehetősen szokatlan követelmény. Ha egy kérdésre tud választ adni, miért ne tenné meg?

Egy tanár viszont jól ismeri a helyzetet. Ha túl hamar megmutatja a megoldást, a feladat ugyan elkészül, de a tanuló esetleg nem jut el ahhoz a felismeréshez, amelyért az egészet elkezdték.

A gépnek tehát néha vissza kellene fognia a saját segítőkészségét.

Az alkotói munkában ugyanez a kérdés más formában jelentkezik.

Mohi Reza és munkatársai 109 ember–számítógép interakcióval foglalkozó tanulmány áttekintése és 15 íróval készült interjú alapján azt vizsgálták, az alkotók a szövegkészítés mely szakaszaiban szeretnék megőrizni saját irányító szerepüket. Kiderült, hogy nincs minden szerzőre egyformán érvényes munkamegosztás. [7]

Angel Hsing-Chi Hwang és munkatársai 19 hivatásos íróval és 30 olvasóval végzett vizsgálatukban az alkotói hitelesség kérdését kutatták. A szerzők számára a saját fejlődésük is fontosnak bizonyult, nem kizárólag az elkészült szöveg hangja vagy minősége. [8]

Egy jó szöveg megírásának tehát lehet olyan értéke, amely magában a kész műben nem jelenik meg.

Ez persze nem a mesterséges intelligencia sajátos problémája. Egy nehezen megszülető mondat, egy elvetett hipotézis, egy hosszan tartó vita korábban is többet adhatott a szerzőnek, mint amennyit az olvasó a végeredményből látott.

Most azonban a gép sok ilyen munkát képes gyorsan elvégezni. A folyamat eredményesebb lehet, de az alkotó szempontjából másféle tapasztalat keletkezik.

Csakhogy a közös írás legnehezebb esete nem az, amikor a gép néhány órányi munkát megtakarít. Hanem amikor olyan összefüggést kínál, amelyet a szerző nem keresett, és amely az addigi érvelését is megváltoztatja. Ilyenkor a gép nem egyszerűen gyorsabban készít el valamit, amit az ember amúgy is megcsinált volna. A munka eredményében megjelenik valami, amivel korábban egyik résztvevő sem számolt.

A Cognito fejlesztése itt különös helyzetet teremt. A gondolkodási eljárást ember tervezte, éppen azért, hogy a modell túljusson az első, kézenfekvő válaszokon. Megtanítjuk ellenérveket keresni, fogalmakat pontosítani, a kérdés hibáit vizsgálni. A kísérlet akkor válik igazán érdekessé, amikor sikerül: amikor a rendszer olyan állítással áll elő, amely a módszer tervezőjét is meglepi. Ha ez sohasem történhetne meg, a nagy gonddal épített eljárás legfeljebb azt adná vissza, amit eleve beletettünk.

A módszer létrehozása kétségtelenül alkotói teljesítmény. De ebből nem következik, hogy valamennyi vele előállított felismerés is a módszer alkotójától ered. Egy kutató megtervezheti a vizsgálatot anélkül, hogy előre tudná az eredményét. Sőt, rendszerint éppen azért vizsgálódik, mert nem tudja. Miért várnánk el egy géppel szervezett gondolkodási folyamattól, hogy csak azt találhassa meg, amit az ember már előre látott?

Ettől nem szükséges a gépet szerzővé avatni. A nyelvi modell mondatokat és összefüggéseket állít elő; hogy ezek közül mi tartható, azt továbbra is ellenőrizni kell. Az ember felismerheti egy váratlan állítás jelentőségét, megértheti, vitába szállhat vele, javíthat rajta, majd vállalhatja a következményeit. Ezek mind tényleges szellemi műveletek. Csak éppen nem ugyanazok, mint amelyek során az első összefüggés megszületett.

Lehet, hogy egy géppel közösen írt tanulmány legerősebb gondolatát nem az ember találta ki. Ettől még megértheti, megvédheti, továbbfejlesztheti, és vállalhatja érte a felelősséget. A szerzőség szabályai előbb-utóbb képesek lehetnek kezelni az ilyen helyzeteket. De azzal, hogy megállapodunk a szerző nevében, még semmit sem tudtunk meg arról, hogyan született a felismerés.

Felhasznált irodalom

[1] Lee, E. H., Yin, Y., Jia, N. és Wakslak, C. J. (2026). Relying on AI at Work Reduces Self-efficacy, Ownership, and Meaning While Active Collaboration Mitigates the Effects. Scientific Reports, 16, 13583. 

[2] Draxler, F. és munkatársai (2024). The AI Ghostwriter Effect: When Users Do Not Perceive Ownership of AI-Generated Text But Self-Declare as Authors. ACM Transactions on Computer-Human Interaction, 31(2), Article 25. 

[3] Pennanen, N., Kanerva, P. és Guckelsberger, C. (2026). How Prompting and Editing Shape Psychological Ownership in AI-assisted Creative Writing. Computers in Human Behavior: Artificial Humans, 9, 100381. 

[4] Hollan, J., Hutchins, E. és Kirsh, D. (2000). Distributed Cognition: Toward a New Foundation for Human-Computer Interaction Research. ACM Transactions on Computer-Human Interaction, 7(2), 174–196. 

[5] Lee, H.-P. és munkatársai (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. 

[6] Bastani, H. és munkatársai (2025). Generative AI without Guardrails can Harm Learning: Evidence from High School Mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. 

[7] Reza, M. és munkatársai (2025). Co-Writing with AI, on Human Terms: Aligning Research with User Demands Across the Writing Process. Proceedings of the ACM on Human-Computer Interaction, 9(7). 

[8] Hwang, A. H.-C. és munkatársai (2025). “It was 80% me, 20% AI”: Seeking Authenticity in Co-Writing with Large Language Models. Proceedings of the ACM on Human-Computer Interaction, 9(2).