Miért tűnik tökéletesnek a magyar MI-szöveg?
Mert a forma alapján ítélünk. Egy gördülékeny, magabiztos, helyesen ragozott mondatról az agyunk automatikusan feltételezi, hogy a tartalma is rendben van — embereknél ez többnyire működik is, hiszen aki egy témáról szabatosan tud beszélni, az általában érti is. A nyelvi modelleknél ez a kapcsolat megszakad: a modell attól még folyékonyan fogalmaz, hogy a konkrét tényt nem tudja. És éppen ettől veszélyes — ugyanazzal a magabiztossággal írja le a helyes és a kitalált választ.
A magyar helyzet külön figyelmet érdemel. A modellek tanítóanyagának túlnyomó része angol nyelvű; a magyar nyelvű és magyar vonatkozású tartalom ehhez képest jóval kisebb rész. A nyelvtant a modellek ettől még kiválóan megtanulták — a magyar tényeket kevésbé. Ez nem apró javítanivaló, hanem a technológia természetéből következik, ezért nem várhatod, hogy magától eltűnjön: kezelni kell, méghozzá a te oldaladon.
Mit mértek pontosan a kutatók?
A 2025-ben publikált OpenHuEval kifejezetten a magyar nyelvre és magyar tudásanyagra épített mérőrendszer, amely 10 nagy nyelvi modellt vizsgált. A tényismereti része, a HuSimpleQA rövid, egyértelmű, magyar vonatkozású ténykérdéseket tesz fel — olyanokat, amelyekre egyetlen válasz van, és az vagy helyes, vagy nem.
Az eredmény: a legjobban teljesítő modell, a GPT-4o a kérdések 50,3%-ára adott helyes választ, a gyengébb modellek 9–16% között teljesítettek. Másként fogalmazva: a legjobb mért modell nagyjából minden második magyar ténykérdést elrontott, a mezőny többi tagja szinte az összeset.
Két korlátot érdemes ismerni, mielőtt messzemenő következtetést vonsz le. Egyrészt a mérés 2025 elején készült, az azóta megjelent modellek nem szerepelnek benne — a konkrét számok tehát nem vihetők át egy az egyben a ma elérhető legújabb eszközökre. Másrészt viszont a tanulság ettől még érvényes: minden mért modell sokkal gyengébb volt a magyar tényekben, mint amilyennek a folyékony fogalmazása alapján tűnt.
És ez nem magyar különlegesség, csak nálunk erősebb a hatás. A tényhibák angolul is ott vannak: a CNET amerikai technológiai lap 2023-ban a 77 MI-vel írt pénzügyi cikkéből 41-et volt kénytelen utólag javítani. Angolul is ellenőrizni kell — magyarul még inkább.
Mit jelent ez három tipikus kkv-helyzetben?
Árajánlatot írsz. A saját korábbi ajánlataidból dolgozó MI kiváló vázlatot ad: szerkezetet, megfogalmazást, hangnemet. Az árakat, határidőket és műszaki paramétereket viszont te írod bele — ezek tények, és éppen abba a kategóriába tartoznak, ahol a modell csendben hibázik.
Adózási kérdésed van. „Milyen adózási forma éri meg egy mellékállású vállalkozónak?” — erre a modell magabiztos, jól hangzó választ ad, amely tavalyi szabályokon alapulhat, vagy egyszerűen téves. Jogszabályi kérdésben az MI arra jó, hogy megértsd a fogalmakat, és jó kérdéseket vigyél a könyvelődhöz — a válasz maga a könyvelőtől vagy az elsődleges forrásból jöjjön.
Marketingszöveget írsz. Itt az MI elemében van: címvariációk, szövegváltozatok, átfogalmazás percek alatt. Egyetlen csapda marad: ha a szövegbe tényállítás kerül — összetétel, hatás, statisztika, ár —, azt már ellenőrizni kell, mert a hirdetésben leírt téves állításért nem a modell felel, hanem te.
Mikor bízhatsz benne, és mikor kell ember?
Az ökölszabály egyszerű: ha az MI a te anyagodat alakítja, jó terepen jársz; ha a világról állít tényeket, ellenőrzés nélkül semmi nem mehet ki a kezed alól.
Jó terep — itt tényleg gyors és hasznos:
- összefoglalás, átfogalmazás, rövidítés a saját szövegedből
- e-mail-, ajánlat- és hirdetésvázlatok a te adataidból
- ötletelés, címváltozatok, szerkezeti javaslatok
- fordítás nyers változata, emberi átnézés előtt
Ember kell — itt a modell tényeket állít:
- magyar jogszabályok, adózás, határidők, hatósági ügyek
- árak, számok, dátumok, nevek, címek
- friss események és minden, ami a modell tudásának lezárása után történt
- minden anyag, ami ügyfélhez vagy hatósághoz megy ki
A határvonal tehát nem az eszközön múlik, hanem a feladaton. Ugyanaz a modell, amelyik kiváló ajánlatvázlatot ír a te szövegeidből, fél perccel később magabiztosan mond rossz határidőt egy hatósági ügyben. Nem a modell változott meg közben — hanem a feladat típusa.
Hogyan ellenőrizz? Hatpontos rutin kkv-knak
A rutin lényege, hogy ne eseti megérzésből ellenőrizz, hanem rendszer szerint: mindig ugyanazt a hat kérdést tedd fel, mielőtt egy MI-válaszra bármit építesz.
- Kérd el a forrást — és nyisd meg. Ha a link nem létezik, vagy nem azt írja, amit a modell állít, a választ dobd el. A hivatkozás kérése önmagában nem védelem: a modellek forrást is tudnak kitalálni.
- Két független forrás minden fontos számhoz. Ha egy adat döntést alapoz meg, két egymástól független helyen nézd meg, mielőtt építesz rá.
- Név, összeg, dátum, jogszabályhely: mindig ember. Ránézésre ezek a legártalmatlanabb részletek — és éppen az ilyen apróságokban csúszik el a válasz a legkönnyebben úgy, hogy fel sem tűnik.
- Friss információt csak webkereséssel. Ha az eszköznek van webkeresős üzemmódja, friss adatot csak abban kérj, linkekkel együtt — a modell beépített tudása mindig múltbeli.
- Engedd meg a „nem tudom”-ot. Írd bele az utasításba: ha nem biztos a válaszban, mondja azt, hogy nem tudja. Egy mondat, és máris kevesebb magabiztos kitalációt kapsz.
- Kifelé menő anyagnál négy szem. MI-vel készült szöveget ügyfél, partner vagy hatóság csak azután láthat, hogy egy ember végigolvasta és jóváhagyta.
Mi ebből a tanulság?
Az MI nem orákulum, hanem munkatárs — olyan, mint egy nagyon gyors, nagyon lelkes gyakornok: rengeteg munkát levesz a válladról, de a leadott anyagát át kell nézni. Aki ezt a rutint beépíti a napi munkába, az gyorsabban halad, felesleges kockázat nélkül. Egy kkv-nak ez kifejezetten jó hír: nem kell hozzá adattudós, elég egy józan rutin. A cégek többsége ma vagy vakon bízik az MI-ben, vagy hozzá sem nyúl — a középút, az ellenőrzött használat még ritka, és éppen ezért előny. Ha most indulnál az MI-vel, az első lépéseket itt találod: MI a kkv-ban: hol kezdd? Ha pedig azt szeretnéd látni, hogy a te cégedben hová férne be ez a rutin, kérj egy ingyenes mini-auditot — 48 órán belül konkrét választ kapsz.
Források
- OpenHuEval: Evaluating Large Language Model on Hungarian Specifics (arXiv, 2025) — arxiv.org
- Engadget: CNET corrected 41 of its 77 AI-written articles (2023) — engadget.com