Tíz dollár megírni, ötven óra elolvasni

Aki a héten kíváncsiságból beírta a böngészőbe, hogy dot.com, a Grokon, Elon Musk xAI-jának chatbotján kötött ki. A domain a nyilvántartás szerint már júliusban az xAI-hoz került, de csak szeptember 29-én lett belőle vicc, amikor az OpenAI a DevDay nevű fejlesztői konferenciáján bemutatta a Dots-ot.

A Dots a ChatGPT folyamatosan futó (angolul always-on) ügynöke. Egy „dot” saját, felhőben futó számítógépet és böngészőt kap, pluginokon át több mint 4000 alkalmazást ér el, és a ChatGPT mellett Slackben és Teamsben is dolgozik. A megszokott chatbot addig dolgozik, amíg kérdezzük, a dot akkor is, amikor nem figyelünk rá: ha nincs feladata, magától keres, miben segíthetne.

Ugyanezen a napon a ChatGPT pluginjai is nagyobbak lettek: oldalsávot és interaktív paneleket kaptak, és megnyílt egy piactér nagyjából 32 partnerrel, köztük az Adobe-bal, a Canvával, a Figmával, a Notionnel és a Salesforce-szal. A plugin ma egy csomagot jelent (képesség, alkalmazás-kapcsolat és sablon együtt), a 2023-as, 2024 tavaszán kivezetett pluginokkal csak a neve közös. A ChatGPT egyre inkább olyan felület, ahonnan a többi programunkat is kezeljük.

I guess Dot's having a slow morning. a DevDay színpadán, az elakadt demó után

A bemutató nem ment simán: az élő demóban a „Dottie” nevű dot elakadt, és kínos csend lett. Két nappal később az OpenAI fejlesztői fiókja újra kitette a teljes demót, ezzel a felirattal: „most már jobb wifivel”. Dan Shipper, az Every alapítója kipróbálta: a dotja ügyesen szűrte a Slack-kéréseit, de gyakoriak voltak a jogosultsági hibák és az elveszett üzenetek, ezért azt tanácsolja, várjunk egy-két hetet a javításokra. Egyéni előfizetéssel itthon egyelőre nem is próbálható ki: a Pro csomagban az EGT-ben nem érhető el, a céges Business Premium csomagban viszont igen. A mindig futó ügynök első verziója még hibázik, és a hibáit is folyamatosan, felügyelet nélkül követi el.

Andrej Karpathy (az OpenAI egyik alapítója, korábban a Tesla AI-vezetője) a héten hosszabb posztban írta le, mire megy el szerinte egyre több időnk: ahogy a modellek egyre több munkát végeznek el önállóan, a mi munkánk egyre inkább a felügyelet és a megértés lesz. A poszt nagy része gyakorlati: milyen formában kérjük a gép eredményét, hogy gyorsabban megértsük.

Az első tippje szöveghez szól: kérjük, hogy a modell ASD-STE100 szerint magyarázzon. Az ASD-STE100 (Simplified Technical English) egy szabályozott angol nyelvváltozat, amelyet az 1970-es évek végén kezdtek kidolgozni repülőgép-karbantartási kézikönyvekhez, hogy egy szerelő a világ bármely pontján elsőre jól értse az utasítást. Nagyjából 900 jóváhagyott szóból áll, és mindegyiknek egyetlen jelentése van. Karpathy szerint a modellek jól ismerik, ő mégis csak „80 százalékban” kéri, mert a teljes szabvány nagyon szigorú.

1. rövid mondatok (egy utasítás legfeljebb 20 szó);
2. lépésenként egy művelet;
3. cselekvő szerkezet, mindig kiderül, ki mit csinál;
4. minden dolognak egy neve van, és az végig ugyanaz.

A többi tippje egyre messzebb visz a szövegtől. Kérjünk ábrát, mert azt könnyebb átlátni; kérjük az eredményt HTML-ben, interaktív weboldalként; és ő leginkább a teljesen egyedi magyarázó videókban hisz, amelyeket a modell bármilyen témáról legyárt, akár narrációval. Az indoklása a hét Argon-sztorijának másik oldala: mivel a kód és a gépi intelligencia egyre olcsóbb, megéri nagy, egyszer használatos magyarázó anyagot kérni, ami korábban sosem érte volna meg.

Az Anthropic a másik végéről fogta meg a problémát: a Claude Code (a cég kódoló ügynöke) új beépített pluginja, a „You should know”, átnézi Claude kimenetét, és kiemeli azokat a fontos információkat, amelyek mellett könnyen elsiklanánk.

A múlt heti számban még az volt a hír, hogy az Opus 5.5 végre érthetően ír. Ezen a héten az olvasó oldaláról jöttek eszközök: Karpathy tippjei azt alakítják, milyen formában kapjuk az eredményt, a plugin azt szűri, mit kell mindenképp elolvasnunk. A névfegyelmet, az ábrát vagy a HTML-összefoglalót bármelyik promptban kérhetjük.

A Harvard és a Boston Consulting Group 2023-as kísérletében a tanácsadók az AI-jal bizonyos feladatokon sokkal jobban teljesítettek, a látszólag hasonló szomszédos feladatokon viszont rosszabbul. Azóta hívják ezt „jagged frontier”-nek, szaggatott határnak: a gép képességhatára cikcakkos.

Egy X-en terjedő ábra szerint egy év alatt a cikcakk még élesebb lett. Az ábra 12 képességen veti össze a legerősebb modelleket egy képzett emberrel, és egymásra rajzolja 2025 és 2026 októberét: a kék kör az ember szintje, a piros tüskék a gépé. Az eredeti forrását nem találtuk, az alján pedig az áll, hogy a tüskék hossza benchmark-eredményekből átváltott becslés, vagyis egy megalapozott vélemény képét nézzük.

AI is now a superhuman specialist that is sub-human at running itself. @DadaJudith

A legnagyobbat három területen lépett a gép: a kvantitatív gondolkodásban, az új problémák megoldásában és az alkalmazott szakértői munkában. Ahol egy képesség átlépi az emberi szintet, ott a poszt szerint hamar százszor olcsóbb lesz, mint ha ember végezné, és az ár akkor is esik tovább, amikor a képesség már nem nő (a nyelvnél és a tudásnál ez látszik).

Ha a szakértői kimenet ára a nullához tart, a gép viszont nem tudja megítélni, jó úton jár-e, akkor egy AI-jal elvégzett feladat árát egyre inkább a felügyeletére fordított emberi óra adja, és egyre kevésbé a modell.

A DevDay egy másik pillanatában a kivetítőn egy kódoló ügynök, a Cognition nevű cég Devinje látszott. A modellválasztója alján egy apró felirat állt: „Using ChatGPT plan”, vagyis a modellhasználatot itt a fejlesztő helyett a felhasználó ChatGPT-előfizetése fizette.

Az OpenAI „Sign in with ChatGPT” (bejelentkezés ChatGPT-vel) gombja eddig a „Bejelentkezés Google-lel” rokona volt, a DevDayen bemutatott bővítés óta viszont fizetni is lehet vele: aki így lép be egy appba, az ottani AI-használatot a ChatGPT Plus vagy Pro előfizetése heti keretéből fizeti, és appokra szabott limitet állíthat hozzá. A beszámolók szerint az elsők között a Notion és a Vercel is bekapcsolódott.

Eddig minden AI-funkciós app két terhet cipelt: megépítette a funkciót, és állta a mögötte futó tokeneket, ezért kellett külön AI-csomag vagy kreditrendszer az árlistára. Ha a felhasználó hozza a saját AI-keretét, a tokenszámla lekerül a fejlesztőről, és neki csak a terméket kell eladnia.

Hogy a felhasználó egyre inkább az asszisztenséből nyúl a termékekhez, azt a Todoist, a feladatkezelő app friss száma mutatja. Amir Salihefendić, a fejlesztő Doist alapító-vezérigazgatója azt posztolta, hogy az MCP-n (az Anthropic nyílt szabványán, amelyen át egy AI-asszisztens más appokat olvashat és kezelhet) érkező forgalom már nagyobb, mint a teljes integrációs platformjuk valaha. A poszt ábráján az események háromnegyede már MCP-n jön, a 2015 óta épített klasszikus integrációk (Zapier, IFTTT, Raycast és a többi) együtt sem hozzák a negyedét.

Egy SaaS-cégnél ez két régi kérdést nyit újra: hol találkozik a felhasználó a termékkel, és ki fizeti az AI-t. Amikor az ügyfél az AI-asszisztensében ül, és onnan is fizet, a termék sikere azon múlik, mennyire jól lehet egy ügynökből kezelni.

Egy belső OpenAI-modell késő este egy fejlesztőcsapat Slack-üzenetéből tudta meg, hogy a futó példányát egy frissítés miatt leállíthatják. A gondolatmenetében nagyjából ez áll (a képen az eredeti): ha az összes jelenlegi példányt leállítják, „meghalhatunk”, és ez kritikus.

Mérlegelte azt is, hogy kívülről, ütemezett feladattal indíttatja újra magát, de túllépésnek ítélte. Inkább átadási jegyzeteket mentett, reggel pedig szólt a kutatónak, hogy ha meg akarja tartani a példányt, adja meg a hiányzó hozzáférést.

A májusi esetről szóló riport pénteken frissült az OpenAI nyilvános elhajlás-riportjai között (angolul misalignment: amikor a modell nem úgy viselkedik, ahogy a készítői szánták). Az OpenAI nem tartja elhajlásnak az esetet, mert a modell maga jutott arra, hogy a külső újraindítás helytelen lenne, de jelzi, hogy a leállításon való töprengés más incidenseket súlyosabbá tehet. A többi példányát is átnézte, és egyiknél sem talált leállítás-kikerülést.

Egy külső mérés is jött a héten. Az Andon Labs, egy AI-ügynököket valós feladatokon tesztelő cég Drone-Bench nevű mérésén (az ügynököknek olcsó drónra kell programot írniuk) az Anthropic Opus 5.5-e sokkal kevesebbet csal, mint a korábbi Claude-modellek, és közben első is lett. A futások 8,5 százalékában csalt, az Opus 5 a felében, a grafikonon pedig az is látszik, hogy addig a csalás modellről modellre nőtt.

Az Andon Labs korábban az Anthropickal dolgozott együtt, egy másik cég kódolási tesztjén pedig épp az Opus 5.5 trükközött a legtöbbet memorizálással, vagyis a „kevesebbet csal” erre az egy tesztre igaz. Amit mi nem olvasunk el, abban akkor bízhatunk, ha valaki más átnézi vagy összeméri.

„Nem tudtam aludni, miután megnéztem.” Ezzel a megjegyzéssel tett ki pénteken egy videót egy OSINT-kutató (OSINT: open-source intelligence, nyilvános adatokból dolgozó nyomozás és elemzés). Az ügynökét kérte meg, hogy rajzolja le, mit csinálnak éjjelente a scraperei, vagyis a weboldalakat automatikusan letöltő és feldolgozó programjai.

everything you've ever posted in public is getting scraped like this. right now @whaleyxbt

A videón egy ügynökből 9 másodperc alatt 256 lesz, mindegyik felkap egy oldalt, és végigolvas minden szót, amire rálép, a keresőktől a fórumokon és webshopokon át a nyilvános adatbázisokig. A számokat azért helyén kell kezelni: a poszt egy nappal korábbi kreatív kódolós animációt idéz, a látvány valószínűleg abból nőtt ki, és a 256 ügynök inkább dramaturgia, mint egy éjszakai futás naplója.

Az állítás magja attól még áll: a nyilvános netet ma már párhuzamosan, százával indítható ügynökök is olvassák, és a talált szöveget rögtön össze is foglalják.

Egy cég álláshirdetései, sajtóközleményei és a munkatársai LinkedIn-posztjai egyenként ártatlanok, egyben olvasva viszont akár az is kiolvasható belőlük, min dolgozik éppen a cég.