Miről szól ez a lecke: a legfontosabb pontok
- A fordulópont öt rétegen áll össze. Tőke, infra, tokenek, agentek, munka. Mind az öt a helyén van. Ezért zajlik most, és ezért visszafordíthatatlan.
- Az olcsóbb tokenek új keresletet hoznak, ezért az összköltség nő. Aki "olcsóbbra vár", soha nem indul el. A Jevons-paradoxon ez.
- Két konkrét következmény már most zajlik. A szoftver láthatatlanná válik, és a tudásmunkás menedzserré. Minden tudásalapú szakmára kiterjed.
- Először rend, utána átalakulás. Ahol kód-szerű rend van, ott az agent dolgozik. Ahol nincs, ott a rendrakás lesz az első project, és ezzel együtt a legnagyobb azonnali ROI.
2025 decemberében Andrej Karpathy, az OpenAI alapító csapatának tagja azt írta: az emberek kódírásának korszaka véget ért. Boris Cherny csapatánál a kód teljes egészében Claude Code-dal íródik. Az Accenture 30 ezer szakemberét képezi át Claude Code-ra. Egyetlen év, amíg ez megtörtént. És ezzel együtt eltűnt egy közhely is: az AI = ChatGPT.
Ami most zajlik, nem újabb AI-divat. Ez az első olyan korszakváltás a számítógép feltalálása óta, amelyben a tudásmunka egésze átrendeződik. Lehet rá készülni, vagy meg lehet várni, amíg a piac csinálja meg helyettünk. A különbség ma még döntés. Két év múlva nem lesz az.
Az öt rétegű lánc
A fordulópont nem egyetlen technológiai ugrás. Öt egymásra épülő réteg ért el egyszerre olyan állapotot, hogy a tudásmunka átrendeződését többé nem lehet megállítani. A pénz beállt, az infrastruktúra felépült, a tokenek elérhetők lettek, az agentek megtanultak dolgozni, a munka világa pedig hirtelen úgy néz ki, mint amire rá lett szabva.
2025-ben a globális kockázati tőke rekord-hányada, több százmilliárd dollár áramlott AI-ba. Ha hozzávesszük a 2025 januárjában bejelentett Stargate Project 500 milliárdját, az egy év alatt közel ezermilliárd dollár egyetlen technológiára. Hogy ez mit jelent: az amerikai GDP nagyjából 4%-a. Háborús szintű forrás-allokáció békeidőben.
A világ legnagyobb befektetői egyszerre döntöttek úgy, hogy az AI az elkövetkező évtizedek alapinfrastruktúrája. Ennyi pénz, ilyen rövid idő alatt, csak akkor mozdul, ha mindenki ugyanazt látja: a görbe most lép át a megtérülési ponton.
A tőkére rátelepült a fizikai infra. Amerikában atomenergia-szintű igények jelentek meg: a Microsoft újraindította a Three Mile Island reaktort, gigawattos datacenter-kampuszok épülnek. Réz, áram, vas, hűtés, fizikai szűk keresztmetszetek. A léptéket és a részleteket a következő leckében nézzük meg közelről.
És megfordult valami, amit ritkán mondanak ki: az inferencia már több compute-ot eszik, mint a training. Eddig a frontier modellek tanításához kellett a legnagyobb cluster, a használat ennek töredéke volt. Ma minden reasoning-lekérdezés tízszer hosszabb gondolkodást igényel, minden agent-workflow tucatnyi modell-hívást láncol egymás után. A datacenterek azért épülnek, hogy a mostani modellek napi milliárd lekérdezését ki tudják szolgálni. A sajtó nagy része még mindig a training-versenyről ír, pedig a súlypont már a kiszolgálásnál van.
12 hónap alatt egy frontier reasoning modell 128× olcsóbb lett. Az intelligencia ára úgy esik, mint az elektromosságé esett a 20. század elején. Egy szegedi kisvállalkozó ma ugyanahhoz a kognitív kapacitáshoz fér hozzá, mint egy Goldman Sachs elemző Manhattanben. Ami öt éve még milliárdos GPU-cluster volt, az ma havi $20-os ChatGPT Plus.
Az agent önállóan végigviszi a feladatot. Elolvassa, megtervezi a lépéseket, végrehajtja, és ellenőrzi a saját munkáját. A GitHub publikus kód-módosításainak 4%-át már a Claude Code írja (2026 nyári adat), és az arány negyedévről negyedévre nő.
A globális munkaerő egyharmada, több mint egymilliárd ember, tudásalapú munkát végez. Mindenki ugyanazt a négy lépést ismétli: olvas, szaktudást alkalmaz, strukturált kimenetet ad, ellenőriz. Pontosan azt, amire az agentek képessé váltak. Az átrendeződés nem azért fog megtörténni, mert valaki kigondolta, hogy "vezessünk be AI-t". Azért, mert a munka és az agent leírása egyszerűen ugyanaz lett.
Olcsóbb tokenek, drágább számlák
Olyan ez, mint amikor LED-égőre váltottál a háztartásban. Egy lámpa fogyasztása a töredékére csökkent. Mégis, az áramszámla nem lett kisebb: addig nem volt világítás a kerti fenyőn, a pince egészében, a teraszon, a lépcsőházban, mert nem érte meg. Most megéri, és mind ég. A fogyasztás-csökkenést új igények ették meg.
Az AI-tokenekkel pontosan ez zajlik. A frontier intelligencia egy év alatt 128× olcsóbb lett. Miközben a Microsoft beruházása (capex) a 2025-ös pénzügyi évben 88 milliárd dollár volt: a 2023-as pénzügyi évben ez még 28 milliárd. Két év alatt megháromszorozódott a beruházás, miközben a tokenár a töredékére esett. Mindkét mondat egyszerre igaz. A jelenségre 1865 óta van neve: Jevons-paradoxon.
Egy reasoning modell tízszer annyi tokent éget, mint egy chat. Egy agentic workflow húszszor annyi requestet láncol, mint egy completion. Egy mély-kutatási lekérés többe kerül, mint tíz hagyományos chat-lekérdezés együtt. A volumen oldalon nem százszoros, hanem több ezerszeres a növekedés. Az egyenlet egyszerű:
Britannia szénfogyasztása a hatékonyság miatt nőtt, nem ellenére. A hatékonyabb gőzgép nem csökkentette a szén iránti keresletet, hanem új alkalmazásokat nyitott meg, amik addig nem voltak gazdaságosak.W. S. Jevons · The Coal Question · 1865
Pontosan ugyanaz a jelenség, csak más üzemanyaggal. 1865-ben szén volt, most token. A logika változatlan: a hatékonyság új keresletet teremt, ami felemészti az addigi spórolást. Ezért a "majd ha lecsökken az AI-számla, akkor lépünk" várakozás üres. Nem fog lecsökkenni. Egyre többet fogsz költeni rá, mert egyre több olyan dolgot tudsz kérni tőle, amit eddig nem.
Tézis és beigazolódás
Ennek a görbének az a tulajdonsága, hogy jóval előbb látszik egy kis közösségnek, mint a piac többségének. Két idézet, 16 hónap különbséggel, ugyanarra a jelenségre:
"Az exponenciális fejlődés különös tulajdonsága, hogy sokáig észrevétlen marad, majd hirtelen minden megváltozik körülöttünk."
Anthropic vezetése nyilvánosan arról beszélt, hogy a tervezettnél jóval meredekebb keresletnövekedést látnak, és emiatt compute-szűke lépett fel.
Aki 16 hónapja még csak óvatos volt, mára le is maradhatott egy lépcsőt. Ez a görbe meredekebb, mint amit az éves tervezési ciklusok le tudnak követni. A tét ezért a szervezet felkészítése egy korszakváltásra, ami messze túlmutat pár AI-eszköz bevezetésén.
A két konkrét következmény
Egy. A szoftver láthatatlanná válik. Miért nyissam meg az Excelt? Miért tanuljak meg egy CRM-felületet? Az agent eléri a CRM-et az API-n keresztül, kiveszi az adatot, formázza úgy, ahogy nekem kell. Ami a szoftverből megmarad: az API. Szoftveripari konszolidáció jöhet, és a felület-központú szoftvertermékek (Adobe-eszközök, Office, Notion, Asana) üzleti modellje kerül a legnagyobb nyomás alá.
Kettő. Mindenki menedzserré válik. A világ leghíresebb fejlesztői már nem írnak kódot. Karpathy, Ryan Dahl és Cherny is ugyanazt mondja: az emberek kódírásának korszaka véget ért. De ezek a fejlesztők nem váltak feleslegessé. A feladatuk áttevődött egy szinttel feljebb: irányítás, delegálás, felügyelet, döntés. Aki tegnap egy funkciót írt egy nap alatt, ma egy egész rendszert tervez ugyanannyi idő alatt.
A fejlesztőknél robbant be először. Hogy miért pont ott, azt a következő részben átvesszük. De ugyanez vár a jogi munkára, a pénzügyi modellezésre, a könyvelésre, a piackutatásra, a riportírásra, a projektmenedzsmentre, az oktatásra. Mindenkire, aki tudásalapú munkát végez. Ezért nem opcionális ma az AI bevezetés.
Miért a kódolás robbant be, és miért nem áll meg ott
A fejlesztőknél négy dolog rakódott egymásra, és most befutott egy ötödik. A kódolás determinisztikus: a kód lefut vagy nem, a teszt zöld vagy piros. A feedback másodperces ciklusban érkezik: compile-error, sikertelen teszt, vagy működik. A munka teljes egészében írott rendben él, minden git commit-ben, ticketben, code review-ban, tesztben rögzítve. Logok, dokumentáció, verziókezelés, függőségek, mind szöveges formában. És a fejlesztők arányaiban a legtöbb power-user: új eszközöket korán próbálnak, mert a munkájuk természete ezt kívánja.
Az ötödik most futott be: a frontier modellek elérték a kódolási képességet. Ami eddig határ volt, most átjárható. A jól látható ROI nem ok, hanem következmény. Ott látszik először az érték, ahol ezek a feltételek együtt megvannak. A többi tudásmunkában részben hiányoznak, de a struktúra ugyanaz.
A kódolás csak az első ilyen domain. A tudásmunka nagy része ugyanarra a négy alaplépésre bomlik, amit a Munka-rétegnél láttunk. A jogi memo. A financial close. Az M&A duedil. A marketing brief. Az audit workpaper. A piackutatási report. A HR onboarding-checklist. Mind ugyanaz a négy lépés. Az OpenAI 2023-as GPTs are GPTs tanulmánya hasonló irányban mozog: a munkahelyi tevékenységek nagy része ismétlődő, körülírható feladatokból áll, ezért válik az AI számára megfoghatóvá. A különbség nem a "mit" csinálunk, hanem a "milyen rendben".
Ezért a kódolás után a rendrakás-hullám jön. Az iparág két évtizede halmoz fel rendetlenséget: legacy rendszerek, dokumentálatlan folyamatok, fejekben élő tudás, halasztott refactorok. Eddig nem érte meg foglalkozni vele, mert egy ember-óra drága. Az agent-óra olcsó. Ami eddig nem érte meg, most megéri. Az olcsó, gyors agentek először a halasztott rendrakásban segítenek, és csak utána jön az átalakulás.
Először a rend, utána az átalakulás. Egy szervezetben, ahol a tudás csak a fejekben él, az agent nem tud bekapcsolódni. Az első project nem a "automatizáljuk a marketinget AI-val", hanem az, hogy "leírjuk, mit csinálunk, és hogyan". Aki ezt fordítva csinálja, az az AI-tól reméli a rendet, ami nem fog megérkezni. Aki a rendet előbb teremti meg, annak az agent már a folyamat felénél bevág.
Aki most nem figyel, két éven belül nem fogja érteni, mi történt körülötte. Aki proaktív, annak ez a legnagyobb lehetőség a számítógép feltalálása óta.
Ellenőrizd magad: három kérdés
Két visszakérdezés, egy önreflexió. Nincs pontszám, nincs vizsga. A válaszaid a böngészőben maradnak.
Mi a Jevons-paradoxon, alkalmazva a token-piacra?
A b) helyes. A lecke az „Olcsóbb tokenek, drágább számlák" szakaszban a LED-példán vezeti le: egy lámpa fogyasztása töredékére csökken, mégis nő az áramszámla, mert új igények nyílnak meg. Ugyanez 1865 óta Jevons-paradoxon néven szerepel a közgazdaságtanban.
Miért robbant be először a kódolásnál az AI-használat?
A c) helyes. A lecke „Miért a kódolás robbant be" szakasza négy okot sorol fel (determinisztikus, gyors feedback, írott rend, power-userek), és ehhez most futott be a frontier modell képességhatára. A b) szándékos elterelő: a lecke explicit kimondja, hogy „a jól látható ROI nem ok, hanem következmény".
A saját szervezetedben hol látod először az „először a rend, utána az átalakulás" elv hatását?
egy mondat, magadnak
Gőzgép, elektromosság, internet, AI. Négy technológia, ami egész civilizációkat fordított a fejére. Miért más az AI, mint az előző három, és miért fontos, hogy különbséget tegyünk?