A sakkvilág már három évtizeddel ezelőtt szembesült azzal a kérdéssel, amely ma az AI terjedésével egyre több szakmában felmerül:
mi marad az ember feladata, ha a gép bizonyos területeken már jobban teljesít nála?
Az IBM Deep Blue 1996-ban még elveszítette a Garri Kaszparov elleni párharcot, 1997-ben viszont már legyőzte a világbajnokot. A Morgan Stanley szerint az azóta eltelt évtizedek sakkos tapasztalatai öt, az AI használatára is alkalmazható tanulságot adnak.
A sakk öt tanulsága az AI-ra nézve
Az egyik legfontosabb, hogy egy jó választ nem elég egyszerűen átvenni, érteni is kell, miért működik. A sakkban sem sokat ér egy gép által ajánlott lépés bemagolása, ha a játékos nem érti a mögötte álló tervet, és ugyanez igaz egy AI által készített elemzésre is. Attól, hogy egy válasz gyorsan és magabiztosan érkezik, még nem biztos, hogy helyes, teljes vagy az adott helyzetben valóban használható.
Ehhez kapcsolódik a saját elképzeléseink tudatos megkérdőjelezése is. A sakkozók nemcsak azt keresik, hogyan valósíthatják meg a tervüket, hanem azt is, hogyan akadályozhatja meg ezt az ellenfél. Egy AI-válasznál ugyanez azt jelenti, hogy érdemes megkeresni a leggyengébb feltételezéseket, ellenérveket kérni, és végiggondolni, milyen új információ változtatná meg a következtetést.
Legalább ennyire fontos maga a kérdésfeltevés. Egy gép pontatlanul meghatározott feladatra is képes meggyőzőnek hangzó választ adni, ezért már a prompt megírása előtt tisztázni kell, mi a valódi cél, és mely szempontok számítanak leginkább. Mayer Dániel, a Morgan Stanley budapesti irodájának vezetője szerint a kész válasz mellett érdemes rákérdezni az azt megalapozó feltételezésekre és más lehetséges megoldásokra is.
A negyedik tanulság a felelősségről szól. Egy feladat végrehajtását át lehet engedni az AI-nak, a következményekért viselt felelősséget azonban nem. Ez különösen fontos az egyre önállóbb, több lépésből álló műveleteket végző AI-ügynököknél. A Morgan Stanley közlése szerint ezért az ilyen rendszereket jól körülhatárolt munkafolyamatokban, korlátozott hozzáférésekkel, nyomon követhető műveletekkel és emberi felügyelettel használja.
Az ötödik pont elsőre paradoxonnak tűnhet: minél többre képes a gép, annál fontosabbá válik az ember saját tudása. Egy AI által írt programkódot például csak akkor lehet megfelelően ellenőrizni, ha az ember maga is érti, mit csinál a kód. Ugyanez érvényes elemzésekre, szövegekre vagy döntési javaslatokra is: megfelelő háttértudás nélkül nehezebb felismerni, ha egy válasz csak látszólag meggyőző.
A kritikus gondolkodás a kulcs
A Morgan Stanley arra hívja fel a figyelmet, hogy 2026 júniusára munkatársainak 98 százaléka hozzáfért legalább egy generatív AI-eszközhöz. Ebbe a budapesti technológiai és elemzőközpont dolgozói is beletartoznak, ahol közel háromezer ember dolgozik. A vállalat nyolcadik éve támogatta főszponzorként a szeptember 26-án, a Magyar Nemzeti Galériában megrendezett Polgár Judit Világsakkfesztivált, amelynek idei központi témája éppen a kritikus gondolkodás volt.
Polgár Judit szerint az AI terjedésével még értékesebbé válnak azok a készségek, amelyeket már gyerekkorban el lehet sajátítani, és amelyek a kritikus gondolkodás alapját adják. Megfogalmazása szerint a készen kapott információ önmagában még nem tudás, csupán alapanyag, amelynek értékét az határozza meg, mit kezdünk vele.
A Deep Blue győzelme tehát nem tette fölöslegessé a sakkozókat, ahogy a mai AI-rendszerek sem teszik automatikusan szükségtelenné az emberi szakértelmet. A hangsúly egyre inkább azon van, hogy értsük a kapott választ, felismerjük a gyenge pontjait, megfelelő kérdéseket tegyünk fel, és tudjuk, mikor nem érdemes a gépre hagyatkozni.
