Signal over Noise.

A Claude egyik legerősebb, mégis legkevésbé kihasznált képessége a vizuális gondolkodás támogatása. Tavaly ősszel írtam erről részletesen, és azóta ez a terület sokat lépett előre.

Eddig az Artifacts volt a vizuális kimenet: külön ablak, statikus. Most a diagramok a chat-en belül jelennek meg, interaktívan. Rákattintasz egy elemre, kérdezel, kibontod, tovább kérdezed, amit nem értesz. A háttérben chart.js fut (ahogy @dejavucoder kiderítette a thinking trace-ből), a belső "visualiser" tool rendereli a canvasra.

A címre kattintva találtok rengeteg példát. Én a transzformer architektúra egyes részeinek átlátására próbáltam ki először, de zseniális sakk alaplépések tanítására, adóbevallás átlátására, vagy bármilyen téma lebontására, ahol a vizualizáció segít. Csak kérjétek meg a Claude-ot, hogy magyarázzon el valamit interaktívan.

A frontier modellek többsége 200k token körül maximálja a kontextust, és a tapasztalat az, hogy már 60-70%-nál elindul a romlás: kevésbé pontos válaszok, fontos részletek kiesnek, a modell elkezd tömöríteni, és értékes információ veszik el. Ez az egyik leggyakoribb napi frusztráció, ha sokat dolgozol AI-jal.

Fontos háttér: a Gemininél régóta volt 1M context window. De a tapasztalatom az volt, hogy inkább marketingnek tűnt. A válaszok minősége a felénél már láthatóan romlott.

A Claude Opus 4.6 és Sonnet 4.6 most 1 millió tokenre bővült, elérhető minden felhasználónak. Az MRCR v2 benchmarkon 78.3%-ot ér el egymillió tokennél (a legjobb eredmény frontier modellek között). Teljes kódbázisok, dokumentumhalmazok, hosszan futó agentek maradhatnak kontextusban. Claude Code-ban alapértelmezett, standard árazással.

A kontextus minősége határozza meg a kimenet minőségét, és eddig ez volt az egyik leggyakoribb szűk keresztmetszet. Érdemes tesztelni a saját workflow-kban.

Egy kutya gazdája szekvenáltatta az állat DNS-ét, ChatGPT-vel azonosította a mutációkat, majd a Google AlphaFold-jával egyedi vakcinát terveztetett a specifikus tumorhoz. Heteken belül 50%-kal csökkent a daganat, a kutya él és jól van. A gazda most ugyanezzel a módszerrel emberi alkalmazáson dolgozik.

Nyilván ez egyetlen eset, és messze vagyunk attól, hogy bárki a konyhájából gyógyszereket tervezzen. De ami itt történt, az mégis figyelemre méltó: valaki összerakta a rendelkezésre álló eszközöket, és megépített valamit, amire korábban laboratórium kellett. A személyre szabott genomika, fehérje-tervezés és célzott terápiák területén a következő években sokat fogunk még hallani az AlphaFold-ról.

Na ez az igazi high agency: a cselekvési vágy és képesség válik a legfontosabb skillé. Nem az számít, mit tanultál, hanem hogy mersz-e nekifutni.

Recursive self-improvement: amikor egy AI rendszer képes saját magát jobbá tenni, automatikusan, emberi beavatkozás nélkül. Karpathy 3 napra ráengedte az autoresearch agentet a saját gépi tanulás projektjére, amit éveken át kézzel csiszolt. Az agent ~700 változtatást próbált ki, ebből 20 érdemben javított az eredményeken, egymásra rakódva, átvihető módon. A végeredmény 11%-os javulás, ami önmagában talán nem hangzik soknak, de egy jól optimalizált projekten, első próbálkozásra, emberi beavatkozás nélkül: ez az, amitől a terület felkapta a fejét.

Leopold Aschenbrenner két éve írt erről a Situational Awareness tanulmányában: az AI research maga a legnagyobb szűk keresztmetszet, és ha az AI képes AI-t kutatni, onnan öveket becsatolni. Dario Amodei (Anthropic CEO) ugyanezt mondja más szavakkal: a visszacsatolási kör már elindult, és a következő hónapokban drámaian gyorsulni fog.

Karpathy már a második kört indítja, ahol az agent optimalizálja a modellt, a jobb modell pedig jobb agentet futtat. A visszacsatolási kör kezd bezárulni.

"Pár óra, max." Ezt mondta magának a cikk szerzője, amikor pénteken leült az AI agentjéhez. 12 órával később két esszét írt újra, a weboldalát építette, és hajnali 1-kor ugrott ki az ágyból, hogy folytassa. A kutatók nevet is adtak ennek: "AI genie phenomenon". Kívánj valamit, a dzsinn teljesíti. Hát kívánsz még egyet.

Az első erő: az addikció. A cikk szerint az AI válaszok kiszámíthatatlansága ugyanazt a dopaminmintát váltja ki, mint a nyerőgépek: legtöbbször kapsz valami használhatót, néha semmit, és alkalmanként valami annyira jót, hogy lehetetlen abbahagyni.

A második erő: a szorongás. A kutatók FOBO-nak nevezték el, vagyis Fear of Becoming Obsolete: a félelem, hogy feleslegessé válsz, hogy a skilleid valós időben értéktelenednek el. Egy 2025-ös felmérés szerint a dolgozók 54%-a érzi úgy, hogy lemarad a többiektől az AI használatában. Ez folyamatos, alacsony intenzitású szorongást okoz, ami soha nem múlik el teljesen.

A nyerőgép húzza a kart, a lemaradástól való félelem ültet a gép elé.

@thdxr más irányból fogalmazta meg: kollektíven veszítjük el a türelmünket a lassú építkezéshez. Amikor bármit meg tudsz építeni azonnal, nehéz abbahagyni. Valaki a kommentek között tökéletesen összegezte: "basically heroin for people with Protestant Work Ethic brainworms."

@robustus (fejlesztő, aktív Claude Code felhasználó) ugyanezt látja a saját körében: mindenki, aki az elmúlt egy-két évben kicsit lazított, most visszaült az asztalhoz. Minden ötlet megépíthető belátható időn belül. Elképesztő dopaminlöket.

Ismerős érzés. Pont erről beszélgettünk Dobó Mátyással a legutóbbi Afterhoursunkon: a túlpörgetésről, az AI-szorongásról, arról, amikor az eszköz kezd minket használni.

Dobó Mátyás 17 évet töltött a tech iparban: Magyar Telekom, Apple, Vodafone (Deputy CEO). Ma saját alkalmazásokat épít, és fejlesztőcsapatok AI transzformációjával foglalkozik: hogyan alakítsd ki azt a környezetet, ahol a kód nagy részét már az AI írja.

A beszélgetés a konkréttól indult (lakáseladás AI-jal, Claude Code setup, felsővezetői dashboard), és eljutott az őszinte kérdésekig: AI-szorongás, túlpörgetés, függőség. Az egyik legjobb gondolat: merj nagyobb feladatot is adni a Claude Code-nak, akár olyat is, amire nem gondolnád, hogy megcsinálja. Néha mi magunk vagyunk a korlát, mert nem hisszük el, hogy mire képes. Mi is többször rácsodálkoztunk.

Másfél óra lett belőle, és az utolsó húsz percben már arról beszélgettünk, hogyan tartjuk a tempót úgy, hogy közben nem égetjük ki magunkat.

George Sivulka (Hebbia CEO) az a16z-n publikált cikkében végigveszi, miért nem lesz 10x-es egyéni produktivitásból automatikusan 10x-es céges teljesítmény.

A történelmi párhuzam erős: az 1890-es években a textilgyárak elektromosították a gépeket, semmi nem változott. Csak az 1920-as évek újratervezése hozta az eredményt: futószalag, egyedi motorok, átszervezett workflow-k. Sivulka szerint ugyanez történik most az AI-jal.

Nagyon jól szemlélteti, miért nem elég csak kiosztani mindenkinek egy AI asszisztenst. Az egyéni produktivitás persze számít: power userek támogatása, alulról jövő innováció, kísérletezés. De a vezetők felelőssége, hogy ne csak eszközt adjanak, hanem átszervezzék a munkát köré: új folyamatok, új szerepek, új döntési pontok. Pont úgy, ahogy a textilgyárat is újra kellett tervezni. Csak így lesz üzletileg kimutatható eredmény, nem csak egyéni időmegtakarítás.

Az Every csapat open-source-olta a Cowork nevű skilljüket. Az ügynök olvassa a Slack csatornáidat, megjegyzi a kontextust, és közösségi posztokat ír belőle. AI-szagot kiszűr, Typefully-ba ment. Napi automatizáció, ami egy teljes tartalomkészítési kört spórol meg.

Szeretném kipróbálni az AI Budapest Slack csatornán: a megosztott cikkek és beszélgetések alapján automatikusan készüljön tartalom. Ha működik, írok róla.

Arvid Kahl SaaS fejlesztő, aki összegyűjtötte a legpraktikusabb Claude Code tippjeit: planning mode használata minden komolyabb feladatnál, /documents mappa a kontextusnak, platform-docs.md a framework-specifikus tudáshoz, és CLAUDE.md fenntartása projektenként.

A teljes lista a címre kattintva elérhető. Ha használod a Claude Code-ot, ezekből sokat be tudsz építeni. Kis befektetés, nagy hatás a kimenet minőségére.