Ki tanítja meg a szakmát, ha az első feladatokat már az AI végzi?
Ha az előkészítő feladatokat AI végzi, a pályakezdő éppen azt az utat veszítheti el, amelyen a szakmai ítélőképesség felépül. A szakértelem utánpótlása ezért külön megtervezendő szervezeti feladat, amelynek feltétele a valódi munkához való hozzáférés, a látható gondolatmenet és a védett mentoridő.
A pályakezdők első feladataiban két külön terméket látok, és a kettő közül csak az egyik jelenik meg a szervezet elszámolásában. Egy kezdő elemző az első hónapjaiban táblázatokat tisztít, forrásokat keres, összehasonlításokat készít, majd egy tapasztalt kolléga javítja a munkáját. Ezeknek a feladatoknak üzleti eredményük van, és közben egy másik folyamat is zajlik: az új munkatárs fokozatosan megtanulja, mely adat gyanús, milyen kérdést érdemes feltenni, és mikor elégtelen a látszólag szabályos válasz.
Az AI-val átalakított munkában az első termék gyorsabban áll elő, a második viszont már nem keletkezik melléktermékként. Úgy látom, ezt a tanulási folyamatot ezért külön meg kell tervezni, mert a szervezet a mai hatékonysággal együtt azt a csatornát is átalakítja, amelyen a következő szakértői nemzedék felnő.
A szakértő az eltérés jelentőségét is látja
Képzeljünk el egy ajánlatot, amelyben minden számítás helyes, a vállalat mégis túl nagy kockázatot vállal vele. A pályakezdő ellenőrizte az összegeket és a sablont. A tapasztalt kolléga viszont észreveszi, hogy az ügyfél által kért határidő egy korábbi projektben rendszeresen vitához vezetett. A különbség a figyelem irányításában és a helyzet értelmezésében jelenik meg, hiszen egy szabályosan elkészült dokumentumban is felismerhető egy rosszul kezelt üzleti viszony.
Michael Polanyi 1966-os könyve, The Tacit Dimension a hallgatólagos tudás elméletével ad ehhez fogalmi kapaszkodót. A tudás bizonyos részeit az ember a cselekvésben használja anélkül, hogy teljes egészükben állításokká tudná alakítani. A részekre támaszkodva ismer fel egy egészet, miközben a figyelme többnyire az egészen van. A szakmai ítéletben ezért a kimondott szabály mellett jelentős szerepet kaphat a begyakorolt észlelés és a személyes tapasztalat 1.
Atul Gawande sebész Complications című, 2002-es könyvében a saját tanulásáról ad ezzel egybevágó leírást. A gyakorlás során napokig csak töredékeit látta a teendőknek, aztán egy napon összeállt az egész, és a tudatos tanulásból olyan tudás lett, amelynek keletkezését maga sem tudta pontosan megmondani 2. A beszámoló azt mutatja meg, hogy a hallgatólagos tudás ismétlés, hibázás és visszajelzés során rakódik le, vagyis előállításának megvan a maga munkafolyamata.
Ebből könnyű romantikus történetet készíteni a megfogalmazhatatlan szakértői ösztönről. A használható következtetés ennél szigorúbb. A jó szakembernek is meg kell próbálnia megmutatni, milyen jelekre figyelt, milyen alternatívát vetett el, és milyen tapasztalat alapján döntött. Abból, hogy a tudás egy része nehezen mondható el, több közös munka szükségessége következik, a szakmai döntések vizsgálhatatlansága viszont aligha.
A tanuláshoz hozzáférés kell a valódi munkához
Jean Lave és Etienne Wenger 1991-es könyve, a Situated Learning: Legitimate Peripheral Participation a tanulást a társas gyakorlatban való részvétel átalakulásaként írja le. A legitim periférikus részvétel során az újonnan érkező olyan hozzáférést kap a közös tevékenységhez, amelyből fokozatosan teljesebb részvétel alakulhat ki. A periféria ebben az értelemben tanulási pozíció. A lényeg az, hogy a kezdő kapcsolatba kerüljön a munka értelmével, szereplőivel és következményeivel 3.
Képzeljünk el egy tanácsadó céget, ahol a junior minden elemzést AI-val készít elő, majd kész dokumentumot ad át. Ha az ügyfélbeszélgetésből és a végső döntésből kimarad, a gyors előállítás mellett is szűk marad a tanulási lehetősége. A dokumentum hibáinak javítása megmutatja, mi volt pontatlan, az ügyfél reakciója pedig azt is megmutathatja, miért számított az adott kérdés.
Egy tanulási út megtervezésekor ezért érdemes végigkövetni, milyen munkafázisokat lát a kezdő: ott lehet-e a probléma első megfogalmazásánál, hallja-e a szakmai vitát, és visszajut-e hozzá az eredmény. Az információhoz való hozzáférés mellett a megszólalási lehetőség is számít. A junior saját értelmezése akkor fejlődik, ha kiderül, hogyan viszonyul a többiek mérlegeléséhez.
Egy műtőből érkező figyelmeztetés
Matt Beane robotsebészeti képzésről szóló etnográfiai kutatása, a 2019-ben megjelent Shadow Learning megmutatta, hogyan szűkülhet a tanulók gyakorlati részvétele egy technikailag fejlettebb munkafolyamatban. A tapasztalt sebész a robot segítségével önállóbban dolgozhatott, miközben a rezidens kevesebb érdemi feladatot kapott. A sikeresen fejlődő tanulók egy része a bevett képzési utak mellett, normákat feszegető módon keresett gyakorlási lehetőségeket. Beane ezt nevezte árnyéktanulásnak 4.
A vizsgálat konkrét szakmai környezetet elemzett, ezért az eredménye a tudásmunka minden formájára külön bizonyítás nélkül nem vihető át. A szervezési probléma viszont pontosan megfogalmazható belőle: egy technológia a mai szakértő munkáját hatékonyabbá teheti, miközben átalakítja azt az utat, amelyen a következő szakértő felnőhet. Ethan Mollick Co-Intelligence című, 2024-es könyve ugyanezt a belépési utat általánosabban írja le. A szakértelem hagyományosan alulról épült, az asztalostanonc, a szerkesztőségi gyakornok és a rezidens tapasztaltabb szakemberek mellett, próbálkozva és hibázva tanult, és Mollick szerint ez a rend az AI hatására várhatóan gyorsan megváltozik 5.
Egy vállalatnak érdemes megelőznie, hogy a fejlődés kizárólag a különösen kitartó dolgozók saját kerülőútjaitól függjön. A hozzáférhető tanulási feladat, a mentor ideje és az egyre növekvő felelősség tervezhető erőforrás. Az önkéntes esti gyakorlás lehet személyes választás, de egy szervezet képességépítését kiszámíthatóbb alapokra célszerű helyezni. A tanulás lehetőségének elosztása ráadásul a későbbi előmenetel elosztásába is beleszól.
A gondolkodás egy része láthatóvá tehető
Allan Collins, John Seely Brown és Susan Newman 1989-es munkája, a Cognitive Apprenticeship a kognitív tanoncság fogalmával olyan oktatási megközelítést ír le, amelyben a szakértői problémamegoldás megfigyelhetőbbé válik. A modelladás, a támogatott gyakorlás, a segítség fokozatos csökkentése, a saját eljárás megfogalmazása és az összehasonlító reflexió együtt segítheti az önállósodást. A szerzők az olvasás, az írás és a matematika területén dolgozzák ki a megközelítést 6.
Egy vállalati alkalmazásban a mentor végigmondhatja, miért áll meg egy bizonyos adatnál, milyen ellenőrzést választ, és miért hagy egy kérdést nyitva. A pályakezdő ezután hasonló esetet kap, először több, később kevesebb támogatással. A megbeszélésben a végső válasz mellett a választási pontokra érdemes figyelni, mert két helyes eredmény eltérően megbízható gondolatmenetből is származhat.
Az AI ebben a folyamatban előállíthat példákat, alternatív megoldásokat és szándékosan hibás anyagokat. A mentornak kell eldöntenie, melyik hiba tanít valamit a szakmából, és melyik pusztán mesterséges nehezítés. Egy hiányzó forrás, egy rossz alapfeltevés és egy elírt szám külön képességet tesz próbára. A feladat értékét a megcélzott szakmai döntés adja.
Az AI többféle tanulási szerepet kaphat
Egy jól megtervezett gyakorlásban a rendszer először összehasonlítási partner lehet. A junior elkészíti a saját vázlatát, majd összeveti egy másik változattal. Megjelöli, mit venne át, mit utasítana el, és milyen bizonyíték alapján dönt. A saját első próbálkozás megőrzi annak lehetőségét, hogy a későbbi eltérésekből látható legyen a gondolkodás változása. A sorrendnek tétje van. Chaeyeon Lim 2025-ös előzetes közleménye, a DeBiasMe állásfoglaló írás, amely egyetemi hallgatók AI-használatához javasol metakognitív, vagyis a saját gondolkodás megfigyelésére épülő támogatást, benne szándékos súrlódással a horgonyzási és a megerősítési torzítás ellen 7. A saját vázlat elsőbbségét ilyen súrlódásnak tekintem: aki előbb a gépi változatot látja, annak az ítélete könnyen ahhoz igazodik.
Más helyzetben a rendszer az ügyfél szerepét játszhatja egy előre kialakított gyakorló beszélgetésben. A feladat célja ilyenkor lehet a hiányos igény tisztázása vagy egy nehéz visszakérdezés megfogalmazása. A szimuláció akkor értelmes, ha a mentor a valós munkában előforduló dilemmákhoz köti, és utólag megmutatja, hol egyszerűsítette túl a helyzetet a gyakorlat.
A harmadik szerep a saját munka ellenpróbája lehet. A rendszer más értelmezést javasol, a tanuló pedig megvizsgálja, változtat-e ez a döntésén. E három használat közös értéke, hogy választásra és indoklásra késztet. Mindhárom javaslat eredményét a későbbi önálló feladatmegoldáson lehet megítélni.
A kellemes gyakorlás önmagában csak a résztvevői élményről ad információt, és a szakirodalom jelenleg ennél alig tud többet. Chi-Ning Chang és munkatársai 2024-es tanulmánya, a Navigating STEM careers with AI mentors tizennyolc természettudományos és műszaki területen tanuló posztgraduális hallgatóval próbált ki AI-mentort a karriertervezésben. A résztvevők kedvező tapasztalatról számoltak be, kiemelték az azonnali választ és a friss információt, és aggályokat is jeleztek a téves információ, az elfogultság és az adatvédelem miatt. A szerzők ebből két vegyes, emberi és AI-mentort ötvöző modellt vázoltak fel 8. A minta kicsi, a mért dolog pedig a hallgatók beszámolója, ezért a későbbi önálló teljesítményről ez a vizsgálat hallgat. Fatima Fazal Abbasi és munkatársai 2026-os szisztematikus áttekintése, az Exploring the role of generative AI in skill development 79 lektorált cikk alapján éppen ezt a hiányt nevezi meg: kevés a hosszmetszeti, vagyis ugyanazokat az embereket időben követő bizonyíték arról, megmaradnak-e a generatív AI-val szerzett készségek 9. Számomra ez azt jelenti, hogy a szervezet a saját mérésére van utalva, és a tanulási terv sikerét azon érdemes lemérnie, mit old meg a kolléga hónapokkal később segítség nélkül.
A mentor idejét üzleti erőforrásként érdemes kezelni
A szakértő számára rövid távon sokszor egyszerűbb maga elvégezni a feladatot, különösen egy gyors eszközzel. A tanítás viszont azzal jár, hogy meg kell várni a másik próbálkozását, fel kell tárni a félreértést, és vissza kell térni a döntéshez. Egy kizárólag napi kibocsátást jutalmazó szervezet ezért saját képzési céljával kerül feszültségbe, és ez a feszültség az AI-val nő, mert a szakértő önálló munkája még olcsóbb lett a tanításhoz képest.
Arra jutok ebből, hogy a vezetésnek konkrét megállapodásokkal kell kezelnie a helyzetet. Egy projektben kijelölhető, mely részeknél elsődleges a gyors végrehajtás, és melyeknél kap védett helyet a tanulás. A mentor munkájának értékelésében megjelenhet, mire képes később önállóan a kollégája. Így a tudásátadásnak látható eredménye lesz, és a tanításra fordított idő is magyarázhatóvá válik.
Bettina Falckenthal és munkatársai 2025-ös tanulmánya, az Intergenerational Tacit Knowledge Transfer: Leveraging AI 36 mélyinterjú alapján a junior és szenior munkatársból álló párosok sikertényezőit azonosította: a szerepek tisztaságát, az egymást kiegészítő készségeket, az összeillő személyiséget és a bizalmat. A szerzők felvetése szerint az AI kiegészítő szolgáltatásként támogathatja ezeket a tényezőket 10. A négy tényező mindegyike két ember viszonyáról szól, ezért az AI szerepét itt a páros munkájának könnyítésében látom, a páros létrehozása és fenntartása vezetői döntés marad.
Egy ügyfél számára is érték lehet a több ember között megoszló szakértelem. A szervezet kevésbé függ egyetlen kulcsembertől, és könnyebben folytatja a munkát, ha valaki más feladatot kap. Ez lehetséges üzleti következmény, amelyet a saját működésben érdemes mérni. A képzési ráfordítást ezért a teljes szakértői rendszer működésével együtt célszerű értékelni.
A szakma jövőjét a belépési út formálja
A junior feladatok átalakítása lehetőség arra, hogy a szakmatanulás tudatosabban épüljön fel. Egyes ismétlődő részfeladatok gyorsíthatók, közben több figyelem juthat a döntési pontokra és a visszajelzésre. Ehhez meg kell őrizni a valódi felelősség fokozatos átvételét. A tanuló akkor válik szakemberré, amikor egyre több helyzetben maga tudja felismerni, mit kell megvizsgálnia.
Az AI mellett ezért a jó képzési kérdés a következő önálló döntésre irányul: milyen helyzetet tud majd a kolléga kezelni néhány hónap múlva, és milyen tapasztalatok készítik fel erre. A válaszban feladatok, kapcsolatok, próbálkozások és következmények szerepelnek. Ezekből épül fel az a szakértelem, amelyre a szervezet a következő eszközváltáskor is támaszkodhat. A szakértelem utánpótlását ezért ugyanolyan szervezeti feladatnak tartom, mint a mai teljesítmény előállítását, és ugyanúgy kell hozzá felelős, idő és mérés.
Ajánlott olvasmányok
- The Tacit Dimension (Polanyi, Michael). A hallgatólagos tudás alapműve: megmutatja, miért tud a szakértő többet, mint amennyit szabályként ki tud mondani.
- Situated Learning: Legitimate Peripheral Participation (Lave, Jean; Wenger, Etienne). A tanulást a közös gyakorlatban való részvételként írja le, és ebből érthető meg, miért számít a kezdő hozzáférése a valódi munkához.
- Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail (Beane, Matthew). Robotsebészeti terepmunka arról, hogyan szorulhat ki a tanuló a gyakorlásból, amikor a technológia a szakértőt önállóbbá teszi.
- Cognitive Apprenticeship: Teaching the Crafts of Reading, Writing, and Mathematics (Collins, Allan; Brown, John Seely; Newman, Susan E). Gyakorlati keret ahhoz, hogyan tehető megfigyelhetővé és fokozatosan átadhatóvá a szakértői gondolkodás.
- Co-Intelligence: Living and Working with AI (Ethan Mollick). Közérthető áttekintés az AI-val végzett munkáról, benne a szakértővé válás hagyományos útjának átalakulásával.
Források
- [1] Polanyi, Michael (1966): The Tacit Dimension. Doubleday. Újrakiadás, University of Chicago Press, 2009.
- [2] Atul Gawande (2002): Complications: A Surgeon's Notes on an Imperfect Science.
- [3] Lave, Jean; Wenger, Etienne (1991): Situated Learning: Legitimate Peripheral Participation. Cambridge University Press.
- [4] Beane, Matthew (2019): Shadow Learning: Building Robotic Surgical Skill When Approved Means Fail. Administrative Science Quarterly, 64(1), 87–123.
- [5] Ethan Mollick (2024): Co-Intelligence: Living and Working with AI.
- [6] Collins, Allan; Brown, John Seely; Newman, Susan E (1989): Cognitive Apprenticeship: Teaching the Crafts of Reading, Writing, and Mathematics. In Resnick, Lauren B. szerk., *Knowing, Learning, and Instruction*, 453–494. Lawrence Erlbaum.
- [7] Chaeyeon Lim (2025): DeBiasMe: De-biasing Human-AI Interactions with Metacognitive AIED (AI in Education) Interventions. arXiv.
- [8] Chi‐Ning Chang, John Hui, Cammie Justus-Smith, Tzu‐Wei Wang (2024): Navigating STEM careers with AI mentors: a new IDP journey. Frontiers in Artificial Intelligence.
- [9] Fatima Fazal Abbasi, Muhammad Usman, Bilal Latif (2026): Exploring the role of generative AI in skill development: a systematic literature review and bibliometric analysis. European journal of training and development.
- [10] Bettina Falckenthal, Manuel Au‐Yong‐Oliveira, Cláudia Figueiredo (2025): Intergenerational Tacit Knowledge Transfer: Leveraging AI. Societies.