A mesterséges intelligencia (MI) vitathatatlanul átalakította az egyetemi kutatás folyamatát. Két kiemelkedő technológia, néhány éve a nagy nyelvi modellekre épülő chatbotok, később az ezekre épülő mesterséges intelligencia ügynökök (AI-agentek) kiemelkedő hatékonysággal támogatják a kutatási folyamatokat, adatfeldolgozást, sőt a kutatáshoz kapcsolódó egyetemi adminisztrációs (kutatási jelentések megfogalmazása, bibliográfia pontosítása stb.) feladatokat is. Blogbejegyzésemmel segíteni kívánom elsősorban a Nemzeti Közszolgálati Egyetem egyetemi polgárait, hogy pontosan ismerjék erősségeiket és gyengeségeiket, valamint kutatási kontextusban könnyedén el tudják dönteni melyik munkafázisban melyiket alkalmazzák.
A chatbotok azok a szoftverek, amelyek szöveges, de jelenleg már sokszor hangalapú interfészen keresztül, természetes nyelvi feldolgozással (NLP) könnyedén kommunikálnak. Hangsúlyozni szeretném, hogy tudományos igényű kutatások során e kommunikációnak is professzionálisnak (prompt mérnöki tudás) tudományos igényűnek kell lennie. A gondosan lekommunikált szövegeket nagy nyelvi modellek feldolgozzák, azonosítják a kutató szándékát és a kutatási feladatot, amelyet vagy előre megadott tudásbázisból (például feltöltünk néhány tanulmányt vagy akár könyvet) vagy saját tudásbázisból (Scispace, Jenny AI stb.) oldanak meg, majd a kért nyelven, stílusban és szerkezetben legenerálják a választ. Ezek idővel a gépi algoritmusok által finomhangolást kapnak, így alkalmasabbá válnak a tudományos igényű válaszokra is. (Dutta és Karthikayani, 2024) Előnyük, hogy a választ szinte azonnal megkapjuk, költséghatékonyak (legtöbb előfizetés (20 USD körül mozog) és elég felhasználóbarátok is. A válaszok viszont sokszor sekélyesek, nem tudományos igényűek, mert felhasználó vagy nem képes promptjait megfelelően iterálni vagy olyan modellt választott, amely képtelen mélyebb kontextusban dolgozni.
A mesterséges intelligencia ügynökök már jóval komplexebb, hatékonyabb rendszerek, ugyanakkor komolyabb segítséget nyújtanak az adatintenzív és bonyolultabb (adatbányászat, prediktív modellezés, hipotézisek tesztelése, kísérletek lemodellezése stb.) feladatoknál. Az AI-agentek előre meghatározott célok mentén a környezetükből, illetve az internetes környezetből gyűjtött és/vagy feltöltött adatokból dolgoznak. Autonómiájuk már jóval magasabb szintű, sőt más modelleket is képesek akár párhuzamosan futtatni vagy felhő alapú adatbázisokkal is képesek kommunikálni. (Apu, 2025) Hatalmas adathalmazokkal paralel képesek dolgozni több feladaton, valamint nagyfokú önállóságukkal rengeteg időt „spórolnak” a kutatóknak. Általában jóval precízebb válaszokat adnak az egyszerű chatbotoknál és azt a kért formátumban (.txt, .xls, .pdf. stb.) teszik.
Fontos kiemelnem a sikeres felhasználás érdekében, hogy a napjainkban elérhető chatbotok többsége a hozzáadott kiegészítő funkciók révén már AI-agentnek nevezhető. Például a ChatGPT már képes a fent említett formátumokban megalkotni a válaszát, valamint webes keresést folytatni és akár gépi kódot lefuttatni. Meglepő módon ezért a kutatók és egyéb felhasználók egyre kevésbé találkoznak egyszerű chatbotokkal, amelyek kizárólag „kérdés-válasz üzemmódban” működnek. Ehelyett inkább komplex rendszerekről beszélhetünk, amelyek „motorja” valamelyik nagy nyelvi modell.
Az AI-agenteknek számos fajtája van, az egyik legnagyobb különbség köztük az autonómiájukban rejlik. A ChatGPT például képes felhasználói kérésre aktiválni a Bing keresőmotort, amellyel naprakész információt kaphat, és ez alapján válaszol a felhasználónak. Azonban ez egy egyszerű lekérdezés, és a rendszer autonómiája csak a válaszadásra van korlátozva. Ezzel szemben olyan magas autonómiájú AI-agentek, mint a ChatGPT DeepResearch, Grok DeepSearch, vagy a Gemini Deep Research már sokkal magasabb autonómiával rendelkeznek. A kutatók kérésére weboldalak százait képesek átvizsgálni, és a találatokra folyamatosan reflektálni, és amíg szükséges új keresést lefolytatni. Ezáltal képesek komplex kutatói kérdésekre válaszolni, valamint kutatási anyagokat hivatkozásokkal együtt megalkotni. Erőforrásigényük éppen emiatt a felhasználó számára is látható, gyakran 5-15 percbe is kerülhet egy komplex jelentés kidolgozása. Az autonómiájuk azonban még mindig csak a webes keresésre és a válaszadásra korlátozódik. A ChatGPT Operator Agentje még jelentősebb szabadsággal rendelkezik, így ez már képes aktívan kezelni a weboldalakat. Így képes „gombokat megnyomni”, űrlapokat kitölteni, weboldalakra bejelentkezni, valamint megfelelő adatok birtokában akár online rendeléseket is leadni. Például a ChatGPT képes lehet nekünk hoteleket keresni, az Operator azonban már lefoglalni is képes ezeket. Az Operator azonban még mindig csak a webes keresésre van korlátozva. Kísérleti projektek mint a SakanaAI Darwin-Gödel gépe már képes az azt üzemeltető számítógép vezérlésére, valamint saját forráskódjának átírására. Ezáltal folyamatosan növeli saját hatékonyságát. Érezhető tendencia, hogy az egyszerű kérdés-válasz rendszerektől, amelyek felhasználásban leginkább egy fejlettebb és személyre szabottabb Google keresőmotorra hasonlítanak, ezért véleményem szerint egyre inkább elmozdulunk azon intelligens rendszerek felé, amelyek egy-egy felhasználói utasítás után tucatnyi, fejlettebb rendszerek esetében akár több száz autonóm döntést meghozó folyamatokat indítanak el, és futtatnak le. Ez nagyon jelentős hatékonyságnövekedést hozhat a multidiszciplináris kutatásokban, azonban a potenciális hibák lehetősége is megsokszorozódik. Éppen ezért minden hasonló AI-agent válaszát, valamint munkáját gondosan értelmezni és ellenőrizni szükséges a kutatóknak. Egy több lépéses kutatási folyamatnál például elég egyetlen hiba és a végkövetkeztetés téves lehet. Az xAI Grok, az OpenAI ChatGPT, valamint a Google Gemini szolgáltatása (ez utóbbi csak egyes kiválasztott felhasználóknak) az ingyenes verzióban is biztosítja a DeepResearch agentjeinek a használatát. (Hofman, 2025) A „legnagyvonalúbb” a blogbejegyzés írásának idején a Grok, amely napi több tucatnyi mélykutatást engedélyez térítésmentesen és ezzel kutatótársaimnak is hatalmas segítséget nyújthat. Az alábbi egyszerű táblázat segítséget nyújthat az egyetemi kutatás folyamatában mely lépéseknél válasszunk egyszerű chatbotot, és melyiknél van szükségünk már egy AI-agentre.
| Egyszerű chatbot | AI-agent | |
| Autonómia | Alacsony, emberi input fontos | Magas, önálló adatgyűjtés |
| Alkalmazási terület | Repetitív és egyszerű feladatok | Kreatív és komplex feladatok |
| Időigény | Alacsony (másodpercek) | Magas (5-15 perc) |
| Költség | Alacsony (havi 10-20 USD) | Agent típusától függő, de jellemzően magasabb (havi 50-300 USD) |
| Komplexitás | Alacsony | Magas |
| Felhasználóbarátság | Magas | Közepes |
A DeepResearch agentek belső működése és hatékonysága kiemelkedő, így javaslom, hogy minden kutatótársam tesztelje személyesen. A feladat megoldása után látható, hogy a rendszer három lépést követ. Ez a keresés, a keresés eredményének értelmezése, majd döntés a további keresésről vagy a végső válasz megadásáról. Ez a három lépés addig ismétlődik, amíg az AI-agent úgy nem ítéli, hogy a felhasználói utasításban megadott kritériumok nem teljesülnek, vagy megfelelő források hiányában többszöri keresés után nincs esély a megfelelő minőségű válasz előállítására. Éppen ezért különösen fontos a pontos cél meghatározása az AI-agent számára. Nézzünk egy konkrét példát! Az alábbi utasítás ebben kíván a felhasználónak segítséget nyújtani:
„Mindenképpen 2024-2025-ös forrásokat használj. Kizárólag olyan forrásokat használj, amelyek akadémiai szinten is hivatkozhatóak. Kerüld a Wikipédiát, a blogbejegyzéseket, valamint a véleménycikkeket. Mindenképpen APA7 hivatkozásokat használj. Ezeket mind szövegközileg, mind az irodalomjegyzékben tüntesd fel. Minden állítást és adatot hivatkozz. Bármilyen forrásból bármit is felhasználsz, mindig ismertesd annak kontextusát. Például, ha számadatot találsz magyarázd el, hogy konkrétan az a forrás kontextusában mit jelent. Minden esetben magyarázd el a kontextusát a források által biztosított adatoknak.
<A FELHASZNÁLÓ ÁLTAL KITŰZÖTT KUTATÁSI CÉL HELYE>”
A fenti példa promptban látható egy jó hatásfokkal működő utasítás felépítése, valamint annak legfontosabb tartalmi elemei. Érdemes a források időtartamát specifikálni. Például technológiák feltárása esetén nagyon fontos, hogy a legfrissebb forrásokból dolgozzon a rendszer. Ennek hiányában előfordulhat, hogy több évvel ezelőtti forrásokat használ, és a végeredmény nem lesz naprakész. Azt is fontos tisztázni, hogy milyen forrásokból dolgozzon. Alap konfigurációban a teljes internetről dolgozik, így fontos specifikálni, hogy csak olyan weboldalakról dolgozzon, amelyek tudományos kutatásban felhasználhatóak. Ezt a fent látható egyszerű utasítással megoldhatjuk, mivel a nagy nyelvi modellek tapasztalatok szerint jól be tudják ezt a kört számunkra lehatárolni. Emellett érdemes a hivatkozás stílusát is megadni, és akár külön feltölthetjük neki az NKE szerzői útmutatóját[1] is, ezáltal megspórolhatjuk a manuális munka nagy részét. Ez nem tudományos munka esetében is érdemes használni, mivel a szövegközi hivatkozások egy kattintással lehetővé teszik az adatok visszakövetését és ellenőrzését a forrásoldalon. A kontextus ismertetése pedig azért fontos, mert csökkenti annak az esélyét, hogy a modell félreérti a forrás adatokat, és rossz következtetéseket von le. A szövegen belüli pontos magyarázat ennek az ellenőrzését is segíti, valamint érthetőbbé teszi a tudományos munkát. Ezt a pár alaputasítást tapasztalatom szerint mindig érdemes DeepResearch agentek használata esetén bemásolni az utasításunk fölé, ezáltal növelve a rendszer pontosságát. Az utasításunk megfogalmazásakor érdemes nagyon specifikusnak lennünk, és egy jól értelmezhető célt kijelölnünk. Amennyiben a téma túl tág, hasonlóan felszínes választ kaphatunk, mint az egyszerűbb chatbotoknál. Ilyen esetben érdemes a válasz alpontjaira egyesével újabb DeepResearch kutatásokat elindítani, ezáltal nagyban növelve az egyes alpontok és alfejezetek pontosságát. A ChatGPT DeepResearch agentje az aktiválódás előtt jellemzően visszakérdez, és pontosítást kér a felhasználótól a kutatási téma jobb behatárolására. Ez jelenleg a Grok esetében nem így van.
Az alábbi oldalon kifejezetten a DeepResearch agentek használatának mesterfogásait lehet elsajátítani. A linkeken keresztül a példautasítások a chatablakban megnyílnak, így lehetőségünk van ezeket áttanulmányozni, valamint számtalan felhasználási mód közül választani: https://www.promptingguide.ai/guides/deep-research
A ChatGPT esetében a funkció a „Tools” fülön belül aktiválható. A Grok esetében maga a chatablak tartalmazza a gombot, így külön keresést nem igényel.
A chatbotokat tehát elsősorban a kutatómunka egy-egy lépésnek felgyorsítására javaslom. Ilyen lehet a hosszas szakmai levelezések és konferenciák, értekezletek jegyzőkönyveinek összefoglalása meghatározott szempontok alapján vagy feladatok tisztázása. Szakmai irodalom lényegének kiemelése is sikeresen megoldható velük. Egy szakmai levél stílusának, szintaktikai, sőt ma már szemantikai színvonalának emelése vagy lefordítása megoldható velük. Az AI Deep Research agentek használata leginkább komplex, több lépcsős folyamatok elvégzésére javasolt. Ilyenek lehetnek koncepciók, illetve szakirodalom felderítése, friss hírek komplex elemzése, valamint minden olyan feladat, amelyet a chatbotok egy-két lépésben nem képesek megoldani.
Felhasznált irodalom
AI Agent vs AI Chatbot: Key Differences Explained | DigitalOcean. (2025). Elérés 2025. július 15., forrás https://www.digitalocean.com/resources/articles/ai-agent-vs-ai-chatbot
AI Agents vs. AI Assistants | IBM. (2025). Elérés 2025. július 15., forrás https://www.ibm.com/think/topics/ai-agents-vs-ai-assistants
Chatbot vs. AI agent: What’s the difference? (2025). Elérés 2025. július 15., forrás https://www.ada.cx/blog/chatbot-vs-ai-agent-what-s-the-difference-and-why-does-it-matter/
Apu, K. U. (2025). AI-Driven Data Analytics and Automation: A Systematic Literature Review of Industry Applications. 2(01), 21–40. https://doi.org/10.71292/sdmi.v2i01.9
Dutta, S., & Karthikayani, K. (2024). Implementation of a Chatbot System (College Enquiry). International Journal of Innovative Science and Research Technology, 218–222. https://doi.org/10.38124/ijisrt/ijisrt24oct122
Hofman, R. (2025). Deep Research AI Tools: ChatGPT vs Claude vs Gemini vs Grok vs Perplexity. Bright Inventions. https://brightinventions.pl/blog/ai-deep-research-comparison/
[1] https://rtk.uni-nke.hu/document/rtk-uni-nke-hu/Szerkesztoi_es_szerzoi_utmutato.pdf
Nyitókép: depositphotos.com
