Mi az, amit az AI SOHA nem fog megcsinálni helyetted?

Ha az AI téves adatot generál, vagy egy nem létező törvényre hivatkozik, a bíráló bizottság előtt te fogsz állni, nem a gép. Az AI nem vállal felelősséget a diplomádért.

2. Valódi interjúk levezetése

Az AI tud generálni egy fiktív interjút, de nem tud elmenni egy vezérigazgatóhoz, nem látja a testbeszédét, és nem tudja megérezni azt a pillanatot, amikor egy kényes kérdésnél érdemes mélyebbre ásni.

3. A konzulensed stílusához való alkalmazkodás

Az AI nem ismeri a konzulensed személyiségét. Nem tudja, hogy ő a rövid, tőmondatokat kedveli, vagy a terjengős, körmondatokkal teli elméleti fejtegetéseket értékeli jobban.

4. A helyi kontextus valósága

Az AI globális statisztikákból dolgozik. Nem érti a magyar kkv-szektor sajátos szürke zónáit, a helyi mutyizási kultúrát vagy a magyar gazdaságpolitika aktuális, íratlan szabályait.

5. Kritikai gondolkodás az elméletek felett

A gép összefoglalja az elméleteket, de nem tud két ellentétes nézet között igazságot tenni úgy, hogy figyelembe veszi a jelenlegi piaci realitásokat.

6. A plágiumkereső szoftverek kijátszása (hosszú távon)

Az AI-detektorok és a plágiumkeresők (mint a Turnitin) folyamatosan fejlődnek. Amit ma "átcsúszik", azt három év múlva egy utólagos ellenőrzésnél simán kiszúrhatják, ami a diploma visszavonásához is vezethet.

7. Az "Aha-élmény" átélése

A kutatás során felbukkanó váratlan összefüggések felismerése emberi kiváltság. Az AI csak mintázatokat lát, te viszont látod az összefüggést a múlt heti inflációs adat és a szomszéd boltos panasza között.

8. Etikai ítéletalkotás

Egy kutatás során felmerülhetnek etikai dilemmák (pl. adatvédelem, érzékeny üzleti titkok). Az AI nem tudja eldönteni, hogy egy információ közlése etikus-e, vagy károsíthatja-e a vizsgált céget.

9. A szakdolgozat megvédése a bizottság előtt

A védésnél nem használhatsz fülhallgatót, hogy a gép súgjon. Ott a te fejedben lévő tudás, a te magabiztosságod és a te érveléstechnikád számít.

10. Források fizikai ellenőrzése

Az AI nem megy be a könyvtárba, nem lapozza fel a régi szaklapokat, és nem tudja ellenőrizni, hogy egy 1980-as szakkönyvben valóban az szerepel-e, amit egy internetes másodforrás állít.

11. Motiváció fenntartása a holtpontokon

Amikor eleged van az egészből, a gép csak várja a következő utasítást. Nem tudja megadni azt a belső hajtóerőt, amit egy jól megválasztott, szívhez közeli téma ad.

12. Releváns kérdőív-kitöltők toborzása

Az AI megírja a kérdőívet, de nem fog neked 200 releváns válaszadót szerezni a LinkedIn-en vagy szakmai csoportokban. A kapcsolatépítés tisztán emberi munka.

13. A kutatási korlátok őszinte beismerése

Az AI hajlamos magabiztosnak tűnni akkor is, ha téved. Nem képes arra az önreflexióra, hogy belássa: a választott módszertana nem volt tökéletes.

14. Egyedi stílus és "hang" kialakítása

Az AI szövegei gyakran sterilek és sablonosak. A te egyedi stílusod, a te szóhasználatod az, amitől a dolgozat élvezhető és egyedi lesz.

15. A legfrissebb hírek beépítése (percrekészen)

Sok AI modell adatbázisa "le van zárva" egy bizonyos dátumnál. A tegnapi tőzsdei összeomlást vagy a ma reggeli törvénymódosítást neked kell észrevenned és beépítened.

16. A kutatási adatok titkossága

Ha feltöltöd a cég bizalmas adatait egy ingyenes AI-ba, azok bekerülnek a gép tanulási halmazába. Ezzel súlyos titoktartási szerződést szeghetsz, amit az AI nem fog megakadályozni.

17. Összetett ábrák és diagramok esztétikai és tartalmi összhangja

Az AI generál képet, de nem tudja garantálni, hogy a diagram színei, feliratai és logikája pontosan illeszkednek az egyetemed által elvárt tudományos arculathoz.

18. Átláthatóság

Az AI fejezeteket lát, de te látod az egészet. Neked kell figyelned, hogy a 2. fejezetben feltett kérdésre a 4. fejezet valóban válaszoljon

19. A tudományos diskurzushoz való csatlakozás

A szakdolgozat lényege, hogy te is hozzáteszel valamit a tudományhoz. Az AI csak ismétli, amit mások mondtak; az új irány kijelölése a te feladatod.

20. A sikerélmény megélése

Ha 100%-ban a gép írja a dolgozatot, a végén nem fogod érezni azt a jogos büszkeséget, amit egy kemény munkával megszerzett diploma ad. Az önbecsülést nem lehet kiszervezni.

21. A konzulens "sorok közötti" üzeneteinek megfejtése

Amikor a konzulens azt mondja: "Érdekes ez a megközelítés, de nézzen még utána másnak is", az AI azt hiheti, dicséretet kaptál. Te viszont tudod, hogy ez valójában azt jelenti: "Ez az irány zsákutca, azonnal válts témát!"

22. A szakmai "becsület" és hitelesség felépítése

Az AI nem tudja felépíteni a nevedet. A szakdolgozat az első lépés a szakmai hírneved felé. Ha kiderül, hogy csak egy gép "promptolója" voltál, azzal a karrieredet nullázod le, mielőtt elkezdenéd.

23. A mintavételi torzítások életszerű felismerése

Az AI lefuttatja a statisztikát, de nem fog szólni: "Figyelj, a kérdőívedet csak a barátaid töltötték ki a Facebookon, ezért az eredményeid nem a magyar lakosságot, hanem csak a 20 éves budapesti egyetemistákat tükrözik!"

24. A kutatás korlátainak őszinte, "fájdalmas" beismerése

Az AI mindig magabiztos. Nem képes arra a szakmai alázatra, hogy leírja: "Bár szerettem volna 100 céget megvizsgálni, csak 10 válaszolt, így az eredményeim csak jelzésértékűek."

25. A titoktartási nyilatkozatok betartása

Ha feltöltöd a cég belső adatait egy online AI-ba, azok kikerülnek a kontrollod alól. Az AI nem fog figyelmeztetni: "Hé, ha ezt beilleszted, beperelhet a gyakorlati helyed!"

26. A bíráló (opponens) személyes preferenciáinak ismerete

Sokszor tudni lehet, hogy egy adott tanszéken melyik professzor mire "háklis" (pl. utálja a Wikipédiát, vagy mániája a precíz margin-beállítás). Ezt az AI nem tudja, de te vagy a mentorod igen.

27. Az adatok "tisztítása" során hozott morális döntések

Ha egy válasz gyanúsan hibás a kérdőívben, az AI vagy törli, vagy bennhagyja. Te viszont tudod, hogy az a válaszadó valószínűleg csak félreértette a kérdést, és el tudod dönteni, hogyan kezeld etikusan az adatot.

28. A védési prezentáció dinamikája

Az AI megírja a diákat, de nem fogja megmondani: "Ezt a diát ne olvasd fel, inkább mesélj róla egy sztorit, mert a bizottság már kezd elaludni!"

29. A "common sense" (józan paraszti ész) használata

Az AI képes levezetni, hogy az esernyőeladások és a gumicsizmák között korreláció van, de nem fogja érteni a mögöttes fizikai valóságot (hogy esik az eső), csak a számokat látja.

30. A szakdolgozat érzelmi ívének megalkotása

Egy jó dolgozatnak van eleje, közepe és vége. Van benne egyfajta "nyomozás". Az AI darabokban látja a szöveget, te viszont képes vagy egy izgalmas szakmai történetet elmesélni.

31. A szaknyelv és a szleng közötti különbségtétel

Az AI néha túl tudományos akar lenni, máskor meg túl hétköznapi. Csak te érzed, hogy egy adott kifejezés a magyar közgazdász szakmában "belefér-e", vagy már túl merész.

32. Kapcsolódás a korábbi tanulmányaidhoz

Az AI nem tudja, mit tanultál az elmúlt 3 évben. Csak te tudod beépíteni azt a specifikus példát, amit a kedvenc tanárod mondott másodévben, és ami pont ideillik.

33. A kutatási terv rugalmas módosítása

Ha a kutatásod közben rájössz, hogy a hipotézised teljesen hibás, az AI nem fogja azt mondani: "Semmi baj, forgassuk meg a kérdést és nézzük meg másfelől!" – ő csak próbálja tovább erőltetni az eredeti parancsot.

34. Személyes interjúk során a bizalomépítés

Egy mélyinterjú során a legfontosabb információk akkor hangzanak el, amikor az alany megbízik benned. Egy robot nem tud bizalmat építeni.

35. A "szürke hattyú" események kezelése

Ha a szakdolgozatírásod alatt kitör egy válság vagy jön egy új törvény, az AI nem fogja tudni, hogy az egész addigi munkádat át kell értékelned az új helyzet fényében.

36. A kutatási eredmények "emészthetővé" tétele

Az AI képes bonyolult táblázatokat generálni, de nem tudja kiválasztani azt az egyetlen legfontosabb számot, amitől a konzulensed elégedetten fog bólintani.

37. A formázási útmutatók "kreatív" értelmezése

Néha az egyetemi útmutatók ellentmondásosak. Ilyenkor az AI lefagy vagy hibázik. Neked kell döntened, hogy melyik szabály az erősebb.

38. A források "súlya" közötti különbségtétel

Az AI-nak egy blogposzt és egy Nobel-díjas tanulmány gyakran ugyanannyit ér, ha mindkettő releváns kulcsszavakat tartalmaz. Te tudod, melyiknek van valódi tekintélye.

39. A saját fejlődésed nyomon követése

A szakdolgozat célja, hogy te fejlődj. Ha kiszervezed az AI-nak, megfosztod magad attól a szellemi edzéstől, ami képessé tesz majd egy komolyabb munkahelyi jelentés megírására.

40. A végső "OK" gomb megnyomása

A beküldés gomb megnyomása előtt az a bizonyos gyomorgörcs – az csak a tiéd. Ez jelzi, hogy fontos neked a munka. Az AI-nak mindegy, hogy a kukába megy a szöveg vagy a rektori archívumba.

41. A "szakmai intuíció" és a gyanú

Az AI elhiszi a számokat, amiket betáplálsz neki. Te viszont, ha látsz egy kiugró adatot egy kérdőívben, rögtön gyanút fogsz: "Várj csak, itt valaki csak végigkattintgatta a válaszokat anélkül, hogy elolvasta volna!" Az AI nem "érez szagot", te viszont igen.

42. A konzulens egójának és rigolyáinak kezelése

Minden oktatónak vannak kedvenc elméletei vagy vesszőparipái. Az AI nem tudja, hogy a konzulensed 2015-ben írt egy cikket, amit ha nem idézel, akkor sértésnek veszi. Te viszont tudod, hogyan kell "megsimogatni" az egóját a megfelelő hivatkozásokkal.

43. A kutatási téma "eladhatósága" a munkaerőpiacon

Az AI nem tudja, hogy a kiszemelt jövőbeli munkahelyeden melyik téma lesz a belépőjegyed. Te tudatosan választhatsz olyan kutatást, ami egy állásinterjún referenciaként szolgál majd – a gépnek nincs jövőképe.

44. A keresztkérdésekre való spontán reagálás

A védésen nem csak a prezentációt kell felolvasni. A bizottság bele fog kérdezni a részletekbe, és olyan összefüggésekre is kíváncsiak lesznek, amik nincsenek leírva. Ott csak a te rendszerszemléleted és a stressztűrő képességed ment meg.

45. Hivatkozások hitelessége

Ha az AI azt írja, hogy "Kovács (2020) szerint...", neked kötelességed megkeresni az MTMT-ben vagy a könyvtárban, hogy létezik-e az a könyv.

46. A "kevesebb néha több" elvének alkalmazása

Az AI imádja a terjengős körmondatokat. Te viszont tudod, hogy a bírálód egy elfoglalt ember, aki értékelni fogja, ha 60 oldalnyi sallang helyett 45 oldalnyi tömör, ütős szakmai tartalmat teszel elé.

47. A kutatás etikai "szürkezónái"

Egy interjú során az alany elmondhat valamit "off the record" (közlésen kívül). Az AI ezt gépiesen beleírná a dolgozatba. Te viszont tudod, hogy ha ezt leírod, tönkreteheted az alany karrierjét vagy a céged hírnevét.

48. A saját korábbi hibáidból való tanulás

A szakdolgozatírás egy önismereti tréning is. Te érzed, hogy hol rontottad el az ütemezést, és hol kell jobban odatened magad. Az AI-nak nincs emlékezete a saját (vagy a te) fejlődésedről.

49. A szakmai szenvedély átadása

Egy bíráló megérzi a szövegen, ha a hallgatót valóban érdekelte a téma. Az AI "érzelemmentes" szövegei mögül hiányzik az a belső tűz, ami egy közepes dolgozatot is fel tud húzni egy jó jegyre.

50. A "Nagy Kép" látása a diploma után

A szakdolgozat nem a végállomás, hanem egy kapu. Az AI számára a folyamat a "Submit" gombbal véget ér. Számodra itt kezdődik a szakmai életed, ahol a dolgozatod során megszerzett tudást (és nem csak a fájlt) fogod kamatoztatni.