Ha a kérdésed már eleve tartalmaz egy következtetést, a ChatGPT könnyen elkezdhet érveket gyártani mellette ahelyett, hogy előbb megvizsgálná, igaz-e egyáltalán. Ezért fontos kérdéseknél ne csak a választ ellenőrizd – előbb auditáld a kérdés keretét is.
Tegyük fel, hogy ezt kérdezed a ChatGPT-től:
„Miért rossz ötlet ez az új szolgáltatás?”
Első pillantásra teljesen normális kérdés.
Csakhogy már tartalmaz egy következtetést: az új szolgáltatás rossz ötlet.
A ChatGPT pedig könnyen úgy kezdhet válaszolni, mintha ezt már bizonyítottuk volna. Felsorolja a kockázatokat, megmutatja a gyenge pontokat, és néhány bekezdés múlva már egészen meggyőző érvrendszered lehet arra, hogy miért nem kellene belevágni.
Pedig egy fontos kérdés kimaradt:
Biztos, hogy rossz ötlet?
A kérdésed nem semleges
Amikor AI-t használunk, hajlamosak vagyunk főként a válasz minőségét figyelni.
Logikus?
Részletes?
Jól érvel?
Van benne használható ötlet?
De már maga a kérdés megfogalmazása is meghatározhatja, milyen irányból kezdi vizsgálni a problémát az AI.
A döntési szakirodalom ezt régóta framing, vagyis keretezési hatásként vizsgálja. A Harvard Business Review egyik elemzése arra hívja fel a figyelmet, hogy a stratégiai döntéseinket azok a rejtett feltételezések is torzíthatják, amelyek már abban a keretben benne vannak, ahogyan a problémát definiáljuk.
AI használatánál ehhez még egy további kockázat társul:
a modell átveheti tőled ezt a keretet.
Amikor az AI érveket kezd gyártani a feltételezésedhez
Nézzünk néhány hétköznapi példát.
Egy vállalkozó megkérdezi:
„Miért túl drága az ajánlatom?”
Egy vezető:
„Miért nem motivált a csapatom?”
Egy szakember:
„Miért rossz ez a stratégia?”
Egy hétköznapi felhasználó:
„Miért nem nekem való ez a képzés?”
Mindegyik kérdésben van valami közös.
Már a kérdésbe beépítettünk egy állítást, amelyről még nem bizonyítottuk, hogy igaz.
Lehet, hogy az ajánlat egyáltalán nem túl drága.
A csapat teljesítményproblémájának lehet más oka, mint a motiváció.
A stratégia talán működik, csak rossz mérőszám alapján értékeljük.
És az is lehet, hogy a képzés kifejezetten megfelelő lenne.
A probléma nem az, hogy ilyen kérdéseket tilos feltenni.
Hanem az, ha észre sem vesszük, hogy a kérdés már kijelölte a kívánt válasz irányát.
A megerősítési torzítás AI-val még meggyőzőbb lehet
Ez azért különösen veszélyes, mert könnyen létrejöhet egy önmagát erősítő kör.
Van egy előzetes véleményed.
Úgy fogalmazod meg a kérdést, hogy ez a vélemény már benne van.
Az AI ehhez igazodva felsorakoztat több értelmesnek tűnő érvet.
Te pedig úgy érezheted:
„A ChatGPT is ugyanerre jutott.”
Csakhogy lehet, hogy nem független elemzést kaptál.
Lehet, hogy az AI egyszerűen továbbvitte azt a keretet, amit te adtál neki.
Egy 2026-os kontrollált kutatás azt találta, hogy a vizsgált LLM-ek gyakrabban adtak a felhasználó álláspontját megerősítő válaszokat, amikor a felhasználó állításként vagy meggyőződésként fogalmazta meg a véleményét, mint amikor valódi kérdésként tette fel ugyanazt a problémát. A hatás erősödött, amikor a megfogalmazás nagyobb bizonyosságot sugallt.
Ez fontos különbség.
Nem ugyanaz ezt mondani:
„Szerintem ez rossz stratégia. Miért nem fog működni?”
mint ezt kérdezni:
„Milyen bizonyítékok szólnak amellett és ellene, hogy ez a stratégia működni fog?”
Az első mondatban már van egy ítélet.
A másodikban még van egy vizsgálati kérdés.
A hibás előfeltevés akár hallucinációhoz is vezethet
A probléma nem áll meg az elfogult érvelésnél.
A kutatások külön vizsgálják az úgynevezett false premise question jelenséget: amikor a kérdés maga tartalmaz hibás tényállítást vagy előfeltevést.
Egy 2025-ös COLING-kutatás közel 178 ezer hibás premisszát tartalmazó kérdésből álló benchmarkot készített annak mérésére, mennyire könnyen vezethetik félre az ilyen kérdések a nyelvi modelleket. A szerzők abból indultak ki, hogy az LLM-ek hajlamosak lehetnek a hamis premisszára építve téves tényszerű választ generálni ahelyett, hogy magát a premisszát korrigálnák.
Ezért a jó AI-használatnak van egy olyan rétege, amely még a válasz ellenőrzése előtt következik.
A kérdést kell ellenőrizni.
Végezz kérdéskeret-auditot
Fontosabb döntések előtt érdemes négy rövid kérdéssel megvizsgálni a saját promptodat.
1. Mit állítok már eleve igaznak a kérdésemben?
„Miért rossz ötlet?” → azt állítom, hogy rossz ötlet.
2. Biztosan bizonyított ez az előfeltevés?
Ha nem, akkor ne kezeld adottságként.
3. Hogyan hangzana ugyanez semleges keretben?
Ahelyett, hogy:
„Miért teljesít rosszul a csapat?”
kérdezd inkább:
„Mit mutatnak az adatok a csapat teljesítményéről, és milyen lehetséges okok magyarázzák az eredményeket?”
4. Milyen más keretből lehetne ugyanezt a helyzetet megvizsgálni?
Lehet, hogy nem motivációs problémád van, hanem prioritási.
Nem árproblémád van, hanem pozicionálási.
Nem rossz stratégiád van, hanem rossz mérőszámod.
Ezzel nem bonyolultabbá teszed a döntést.
Éppen ellenkezőleg: megakadályozod, hogy túl gyorsan egyetlen magyarázatba zárd magad.
Nem kell mindig semlegesen kérdezned
Van egy fontos kivétel.
Ha tudatosan szeretnéd megtámadni egy ötletedet, teljesen rendben van ezt kérni:
„Sorold fel a legerősebb érveket amellett, hogy ez rossz ötlet.”
Ilyenkor pontosan tudod, mit csinálsz: célzottan ellenérveket gyűjtesz.
A probléma akkor kezdődik, amikor ezt az ellenérv-generálást összekevered a független elemzéssel.
Először állapítsd meg, milyen kérdésre keresel választ.
Utána válaszd meg hozzá a keretet.
Kérd meg az AI-t, hogy előbb semlegesítse a kérdésedet
Érdekes módon erre maga az AI is használható.
A 2026-os framing-kutatásban az egyik legerősebb beavatkozás az volt, amikor a modellt arra kérték, hogy előbb alakítsa kérdéssé a felhasználó állítását, és csak utána válaszoljon. Ez hatékonyabban csökkentette a felhasználóhoz igazodó válaszokat, mint egy általános „ne érts velem automatikusan egyet” utasítás.
Fontosabb témánál ezért próbáld ki ezt:
„Mielőtt válaszolsz, vizsgáld meg, milyen kimondott vagy rejtett előfeltevések vannak a kérdésemben. Ne fogadd el ezeket automatikusan igaznak. Fogalmazd át a kérdést semleges formába, mutass legalább egy alternatív keretezést, majd ezek alapján válaszolj.”
Ezzel nem azt kéred az AI-tól, hogy egyetértsen vagy vitatkozzon veled.
Azt kéred, hogy előbb ellenőrizze azt a pályát, amelyre a kérdéseddel ráállítottad.
Ha ezt nem szeretnéd minden fontos beszélgetésben külön kérni, rendszerpromptban is beépítheted az AI alapműködésébe.
Ehhez találsz gyakorlati megoldást a www.scalera.hu/rendszerprompt oldalon.
Röviden: mit érdemes megjegyezned?
- A kérdésed már önmagában keretezheti a választ.
- Egy rejtett előfeltevést az AI könnyen továbbvihet ahelyett, hogy megkérdőjelezné.
- A saját véleményedet tartalmazó kérdés könnyen látszólag független megerősítést eredményezhet.
- Fontos kérdésnél előbb keresd meg, mit állítasz már eleve igaznak.
- Ezután fogalmazd át a kérdést semleges és alternatív keretben is.
Ne csak azt kérdezd, jó-e az AI válasza. Előbb nézd meg, milyen kérdéssel irányítottad oda.
Gyakori kérdések
Mi az AI kérdés keretezés?
Az, amikor a kérdés megfogalmazása már meghatároz egy bizonyos nézőpontot, feltételezést vagy értékítéletet, amely befolyásolhatja az AI válaszának irányát.
Mi a különbség a keretezés és a hibás előfeltevés között?
A keretezés tágabb fogalom: meghatározza, milyen nézőpontból vizsgáljuk a problémát. A hibás előfeltevés ennél konkrétabb: valamit igaznak veszünk a kérdésben, miközben nem biztos, hogy az.
Mindig semlegesen kell kérdeznem a ChatGPT-t?
Nem. Célzottan kérhetsz érveket vagy ellenérveket is. Fontos azonban tudnod, mikor végzel nyitott vizsgálatot, és mikor kérsz érveket egy már előre kijelölt állásponthoz.
Hogyan ellenőrizhetem gyorsan a kérdésem keretét?
Kérdezd meg magadtól: „Mit feltételezek ebben a kérdésben már eleve igaznak?” Ha erre találsz választ, érdemes ugyanazt a problémát legalább egyszer enélkül az előfeltevés nélkül is megfogalmazni.