A Kódolás Hallgatólagos Tudása Nem Vibrál

TL;DR

Nonaka és Takeuchi SECI modellje leírja, hogyan válik a hallgatólagos tudás explicitté és vissza. A vibe coding átugorja a legfontosabb lépést — a szocializációt, ahol a mester átadja azt, amit nem tud szavakba önteni. Ha nincs mester, nincs tacit transfer — és a kódolás mesterségből prompt-nyomogatássá válik.

Egy pék és egy prompt: Hol kezdődik a tudás?

Tihanyi belső-tó partja, hajnali köd. A parton a pékség már nyitva van — a pék hajnal háromkor kelt. A kenyér illata az egész utcát betölti. Kérdezem, honnan tudja, hogy kész a tészta. „Az ujjaimból” — mondja. „Amikor éppen elenged.”

Ez a pillanat a hallgatólagos tudás csúcsa. Nem tudja szavakba önteni, de a teste, az ujjai tudják. Michael Polányi filozófus híres megfogalmazásában: „Többet tudunk, mint amennyit el tudunk mondani.” Ez a hallgatólagos (tacit) tudás az összes szakmai mesterség fundamentuma, legyen az pék, sebész vagy szoftverfejlesztő.

Nonaka és Takeuchi The Knowledge-Creating Company-jukban pont ezt a pillanatot írják le — szó szerint. Ikuko Tanaka szoftverfejlesztő a Matsushita kenyérsütőgép projektjén dolgozott. A gép nem sütött jó kenyeret, mert csak az explicit receptet követte: mennyi liszt, víz, hőfok. Tanaka elment egy mesterpékhez, és szocializáció révén megtanulta a dagasztás ritmusát — nem könyvből, hanem a kezéből. Testközelben, megfigyeléssel, próbálgatással internalizálta azt a hallgatólagos tudást, amit később explicit, mérhető mozdulatokká tudott alakítani a gép számára. A korpusz idézet ezt a folyamatot írja le: “The definition of modeling offered… is the mapping of tacit knowledge into explicit knowledge.” [UNVERIFIED]

A vibe coding ezt a lépést átugorja. Nem mész el a mesterpékhez. Beírod a promptba: „Süss kenyeret.” Az AI generál valamit, ami kenyérnek tűnik. De a dagasztás ritmusa — az a testbe írt, hallgatólagos réteg, ami a jó kenyeret a rossztól megkülönbözteti — hiányzik. Megkapod az outputot, de nem érted a mögöttes miért-t. Nem látod a kezek mozgását, nem érzel tapintási ellenállást, nem internalizálod a folyamatot.

A SECI spirál: A tudás létrejöttének tervezési rajza

A SECI modell nem csupán egy akadémiai keretrendszer; egy működőképes leírása annak, hogyan lesz egyénből szervezeti, fenntartható tudás. Nézzük meg mélyebben a négy lépést, amelyek spirálisan, egymást erősítve haladnak:

Szocializáció (Tacit → Tacit): Ez az első és legbizalmasabb átadás. Nem szükséges hozzá szó. A tanonc a mester mellett áll, figyeli, utánozza. A fejlesztői open office-ban a senior mögött ülve látja, hogyan navigál a debuggernél, milyen kérdéseket tesz fel magának, mikor szakítja el a fejét a monitor elől. A korpusz kiemeli, hogy “socialization is typically triggered through human interaction and conversations” [UNVERIFIED]. Ez a közös tapasztalat tere („ba”), ahol a tudás szimpatikussá válik.
Externalizáció (Tacit → Explicit): Itt kezdődik a nagy kihívás: a „tudom az ujjaimban” átalakítása „így kell csinálni”-vá. Metaforák, analógiák, modellek, vázlatok segítségével próbáljuk megfogalmazni a hallgatólagosat. A mesterpék mondhatja: „Olyan, mint amikor a gyurmát pont megfelelően nyújtod”. A senior fejlesztő rajzol egy architektúra vázlatot a táblára, vagy elmondja: „Ez a függvény olyan, mint egy csomagolóüzemben a szalag – egy irányba mozog, és mindenki tudja, ki következik.” A korpusz szerint ez a folyamat hozza létre a koncepcionális tudást.
Kombináció (Explicit → Explicit): Az explicit tudás darabjait rendszerezzük, dokumentáljuk, összekapcsoljuk. Egy új rendszer tervezési dokumentációja, a kódkommentek, a vállalati wiki oldalak. Ez az AI legtermészetesebb birodalma: információk szisztematikus feldolgozása, újrakombinálása.
Internalizáció (Explicit → Tacit): A gyakorlat révén az explicit tudás testünk, agyunk részévé válik. Ahogy egy zenész ismételgeti a skálákat, amíg azok reflexsé válnak, úgy a fejlesztő is, aki sok hibakeresést végez, testbe íródik benne a „kódszag” érzékelése. Ez a „learning by doing”, amely operatív tudást eredményez, és új ciklus kiindulópontja lehet.

Hol törik el a SECI spirál a vibe codingban? Egy technológiai shortcut következményei

A vibe coding gyakorlatilag a 3. lépésnél, a Kombinációnál kezdődik: explicit input (prompt) → explicit output (kód). Ez radikálisan lerövidíti az utat, de megsemmisít a tudás létrehozásának motorját.

Az 1. lépés (Szocializáció) kiesik: Nincs közös tere („ba”) az AI-val. Nincs megfigyelés, nincs közös nevetés egy bugon, nincs a vállunk fölött látott gondolkodási folyamat. Az AI nem osztja meg intuícióját, mert nincs neki. A korpusz említi a mély tudás átadásának módszereit, mint a „Guided observation” vagy „Socratic questioning” [UNVERIFIED]. Ezek mind emberi interakciók, amelyeket egy chat felület nem pótol.
A 2. lépés (Externalizáció) kiesik: Mivel a vibe coder nem rendelkezik a kezdeti hallgatólagos tudással, nincs mit externalizálnia. Nem kell megfogalmaznia a problémát saját szavaival, nem kell metaforákat keresnie. A prompt egy gyors, leegyszerűsített externalizáció próbálkozása, amely azonban hiányos. Nonaka és Takeuchi szerint “the important part that constitutes most of knowledge creation is ‘the mobilization and conversion of tacit knowledge’” [UNVERIFIED]. Ez a mobilizáció marad ki.
A 4. lépés (Internalizáció) kiesik: Ha nem te írod a kódot, nem internalizálod annak mintáit, buktatóit, eleganciáját. A generált kód használata hasonlít egy repülőgép vezetéséhez automata pilóta mellett: elvisz A-ból B-be, de nem tanulsz meg repülni. A kezed soha nem „tudja” meg a kormányt.

César Hidalgo a Why Information Grows-ban írja: „Számos munkakör nagyrészt intellektuális tőkén vagy kézműves készségeken alapul, amelyeket évek oktatása, képzése és tapasztalata csiszolt.” A vibe coding ígérete: nem kell évekig csiszolni. Az AI-nak elég egy prompt.

De a csiszolás nem a szintaxis megtanulásáról szól. Hanem arról, hogy a szerszám kiterjesztése lesz a testednek. Ahogy a jó asztalos nem gondolkozik a kalapács súlyán, hanem „látja” a szög beívelését, úgy a senior fejlesztő is látja a bonyolult függőséget két modul között, mielőtt lefordítaná kóddá. Ez a tacit réteg — és ezt az AI nem generálja, csak kikerüli.

Mi a különbség a modellezés és a generálás között?

Itt hasznos visszatérni a korpuszban említett „modeling” fogalmához. A Neuro-lingvisztikus Programozás (NLP) kontextusában a modellezés “the mapping of tacit knowledge into explicit knowledge” [UNVERIFIED]. Ez pontosan az, amit Ikuko Tanaka csinált a mesterpékkel: modellezte a hallgatólagos tudását, hogy explicit algoritmust készítsen belőle.

A vibe coding nem modellezés. Nem képez le hallgatólagos tudást, mert nincs forrása. Generálás. Egy óriási explicit tudáskorpuszból kombinál és extrapolál, de nem folyik bele a csapból a hallgatólagos tudás forrásvíze. A különbség olyan, mint egy zeneszerző, aki lejegyzi a népdal énekes dallamát (modellezés), és egy algoritmus, amely a Beatles összes számából generál egy új dalt (generálás). Az egyik megőriz egy eredeti, élő tudásréteget, a másik pedig annak egy valószínű variációját hozza létre.

Hogyan formálja a vibe coding a jövő fejlesztőit? A készséghiány spirálja

A kérdés nem az, hogy a vibe coding működik-e. Működik — kis projektekre, prototípusokra, egyszer használatos szkriptekre. Az igazi kérdés az, hogy milyen fejlesztői generációt nevelünk ki, ha a szakmai szocializáció helyét egyre inkább egyedül töltött prompt-írás foglalja el.

Képzelj el egy junior fejlesztőt, aki első munkahelyén főleg LLM-ekkel dolgozik. Sikerrel megold kisebb feladatokat, de soha nem látja, hogy a senior kollégája hogyan esik kétségbe egy rendszertervezés előtt, hogyan rajzol fel tucatnyi lehetőséget egy papírra, majd mindet áthúzza. Nem vesz részt azon a fájdalmas, hallgatólagos tudást szülő externalizációs folyamatban. Neki a válasz kész, tiszta, és gyakran működő. De hiányzik belőle a döntések kontextusa.

Egy generáció alatt ez a kumulatív tudásréteg, a „szakmai érzék”, elhalványulhat. A Polányi-féle tacit knowledge nem pusztul el — de nem is adódik át automatikusan. A korpuszban szereplő ábra (Figure 2.6 Transferring deep knowledge) egy egész skálát mutat a tudásátadás módjairól, a passzív előadástól az irányított gyakorlaton és kísérletezésen át [UNVERIFIED]. A vibe coding ennek a skálának a legpasszívabb végét erősíti: a kész megoldás kézbesítését.

A pék keze „tudja”, mikor kész a tészta. A mesterprogramozó keze „tudja”, mikor büdös a kód. A vibe coder keze viszont csak a promptot gépeli — és nincs olyan érzékszerve, ami megértené, hogy mi hiányzik.

Visszavezethető-e a SECI ciklus az AI-korszakban?

A kihívás nem az AI elutasítása, hanem annak a megértése, hogyan lehet a technológiát a tudásteremtés szolgálatába állítani ahelyett, hogy megkerülnénk.

Az AI mint externalizációs partner: Képzeld el, hogy egy senior fejlesztő elkezd magyarázni egy komplex rendszermintát (tacit → explicit próbálkozás). Az AI valós időben képes lehet vizualizációkat, analógiákat vagy kódrészleteket generálni, amelyek segítenek abban, hogy a kezdetben nehezen megfogalmazható gondolat pontosabbá váljon. Az AI itt nem helyettesíti a szocializációt, hanem erősíti az azt követő externalizációs fázist.
Irányított internalizáció AI-val: A vibe coding ellentétének tekinthetjük a „vezetett gyakorlást”. Az AI nem adja oda a teljes megoldást, hanem sorozatos, nehezedő feladatokat ad, miközben a megoldási útmutatót is tartalmazza. A tanuló írja a kódot, de az AI azonnali visszajelzést ad a stílusról, a hatékonyságról, alternatív megközelítésekről. Ez közelebb áll a „learning by doing” internalizációhoz.
A szocializáció digitális terei: A Nonaka-modellben a „ba” (közös tér) fizikai is lehetett. Ma ez lehet egy virtuális whiteboard, egy pair programming session VS Code Live Share segítségével, vagy akár egy felvétel arról, ahogy egy senior gondolkodik hangosan egy problémán. A cél itt is az interakció, a közös fókusz megőrzése.

A legveszélyesebb út az, ha a szervezetek a vibe codingot a termelékenység azonnali növelésének eszközeként látják, miközben figyelmen kívül hagyják a tudás spiráljának megszakadását. Rövid távon több kód születik. Hosszú távon a szervezet „tacit tőkéje” elapad, és kritikus döntésekben (architektúra, kompromisszumok, kockázatkezelés) nem lesz olyan mély tudás, amelyre támaszkodni lehet.

Key Takeaways: Amit a kezek tudnak, és a prompt nem

Nonaka SECI modellje nem egy elméleti keret, hanem a tudás születésének leírása: a hallgatólagos tudás átadása szocializációval kezdődik — a vibe coding ezt a motorját átugorja.
A Matsushita kenyérsütő példa lényege: Tanaka szocializáció (testközelben való tanulás) és externalizáció (tudás megfogalmazása) révén tudta csak megoldani a problémát. A gép, és ma az AI is, csak az explicit utasításokat követi.
A vibe coding a SECI 3. lépésénél kezd (Kombináció) — az 1. (Szocializáció), 2. (Externalizáció) és 4. (Internalizáció) lépés kimarad. Működő kódot kapsz, de nem építesz tudást.
A tudás „felnövekedése” a spirálon történik: az egyéntől a csapatig, a szervezetig. A vibe coding ezt a „K-spirált”, ahogy a korpusz hívja, egy ponton elvágja [UNVERIFIED].
Egy generáció, amely soha nem „dagasztotta a tésztát”, soha nem érezte az ujjai között a kód ellenállását, nem fogja tudni, mi hiányzik a látszólag tökéletes generált kódból. A képesség nem a kódírásban, hanem annak hiányának érzékelésében rejlik.

Gyakran Ismételt Kérdések

Mi az a SECI modell?

A SECI modell Nonaka és Takeuchi tudásteremtési keretrendszere, amely négy, spirálisan ismétlődő lépésből áll: Szocializáció (tacit → tacit: tudás átadése megfigyeléssel, közös gyakorlással), Externalizáció (tacit → explicit: a hallgatólagos tudás metaforákkal, modellekké alakítása), Kombináció (explicit → explicit: ismert információk rendszerezése, újrakombinálása) és Internalizáció (explicit → tacit: a gyakorlat révén a tudás testrésszé válik).

Hogyan hat az AI a kódolás hallgatólagos tudására?

Az AI, főleg a vibe coding formájában, megkerüli a SECI ciklust: közvetlenül explicit kimenetet állít elő anélkül, hogy az ember átmenné a szocializáción (tanulás másoktól) és az internalizáción (gyakorlás révén való elsajátítás). Ennek következtében a vibe coder működő kódot kaphat, de nem internalizálja a problémamegoldás mintáit, a döntéshozatal kontextusát, és a kód mögötti architektúrai megfontolásokat. A szakmai mesterség hallgatólagos rétege nem épül fel.

Lehet-e a vibe codingot tudásteremtő eszközzé alakítani?

Igen, de ehhez tudatosan be kell ágyazni a SECI ciklusba. Például: Az AI nem a teljes megoldást adja, hanem útmutatást, analógiákat (externalizáció támogatása). A generált kódot a fejlesztőnek aktívan át kell vizsgálnia, módosítania, meg kell értenie (internalizáció elősegítése). A legfontosabb, hogy a szocializációt – a valódi emberi együttműködést, pair programmingot, mentort – ne hagyjuk el, mert ez az a közös tér, ahol a hallgatólagos tudás egyedül maradhat.

Mit jelent a „ba” fogalma a SECI modellben?

A „ba” (場) japán kifejezés, amelyet Nonaka és Takeuchi vezetett be, és azt a közös, fizikai, virtuális vagy mentális teret jelenti, amelyben a tudás megosztása, teremtése és értelmezése történik. Ez lehet egy fizikai meetingterem, egy közös projekt, egy online fórum vagy akár egy közös értékrend. A szocializáció feltétele, hogy legyen ilyen közös tér. A vibe coding, egyedül végzett prompt-írás, gyakran kihagyja ezt a közös teret.

Kapcsolódó gondolatok

Varga Zoltán - LinkedIn Neural • Knowledge Systems Architect | Enterprise RAG architect PKM • AI Ecosystems | Neural Awareness • Consciousness & Leadership The baker knows. The prompt doesn’t.