TL;DR
A hallgatólagos tudás fogalmát egy magyar tudós, Polányi Mihály alkotta meg. Ironikus módon magyar nyelven szinte teljes a csend arról, hogyan bomlasztja és alakítja át a mesterséges intelligencia azt a tudásformát, amelyet definíció szerint alig lehet szavakba önteni. Ez a cikk mélyebbre ás: bemutatja a hallgatólagos tudás három, egymásra épülő szintjét, és azt, hogy a nagy nyelvi modellek (LLM-ek) miképp törnek meg kettőt közülük, miközben a harmadik, legmélyebb réteg veszélybe kerül egy másik, alattomosabb fenyegetés miatt: a direkt gyakorlás kiszorulása miatt. A valódi paradoxon nem az AI erejében, hanem abban rejlik, hogy nem vesszük észre, melyik tudásszintet veszítjük el — és miközben a látható mérhető eredmények javulnak, a láthatatlan tudásalapunk óvatlanul szivárog el.
A nagymama nem tud receptet diktálni – és ez a lényeg
A nagymamám tésztát nyújtott. Kérdeztem: honnan tudja, mikor elég vékony. Rám nézett, mint aki értelmetlen kérdést hall. „Érzem” — mondta. Ennyi.
Nem titkolózott. Tényleg nem tudta elmondani. Az ujjbegyeiben volt a tudás, a mozdulat ritmusában, a tészta rezisztenciájának apró változásaiban. Évtizedek tapasztalata, ami soha nem került szavakba — mert nem oda való. Ez a tudás a cselekvésben, a testben lakozik, és csak onnan lehet „hozzáférni”. Ha megpróbálod kihámozni belőle egy receptet, az olyan lesz, mintha egy költőtől kérnéd, hogy írja le az érzelmek kémiai képletét. Lehet próbálkozni, de a lényeg, a tapasztalat mindig kimarad.
Polányi Mihály 1966-ban, „A hallgatólagos dimenzió” (The Tacit Dimension) című művében pontosan ezt írta le: „Többet tudunk, mint amennyit el tudunk mondani.” A hallgatólagos tudás — tacit knowledge — fogalmát tehát egy magyar tudós adta a világnak. Polányi nem pusztán filozófus volt, hanem fizikus-kémikus, aki a tudomány gyakorlati munkájából kiindulva érvelt a formális, kinyilvánítható tudás korlátai mellett.
Ironikus, hogy éppen magyarul szinte teljes vakfolt ez a téma, miközben a technológiai forradalom, amely a formális tudás birodalmát uralja, pontosan ezt a láthatatlan alapot kezdi aláásni. Mi történik, amikor egy olyan eszköz, amely kizárólag a mondható dolgok világából táplálkozik, találkozik azzal, ami mondhatatlan?
Mi a háromféle hallgatólagos tudás? Egy rétegezett modell
A tacit tudás nem homogén tömeg. Három elkülöníthető, egymásra épülő szintje van, és az AI mindegyikkel kvalitatívan másként, mélységében eltérően bánik. Ahogy a korpusz egyik forrása fogalmaz: “tacit knowledge consists of three constituting aspects: the phenomenal, the semantic, and the ontological aspects” [CORPUS]. Ezt a filozófiai felosztást lefordíthatjuk gyakorlatibb kategóriákra a munka világában.
1. Első szint: a kimondatlan szabályok – az AI „elsajátítja”
Mi ez? Azok a gyakorlati minták, heurisztikák, szokások és szabályok, amiket soha nem fogalmaztunk meg írásban, de szinte automatikusan követünk. Hogyan fogalmazunk egy érzékeny emailt? Milyen sorrendben rakjuk össze a PowerPoint prezentáció diákjait, hogy a legnagyobb hatást érjük el? Hogyan vágunk bele egy nehéz beszélgetésbe? Ezek olyan sémák, amelyeket a környezetünkből, sikereinkből és hibáinkból internalizáltunk. Gyakran algoritmikusnak tűnnek, de nem írtuk le őket.
Hogyan bánik vele az AI? A nagy nyelvi modellek ezen a szinten kiválóak. A tréningadatok óceánjában pontosan ezeket a kimondatlan, de mégis gyakori mintákat keresik fel és konszolidálják. Egy LLM könnyedén összeállít egy protokollt a „hatékony ügyfélmegkeresésről” vagy egy sablont a „konstruktív kód review-ról”, mivel számtalan példányt látott ezekre. Ahogy a korpusz idézi: “knowledge engineers—whether they’d read Polanyi or not—had long recognized that professional skills are largely unstated. Indeed, the interview techniques they’d established had been developed precisely in order to uncover normally hidden inferences and assumptions” [CORPUS]. Az AI lényegében végtelenül türelmes és átfogó „knowledge engineer” lett, amely kihámozza ezeket a rejtett szabályokat. Következmény: Ez a szint gyakorlatilag megtört. Az AI nemcsak hogy helyettesíteni tudja, de sokszor koherensebben és következetesebben összefoglalja, mint bármelyik ember. A veszteség itt észrevehetetlen, sőt, pozitívnak tűnik: hozzáférünk egy optimalizált, „kinyert” tudáshalmazhoz. De valami eltűnik: a szabályok kontextusából és a kivételkezelés személyes tapasztalata. Az AI ad egy általános sablont, de nem adja át, mikor kell azt megszegni.
2. Második szint: a kollektív tudás – az AI atomizálja
Mi ez? Az a tudás, ami nem egy egyénben, hanem egy csapat, közösség dinamikus kölcsönhatásaiban, vitáiban, együttműködésében él. A Stack Overflow egy vitatott kérdése, ahol a válaszok és a hozzászólások közötti párbeszéd vezet el a valódi megoldáshoz. A pair programming, ahol a „miért nem így?” kérdések révén oszlik meg a mélyebb logika. A vizsgálótermi csendbeszélgetések egy kísérlet közepette. Ez a tudás a csere folyamatában, a társas kölcsönhatásban jön létre és frissül.
Hogyan bánik vele az AI? Az AI ezt a szintet nem nyeri ki, hanem kiváltja és ezáltal atomizálja. Miért mennél Stack Overflow-ra, ha a ChatGPT azonnal ad egy kész kódrészletet? Miért vitatnád meg egy kollégával a megközelítést, ha az AI néhány másodperc alatt három alternatívát kidob? A közösségi, interaktív tudásmegosztás helyét egyéni, aszinkron konzultáció veszi át. A korpusz egy idézetében ez a magas sávszélességű átadás módja jelenik meg: “The third strategy, the interactive, implies a far higher bandwidth than purely formal learning… the intelligently designed experimental apparatus enables the learner to alter his simulation, his perception” [CORPUS]. Az AI egy „intelligens kísérleti apparátusként” szolgálhat, de kiveszi a folyamatból az emberi interakciót, amely a legtöbb kontextust, nonverbális jeleket és azonnali adaptációt szolgáltatja. Következmény: Ez a szint erodálódik. A rövid távon észrevehetetlenül, hosszú távon katasztrofálisan. Egy egész generáció szoftverfejlesztő soha nem fog részt venni egy heves Stack Overflow-vitában, amely mély architekturális ismeretekre tanítana. A kollektív tudás alkotóelemei — a párbeszéd, a vita, a közös problémamegoldás — elhalványulnak, és helyüket egy transzaktációs, „kérdés-válasz” dinamika veszi át. A tudás megmarad, de az a társas folyamat, amely karbantartja, finomítja és újrakontextusálja, elsorvad.
3. Harmadik szint: a testbe írt tudás – az AI nem éri el, de kiüresíti az útját
Mi ez? A nagymamám ujjbegyei. A sebész kézügyessége, aki a műtéti tervek mögött is „érzi” a szövetet. A tapasztalt pilóta ösztönös korrekciója egy váratlan légörvényben. Egy zenész improvizációja. Ez a tudás teljesen egybeolvadt a cselekvéssel. Nem előzte meg szabályrendszer, hanem a test és az elme közvetlen válasza egy összetett helyzetre. Polányi szerint ez az a tudás, amelyre rákoncentrálunk valami máson keresztül („we attend from something to something else”). A biciklizevés közben a kéz- és testhelyzetekre nem koncentrálsz, hanem attől a tudástól a menetirányra koncentrálsz. Hogyan bánik vele az AI? Ez a szint gyakorlatilag elérhetetlen a számára. Az AI-nak nincs teste, nincs sensomotoros tapasztalata, nincs a világgal való fizikai kölcsönhatása. Nem tudja kinyerni a tésztanyújtás tudását, mert az nincs digitális formában sehol. Az AlphaGo példája is ezt mutatja: “Suleyman és csapata utólag sem tudta megállapítani, hogyan jutott az AlphaGo arra a döntésre, hogy ezt a lépést hozza meg a győzelem érdekében” [CORPUS]. Még az AI saját, hallgatólagossá vált döntési útjai is megmagyarázhatatlanok maradnak. Következmény: Itt a paradoxon tetőzik. Az AI nem tudja ellopni ezt a tudást. De a gyakorlás hiányát okozhatja, ami szintén elvezet a tudás elvesztéséhez. Ha a pilóták egyre kevesebbet repülnek manuálisan, mert a rendszerek automatizáltak, a kézérzékük elbutul. Ha a fiatal sebészek csak robotasszisztenssel gyakorolnak, a saját finommotoros készségük nem fejlődik ki megfelelően. Az AI egy nagyszerű eszköz lesz, de ha az eszközt felváltja a crutch (mankó), amelyre teljes mértékben támaszkodunk, a testbe írt tudásunk soha nem alakul ki, vagy elhalványul.
Miért nem vesszük észre, melyik tudásszintet veszítjük el? A Polányi-csapda
A valódi paradoxon nem az, hogy az AI megöli a hallgatólagos tudást. Az eredeti Polányi-paradoxon a tudás mondhatatlanságáról szól. A mai kor paradoxona viszont az, hogy nem vesszük észre, melyik tudásszintet öli meg, illetve váltja ki. Ez egy csapdába ejtő torzítás, amit nevezhetünk „Polányi-csapdának”: amit könnyen mérünk és automatizálunk (az első szint), azt túlértékeljük; amit nehéz mérni és amely a csendben, a gyakorlatban és a közösségben él (a második és harmadik szint), azt alábecsüljük, amíg az elvesztése kritikus problémává nem válik.
- Az első szint elveszett, és nem hiányzik. Az AI tökéletesen helyettesíti a kimondatlan szabályok gyűjteményét. A hatékonyság növekedése látható, a tudás elvesztése láthatatlan. Mint egy mester, aki leírja a receptjét: a recept megmarad, de a keze „értelme” nem.
- A második szint most erodál, és még nem fáj. A közösségi platformok csendesebbek, a meetingek rövidebbek lehetnek, mert „megvan a válasz”. De a közösségi agy, a kollektív problémamegoldó képesség gyengül. Ahogy a korpusz idézi a Polányi-paradoxont: “we know more than we can tell… it’s this paradox that has, until recently, kept anyone from creating software that could play the game Go as well as the top human practitioners can” [CORPUS]. Az AlphaGo legyőzte a legjobb embereket, de a Go közössége által generált, átadott mély stratégiák tanulása nélkül nem jött volna létre. Ha elvágjuk a gépet a közösségtől, a jövőbeli fejlődés forrása kiszárad.
- A harmadik szintet a gyakorlás hiánya fenyegeti. Ez a legalattomosabb. A pilóták, akik évekig nem repülnek manuálisan, elfelejtik a kézérzéket. A programozók, akik csak AI által generált kódot reviewznak és módosítanak, soha nem fejlesztik ki azt a mély debug-instinktust, amely egy furcsa viselkedésből következtetni tud a gyökérhibára. Nem az AI veszi el a testbe írt tudást — hanem az elsajátítás és fenntartás útjának eltávolítása, amit az AI-függőség okoz.
Hogyan őrizheted meg a hallgatólagos tudásod? Egy tudatos védelmi stratégia
Kérdezd meg magadtól: a napi munkádban milyen tacit tudást használsz? Melyik szinten van? És ha holnap egy AI átveszi a feladat felét — melyik tudásod fog hervadni, mert nem gyakorlod többé?
- Védd a kollektív tudás ökoszisztémáját. Használd az AI-t nem válaszadóként, hanem vitapartnerként. Helyezd az általa generált ötleteket, kódokat a csapat elé megvitatásra. Mondj nemet a teljesen egyedül végzett munkára. Keress olyan feladatokat, ahol párban vagy csoportban kell dolgozni, és ahol az AI csak egy a szereplők között, nem a központ.
- Építs „gyakorlási rutinokat” a testbe írt tudás számára. Azonosítsd azokat a készségeket, amelyek a fizikai vagy mély kognitív gyakorlásból erednek. Ütemez be rendszeres „manuális repüléseket”: írj kódot nulláról néha, rajzolj kézzel architektúrákat, vegyél részt olyan képzéseken, ahol a kézügyességet gyakorolni kell. Az AI-t használd az alapok feletti felemelkedéshez, ne az alapok megtanulásának kihagyásához.
- Légy tudatos a Polányi-csapdáról. Mérlegeléskor ne csak a hatékonyságnövekedést nézd. Kérdezd meg: „Ha ezt az AI végzi el teljesen, mi az, amit soha többé nem fogok megtanulni vagy elfelejtek?” Értékeld a nehezen mérhető tényezőket: a csapat összetartását, a saját intuíciód fejlődését, a szakmai önbecsülésedet.
Key Takeaways
- Polányi Mihály magyar tudós alkotta meg a hallgatólagos tudás („többet tudunk, mint amennyit el tudunk mondani”) fogalmát — mégis magyarul szinte nem foglalkozunk a 21. századi kihívásával.
- A tacit tudás három elkülöníthető szintje van: (1) a kimondatlan szabályok és minták, (2) a közösségi kölcsönhatásokban megvalósuló kollektív tudás, (3) a testbe és a cselekvésbe ágyazott, gyakorlati készség.
- Az AI az első szintet megtöri (kinyeri és optimalizálja), a másodikat erodálja (atomizálja és kiváltja), a harmadikat pedig nem tudja megragadni, de az ahhoz vezető út (a gyakorlás) kikopása miatt veszélybe kerül.
- A legnagyobb veszély a Polányi-csapda: a könnyen mérhető és automatizálható tudás túlértékelése, miközben a mondhatatlan, kollektív és testi tudás alábecsülése, amíg elvesztése visszafordíthatatlanná nem válik.
Gyakran Ismételt Kérdések
Mi a Polányi-paradoxon? Polányi Mihály magyar tudományfilozófus és természettudós fogalmazta meg: „többet tudunk, mint amennyit ki tudunk mondani.” A hallgatólagos tudás (tacit knowledge) az a tudásforma, amelyet nem lehet teljesen szavakba önteni, formalizálni vagy algoritmizálni, mert a tapasztalatba, a testbe és a cselekvésbe ágyazódik. Klasszikus példa a biciklizés: tudod csinálni, de pontosan leírni, hogyan tartod az egyensúlyt, rendkívül nehéz. A korpusz így írja: “‘we can know more than we can tell’. Economists called this constraint on automation ‘Polanyi’s Paradox’” [CORPUS].
Miért fontos a hallgatólagos tudás az AI korában? Mert az AI elsősorban a kinyilvánítható tudáson dolgozik, és hatása a hallgatólagos tudás különböző szintjeire radikálisan eltérő. (1) A kimondatlan szabályokat megtanulja és hatékonyan visszaadja, ami hasznos, de a kontextust elveszíti. (2) A kollektív tudás átadását (pl. online fórumok, csapatmunka) atomizálja, ami hosszú távon a közösségi tanulási képességet gyengíti. (3) A testbe írt tudást nem tudja elvenni, de a hozzá vezető utat (a rendszeres gyakorlást) kiüresítheti, ha teljesen rábízzuk magunkat. A paradoxon: a legnagyobb kár ott keletkezik, ahol a legkevésbé vesszük észre.
Hogyan őrizhetem meg a hallgatólagos tudásomat?
- Tudatos gyakorlás: Azonosítsd a munka azon részeit, amelyek mély, testbe írt készségeket igényelnek (tervezés, kritikai gondolkodás, finommotoros feladatok), és ütemez be rendszeres gyakorlásra szánt időt, amikor az AI-t kikapcsolod.
- Ápoljad a kollektív tudást: Légy aktív tagja tanuló- vagy szakmai közösségeknek. Taníts másokat, akár formálisan, akár informálisan. Használd az AI-t csapatban, vitatkozásra, ne csak egyéni válaszgenerálásra.
- Figyelj a Polányi-csapdára: Kerüld, hogy a teljesítménymérésed kizárólag az AI által könnyen utánozható, mérhető eredményekre fókuszáljon. Értékeld és igyekezz megőrizni a folyamatokat (együttműködés, kreatív keresés, próba-hiba), nem csak a végeredményt.
Kapcsolódó gondolatok
- A háromféle hallgatólagos tudás
- A kódolás hallgatólagos tudása (SECI modell)
- Amit a vibe coder nem tud, hogy nem tud
- A hallgatólagos tudás három típusa AI korban új
Varga Zoltán - LinkedIn
Neural • Knowledge Systems Architect | Enterprise RAG architect
PKM • AI Ecosystems | Neural Awareness • Consciousness & Leadership
Compression is not knowledge.