Dalbe AI Workshop 2026 február: a ChatGPT-től a Google AI Studio-ig, néhány óra alatt

Ez nem egy workshop volt. Ez egy crash course volt.

A Visit Mureș csapatával közösen szervezett nagy workshop után úgy döntöttünk, hogy a Dalbe-nál havonta két alkalmat tartunk: egyet románul és egyet magyarul. Az első román nyelvű workshop február 12-én zajlott le, a február 19-i magyar nyelvűről pedig külön bejegyzésben fogunk írni.

Február 12-re négyen igazolták vissza a részvételt, végül ketten jöttek el. Nem tudom, az időjárás vagy az évszak volt-e az oka, de az a két ember, aki megjelent, gondoskodott róla, hogy az este minden percét megérje.

Ovidiu Baciu, építésvezető és építőipari projektmenedzser, valamint Claudiu Tăran, a JoySpa.ro - Prémium Dézsafürdő, Jakuzzi & Wellness tulajdonosa érkezett hozzánk. Mindketten a marosvásárhelyi BNI Action csoport tagjai. Azért jöttek el, mert a BNI-os kollégáiktól azt hallották, hogy a Dalbe workshopjai az AI-információk igazi kincsesbányái. Ez többet ér bármilyen fizetett hirdetésnél.

A végén, 22:10 után Ovidiu és Claudiu azt mondták, hogy zsong a fejük. Szerintük ez nem egy egyszerű workshop volt, hanem egy kőkemény gyorstalpaló. Kifejezetten tetszett nekik ez a formátum, ezért ki sem nyitották a laptopjaikat: hagyták, hogy órákon át egyre több és mélyebb dolgot mutassak nekik. A következő BNI találkozón így foglalták össze az estet: egy crash course, ami minden percét megéri.

Honnan indultunk: Az AI nem a ChatGPT-vel kezdődött

Az első hiba, amit sokan elkövetnek, amikor az AI-ról hallanak, hogy egyenlőségjelet tesznek közé és a ChatGPT közé. Ezt már az elején tisztázni akartuk, mert ha nem érted a kontextust, a beszélgetés többi részének nincs alapja.

A mesterséges intelligencia elmélete évtizedek óta létezik. A gépi tanulás (machine learning), a neurális hálózatok és a szakértői rendszerek már jóval 2022 előtt megjelentek. Ami az elmúlt években drasztikusan megváltozott, az az LLM-ek (Large Language Models – nagy nyelvi modellek) megjelenése volt, a valódi fordulópontot pedig az OpenAI ChatGPT-jének kereskedelmi sikere hozta el.

Beszéltünk a kutatócsoportok eredetéről és a Google Brain 2018-as alapító tagjairól. Innen jutottunk el egy fontos tényhez: a Google kutatóinak egy része távozott, és megalapította az Anthropic-ot, a Claude mögött álló céget. Ez a nagy szereplők közötti verseny olyan ütemben gyorsította fel az egész AI-ökoszisztémát, amire kevesen számítottak.

Milyen modellek léteznek és mi a különbség köztük?

A kontextustól rátértünk a gyakorlatra: milyen modellek érhetőek el most, miben térnek el és mire alkalmasak.

Beszéltünk az OpenAI ChatGPT-ről a 4o modellel, amely rendkívül népszerű és a legjobbnak bizonyult a MyGPT-khez és automatizálásokhoz, valamint a legújabb elérhető modellekről, az 5.2 Fast és Thinking verziókról. Szóba került a Google Gemini is, amely a 3-as modellel tért vissza erősen, beleértve a nanobanana és nanobanana pro képgeneráló változatokat. Mi a Dalbe-nál naponta használjuk Google Workspace felhasználóként, Krisztina kolléganőm pedig nagy rajongója a Gemininek. Végül eljutottunk az Anthropic Claude-hoz (Amazon), amely jelenleg a 4.5-ös és 4.6-os verziónál tart, és fejlesztőcsapatunk kedvenc eszköze.

Egy dolgot hangsúlyoztam: nincs univerzálisan „jobb” modell. Vannak bizonyos feladatokra alkalmasabb modellek. A Claude kivételesen jól ír és kódol. A ChatGPT rendelkezik a legérettebb integrációs ökoszisztémával. A Gemini natívan épül be a Google Workspace-be. A választás attól függ, mit akarsz elérni, nem attól, hogy mi a népszerűbb. A Deepseek, Manus, LLAMA és GROK szintén neves szoftverek, amiket nem szabad elfelejteni.

Tokenek, kreditek és miért számít ez neked vállalkozóként?

Megnyitottuk a ChatGPT felületét, és együtt végigvettük a felhasználói felület minden elemét. Beszéltünk egy olyan fogalomról, amit az emberek gyakran figyelmen kívül hagynak, pedig közvetlen hatással van arra, mit tudsz kezdeni egy AI modellel: a tokenekről.

Szinte minden AI modell tokenrendszert használ a fogyasztás mérésére, mind az input (bevitel), mind az output (kimenet) esetében. Ha egy nagy dokumentumot akarsz elemezni, nagy input „context window”-ra van szükséged. Ha hosszú cikket vagy részletes tervet vársz, nagy output kapacitás kell. Az ingyenes és fizetős csomagok leginkább ezen token-limitek alapján különülnek el.

A tokenek megértése azt jelenti, hogy érted, mennyibe kerül a munka, meddig mehetsz el, és hogyan tervezd meg a folyamataidat. Konkrét példa: ha egy 50 oldalas szerződést küldesz egy kis context window-val rendelkező modellnek, az elvágja az információt vagy halucinálni fog. Nem azért, mert buta, hanem mert nem fér bele. Ezt fontos tudni, mielőtt nagy dokumentumokat bíznál rá.

A jó prompt anatómiája és az AHA-élmény

Innen léptünk át a „prompt engineering” területére.

Ez volt az este egyik legnagyobb hatású pillanata. Elmagyaráztam a hatékony prompt szerkezetét, alapozva az OpenAI és a Google ingyenes képzéseire (AI Essentials, Prompt Engineering). Egy jó prompt alapvető elemei: a modellnek adott szerep, a helyzet kontextusa, a konkrét feladat, a kívánt stílus és célközönség, valamint a válasz formátuma.

De a valódi fordulatot egy másik pillanat hozta. Ugyanazt a példát mutattam be kétszer: egyszer meghatározott szerep nélkül, egyszer pedig pontosan körülírt szakmai szereppel. A válasz minőségbeli különbsége azonnali és szembetűnő volt. Claudiu helyben kijelentette, hogy egy külön alkalmat akar csak erről a témáról a JoySpa számára. Ez azt jelentette, hogy az információ pontosan célba ért.

GDPR, személyes adatok és a kockázat, amit sokan elfelejtenek

Megnyitottuk a ChatGPT beállításait, és végigvettük az adatvédelmi opciókat. A fő üzenetem: vigyázz, milyen adatokat viszel be bármelyik AI rendszerbe!

Az AI platformokba táplált adatok felhasználhatók a modellek tanítására, ha nem kapcsolod ki kifejezetten ezt az opciót. Ügyfelek bizalmas adatait vagy a cég belső adatait bevinni egy AI chatbe valós üzleti kockázat, nem csak elméleti aggodalom.

One-shot vs. multi-shot: miért jobb az iteráció a „tökéletes” promptnál?

Egyetlen jól megírt prompt hasznos. De egy beszélgetés pontosításokkal és további példákkal nagyságrendekkel jobb eredményt hoz. Konkrét példákat mutattunk: Ovidiunak egy építési projekttervet készítettünk el projektmenedzseri szerepben, fázisokkal és felelősökkel. Claudiunak egy marketingstratégiát a JoySpa számára, strukturált táblázatban, csatornákkal és KPI-okkal. Egyikük sem látta még korábban, milyen gyorsan összeállhat egy komoly munkastruktúra pár jól megírt mondatból.

JSON prompting: mi ez és miért jutottunk el ide?

Bevezettem a JSON prompting fogalmát. A gyakorlati lényeg: ha strukturált és megismételhető választ akarsz, kérd meg a modellt, hogy JSON formátumban válaszoljon. Ez hasznos képsablonokhoz, fix szerkezetű cikkekhez vagy olyan adatokhoz, amiknek közvetlenül egy másik rendszerbe kell kerülniük.

JSON prompt példa – Marketing terv

Íme egy egyszerű példa egy JSON-ba strukturált prompthoz. Az ötlet nem a „programozás”, hanem az AI kényszerítése egy rendszerezett válaszra.

{
  "role": "Marketing stratéga egy prémium wellness márkához",
  "context": {
    "business_name": "JoySpa",
    "target_audience": "Vállalkozók, 30-55 év, prémium élmények kedvelői",
    "location": "Marosvásárhely"
  },
  "task": "Készíts tartalomtervet a következő 30 napra",
  "constraints": {
    "tone": "Professzionális, meleg",
    "format": "Táblázat"
  }
}

Képgenerálás és meta-prompting: az AI ír promptot az AI-nak

Bemutattuk a képgenerálást, majd rátértünk a meta-promptingra: megkértük a ChatGPT-t, hogy írjon promptot a Gemininek ugyanarra a képre. Az eredmények sokkal részletesebbek voltak, mint amit mi nulláról írtunk volna.

Ez volt az este második nagy AHA-élménye. Az ötlet, hogy egy AI-t használsz arra, hogy egy másik AI-nak írj utasítást, elsőre nem intuitív, de amint látod működés közben, azonnal értékes lesz.

Deep thinking, Perplexity és a 2012-es Fordom története

Bemutattuk a ChatGPT mélygondolkodási (deep thinking) módjait, majd természetesen jutottunk el a Perplexity AI-hoz, amit akkor ajánlok, ha forrásokkal alátámasztott kutatásra van szükséged.

Itt meséltem el egy személyes történetet. Amikor a mostani, 2012-es Fordomat vettem, a Perplexity-t használtam a Marosvásárhely környékén elérhető autók kutatására. Elemeztem a karbantartási költségeket, a megbízhatóságot és a felhasználói visszajelzéseket. A Ford nem volt az első helyen, de benne volt a top 3-ban. Ezután jött a valós világbeli ellenőrzés. Segédeszköz volt, nem döntéshozó. Ezt akartam átadni: az AI megkönnyíti a nehéz kutatást, de a döntés a tiéd marad.

Halucinációk: hol tartunk 2026-ban?

A halucinációk (tévedések) témája nem maradhat ki. Az LLM-ek megjelenésekor a hibaarány magas volt. Ma már majdnem minden fő modellnél 80% feletti a pontosság, ami jelentős fejlődés. De ez nem jelenti azt, hogy vakon elhihetsz bármit. Az aranyszabály: minél kritikusabb és tényalapúbb a feladat, annál inkább szükség van emberi ellenőrzésre.

Google Gemini, AI Studio és NotebookLM

Áttértünk a Google ökoszisztémára. Megnyitottuk a Google AI Studio-t, ami egy fejlesztői játszótér: lehetővé teszi, hogy pár prompttal működő alkalmazásokat építs anélkül, hogy fejlesztő lennél. Ovidiunak azonnal beindult a fantáziája egy építési helyszíni ellenőrző listáról.

Ezután megnyitottuk a NotebookLM-et. Ha a saját weboldaladat adod meg forrásként, és a generált összefoglaló pontos, akkor a kommunikációd tiszta. Ha nem, akkor nem SEO problémád van, hanem kommunikációs. Ez egy szokatlan és ingyenes módja a saját márkád auditálásának.

Notion AI és Gamma

Megmutattam, hogyan használjuk a Notion-t a Dalbe-nál tervezésre és projektmenedzsmentre, beépített AI-val. Ovidiu nagyon hasznosnak találta a Notion-t az építőipari projektek szervezéséhez, különösen a checklistek miatt.

Gyorsan átfutottunk a Gamma.app-on (automatikus prezentációk) és a Suno-n (AI zenergenerátor). A Suno-nak van egy gyakorlati haszna: eredeti zenét generál saját szöveggel, ami kiküszöböli a jogdíj-kockázatot a közösségi médiában.

Összegzés

A február 12-i workshop megerősítette, amit már tudtam: az erdélyi vállalkozók kíváncsiak, gyakorlatiasak és készek elfogadni azokat az eszközöket, amik időt és pénzt spórolnak nekik. Csak egy útmutatóra van szükségük.

Ezt csináljuk mi a Dalbe-nál: nem elméleti előadásokat tartunk, hanem élő demókat és valódi beszélgetéseket arról, hogyan illeszkedik egy eszköz egy adott vállalkozáshoz.

A workshopon bemutatott eszközök listája:

• ChatGPT (OpenAI) – chat.openai.com
• Google Gemini – gemini.google.com
• Google AI Studio – aistudio.google.com
• NotebookLM – notebooklm.google
• Claude (Anthropic) – claude.ai
• Notion AI – notion.so/product/ai
• Perplexity – perplexity.ai
• Gamma – gamma.app
• Suno – suno.com

Rövid megjegyzés: ha érzékeny adatokkal dolgozol, kezeld az AI-t külső rendszerként. Kerüld a személyes adatok vagy titkos szerződések bemásolását.