Ha valaha azt érezted, hogy hirtelen rosszabb a Claude vagy a ChatGPT, mint tegnap volt, nem képzelődsz — és nem is te vagy az egyetlen. A magyar AI-fejlesztői közösség egyik leggyakoribb panasza pontosan ez: a modell egyik pillanatról a másikra „lebutul”, felületes lesz, elfelejti a korábbi utasításokat, mindent listába szed. A jó hír: két konkrét, jól dokumentált oka van a jelenségnek, és mindkettő ellen tudsz védekezni.

Ebben a cikkben végigvesszük, miért romlik el a modell teljesítménye a beszélgetés közben, mit takar a „rejtett modell-visszaváltás”, és lépésről lépésre megmutatjuk, hogyan előzheted meg a minőségromlást a mindennapi munkában.

Miért rosszabb a Claude hirtelen? A két fő ok

A tapasztalt minőségromlásnak nem egy, hanem két különböző oka van, és fontos megkülönböztetni őket, mert a védekezés is más. Az egyik a szolgáltató oldalán történik (rejtett modell-visszaváltás), a másik a beszélgetésed belső természetéből fakad (kontextus-rohadás).

Sokan a kettőt összekeverik, és ezért érzik kiszámíthatatlannak a jelenséget. Ha viszont tudod, melyik éppen a te eseted, célzottan tudsz beavatkozni — és a legtöbb esetben pár másodperc alatt vissza tudod hozni a modell eredeti szintjét.

1. A rejtett modell-visszaváltás (silent downgrade)

Az első ok a szolgáltatók oldalán történik. Amikor eléred a ChatGPT Plus vagy Claude Pro előfizetési korlátait, vagy amikor a rendszer nagyon terhelt, a szolgáltató nem feltétlenül zár ki. Ehelyett gyakran csendben átirányít egy olcsóbb, kisebb modellre — például GPT-5 helyett egy GPT-5-mini szintű változatra, vagy egy erősebb Claude helyett egy gyengébb szintre.

A megtévesztő ebben az, hogy a felhasználói felület továbbra is a nagy modell nevét mutatja. A háttérben viszont egy könnyített változat fut. Egy felhasználói teszt során maga a ChatGPT így írta le a jelenséget:

„Igaza van abban, hogy a webes alkalmazás ideiglenesen korlátozhatja vagy leminősítheti a modelleket, amikor a használati limitek betelnek. Amikor ez megtörténik, a felület továbbra is »GPT-5« címkével látja el a válaszokat, de a gyakorlatban a rendszer csendben egy könnyebb fallback modellre irányítja a kéréseket.”

A leminősített modell viselkedése jellegzetes. Ugyanaz a teszt így folytatódott: a korlátozott változat „egy alacsony kontextusú, hatékonyságra optimalizált modell, amelyet a számítási kapacitás minimalizálására terveztek. Megvonja a mélységet, elnyomja az adaptív hangnemet, és alapértelmezetten sablonos megnyugtatásokat és listás formázást használ, mert ez számításilag olcsó.”

Ha tehát azt látod, hogy a modell hirtelen mindent listába szed, felszínes lesz, és „igenelő”, hízelgő stílust vesz fel, jó eséllyel épp egy fallback modellel beszélsz.

2. A kontextus-rohadás (context rot)

A második ok akkor is jelentkezik, ha egyáltalán nem érted el a limitet. A hosszú beszélgetések természetükből adódóan rontják a modell teljesítményét. Ezt hívják kontextus-rohadásnak (context rot), és több, egymást erősítő jelenség áll mögötte. Minél tovább tart egy beszélgetés, annál inkább jelentkezik, függetlenül attól, melyik modellt használod éppen.

Lost-in-the-Middle: a közép elveszik

Minél hosszabb a chat, a modell annál inkább hajlamos figyelmen kívül hagyni a beszélgetés közepén elhangzott tényeket és szabályokat. Egy 2024 januári Stanford-kutatás (Liu és társai) mérte ki: ha a keresett információ a kontextusablak közepén van, a modellek visszakeresési pontossága akár 30%-kal is visszaesik. A modell főleg az elejére és a legutolsó promptra figyel.

Figyelem-felhígulás

A kontextus növekedésével a modell figyelme szó szerint felhígul. Egy 100 000 tokenes kontextus már 10 milliárd token-kapcsolatot jelent, és a releváns információra jutó figyelem aránya minden tízszeres kontextus-növekedésnél a tizedére csökken. A zaj egyszerűen elnyeli a jelet.

Nincs elég „munkamemória”

A modelleknek üres helyre van szükségük a kontextusban a gondolkodáshoz. Ahogy egy fejlesztői elemzés megfogalmazta: „Az a »szabad« kontextus-terület nem vész kárba — ott történik maga a gondolkodás.” Ha a kontextus 90%-ban tele van, a modellnek nem marad „RAM-ja” a logikus válaszfelépítésre, ami azonnali minőségromlást okoz.

Fejlesztőknél ez különösen látványos: a kódoló ágenseknél a feladat időtartamának megduplázódása nem kétszeres, hanem négyszeres hibaarányt eredményez, és van egy megfigyelt „35 perces fal”, amely után az ágensek sikeressége drasztikusan leesik a felhalmozódó zaj miatt.

A szolgáltatók is elismerik: az Anthropic postmortemje

Hogy ez nem összeesküvés-elmélet, azt maguk a cégek is elismerik. Az Anthropic 2026. április 23-i hivatalos postmortem bejegyzésében részletezte, milyen valós hibák rontották a Claude Code minőségét.

Az egyik egy „gondolkodási erőfeszítés” beállítás volt: „Március 4-én a Claude Code alapértelmezett gondolkodási erőfeszítését magasról közepesre módosítottuk a hosszú késleltetés csökkentése érdekében. Ez rossz kompromisszumnak bizonyult. Április 7-én visszavontuk.” A másik egy cache-hiba volt, amely miatt a modell minden körben törölte a gondolkodási előzményeit — így „folytatta a végrehajtást, de egyre inkább anélkül, hogy emlékezett volna rá, miért döntött úgy, ahogy”. Ez okozta a felhasználók által jelzett feledékenységet és ismétlést.

Hogyan előzd meg a minőségromlást? 4 gyakorlati lépés

A jó hír, hogy a jelenség nagy része kezelhető, és nincs szükség hozzá mélyebb technikai tudásra. Íme a négy leghatékonyabb lépés.

1. Kezdj új chatet gyakran (fresh start): a webes felületeken ez a legerősebb eszközöd. Minden új témánál, vagy ha a beszélgetés eléri a 15–20 üzenetet, kérj egy rövid összefoglalót a modelltől, majd azzal nyiss egy friss chatet. Így megszabadulsz a felhalmozódott zajtól.
2. Figyeld a fallback jeleit: ha hirtelen felszínes, listázós, „igenelő” válaszokat kapsz, valószínűleg leminősített modellel beszélsz. Ilyenkor érdemes várni a limit visszaállásáig, vagy csúcsidőn kívül próbálkozni.
3. Izoláld a kontextust kódolásnál: ne egyetlen hatalmas chatben végezz mindent. Használj szubágenseket vagy külön beszélgetéseket a keresésre és a szerkesztésre, és a fő modellnek csak a releváns, szűkített kódrészletet add át.
4. Tömöríts proaktívan: a legfrissebb eszközök (például a Claude Code auto-compact funkciója) már 64–75%-os telítettségnél tömörítenek, hogy fennmaradjon egy 25–35%-os gondolkodási puffer. Ha a felületed támogatja, ezt kézzel is érdemes elindítanod.

Nem a modell romlott el — a beszélgetésed telített be

A legfontosabb felismerés, hogy a legtöbb esetben nem az AI lett „butább”, hanem vagy egy leminősített változattal beszélsz, vagy a beszélgetésed kontextusa telítődött be. Mindkettő ellen van eszközöd, és a legerősebb — a friss chat indítása — másodpercek alatt visszahozza a modell eredeti szintjét.

Ha érted a mechanizmust, nem a modellt szidod, hanem tudatosan használod: rövidebb, fókuszált beszélgetések, időzített használat és proaktív tömörítés. Ezzel a különbség a „lebutult” és a csúcson teljesítő AI között nagyrészt a te kezedben van.

Kapcsolódó elemzésünkben részletesen összehasonlítjuk a nagy modelleket: Melyik AI-előfizetés éri meg 2026-ban? ChatGPT vs Claude vs Gemini vs Codex. A modellek maximumát kihozó promptokért nézd meg a promptmesterai.hu gyűjteményét, és iratkozz fel az AI Hírek hírlevelére.