A ChatGPT limit hiba nem képzelgés: ha az az érzésed, hogy elromlott a ChatGPT vagy a Claude, amint közeledtél a használati limitedhez, nem képzelődsz — de az ok szinte biztosan nem az, amire gondolsz. A modell súlyait nem cserélik ki alattad, és nem is „butítanak le” azért, mert sokat használod. Ami viszont tényleg történik, azt 2026 áprilisában az Anthropic hivatalos hibaelemzésben, dátumokkal és okokkal együtt leírta.
Ebben az útmutatóban végigmegyünk azon, hogy mi derült ki hivatalosan, miért pont a limit közelében a legerősebb az élmény, és öt konkrét lépésen, amivel a legtöbb esetben vissza tudod hozni a megszokott minőséget — vagy legalább el tudod dönteni, hogy nem rajtad múlik.
Először a tény: mi derült ki hivatalosan
Az Anthropic 2026. április 23-án tett közzé egy postmortemet, amelyben három, egymástól független hibát azonosított. Mindhárom valós minőségromlást okozott, és mindhárom más okból:
- Reasoning effort visszavétel. 2026. március 4. és április 7. között a gondolkodási erőfeszítés alapértelmezése high-ról medium-ra került — a felület válaszidejének csökkentése érdekében.
- Cache-kezelési hiba. 2026. március 26. és április 10. között egy optimalizáció minden körben újra lefutott ahelyett, hogy egyszer futott volna le. Ettől tűnt a modell „feledékenynek” hosszabb beszélgetésekben.
- Verbozitás-korlátozás. 2026. április 16. és 20. között egy rendszerprompt előírta, hogy az eszközhívások közti szöveg legyen legfeljebb 25 szó. Ez érintette a Sonnet 4.6, az Opus 4.6 és az Opus 4.7 modelleket is.
„We never intentionally degrade our models.” — Anthropic, a 2026. április 23-i postmortemben. Vagyis: a romlás valós volt, a szándékos leminősítés nem.
A másik oldalon az OpenAI-nál más a mechanizmus, de hasonló a hatás. 2026. május 5-én a GPT-5.5 Instant lett az alapértelmezett modell; a cég saját közlése szerint 52,5%-kal kevesebb hallucinációval, ugyanakkor nagyjából 30%-kal rövidebb válaszokkal. Aki hosszabb, kifejtettebb szöveget várt, annak ez önmagában „romlásnak” tűnt. Ehhez jön a routing: a kérések egy része költségokokból olcsóbb, gyorsabb modellhez kerül.
Fontos, hogy ez nem egyszeri eset. A minta ismétlődik: felhasználói panasz → hetekig tartó céges hallgatás vagy tagadás → utólagos technikai magyarázat, ami valós, de nem szándékos okot nevez meg. Ez a mintázat 2025 ősze óta többször lezajlott mindkét szolgáltatónál.
ChatGPT limit hiba: miért pont a limit közelében érzed?
Itt jön a lényeg, amit a legtöbb magyarázat kihagy. A limitnek nincs olyan kapcsolója, ami a minőséget lehúzza — a limit-élmény és a minőség-élmény két külön dolog, amiket az időzítés köt össze.
Az egyik ok a token-elszámolás változása. A Claude Code v2.1.98 és v2.1.100 verziói között a felhasználók dokumentáltan mintegy 40%-kal több tokent láttak elszámolva ugyanazért a munkáért (GitHub #46917). Ha ugyanaz a feladat több tokent visz el, akkor hamarabb érsz a limitedhez — ugyanazon a napon, ugyanazzal a munkával. Az élmény pedig ez: „gyorsabban fogyott el, és közben rosszabb is lett”.
A másik ok a terhelés. Az Anthropic 2026. május 6-án jelentette be, hogy az API-forgalma év/év alapon 17-szeresére nőtt. A csúcsidőszaki optimalizálások — rövidebb válaszok, alacsonyabb erőfeszítés, agresszívebb cache — pont akkor a legérzékelhetőbbek, amikor te is sokat használod a rendszert: munkaidőben, hosszú session végén, tehát pont a limitközeli helyzetben.
A harmadik ok egyszerűen a hosszú beszélgetés. Egy több órája futó session kontextusa telítődik, a modell összefoglal és tömörít — ez normális működés, de ugyanúgy „feledékenységnek” érződik, mint a fenti cache-hiba.
Az Anthropic egyébként a VentureBeatnek 2026 márciusában megerősítette, hogy a Team és Enterprise ügyfeleket a csúcsidőszaki módosítás nem érintette, és hogy nem volt személyre szabott, felhasználónkénti dinamikus optimalizálás. Vagyis a „engem büntetnek, mert power user vagyok” magyarázatot nem támasztja alá semmi.
Kapcsolódó elemzésünk: AI token pazarlás: tényleg szándékosan égetik a tokeneket az AI-cégek?
5 lépés, ha „elromlott” az AI
1. Nézd meg, milyen modellel és milyen erőfeszítéssel dolgozol
Ez oldja meg a legtöbb esetet. A gondolkodási erőfeszítés állítható, és a beállítás ragadós: ha egyszer alacsonyabbra állítottad — vagy egy frissítés állította át —, akkor a következő sessionben is úgy marad.
„You can change it anytime in the /model selector if you prefer low effort (faster) or high effort (more intelligence). The setting is sticky and will persist for your next session.” — Boris Cherny, Claude Code, 2026. március 6.
Gyakorlatban: nyisd meg a modellválasztót, ellenőrizd, melyik modell aktív, és állítsd vissza a magasabb erőfeszítést. ChatGPT-nél ugyanez a modellválasztó legördülőn keresztül megy — a routing miatt nem mindegy, hogy hagyod-e a rendszerre a döntést.
2. Ellenőrizd, hogy nem üzemzavar van-e
Mielőtt a saját promptodat kezdenéd hibáztatni, nézd meg a szolgáltató státuszoldalát és a Downdetectort. Ez nem elméleti tanács: 2026. augusztus 18-án az Anthropic emelt hibaarányt vizsgált, több mint 4000 Downdetector-bejelentés mellett, a legújabb modelleket is érintve. Ilyenkor a legjobb prompt sem segít, viszont öt másodperc alatt kiderül, hogy várni kell.
3. Kérd explicit módon a hosszabb, kifejtett választ
A verbozitás-korlátozás esete jól mutatja, hogy a „rövid lett” élmény sokszor formátumkérdés, nem tudáskérdés. Ha a válasz tömörebb, mint amit vársz, mondd meg konkrétan: kérj lépésenkénti indoklást, példákat, vagy adj meg minimális terjedelmet. A modell képessége nem változott — az alapértelmezett kimeneti stílusa igen.
Ha ebben szeretnél rutint szerezni: Hogyan írj jó promptot? 6 alapelv kezdőknek 2026.
4. Vágd el a kontextust, ne told tovább
Ha a beszélgetés órák óta fut, és a modell kezd korábbi részleteket elveszíteni, ne próbáld emlékeztetni — indíts új sessiont, és told be a lényeget összefoglalva. A cache-hiba pontosan ezt az élményt gyártotta hetekig, és a mai napig ez a leggyorsabb ellenőrzés: ha új sessionben visszatér a minőség, akkor kontextusprobléma volt, nem modellprobléma.
5. Mérj, ne érezz
A legerősebb bizonyíték, ami eddig a témában született, nem érzésekből állt össze. Stella Laurenzo, az AMD Senior Directora 6852 Claude Code session-fájlt, 17 871 „thinking blockot” és 234 760 eszközhívást elemzett végig — és mérhető teljesítményromlást talált. A Hacker News-vita 1147 pontot és 630-nál több hozzászólást kapott.
Neked nem kell ekkora mintát gyűjtened. Elég, ha van két-három visszatérő feladatod, amit ismersz: ugyanaz a prompt, ugyanaz az elvárt kimenet. Ha valami gyanús, futtasd le őket, és jegyezd fel a kliens verziószámát is. Így néhány nap alatt eldönthető, hogy tényleg változott-e valami, vagy csak rossz napod volt.
Nem új jelenség: a visszatérő mintázat
Aki csak 2026 tavaszán találkozott a témával, könnyen hiszi, hogy egyszeri balesetről van szó. A dokumentált idővonal mást mutat. 2025 augusztusában és szeptemberében három hibás állapotról született postmortem, a becslések szerint a felhasználók mintegy 30%-át érintve. 2025 decemberében egyetlen hónap alatt öt incidenst jegyeztek. 2026. január 26-án egy futtatókörnyezeti visszaállítás okozott érzékelhető változást.
A felhasználói oldalon 2026. január 20-án nyílt bejelentés is készült a Claude Code hibakövetőjében a rendszeres minőségromlásról és a csendes visszaváltásokról — ez végül „not planned” státusszal zárult. Három hónappal később, mérésekkel alátámasztva, ugyanez a téma hivatalos hibaelemzéshez vezetett.
A tanulság gyakorlati: ha romlást tapasztalsz, az önmagában nem paranoia, de a bizonyíték nem az érzés, hanem az ismételhető mérés. Ez a különbség a figyelmen kívül hagyott és a kivizsgált bejelentés között.
Eszközök, amik kellenek
- Modellválasztó / erőfeszítés-beállítás — a leggyakoribb valódi ok, egy kattintás.
- A szolgáltató státuszoldala és a Downdetector — az üzemzavar kizárására.
- Egy saját, 2–3 elemű referencia-feladatkészlet — hogy legyen mihez hasonlítani.
- Verziószám-feljegyzés — a token-elszámolási változások kliensverzióhoz kötődtek.
- Használati statisztika — hogy lásd, tényleg a limitnél jársz-e, vagy csak úgy érzed.
Buktatók, amikbe a legtöbben beleszaladnak
„Kicserélték a modellt egy butábbra.” Erre nincs bizonyíték. Amit az elemzések és a hivatalos postmortem is talált, az a válasz-paraméterek — erőfeszítés, hossz, cache-kezelés — módosítása, nem a modellsúlyok cseréje.
„A gondolkodás elrejtése azt jelenti, hogy nincs is gondolkodás.” A redact-thinking típusú beállítás Boris Cherny szerint kizárólag felületi: elrejti a gondolkodási lépéseket és csökkenti a látenciát, a tényleges reasoninget nem érinti.
„Majd megírom a supportnak, és megoldják.” A tapasztalat az, hogy a nyilvános, reprodukálható, adatokkal alátámasztott bejelentések mozdítják a dolgokat — a 2026 januári GitHub-bejelentés önmagában „not planned” státusszal zárult, a mérésekkel alátámasztott áprilisi hullám viszont hivatalos postmortemet eredményezett.
„Váltok szolgáltatót, ott nem lesz ilyen.” A minta mindkét nagy szolgáltatónál megjelent, más okokból, de hasonló felhasználói élménnyel. A váltás önmagában nem véd meg tőle — a mérés viszont igen.
Mit nyersz ezzel
A gyakorlati haszon kettős. Egyrészt az esetek jó részében néhány perc alatt visszakapod a megszokott minőséget: rossz modell, alacsony erőfeszítés, túlfutott kontextus — ezek mind javíthatók. Másrészt, ha tényleg szolgáltatói oldali problémáról van szó, azt is megtudod, ahelyett hogy órákat pazarolnál a promptjaid átírására.
A limitkezelés pedig ettől külön kérdés, de szorosan kapcsolódik: ha tudod, mi viszi a tokenjeidet, kevesebbszer kerülsz limitközeli helyzetbe — és ritkábban futsz bele az egész élménybe. Ehhez ajánljuk: Mennyibe kerül az AI havonta 2026-ban? Rejtett költségek + 7 spórolási tipp.
Összefoglaló
Ha elérted a limitet és úgy érzed, elromlott a ChatGPT vagy a Claude, a legvalószínűbb magyarázat nem a titkos leminősítés, hanem a válasz-paraméterek változása: alacsonyabb gondolkodási erőfeszítés, rövidebb kimenet, telített vagy hibásan kezelt kontextus. Ezeket az Anthropic 2026. április 23-i postmorteme dátumra pontosan dokumentálta, és a legtöbbjük a felhasználó oldaláról is kezelhető.
Az öt lépés sorrendje számít: modell és erőfeszítés, státuszoldal, explicit terjedelemkérés, új session, végül mérés. Ha ezek után is romlást látsz a saját referencia-feladataidon, akkor jó eséllyel valós, szolgáltatói oldali változásba futottál — és akkor a dokumentált bejelentés többet ér, mint a fórumpanasz.
Te mit tapasztaltál? Nálad melyik lépés hozta vissza a minőséget — a modellváltás, az új session, vagy kiderült, hogy üzemzavar volt? Oszd meg a kommentekben.
Heti AI-összefoglaló: a legfontosabb hírekért, elemzésekért és egy használható promptért iratkozz fel az AI Hírek hírlevelére.