Practical AI — Cognitive Synthesis and Neural Athletes¶

Vendég: Deb Golden (Chief Innovation Officer, Deloitte)
Házigazdák: Daniel Whitenack (Prediction Guard), Chris Benson (Lockheed Martin)
Adás: 2026. március 7.
Téma: AI adoptáció, kognitív terhelés, vezetés és empátia az AI korában

Executive Summary¶

Deb Golden, a Deloitte Chief Innovation Officer-a mély betekintést nyújt abba, hogyan kell a szervezeteknek és egyéneknek átalakulnuk az AI korszakban. A beszélgetés középpontjában a "unlearning" (felejtés), a "neural athlete" (idegi atléta) koncepció és az empátia/érzékenység szerepe áll az innovatív vezetésben.

1. Deb Golden: Hátter és Személyes Történet¶

A "Hogyan" Fontosabb, Mint a "Mit"¶

Deb 30+ éve van a Deloitte-nál. Rámutat: a CV-je a mitet mutatja (nagy kockázatú transzformációk vezetése), de a lényeg a hogyan.

Felejtés Mint Stratégia: - Éveket töltött azzal, hogy "felejtse el" a logikát, ami sikeressé tette - Más szakmák tanulmányozása (pl. antropológia) - Kérdésfeltevés művészete: "Mit tudsz? Hogyan tudod? Mi az, amit talán nem tudsz?"

Személyes Történet és Motiváció¶

Traumák, Mint Erőforrás: - Korán elvesztette édesanyját - Súlyos, életveszélyes helyzeteket élt túl - Ezekből tanulta meg a válságkezelést és a drasztikus változásokra való képességet

"Nem volt választásom, hogy sajnáljam magam. Meg kellett oldani a problémákat."

Vezetési Filozófia: - Néha azok, akik problémákat akarnak megoldani, félnek a változtatástól (saját rendszerüket kellene megváltoztatni) - Ő megtanulta, hogy nem kell empátiát vagy szimpátiát keresnie – helyette a problémamegoldásra fókuszált

2. AI Adoptáció: A Valódi "Kemény Munka"¶

Determinisztikus vs. Probabilisztikus Gondolkodás¶

Determinisztikus (Régi)	Probabilisztikus (AI)
IF/THEN logika	Tanulás a folyamat során
Elvárt kimenetelek	Valószínűségi eredmények
Vezérlőlapok, szabályok	Kontinuális adaptáció

A "Kemény Munka" definíciója: - Nem az AI "használata" a nehéz rész - A rendszer alapjainak átépítése kell - Alapelvek, amelyek determinisztikus rendszerekre épültek, nem működnek AI-on

Sebesség Vs. Megértés¶

"A sebesség csak akkor fontos, ha érted a kiindulási pontodat."

Sok cégnek nincs baseline-ja – nem tudják, honnan indulnak
Ha nem tudod a kiindulási metrikákat, a "gyors adoptáció" értelmetlen

Az Elosztott Rendszer Paradoxona¶

Régi paradigma: - Egy tökéletes modell, minden egy helyen - Minden torzítást és korlátozást örököl - Single point of failure

Új paradigma (Multi-model Hive): - Folyamatos orchestráció (continue orchestration) több modell között - Nem egyetlen interakció – hanem a modellek kapcsolata - Kollaboratív intelligencia, háttérben futó ügynökök

3. A "Neural Athlete" — Az Idegi Atléta¶

Kognitív Terhelés Az Új Világban¶

Daniel elmeséli saját tapasztalatát: - Egyik pillanatban: "design változtatás az ügynökkel" - Aztán: email összefoglalása - Aztán: egy másik kontextus - Visszatérés: Az ügynök "eltévedt", újra kell kezdeni

Új Kognitív Terhelés: - Nem csak feladatváltás (context switching) – hanem valóság-állapot váltás - Creator (alkotó) → Judge (bíró) - Empátia → Adat-analitika - Emberi logika (nuance, EQ) → Probabilisztikus logika (mintázatok, átlagok)

A Fáradtság Új Formája¶

"Cognitive Synthesis" (Kognitív Szintézis): - Régen: a "kemény munka" = órák és kimenetel (output) - Ma: a munka = ítélőképesség - Egy óra prompting = egy napnyi executive döntéshozatal

Debounce és Fragilitás: - Nem csak fáradtak vagyunk – kognitívan törékennyé válunk - Nem a sebesség a luxus, hanem a fókusz - Néha a megállás fontosabb, mint a folytatás - Néha a 60 perc munka eldobása a helyes döntés

4. Sebezhetőség, Empátia és Vezetés¶

Az Érzelmi Intelligencia Új Értelmezése¶

Vulnerability (Sebezhetőség) Mint Eszköz: - A hagyományos logika: a sebezhetőség kötelezettség (liability) - Deb megközelítése: a sebezhetőség a legnagyobb eszköz lehet - Az egyetlen dolog, amit az AI nem tud szimulálni (egyelőre)

"Ha az AI soha nem érezte egy életmegváltoztató döntés súlyát, vagy egy elveszett alapítvány gyászát, mi lehet másként?"

Érzékenység és Megbízhatóság¶

Trust (Bizalom): - Deb példája: service dog training (szolgálati kutya képzés) - 15+ éve nevel 8 hetes kiskutyákat 16 hónapos korig - A kutyák később veteránok/first responderek segítőivé válnak - Élenképzés: Edge esetekre kell készülni (pl. vak/siket ember vezetése forgalomban) - Ha a parancsok tökéletesek, de a bizalom nincs meg – nem működik

Párhuzam az AI-val: - Az ember-AI kapcsolat is hasonló: etikai bizalom kell - Nem magunknak tervezünk – hanem másoknak

5. Empátia, Mint Diagnosztikai Eszköz¶

A Rendszer Paradoxonok Felfedezése¶

Empátia használata nem "nice to have" soft skill – hanem diagnosztikai eszköz:

Ha valóban figyelsz a küzdelmekre (nem csak udvarias vagy)
Felfedezed a rendszer-paradoxonokat, amik lassítanak
Ezeket a dashboardok és diagramok nem mutatják meg

Esettanulmány: - Hybrid visszatérés az irodába - A fizikai struktúrák nem változtak meg - Az emberek láthatatlannak érzik magukat – még ha "kapcsolatban" is vannak

6. Mindennapi AI Használat: Gyakorlati Tippek¶

Hétköznapi Kísérletezés¶

Deb javaslata: Kezd kicsiben, mindennapi helyzetekkel

Példa 1: Vacsora Recept - Fényképezd le a kamrád, hűtőd - Kérj receptet (vércsoportodhoz, igényeidhez igazítva) - Tanuld meg: hogyan reagál az AI különböző instrukciókra

Tanulságok: - Elírás hatása: "dinner" vs "diner" = különböző válaszok - Minél több kontextust adsz, annál jobb az eredmény - A "kedvesség" számít: minél kedvesebb vagy az AI-hoz, annál kedvesebb választ kapsz

Példa 2: Lakásfelújítás - Fényképezd le a helyiséget - Kérj "modern organikus" design javaslatokat - Vizualizáció segít a vállalkozókkal való kommunikációban

7. Anti-fragilitás és Hibázás¶

A Hiba Kultúra Újrafogalmazása¶

Nem elég "hiba-kultúra" — kell az Anti-fragilitás:

Fail-fast kultúra	Anti-fragil megközelítés
Elfogadjuk a hibákat	A hibából tanulva erősebbé válunk
Kényelmes hibák	Valódi határok feszegetése
Ismert területeken hibázni	Ismeretlen területeken kockáztatni

Deb Képlet:

"Az elvárásom, hogy a 20%-om hibás lesz. Az anti-fragilitás pedig az, hogy ezektől a hibáktól jobb emberré válok."

Intelligent Disobedience (Intelligens engedetlenség): - Nem disruptívnak lenni disruptivitásért - Hanem: kényszeríteni egy másik kérdést, változtatást, szemantikát - "Oktondi engedetlenség" – ha egy modell hallucinál, a többi jelzi

Példa: Multiple AI models acting as checks and balances

8. Jövőkép: Élenképzés és Etikai Bizalom¶

Edge Solutions (Szélsőséges Megoldások)¶

A jövő nem a mainstreamről szól, hanem az edge esetekről: - Edge kihívásokra tervezni - Edge képességeket építeni - Etikai bizalom kontextusában

A Service Dog Metafora: - Nem csak a "sima ügy" – hanem a váratlan helyzetek - Amikor valami balul sül el (és ez elkerülhetetlen) - A felhasználónak teljes bizalma legyen az AI-ban

A Jövő Alapja¶

Manifestáció: - Amikor a "busy work" (robotmunka) eltűnik - Csak a nehéz munka marad: ítélőképesség - Ez a különböző ritmus megtanulása nem bukás – hanem erő

Új Hatalom: - Nem a technológia birtoklása - Hanem a sebezhetőség és a változásra való hajlandóság

9. Üzenet a Hétköznapi Embereknek¶

Hogyan Kezdjék?¶

Nem kell CIO-nak vagy fejlesztőnek lenni: 1. Ismerd meg a saját tanulási stílusodat – mindenki másképp tanul 2. Kísérletezz hétköznapi dolgokkal – vacsora, redesign, stb. 3. Tanuld meg a bias-t és hallucinációt – benign helyzetekben 4. Adj több kontextust – minél többet adsz, annál jobb az eredmény 5. Légy kedves az AI-hoz – számít a "hangulat"

Nem kell tökéletesnek lenni:

"Szóval mi van, ha elrontom? Szóval mi van, ha nem a megfelelő promptot adtam meg? Tanulom, hogyan értelmezi az AI a kérdéseimet."

Key Takeaways¶

Unlearning: A régi logika, ami sikeressé tett, most gátolhat
Neural Athlete: Az új munka kognitív szintézis – nem hosszú órák, hanem intenzív ítélőképesség
Vulnerability: A sebezhetőség a legnagyobb eszközöd (és az AI nem tudja utánozni)
Cognitive Load: A kontextusváltás nem feladatok között van – hanem valóság-állapotok között
Multi-model Hive: A jövő nem egyetlen modell – hanem elosztott, orchestrált rendszerek
Anti-fragility: A hibákból tanulva erősebbé válni – nem csak elfogadni a hibákat
Edge-first: Tervezz a szélsőséges esetekre – nem a mainstreamre
Empathy: Rendszerelemző eszköz, nem "nice to have" soft skill

Idézetek¶

"Vulnerability is not a liability. Vulnerability could be your greatest asset. It's candidly, right now, the only thing that AI can't simulate."

"We're all becoming neural athletes. It's like running a sprint on a treadmill that keeps changing speed and incline without warning."

"Once the busy work is gone, we're left with the hard work that is judgment."

"It's not about designing for ourselves. It's actually about designing for others."

Kapcsolódó Témák¶

Multi-agent systems
Cognitive architecture
AI ethics and trust
Organizational transformation
Service design thinking
Resilience engineering

Összefoglaló készült: 2026-03-07
Forrás: Practical AI Podcast — Cognitive Synthesis and Neural Athletes
Vendég: Deb Golden, Deloitte Chief Innovation Officer