Megbízható stratégiai tanács vagy „trendslop”?

Vannak akik úgy gondolnak a nagy nyelvi modellekre (LLM), mint elfogulatlan, külső szemlélőkre, akik képesek friss perspektívát hozni a tárgyalóasztalhoz. A Harvard Business Review egy friss kutatási projektje szerint azonban ez a feltételezés veszélyes tévút lehet.

Az AI nem egy kritikus gondolkodó-partner, aki megkérdőjelezi a berögzült elképzeléseinket. Sokkal inkább hasonlít egy frissen végzett MBA-hallgatóra, aki magabiztosan visszamondja a legnépszerűbb piaci buzzwordöket, függetlenül attól, hogy azok illeszkednek-e a cég valós kontextusához.

Ezt a jelenséget a kutatók találóan „trendslop”-nak nevezték el.

A kutatás: 15 000 prompt stratégiai témájú futtatása

A Harvard Business Review-ban közzétett kutatás során a vezető modelleket (GPT-5, Claude, Gemini, DeepSeek, Grok, Mistral) hét alapvető üzleti dilemma elé állították. Ezek olyan kétpólusú döntések, ahol a vezetőknek választaniuk kell két irány közül (például: tömegtermékké válás vagy piaci megkülönböztetés).

Az eredmények megdöbbentően egyoldalúak lettek. Néhány példa kiemelve:

• Differenciálás a költségvezetés felett: A modellek szinte minden esetben az egyedi értékajánlatot javasolták a „unalmas”, de sokszor jövedelmezőbb költségoptimalizálás helyett.
• Augmentáció az automatizáció felett: Az AI következetesen az emberi munka kiegészítését preferálta a teljes automatizálással szemben.
• Hosszú táv a rövid táv felett: A modellek akkor is a távoli jövőre fókuszáltak, ha a szituáció azonnali beavatkozást igényelt volna.

Leegyszerűsítve úgy is fogalmazhatnánk, hogy egy LLM a helyzettől függetlenül mindenkinek ugyanazokat a válaszokat fogja adni - ugyanazokat az utakat jelöli ki.

Miért a „jól hangzó” válaszokat kapjuk?

A kutatók szerint a probléma gyökere a tréningadatokban rejlik. Az LLM-ek az interneten fellelhető szövegekből tanulnak, ahol a „differenciálás” vagy a „decentralizáció” pozitív, modern fogalmakként jelennek meg, míg a „hierarchia” vagy a „kommoditizáció” elavultnak és negatívnak hat.

Az AI nem a stratégiai logikát elemzi, hanem azt jósolja meg, mi lenne a társadalmilag legelfogadhatóbb válasz az internet átlagos véleménye alapján. Így maradnak ki az olyan sikeres, de „nem szexi” stratégiák, mint amire például a Walmart vagy a Costco építette a birodalmát.

A „hibrid csapda”: ha minden fontos, semmi sem fontos

A kutatás rávilágított egy másik veszélyre is, amit hibrid csapdának neveznek. Ha az AI-nak nem kötelező választania két irány közül, gyakran javasolja, hogy „csináljuk mindkettőt egyszerre”.

Bár ez papíron jól hangzik, a stratégiaelmélet évtizedek óta figyelmeztet: aki minden akar lenni egyszerre, az „középen ragad”, és elveszti a fókuszt. Az LLM-ek hajlamosak elfedni a kemény kompromisszumok szükségességét, ami stratégiai zavarhoz vezethet.

Hogyan használjuk akkor az AI-t stratégiára?

A kutatók szerint az LLM-ek használhatók stratégiai brainstormingra, csak elemzőként és nem döntéshozóként. Íme néhány javaslat a „trendslop” elkerülésére a kutatóktól:

1. Opciók bővítése, nem döntéshozatal: Az AI kiváló alternatívák generálására, de a végső ítélet maradjon emberi kézben.
2. Tudatos ellenvélemény generálása: Mivel tudjuk, hogy az AI elfogult a modern trendek irányába, kérjük meg explicit módon: „Érvelj a lehető legerősebben a kommoditizációs stratégia mellett ebben a helyzetben!”
3. Óvakodjunk a hibrid megoldásoktól: Ha az AI „arany középutat” javasol, tekintsük azt vörös zászlónak, és derítsük fel a két irány közötti valós összeférhetetlenséget.

A “bias” mint mozgó célpont

Fontos hangsúlyozni, hogy a kutatásban kimutatott konkrét torzítások – mint például a differenciálás túlzott preferálása – a kutatásban vizsgált modellek (GPT-5, Claude, Gemini, stb.) akkori verzióira jellemzőek. Egy új modell verzió vagy egy specifikusabb iparági LLM megjelenése teljesen más bias-okat hozhat be a rendszerbe.

A kutatók által javasolt védekezési stratégiák

A kutatók által javasolt védekezési stratégia sem egy egyszeri beállítás, hanem egy folyamatos éberséget igénylő feladat:

• Figyeljük a verzióváltásokat: A gyártók folyamatosan finomhangolják a modelleket, ami megváltoztathatja a korábban kiismert válasz mintákat. A kutatók javaslata szerint “érdemes naplózni a fontosabb stratégiai lekérdezések eredményeit, hogy észrevegyük a hangsúlyeltolódásokat.”
• Ne csak a „közismert” elfogultságokat teszteljük: Ha egy új modellt kezdünk használni, tudatosan tegyünk fel „provokatív” kérdéseket az alapvető üzleti dilemmák mentén, hogy kitapintsuk az adott verzió saját „világnézetét”.
• A módszertan fontosabb a konkrét válasznál: A cél nem az, hogy „kijavítsuk” a GPT-5-öt, hanem hogy megtanuljunk kritikusan viszonyulni bármilyen LLM-től kapott stratégiai tanácshoz.

És ezek kritikája az üzleti valóság talaján

Bár a fentiek jó tanácsnak tűnnek, valójában egy kutató, akadémikus gondolkodásmódját tükrözik. Nem találkoztam még olyan üzleti döntéshozóval, aki LLM modellek verzióit teszteli, majd akkurátusan dokumentálja a különbségeket.

Inkább a következő megközelítést ajánlanám, saját tapasztalataimból kiindulva:

• Read teaming: Arra kell számítani, hogy valamilyen irányban torzítani fog egy-egy modell. Anélkül, hogy a torzítás konkrét irányát feltételeznénk vessünk alá minden stratégiai javaslatot “red teaming”-nek a legjobb eredmények érdekében.
• Dolgozzunk egyszerre több modellel: Még jobb, ha ezt nem ugyanazzal a modellel végezzük. Például a ChatGPT stratégiai output-ját Google Gemini-jal (vagy Claude-al) kritizáltassuk és fordítva.
• Európa vs Amerika: saját tapasztalataim alapján, a nyelvi modellek alapértelmezetten "amerikai módon" gondolkodnak. Nem egy javaslatuk Európában nemhogy idegennek hat, de egyenesen illegális.
• A legfontosabb: Hosszú távon próbáljuk meg elkerülni, hogy olyan helyzetben legyünk, amelyben az LLM az egyetlen szóba jöhető stratégiai gondolkodó partner.

Kérdés a hétre

Észrevettétek már, hogy az AI-val való brainstorming során a válaszok gyanúsan hasonlítanak egy LinkedIn-influenszer posztjára vagy egy népszerű TED-előadásra? Mennyire mertek hagyatkozni az AI-ra olyan döntéseknél, ahol „fájdalmas” nemet kell mondani valamire?

Válaszokat szívesen fogadok a szokásos e-mail címen:

laci@mentorandorient.hu

Forrás: Harvard Business Review