AI-val támogatott kétmonitoros munka kutatási jelentés

A leírt helyzetet érdemes pontosabban megnevezni, mert ez már nem a klasszikus értelemben vett multitasking. Amikor valaki az egyik képernyőn promptol, az AI pedig közben önállóan generál, keres, szerkeszt vagy összefoglal, míg a másik képernyőn az ember egy másik problémán dolgozik, akkor valójában egy hibrid munkarendszer működik. Ennek lényege az, hogy a kognitív folyamat egy része külső eszközre kerül át. A szakirodalom ezt több fogalommal írja körül: kognitív offloading, elosztott kogníció, illetve ember–AI együttműködés. A friss kognitív tudományi irodalom szerint a komplex technológiák használata egyre inkább az egyéni gondolkodás megosztására épül: a terhelés egy része emberek, eszközök, feljegyzések, interfészek és automatizmusok között oszlik el. Ez valóban csökkentheti az egyénre jutó terhelést, de csak akkor, ha a koordinációs költség nem nő gyorsabban, mint amennyit az automatizálás nyer. A generatív AI-val végzett tudásmunka pontosan ebbe az irányba tolja a munkát: kevesebb elsődleges „nyers” kivitelezés, több felügyelet, ellenőrzés, integráció és döntés. A 2025-ös Microsoft–CMU kutatás egyik legerősebb megállapítása is ez volt: az AI használata mellett a kritikus gondolkodás súlypontja eltolódik az információgyűjtésről az ellenőrzésre, az integrációra és a „task stewardship” jellegű felügyeletre. Vagyis a tudásmunka nem eltűnik, hanem szerkezetet vált.

Ezért a „mindenki két monitoron promptol” jelenséget nem szerencsés pusztán úgy értelmezni, hogy mostantól az emberek hirtelen képesek több dolgot csinálni egyszerre. A pontosabb értelmezés az, hogy létrejött egy új munkafajta, ahol az ember feladatokat indít, az AI részfeladatokat futtat, majd visszaadja az eredményeket ellenőrzésre és továbbléptetésre. Ez sok tekintetben hasonlít egy menedzseri munkamódra: a dolgozó nem mindent saját kézzel állít elő, hanem sorban elindít, felügyel, priorizál, korrigál és összeilleszt. Ez valóban lehet erős produktivitási emelő. Ugyanakkor az itt keletkező terhelés más természetű, mint a régi „egy feladatba mélyen belemerülök” típusú munka: több a megszakítás, több a visszatérés, több a meta-döntés, és több a hibalehetőség a feladatok közötti újrabelépésnél. A munkavállaló szerepe ezért egyre inkább szerkesztővé, ellenőrré, priorizálóvá és minőségbiztosítóvá válik. A kérdés tehát nem az, hogy az AI mellett lehet-e egyszerre két dolgot csinálni, hanem az, hogy milyen feltételek mellett lesz a feladatok közötti váltás nettó nyereséges. A rendelkezésre álló kutatások alapján a válasz az, hogy ez erősen feladatfüggő, képességfüggő és szervezési kérdés.

Mit mond a kognitív pszichológia a multitaskingról

A kognitív pszichológia régi és stabil eredménye, hogy összetett feladatok esetén az emberi agy többnyire nem valódi párhuzamosságot végez, hanem nagyon gyors váltásokat a feladatok között. A task switching irodalom alapállítása az, hogy a váltásnak ára van: lassulás, több hiba, és a munkamemória terhelésének növekedése. A klasszikus task switching kutatások azt mutatták, hogy a váltás költsége a feladatszabályok hasonlóságától, a jelzésektől és a szabálykomplexitástól függ, a későbbi kutatások pedig azt is kimutatták, hogy maga a váltás terheli a munkamemóriát. Ebből üzleti nyelvre lefordítva az következik, hogy amikor valaki folyamatosan ide-oda mozog egy AI-ablak, egy dokumentum, egy levelező, egy adatbázis és egy döntési feladat között, akkor a váltás láthatatlan költsége nagyon is valós. A munkatársnak minden visszatérésnél újra fel kell építenie a kontextust: mit kértem, mi készült el, mi hiányzik, mi hibás, mi a következő lépés. Ezért a kétmonitoros AI-munka nem a figyelmi korlátok megszűnését jelenti, hanem egy új típusú figyelemgazdálkodást.

Ugyanakkor az is fontos, hogy a kutatások nem kizárólag pesszimisták. A dual-task és task switching irodalom egyik következetes megállapítása az, hogy gyakorlással bizonyos típusú interferencia csökkenthető. A 2017-es, majd a későbbi összefoglalók alapján a párhuzamos vagy gyorsan váltott feladatokkal járó zavar részben mérsékelhető, ha az egyén ismételten ugyanazt a szerkezetet gyakorolja, és bizonyos részműveletek félautomatikussá válnak. Ez azonban két fontos feltétellel igaz. Az egyik, hogy a javulás tipikusan nagyon specifikus: a hatás főleg azokra a feladatokra terjed át, amelyek hasonlítanak a gyakorlott mintára. A másik, hogy a nyereség egy része inkább jobb koordinációból és jobb feladatsorrend-kezelésből jön, nem abból, hogy az ember hirtelen korlátlan „szupermultitaskerré” válik. A gyakorlat tehát segít, de nem szünteti meg a váltási költséget. Ez a vezetői szempontból nagyon lényeges tanulság: az AI-val támogatott feladatváltás tanulható, de nem „alapbeállítás”, és nem egyformán megy mindenkinek. A dolgozót itt nem csak eszközhasználatra kell tanítani, hanem munkaszervezésre, visszatérési pontok kialakítására, részcélok lezárására és ellenőrzési rutinokra is.

Mit tesz ehhez hozzá az AI, és hol fordul át ellened

A generatív AI munkahelyi hatásairól ma már nemcsak laboreredmények, hanem valós munkakörnyezetből származó kísérletek is rendelkezésre állnak. Az egyik legismertebb eredmény Noy és Zhang 2023-as kísérlete: középszintű professzionális írási feladatoknál a ChatGPT-hozzáférés csökkentette az időráfordítást és javította az output minőségét; a Science-cikkben közölt összesített eredmény szerint az átlagos idő nagyjából 40%-kal esett, a minőség pedig 18%-kal emelkedett. A szoftverfejlesztésben végzett nagy terepkísérletek hasonló irányt mutatnak: a Microsoft, az Accenture és egy anonim Fortune 100 vállalat közel ötezer fejlesztőjén vizsgálva a GitHub Copilot használata átlagosan 26,08%-os növekedést okozott a heti befejezett feladatok számában, miközben a hatás erősebb volt juniorabb és rövidebb ideje a cégnél lévő dolgozóknál. A P&G 776 szakemberével végzett 2025-ös field experiment pedig azt mutatta, hogy az AI nemcsak egyéni teljesítményt növelhet, hanem bizonyos munkakörnyezetben a hagyományos csapatműködés egy részét is képes helyettesíteni, mert ideiglenesen „demokratizálja” a szakértelmet, és a kevésbé tapasztalt dolgozókat közelebb viszi a jobb teljesítményhez. Ezek az eredmények együttesen azt mondják: az AI akkor ad nagy nyereséget, ha a feladat elég jól leírható, a minőségi visszacsatolás gyors, és az ember képes az AI-outputot érdemben ellenőrizni.

De ugyanebből a szakirodalomból az is látszik, hogy az AI-val végzett munka nem lineáris sikertörténet. Az egyik oldalon ott vannak a jelentős teljesítményjavulások, a másikon viszont az erősen heterogén hatások. A kenyai vállalkozókkal végzett öthónapos terepkísérlet például nem talált egyértelmű átlagos nyereséget, viszont azt igen, hogy a magasabb bázisteljesítményű résztvevők többet profitáltak, mint a gyengébben teljesítők. A Nature Human Behaviour 2024-es metaelemzése pedig még kellemetlenebb következtetésre jutott: átlagosan az ember–AI kombináció gyakran rosszabbul teljesít, mint a legjobb ember vagy a legjobb AI önmagában. A nyereség sokkal inkább ott jelenik meg, ahol tartalomalkotás, ötletelés, szövegformálás vagy más kreatív jellegű feladat van, és kevésbé ott, ahol tiszta döntési optimalizációról van szó. Ez összhangban áll a BCG–Harvard „jagged frontier” megállapításával is: vannak feladatok, ahol az AI látványosan emel, és vannak nagyon hasonlónak tűnő feladatok, ahol ront. Vagyis az AI-val támogatott párhuzamos munkamód akkor működik jól, ha a dolgozó felismeri, hogy melyik részfeladat van a modell „határain belül”, és melyik kíván több emberi kontrollt, domainismeretet vagy valós idejű kontextust. A kétmonitoros promptolás tehát nem önmagában produktív, hanem akkor, ha a feladatportfólió jól van felosztva AI-kompatibilis és emberi ítéletet igénylő részekre.

Mi történik a figyelemmel, a motivációval és az emlékezettel

Az AI használata a tudásmunkában nemcsak teljesítményt mozgat, hanem a gondolkodás szerkezetét is. A Microsoft–CMU kutatás 319 tudásmunkás 936 valós példáját elemezve azt találta, hogy minél nagyobb a felhasználó bizalma az AI-ban, annál kisebb a kritikai gondolkodás észlelt erőfeszítése, míg a magasabb önbizalom az ember saját kompetenciájában több kritikus ellenőrzéssel jár együtt. A tanulmány kvalitatív része azt is megmutatta, hogy az AI nem egyszerűen „helyettesíti” a gondolkodást, hanem átrendezi: a felhasználó kevesebb időt tölt információgyűjtéssel, és többet tölt ellenőrzéssel, kiegészítéssel, összeillesztéssel és feladatfelügyelettel. Ez nagyon fontos, mert a kétmonitoros AI-munka valódi készsége nem a gyors promptolás, hanem a pontos hibafelismerés, a bizonytalanság kezelése és a visszakérdezések minősége. Aki ezt nem tanulja meg, annak az AI gyorsan adhat egy produktivitásérzetet, miközben a tényleges ítélőképesség terhe lecsökken.

A motivációs oldalon a kép szintén kettős. A 2025-ös Scientific Reports tanulmány azt találta, hogy az ember–GenAI együttműködés növelte az azonnali feladatteljesítményt, de amikor a résztvevők visszaálltak az egyedüli munkavégzésre, csökkent az intrinzik motiváció és nőtt az unalom. A Trends in Cognitive Sciences 2025-ös áttekintése pedig arra figyelmeztetett, hogy a GenAI a munka pszichológiai alapigényeit is érintheti: a kompetencia, az autonómia és a kapcsolódás érzését egyszerre tudja támogatni és fenyegetni. Ez a gyakorlatban azt jelenti, hogy a „csillingelő” AI-oldal nem semleges. A rövid, gyakori készültségi jelzések nemcsak munkaszervezési események, hanem motivációs ingerek is: sürgetnek, megakasztanak, dicsérnek, bizonytalanná tesznek, és lényegében folyamatos mikrováltásokat idéznek elő. Ha ezt a szervezet rosszul tervezi meg, a munkavállaló egy idő után nem kontrollált párhuzamos munkát él át, hanem szétszabdalt figyelmet és nyugtalan készenlétet.

A kognitív offloading irodalom ehhez még egy fontos réteget tesz hozzá. A 2021-es kísérletsorozat szerint a külső segédeszközök használata rövid távon javíthatja a teljesítményt, ugyanakkor a „kimentett” vagy kiszervezett információ későbbi felidézése romolhat. Másképp fogalmazva: amikor az ember rendszeresen külső rendszerre bízza a memóriát vagy a köztes lépéseket, rövid távon felszabadul a munkamemória, de csökkenhet a belső kódolás mélysége. Ez nem érv az AI ellen. Inkább figyelmeztetés arra, hogy bizonyos munkakörökben az AI-val növelt átviteli sebesség együtt járhat a belső szaktudás lassabb épülésével. Korai pályaszakaszban ez különösen lényeges: amit a junior korábban gyakorlással tanult meg, azt ma könnyen átadja a modellnek. A kérdés ezért vezetőként az, hogy mely tevékenységeket szabad kiszervezni, és melyeket kell továbbra is tudatosan „kézzel” gyakoroltatni, mert ezek építik fel azt a kompetenciát, amely később az AI-output értelmes ellenőrzéséhez kell.

Neurobiológia és evolúció

Az a gondolat, hogy az AI neurobiológiai változást indított el az embernél, részben védhető, részben túlzó. A védhető rész a neuroplaszticitás. Ennek ma már erős idegtudományi alapja van: a felnőtt agy is képes szerkezeti és funkcionális alkalmazkodásra, a tanulás, az ismételt gyakorlás és a környezeti ingerek hatására az idegrendszer átszerveződik. A 2024-es idegtudományi narratív review szerint a digitális technológiák és kognitív funkciók kapcsolata valós és egyre fontosabb kutatási téma, de a mögöttes neurobiológiai mechanizmusokra vonatkozó bizonyítékok mélysége továbbra is korlátozott. Ez a legjobb jelenlegi álláspont: alkalmazkodás történik, csak a mechanizmusok és a hosszú távú hatások még nincsenek teljesen feltárva. A digitális médiával összefüggő multitaskingról szóló irodalom szintén azt mutatja, hogy léteznek összefüggések figyelmi kontroll, memória és zavaró ingerekre való fogékonyság terén, de ezek hatásmérete gyakran kicsi, az eredmények vegyesek, és az oksági irány jórészt tisztázatlan. A 2021-es metaelemzés kifejezetten arra jutott, hogy az összefüggés kicsi, heterogén, és tíz év kutatás után sem egyértelmű, hogy a gyakori médiamultitasking okozza-e a gyengébb kognitív kontrollt, vagy részben épp fordítva van. Ezért a „már elindult egy nagy neurobiológiai átalakulás” állításnál a tudomány jelenleg óvatosabb. Neuroplasztikus alkalmazkodás: igen. Nagy, egységes, fajszintű átalakulás: erre nincs közvetlen bizonyíték.

Az evolúciós állítás még erősebb óvatosságot igényel. A biológiai evolúció definíció szerint generációkon átívelő, öröklődő genetikai változásokat jelent populációkban. A MedlinePlus összefoglalása ezt teljesen egyértelműen fogalmazza meg: az evolúció populációk generációk közötti változása, genetikai variációk alapján. Ebből következik, hogy a mostani AI-használatot nem lehet komolyan úgy leírni, mintha már fajszintű biológiai evolúció indult volna el. Ezt a két dolgot nem szabad összekeverni. Más a neuroplaszticitás, és más az evolúció. Ugyanakkor a provokatív gondolatnak van egy intellektuálisan komolyabb, védhető változata. A gene–culture coevolution és a niche construction irodalom régen kimondta, hogy az ember kulturális-technológiai környezetet épít maga köré, és ez hosszú távon visszahat a szelekciós környezetre. A friss Trends in Cognitive Sciences cikk pedig már kifejezetten arról ír, hogy a technológiai komplexitás növekedésével a kogníciót egyre inkább emberek és tárgyi rendszerek között kell elosztani, és ehhez kulturális innovációk fejlődnek ki. Ebből az a józan következtetés adódik, hogy az AI valószínűleg erősen megváltoztatja a tanulási környezetet, a szakmaszocializációt, a kognitív munkamegosztást és a kulturális „fejlődési fülkéinket”. Hosszú távú evolúciós következmények lehetősége filozófiailag és elméletileg felvethető. Azt állítani viszont, hogy ez már most kimutatható emberi evolúciós fordulat, a jelenlegi bizonyítékok alapján túlmegy azon, amit a tudomány ma biztosan állíthat.

Vezetői következmények és bevezetési javaslat

A kutatások alapján a legjobb vezetői értelmezés az, hogy az AI-val támogatott párhuzamos munkavégzés egy magasabb szintű munkaszervezési készség, nem pedig pusztán szoftverhasználat. Ha ezt így látod, rögtön másképp vezeted be. Nincs értelme azt várni, hogy a munkatárs majd „magától ráérez”. A mostani bizonyítékok inkább azt mondják, hogy a nyereség négy tényező együttesétől függ: mennyire illeszkedik a feladat az AI erősségeihez, mennyire jól kezeli a dolgozó a váltásokat, mennyire fegyelmezett az értesítési rendszer, és mennyire erős a minőségellenőrzés. A rövid válasz tehát ez: igen, a kétmonitoros, több szálon futó AI-munka valóban képes nagyon erős produktivitásnövekedést hozni, de ehhez fegyelmezett munkadesign kell. Enélkül ugyanaz a rendszer figyelemszórást, túlterhelést és felszínes munkát fog termelni. Ezt nem szabad romantikusan kezelni. A terepkísérletek és metaelemzések alapján az AI akkor működik a legjobban, ha emberi minőségbiztosítással, jó feladatkiválasztással és világos workflow-val használják; az értesítési terhelés csökkentése pedig önmagában is teljesítmény- és jóllétjavító tényező lehet.

Ebből vezetőként néhány nagyon gyakorlati szabály következik:

• Az AI-értesítéseket ne hagyd kontrollálatlanul folyni. A notification-kísérletben már egy napos kikapcsolás is jobb teljesítménnyel és kisebb strainnel járt, az irodai naplóvizsgálatok pedig azt mutatják, hogy a megszakítás gyakorisága és az észlelt overload együtt emeli a terhelést, különösen összetett főfeladatoknál. A jó gyakorlat ezért a kötegelt visszatérés: előre kijelölt időpontokban nézd át az AI-tól jövő eredményeket, ne minden csilingelésre ugorj.

• Feladatosztályokban gondolkodj. Amit az AI jól csinál: első vázlat, átfogalmazás, alternatívák, strukturálás, keresési előmunka, összehasonlító összefoglalás. Amit az embernek kell vinnie: kontextusérzékeny döntés, végső kiválasztás, reputációs kockázat, jogi-szakmai felelősség, ügyfélhez illesztett finomhangolás. A radiológiai és metaelemzési eredmények alapján az ember–AI kombináció nem általában jó vagy rossz; a feladattípus dönti el.

• A promptolást ne önálló skillként, hanem ellenőrzési és szerkesztési skillként oktasd. A kritikus gondolkodás nem tűnik el, csak eltolódik. Emiatt a tréningnek tartalmaznia kell tényellenőrzést, bizonytalanságjelölést, forrásellenőrzési logikát, hibakategóriákat és resumption note használatát is. A kutatások szerint magas AI-bizalom mellett csökken az észlelt kritikai erőfeszítés; ezt tréninggel és felelősségi szabályokkal kell ellensúlyozni.

• A juniorokat külön kezeld. Az AI sokszor nagyobb termelékenységi ugrást ad a kevésbé tapasztaltaknak, de ezzel együtt nő annak az esélye is, hogy a belső kompetenciaépítés egy része kiszerveződik. Ezért a juniornál több manuális gyakorlás, több magyarázatkérés és több utólagos önálló rekonstrukció kell, különben túl korán alakul ki a kognitív függés.

• Fizikai munkakörnyezetet is tervezz. A többmonitoros munkavégzés bizonyos irodai feladatoknál javíthatja az outputot, de a szakirodalom itt sem egységes; a nyereség nagyban függ a feladattól és az ergonómiától. A monitor tehát eszköz, nem megoldás. Az ergonómiai és workspace-intervenciók ugyanakkor javíthatják a pszichoszociális munkakörnyezetet és a work effectiveness mutatókat.

• Építs be helyreállító szüneteket. A megszakításokkal és magas kognitív terheléssel járó munkákban a mikro-szünetek és a helyreállító gyakorlatok a jólétet és a teljesítményt is támogathatják, még ha a pontos optimális dózis feladatfüggő is. A hosszú, megszakításokkal tarkított AI-munka nem maratoni sprint, hanem ciklikus terhelés. Úgy is kell vezetni.

Nyitott kérdések és korlátok

A jelenlegi bizonyítékbázis több ponton még éretlen. Az AI-val kapcsolatos munkahelyi kísérletek jelentős része rövid vagy középtávú, és nem mutatja meg, mi történik egy-két év alatt a valódi tudásfelhalmozással, a szakmai identitással és az utánpótlásképzéssel. A kritikus gondolkodásról szóló ismert kutatás önbeszámolós, tehát nagyon hasznos, de nem old meg minden oksági kérdést. A generatív AI kognitív erőfeszítésre gyakorolt hatásáról jelenleg még folyamatban lévő, fiziológiai mérőeszközöket is használó randomizált vizsgálatok vannak, ami önmagában jelzi, hogy a tudomány még most próbálja objektív agyi és viselkedéses mérésekkel megragadni ezt a jelenséget. Ugyanez igaz a digitális multitasking neurobiológiájára is: sok adat áll rendelkezésre, de a hatások több helyen kicsik, heterogének és módszertanilag nehezen összevethetők.

A legjobb szakmai álláspont ezért ma ez: az AI-val támogatott, több szálon futó tudásmunka valós, tanulható és sok esetben kifejezetten termelékeny munkamód. A klasszikus multitasking minden korlátját nem tünteti el, hanem átrendezi. A nyereség fő forrása az, hogy az AI levesz bizonyos generáló és előkészítő terheket az emberről. A fő kockázat pedig az, hogy növeli a megszakítások, a felületi ellenőrzés és a kognitív kiszervezés arányát. A neuroplasztikus alkalmazkodás valószínű. A fajszintű evolúciós fordulat állítása jelenleg spekuláció. A vezetői felelősség ebből egyszerűen következik: ezt a munkamódot tervezni kell, tanítani kell, mérni kell, és emberi teljesítményrendszerként kell kezelni, nem pusztán szoftverlicencként.

Források

A jelentés terhelését elsősorban ezek a publikációk viszik:

• Noy, S., & Zhang, W. Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 2023.
• Cui, K. Z. és mtsai. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Management Science / working paper, 2025–2026.
• Lee, H.-P. és mtsai. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI, 2025.
• Vaccaro, M., Almaatouq, A., & Malone, T. When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 2024.
• Ohly, S., & Bastin, L. Effects of task interruptions caused by notifications from communication applications on strain and performance. Journal of Occupational Health, 2023.
• Rick, V. B. és mtsai. Work interruptions of office workers és What really bothers us about work interruptions? 2024.
• Gallagher, K. M., Toh, M. H., & Wong, S. Does Using Multiple Computer Monitors for Office Tasks Improve Productivity? A Systematic Review. Human Factors, 2021.
• Parry, D. A., & le Roux, D. B. “Cognitive Control in Media Multitaskers” Ten Years On: A Meta-Analysis. 2021, valamint de Barros, E. C. Understanding the influence of digital technology on human cognitive functions: A narrative review. 2024.