- Fogalom: a BCG tanácsadócég kutatóinak HBR-tanulmánya (2026.03.05.) az AI-eszközök túlzott használata vagy felügyelete miatti szellemi kimerültséget „AI Brain Fry”-nak nevezi. Ez nem orvosi diagnózis.
- Elterjedtség: Az amerikai nagyvállalatokban az AI-t használók 14%-a már átélte (1 488 megkérdezett, önbevallás). Ez nem az összes munkavállaló 14%-a, és a kérdés „valaha átélte”-re vonatkozott.
- Százalékértékek: A felügyeletre, kimerültségre, döntési fáradtságra, hibákra és kiégésre vonatkozó értékek a skálaértékek relatív különbségei, nem személyek aránya. Példa: Aki sok AI-t felügyel, átlagosan 14%-kal több szellemi erőfeszítésről számol be.
- Kontextusváltás: Hogy a váltások költségesek, azt laborban igazolták (Monsell 2003, Rubinstein et al. 2001). A tanulmányban a feladatváltásra vonatkozó kérdésekkel való kapcsolat kevésbé egyértelmű, mint az információs túlterheltséggel való.
- Ellenvélemény: az AI miatti kevesebb rutinmunka 15 %-kal alacsonyabb kiégési értékekkel függött össze. Egy terepvizsgálat átlagosan 15 %-kal több megoldott esetet talált óránként (Brynjolfsson et al. 2025).
- Munkaritmus: indítás, fókusz, betakarítás, az értesítéseket csak a betakarításkor olvasni, és csak annyi futtatást, amennyit ellenőrizni tudsz. Az egyes elemekre más területekről vannak utalások (Fitz 2019 a gyűjtött értesítésekről, Masicampo és Baumeister 2011), az AI feletti felügyeletre egyik sincs bevizsgálva.
Bizonyos napokon nálam 5–6 AI-futtatás megy egyszerre. Az indítás percekig tart. Utána az eredmények egymás után érkeznek, és mindegyiket ellenőrizni, javítani vagy jóváhagyni kell. Ide-oda ugrálok a szövegek, kutatások és piszkozatok között. Hogy ez már AI Brain Fry-e, nem tudom megmondani, mert erre nincs diagnózis.
Aki AI-ágenseket használ, vagy bevezeti az AI-t a vállalkozásában, előbb-utóbb több futtatást visz egyszerre, és ugyanarra a kérdésre jut: hányat tudok még értelmesen ellenőrizni? Ez a bejegyzés különválasztja, amit az AI Brain Fry-ról szóló tanulmány igazol, bemutatja a kontextusváltásokról szóló kutatást, megmutatja az ellenoldalt, és leírja a saját munkaritmusomat.
AI Brain Fry: meghatározás és elhatárolás a kiégéstől
Az „AI Brain Fry” fogalmat Bedard, Kropp, Hsu, Karaman, Hawes és Rosen Kellerman vezeti be a 2026. március 5-ei HBR-cikkben: „When Using AI Leads to ‚Brain Fry‘”. Mindannyian a BCG tanácsadócégnél dolgoznak, 2 közülük emellett a University of California, Riverside egyetemen doktorálnak. Meghatározásuk, értelem szerint lefordítva: szellemi kimerültség az AI-eszközök saját kognitív kapacitáson túli, túlzott használata vagy felügyelete miatt. Németül egyetlen szó sem honosodott meg. A média „AI-kimerültségről”, „AI-burnoutról” vagy „AI Fatigue”-ról ír, egy szakportál címében „Sült agy” szerepel.
Az AI Brain Fry nem azonos a kiégéssel. A szerzők a kiégést krónikus munkahelyi stresszként írják le érzelmi kimerüléssel. A Brain Fry az ő olvasatuk szerint a figyelem, a munkamemória és a saját gondolkodás irányításának akut túlterheltsége. Orvosi diagnózis nem.
Megjegyzés az eredetről: a BCG maga is AI-bevezetési tanácsadást árul. A cikk azt javasolja, hogy az AI-projektekre fordított erőfeszítés 70 %-át az emberekbe és a folyamatokba fektessék. Ettől a számok nem lesznek hamisak, de látszik, hogy érdekelt a témában.
A tanulmány számai, és hogyan olvasd őket
1 488 nagy amerikai vállalatnál dolgozó teljes munkaidős munkavállalót kérdeztek meg, egyszeri alkalommal, önbevallással. Kérdőívet vagy a módszertant tartalmazó working papert nem találtam. Minden számnál az a fontos, hogy valójában mit mér:
| A tanulmány állítása | Így olvasd a számot |
|---|---|
| Az AI-használók 14 %-a mondta, hogy már átélt Brain Fryt | Személyek aránya, de csak az amerikai nagyvállalatok AI-használói között, és a kérdés úgy szólt: „átélted-e valaha”. Hamis lenne azt állítani: „Minden hetedik ember szenved tőle.” |
| Magas, nem alacsony AI-felügyelet: 14 %-kal több szellemi erőfeszítés, 12 %-kal több szellemi fáradtság, 19 %-kal több információs túlterhelés | 2 csoport közötti, önbevallásból származó skálaértékek relatív különbségei, nem személyek aránya. |
| Brain Fry-jal: 33%-kal több döntési fáradtság, 11%-kal több kis és 39%-kal több nagy hiba | Ezek is önbevallásos skálaértékek, nem megszámolt hibák. Az, hogy „a Brain Fry 39 %-kal több súlyos hibát okoz”, hamis lenne. |
| Felmondási szándék: 25% nélküle, 34% Brain Fry esetén | Személyek arányainak összehasonlítása. A viszonyszámot, amelyet a HBR ehhez megad, a közölt értékekből nem tudom újraszámolni, ezért nem szerepel itt. |
| Funkciónként: a marketing területen dolgozó munkatársak 26 %-a, a jogi területen 6 %-a mondta, hogy átélte a Brain Fry-t | Nagy amerikai vállalatok funkciói, nem iparágak. |
| Egyidejűleg használt AI-eszközök: az észlelt termelékenység 1-ről 2-re egyértelműen nő, utána gyengébben, és a negyediktől kissé csökken | Az észlelt termelékenységet mérték. Hogy eszközöket vagy ügynököket számoltak-e, nem világos. Az ügynökök számának korlátja ebből nem következik. |
A mindennapokra 2 megállapítás fontosabb bármelyik százaléknál. Az első: a terheléssel és a szellemi fáradtsággal főleg az AI-kimenetek folyamatos felügyelete függött össze, továbbá az AI miatt megnőtt munkamennyiség. A tanulmány középpontjában a felügyelet áll. A második a kontextusváltásról szól: a szabad szöveges válaszok az információs túlterhelést és a feladatváltást nevezik fontos tényezőnek. A feladatváltásra vonatkozó kérdésekkel való statisztikai összefüggés azonban kevésbé egyértelmű, mint az információs túlterheléssel. „Fő okként” a kontextusváltás ebben a tanulmányban nem alkalmas.
Még egy fenntartás: A szerzők azt írják, hogy az AI használata „may be causing” a kimerültséget, a felügyelet pedig „predicted” azt. Ezek óvatos szavak, jó okkal. A keresztmetszetben az ellenkező irány is elképzelhető: aki egyébként is túlterhelt, a felügyeletet talán terhelőbbnek éli meg.
Kontextusváltás és felügyelet: miért kerülnek ennyi figyelembe
A pszichológia évtizedek óta kutatja, hogy a feladatváltás időbe és pontosságba kerül, azonban nem az AI-jal végzett munkán. Az adatok a tanulmányok összefoglalóiból származnak, Mark esetében az esszékből.
- Váltási költségek: Feladatváltás után az emberek a laborban lassabban és többnyire hibára hajlamosabban válaszolnak. Az előkészület csökkenti a költségeket, de nem szünteti meg (Monsell 2003, áttekintő tanulmány egyszerű feladatokról). A szabályok összetettségével nőnek, útmutató ingerekkel csökkennek, és ismeretlen feladatoknál magasabbak (Rubinstein, Meyer, Evans 2001).
- Figyelemmaradvány: A figyelem nehezen szakad el a befejezetlen feladatoktól, és ez rontja a teljesítményt a következő feladatnál. Erre a szakszó az „Attention Residue” (Leroy 2009, 2 kísérlet).
- Megszakítások: Egy cég 24 alkalmazottjánál (fejenként 3,5 napig megfigyelve, a tanulmány időtartama 13 hónap) a munkaegységek 57 %-át megszakították. A megszakított munkához ugyanazon a napon átlagosan 25 perc 26 másodperc múlva tértek vissza. A szórás óriási (szórás 54 perc 48 másodperc), és 77 %-ot egyáltalán folytattak még aznap (Mark, Gonzalez, Harris 2005). A laborban a megszakítottak gyorsabban dolgoztak, de több stresszel és erőfeszítéssel (Mark, Gudith, Klocke 2008, 48 résztvevő, többségében egyetemisták).
- Az automatizálás feletti felügyelet: Aki egy automatizált rendszert felügyel, többszörös terhelés mellett kevésbé ellenőriz (complacency), és szakértőként is túl gyorsan követi a javaslatokat (automation bias). A képzés ezt nem akadályozza meg (Parasuraman és Manzey 2010, áttekintő tanulmány).
Az én olvasatom: Aki 5 futást vezet, az 5 feladat között vált, és közben folyamatosan mások eredményeit ellenőrzi. Mindkettő együtt illik ahhoz, amit a tanulmány és ez a kutatás leír. AI-val végzett munkára nézve nem bizonyított. A labor- és irodai tanulmányok az AI-ügynökök előtti időből származnak, a megszakításokról szóló tanulmányok mintái pedig kicsik.
Az ellenoldal: a rutin átadása tehermentesít
Ugyanennek a tanulmánynak van egy második üzenete is, amely a terhelési számok mellett könnyen elsikkad. Azok a munkavállalók, akiknek az AI miatt kevesebb rutinfeladatuk volt, 15 %-kal alacsonyabb kiégési értékeket jelentettek. A szellemi fáradtság értékei nem voltak alacsonyabbak. Ez megint önbevallásos összefüggés, de ellene szól annak, hogy az AI-használatot általánosan terhelésként értelmezzük. A kisebb fáradtsággal az is összefüggött, ha a vezetők válaszoltak az AI-val kapcsolatos kérdésekre (15 %-kal kevesebb), és ha a munkavállalóknak az volt a benyomásuk, hogy a cégük fontosnak tartja a munka és a magánélet egyensúlyát (28 %-kal kevesebb).
Egy terepvizsgálat ugyanabba az irányba mutat. Brynjolfsson, Li és Raymond a „Generative AI at Work” című tanulmányukban (megjelent 2025-ben) 5 172 ügyfélszolgálati munkatárs adatait értékelték, akiknél 2020-ban és 2021-ben fokozatosan vezettek be egy AI-asszisztenst. Átlagosan 15 %-kal több esetet oldottak meg óránként. A kevésbé tapasztaltak és a kevésbé képzettek jobban profitáltak, a legtapasztaltabbaknál a tempónyereség és a minőségromlás kicsi volt. A munkatársak közérzetét nem mérték közvetlenül, és egy 2020-as asszisztenssel végzett ügyfélszolgálat más, mint több ügynök irányítása.
A terhelés és a tehermentesítés egymás mellett áll az adatokban. Az én olvasatom: az számít, mennyi felügyelet fér bele a saját kapacitásodba. Abból nem következik, hogy kevesebb AI kell.
Munkaritmus: indítás, fókusz, betakarítás
Innentől a saját munkamódszeremet írom le. Egyetlen egyéni vállalkozó tapasztalata, nem bevizsgált módszer. Ahol egy-egy elemhez más területekről vannak bizonyítékok, azt odaírom. Hogy ezek az elemek az AI felügyeleténél ugyanígy működnek-e, nyitott kérdés.
Az alapgondolat: korlátozom az AI-val való érintkezési pontjaimat, a futtatások futásidejét pedig nyitva hagyom. Hosszan tarthatnak, amíg csak rögzített időpontokban nézek bele. Ebből 3 blokk lesz:
| Blokk | Mi történik | Időtartam |
|---|---|---|
| Indítás | Az összes megbízást egymás után elindítani, mindegyiket világos eredménnyel | 15–30 perc |
| Fókusz | Egy saját feladat, amelyet csak én tudok megoldani. Nincs eredményolvasás, nincs futások nézegetése | 90–120 perc |
| Betakarítás | Eredmények ellenőrzése, jóváhagyása, a javítások új megbízásként indítása (ez egyben a következő indítás is) | 30–45 perc |
Indítás: azonos típusú megbízások kötegként
Az indításnál a tiszta megbízás számít. Az egyforma feladatokat kötegben indítom el, 5–6-ot párhuzamosan. Ami nem fér bele a kötegbe, az a következő indításra vár. Az előkészület és a jelzések csökkentik a váltási költségeket (Rubinstein, Monsell). Ezért érdemes a megbízásban egy mondatot írni arról, miről ismered fel a kész eredményt, és mit tervezel vele. Ez a laborból való átvétel.
Fókusz: az értesítéseket csak a betakarításkor olvasd
A fókuszblokkban nem olvasok eredményeket, és nem nézek futásokat. Az értesítések megérkezhetnek, de csak a betakarításkor olvasom el őket. Ez kevesebb, mint a csoportosítás: továbbra is egyenként érkeznek, csak hagyom őket heverni.
A csoportosításhoz létezik egy okostelefonos terepkísérlet. Fitz és munkatársai (2019) 237 személlyel kipróbálták, hogy az értesítéseket a megszokott módon, naponta 3 alkalommal csoportosítva kapják-e meg, vagy egyáltalán ne kapjanak értesítést. A csoportosítva értesített csoport nagyobb figyelemről, jobb hangulatról és kevesebb stresszről számolt be. Az értesítések nélküli csoportnak alig volt előnye, viszont több szorongást és nagyobb félelmet érzett attól, hogy lemarad valamiről. A csoportosítás tehát jobb volt, mint a kikapcsolás. Aki így szeretné támogatni a fókuszblokkot, az gyűjtve kézbesítteti az értesítéseket. Hogy a puszta félretétel ugyanezt hozza-e, azt a tanulmány nem mutatja meg. Az iPhone és a Pixel beállításai a állandó elérhetőségről szóló bejegyzésben találhatók.
Betakarítás: ellenőrzés, jóváhagyás, váltások feljegyzése
A betakarításkor egymás után ellenőrzöm az eredményeket, jóváhagyom őket, és a javításokat új megbízásként indítom el. Egyidejűleg elkezdődik a következő indítás. Aki 2 eredmény között vagy vissza a saját feladatához vált, 1 mondatban feljegyezheti, hol és hogyan folytatja. Masicampo és Baumeister 2011-ben laborkísérletekben megmutatta, hogy egy konkrét terv arról, mikor és hogyan készül el egy cél, megszünteti a befejezetlen cél zavaró hatását. Hogy ez a félretett AI-eredményekre is érvényes-e, arra nem találtam tanulmányt.
Az aratás és az újraindítás után, mielőtt a következő fókuszblokk kezdődik, egy valódi szünet segít. Egy metaanalízis (22 minta, 2 335 személy) azt találta, hogy a mikroszünetek növelik a vitalitást és csökkentik a fáradtságot, mindkettőt kis mértékben (Albulescu et al. 2022). Az igényes munkában nyújtott teljesítményre a hatás nem bizonyított, az ajánlás a jóllétre támaszkodik.
Annyi futás, amennyit ellenőrizni tudsz
A szűk keresztmetszet az ellenőrzés, nem az indítás. Egy nap akkor tele van, ha a betakarítás már nem fér bele a munkaidőbe. Ez egybevág a tapasztalati beszámolókkal. Addy Osmani az ügynökök számát a saját review-rátájához köti, és azt írja, a legtöbb embernek ez egy alacsony egyjegyű szám (The Orchestration Tax, 2026). Simon Willison saját bevallása szerint egyszerre csak egy nagyobb módosítás ellenőrzésére és átvételére tud koncentrálni (2025).
A HBR-tanulmány 3 eszköznél húzott küszöbe nem alkalmas a futtatások mércéjének, mert nem világos, mit számoltak. Tesztként egy egyszerű szabály elég: csak annyi futtatást indíts, amennyit a következő betakarítási blokkban alaposan át tudsz nézni. Egy hét után nézd meg, hány eredmény maradt félretéve.
A tanulmányok határai
A Brain Fry-tanulmány önbevalláson és keresztmetszeten alapul, az USA-ból és nagyvállalatoktól származik, és szakmai lektorálás nélkül egy menedzsmentmagazinban jelent meg. A Brain Fry-kérdés egyetlen igen-nem tétel a „valaha” szóval, nem bevizsgált kérdőív. A 33 %-kal nagyobb döntési fáradtság egy skálaérték. A mögötte álló mechanizmust (ego depletion) 2 nagy megismétlő tanulmányban nem sikerült megbízhatóan kimutatni (Hagger et al. 2016, Vohs et al. 2021).
Az ellenszerek terén vékonyabb a kép. Fitz, Masicampo és Albulescu okostelefonokat, laborfeladatokat és szüneteket vizsgált, nem az AI felügyeletét. Több ügynökkel dolgozó egyéni vállalkozókról nem találtam tanulmányt. Az én élményem egyetlen adatpont. Aki hasonló futásokat vezet, hipotézisként kipróbálhatja az ütemet, és a saját betakarításán mérheti.
Azt, hogyan vezetem az AI-futtatásokat a mindennapokban, és mi megy közben félre, az AI Sync hírlevélben mutatom meg, amely minden vasárnap megjelenik.
Minden, ami ezen az oldalon áll, nélkülem is megvalósítható. Az új eszközöket és a változásokat itt vezetem át, minden vasárnap pedig kapsz hozzá egy tippet a hírlevélben.
Az AI SyncreVeled együtt AI-folyamatokat állítok be, amelyek az eredményeiket összegyűjtve, rögzített időpontokban adják le jóváhagyásra, és veled közösen meghatározom, ki mit ellenőriz. Helyszínen Eisenstadttól Mattersburgig és Wiener Neustadtig, online az egész német nyelvterületen.
Tudj meg többetGyakori kérdések
Mi az az AI Brain Fry?
Az AI Brain Fry egy HBR-tanulmányból származó fogalom, amelyet a BCG tanácsadócég kutatói írtak (2026.03.05.). Azt a szellemi kimerültséget jelenti, amely az AI-eszközök saját kapacitáson túli használatából vagy felügyeletéből ered. A fogalom nem orvosi diagnózis. A tanulmány 1 488 nagy amerikai vállalati munkavállaló önbevallásán alapul.
Mennyire gyakori az AI Brain Fry?
A tanulmányban az AI-t használók 14 %-a igennel válaszolt arra a kérdésre, hogy átélte-e már. Ez az amerikai nagyvállalatok AI-használóira vonatkozik, és a kérdés a „valaha átéltre” irányult. Funkciónként nagyon eltért az érték: a marketing területen dolgozó munkatársak 26 %-a, a jogi területen 6 %-a. Önálló vállalkozókra vagy ausztriai kkv-kra vonatkozóan nem ismerek számot.
Ugyanaz az AI Brain Fry, mint a kiégés?
Nem. A szerzők a kiégést krónikus munkahelyi stresszként írják le érzelmi kimerüléssel, a Brain Fry-t pedig a figyelem és a munkamemória akut túlterheltségeként. A tanulmányban az AI miatti kevesebb rutinmunka 15%-kal alacsonyabb kiégési értékekkel járt együtt, a szellemi fáradtság értékei nem voltak alacsonyabbak. A média ennek ellenére gyakran ír „AI-kiégésről”.
Hány AI-eszköz vagy ágens egyszerre már sok?
Egyetlen tanulmányban sem találtam fix számot. A tanulmányban az észlelt termelékenység 1-ről 2 egyidejűleg használt eszközre egyértelműen nőtt, utána gyengébben, és a negyediktől kissé csökkent. Nem világos, pontosan mit számoltak. Addy Osmani fejlesztő az ügynökök számát az ellenőrzési kapacitásához köti, és a legtöbb ember esetében alacsony egyjegyű számot említ. Ez tapasztalati érték.
Mi segít az AI Brain Fry ellen?
Az AI felügyeletére nincs bevált intézkedés. Más területekről vannak utalások: a csoportosított értesítésekre, naponta 3-szor (Fitz et al. 2019, 237 személy), egy konkrét tervre a befejezetlen dolgokra (Masicampo és Baumeister 2011) és rövid szünetekre a fáradtság ellen (Albulescu et al. 2022). Maga a tanulmány a rutin átadását és a felügyelet határainak meghúzását említi. Hogy ez az AI-felügyeletnél működik-e, nyitott.
Elfáraszt az AI, vagy tehermentesít?
Mindkettő előfordul az adatokban. Az AI feletti magas, nem pedig alacsony felügyelet 12 %-kal nagyobb szellemi kimerültséggel járt együtt (relatív különbség önbevallásnál). A kevesebb rutinmunka 15 %-kal alacsonyabb kiégési értékekkel járt együtt. Egy 5 172 ügyfélszolgálati munkatárssal végzett terepi tanulmányban az AI-asszisztenssel dolgozók óránként átlagosan 15 %-kal több esetet oldottak meg (Brynjolfsson et al. 2025).
Változtatások ebben a bejegyzésben
- 2026.11.10.Első változat.
