W15 — Tariff-sokk és protokoll-réteg: az agent-architektúra elválik a piaci hangulattól

Kép helye — Három panel: bal — egy lefelé-mutató tőzsde-grafikon ‘April 2 Liberation Day’ címkével, mellette egy AI-intelligencia és AI-distribution közötti táguló rés; közép — két agent-kör ‘MCP’ és ‘A2A’ címkékkel, közöttük egy zöld kézfogás-ikon; jobb — egy GPU-rack ‘SF Compute spot market $1.20/h’ árcímkével és egy Northeastern-egyetemi Claude-belépő-kép

A hét két, látszólag független irányból feszíti meg az AI-iparat. Egyfelől április 2-án Trump kihirdeti a “Liberation Day” tarifa-csomagot, és április 3-7. között a Dow Jones több mint 4000 pontot esik, az S&P 500 körülbelül 10%-ot, a Nasdaq 11%-ot — két nap alatt 6,6 ezer milliárd dollár tűnik el a piacról. Ez közvetlenül megnyirbálja az enterprise-AI-büdzséket, miközben a modell-kiadási tempó nem lassul: Meta április 5-én kiadja a Llama 4 Scout és Maverick modelleket, a Gemini 2.5 most kerül be a fejlesztői felületekbe (cursor, IDE-k), és az Anthropic április 2-án bejelenti a Claude for Education tier-t Northeastern, LSE és Champlain partnerséggel. Másfelől ugyanezen a héten — április 9-én a Cloud Next-en — a Google bejelenti az Agent2Agent (A2A) protokollt, ami az MCP-vel együtt egy új réteget nyit az agent-stackben: agent-felfedezés, képesség-leírás, egyeztetett együttműködés — kódolt orchestration helyett. A hét tézise: az intelligencia gyorsul, a disztribúció lemarad, és a kettő közötti rést a protokoll- és piaci-réteg fogja kitölteni — middleware, MCP, A2A, GPU-spot-piac. Aki csak a modell-réteget figyeli, hiányolja a 2025 valódi mérnöki frontját.

A “Liberation Day” és az AI-disztribúciós rés

Nate az április 7-i videójában szándékosan félreteszi a tőzsdei kommentárt, és a tarifa-sokk AI-stratégiai következményeit veszi sorra. A keret egyszerű, és érdemes átvenni: “the gap between AI intelligence and AI distribution has never been greater and it’s getting bigger all the time”. Az intelligencia oldalán a kiadási tempó nem lassul — Meta a hétvégén Llama 4-et dob (errefurtól még visszatérünk), OpenAI több modellt készít, Gemini 2.5 mostantól Cursor-on belül is használható, és R2-szerű DeepSeek-frissítés is várható. A disztribúció oldalán viszont nehéz az agent-deployment. Nate konkrét példát hoz: ha egy enterprise olyan ügynököt akar bevetni, aki több, eltérő bemenetet képes egy időben kezelni, vagy aki több ágens-szerepkört koordinál (inventory-checker, policy-checker, master-conversation-agent), az nem turnkey — komoly emberi mérnöki munkát igényel.

A tarifa-shock pontosan ezt a mérnöki befektetést szigorítja meg. Amikor a tőkepiacok bizonytalanok, a board-szintű AI-investment szigora megnő: ha nincs idén kimutatható megtérülés, a projekt csúszik. Nate konklúziója a builders számára: ne a komplex enterprise-agent-platformra építs idén, hanem out-of-the-box, marginhoz közvetlenül kapcsolódó megoldásokra — voice-agent, ticket-resolver, dokumentum-rendszer-integráció. A modell-választás kérdése pedig eltűnik a CTO-asztalról: aki már Copilot-on van, marad Copilot-on; aki már Claude-on van, marad Claude-on.

A videó záró tézise mérnök-szempontból fontos: “middleware was not a sexy word last year in AI. I don’t see model makers investing in it. I think middleware to make deployment easier… is going to be huge.” Az érvelés strukturális: a model-makerek (OpenAI, Anthropic, Google, Meta) nem fognak középső rétegbe fektetni, mert a saját pozíciójukat erodálja. A middleware így piaci hézag — és pontosan ez az, amit a hét másik nagy hír-szála, az MCP + A2A protokoll-réteg, most foglal el.

Az MCP + A2A — a protokoll-réteg formálódik

Az április 9-i Cloud Next-en a Google bemutatja az Agent2Agent (A2A) protokollt, és 50+ enterprise-partner kiáll mögé az induláskor: Atlassian, Box, Cohere, Intuit, LangChain, MongoDB, PayPal, Salesforce, SAP, ServiceNow, Workday. Az A2A négy alap-képességre épül: (1) capability-discovery Agent Card-okon keresztül (JSON-formátum), (2) task-management definiált lifecycle-állapotokkal, (3) agent-agent collaboration kontextus- és instrukció-megosztással, (4) UX-negotiation különböző UI-kapacitásokra. HTTP + JSON-RPC alapokon, hosszan futó task-okat és multi-modalitást is támogat. A protokollt júniusban a Linux Foundation alá adják.

Nate az április 9-i videóban az MCP-vel közös architektúra-tézisét fogalmazza meg: “we’re moving from explicit programming to capability description”. Ez nem marketing-fordulat, hanem mérnöki paradigma-váltás. Hetven éve a szoftvert egyformán építjük: explicit utasítások, explicit kapcsolatok, explicit logika. Az MCP áttöri ezt: a fejlesztő nem programozza, hogyan használja az AI a tool-okat; leírja a tool-képességeket, és az AI kitalálja, hogyan kombinálja őket. Az A2A ezt kiterjeszti agentek közötti viszonyra: az ügynökök egymást fedezik fel, megértik egymás képességeit, és dinamikusan formálnak workflow-t a feladat alapján.

A példa, amit Nate hoz, jól mutatja a strukturális különbséget. Hagyományos sales-ops-rendszer: minden lead-qualification, follow-up-szabály, routing keményen kódolva. MCP-vel: az agent megkapja CRM-, email-, analytics-tool-leírásokat, és maga eldönti, hogyan használja őket. A2A-val: a sales-agent dinamikusan együttműködik egy email-copy-író ágenssel, egy pricing-elemző ágenssel, egy calendar-scheduling ágenssel — anélkül, hogy a kapcsolódásokat egy mérnök előre felépítené.

A reális mérnöki problémákat Nate is felsorolja, és érdemes őket nem hype-ként, hanem nyitott munkacsomagként kezelni:

State-management: ha több autonóm agent dolgozik együtt, ki tartja a konzisztenciát? Hogyan kezeled a parciális kudarcot? Distributed-systems engineereknek ismerős, de új dimenzióban — a node-ok maguk döntenek.
Reasoning overhead: minden együttműködési-egyeztetés tokent és időt fogyaszt. Multi-agent rendszerben ez halmozódik. Nem előre-optimalizálható útvonalakkal: az interakciók dinamikusak.
Security: az agent-agent réteg új sérülékenységi-felület. Authentikáció, autorizáció, audit-trail — anélkül, hogy a flexibilitást elveszítenéd, ami az egész értelme. Az áprilisban publikált MCP-security-elemzés prompt-injection, tool-kombinációval való adat-kiszivárgást és lookalike-tool-replace-t azonosít — a réteg nem érett, csak megjelent.

A SET-szempontból ez a hét talán a legfontosabb. A protokoll-rétegbe most kerülnek be a verifier-, audit- és gate-mintázatok kódolt változatai. Aki ma egy belső agent-pipelinet épít, érdemes az MCP/A2A absztrakciókkal kompatibilisen tervezni, mert a következő 12 hónapban ezek lesznek a vendor-független integrációs pontok.

Distributed cognition — miért nem elég az egyéni AI-produktivitás

Nate az április 11-i videójában egy NASA-anekdotával nyit: a Space Shuttle-program leállítása után az ügynökség konkrétan elfelejtette, hogyan kell egy Space Shuttle-t építeni. Nem absztrakt értelemben — a blueprintek és specifikációk megvannak —, hanem mert a tudás a csapatok közötti összhangban élt: ezer kis döntés, sok-sok mérnöki kontextus, soha le nem írt szóbeli megegyezések. “The real knowledge about how to build a space shuttle existed in between, in the collective knowledge of the team.”

Ezt áthozza az AI-csapatok kontextusába. A legtöbb csapat ma így használja az AI-t: vesznek ChatGPT-előfizetést, mindenki egyéni szinten gyorsabb, és mindenki azt hiszi, hogy a csapat is gyorsabb. Nate szerint ez téves: az egyéni 10x-es gain a csapat-szinten gyakran nullát hoz, ha valaki egy 10x gyorsabban összeállított, de rosszminőségű product requirement-et dob a többiek nyakába.

A high-performing csapatok mintája viszont más: distributed cognition. Nem csak egyéni szinten használják az AI-t, hanem megosztott kontextust építenek. Konkrét gyakorlatok:

Csapat-szintű prompt-bible és kontextus-katalógus: nem egyéni, hanem közös karbantartású.
Eval mint csapat-művelet: nem egy ember teszteli a modell-output-okat; team-rituálé van rá.
AI mint koordinációs-réteg: bizonyos meeting-ek megszűnnek, mert az AI átveszi a strukturált tudás-megosztást — de csak akkor, ha a csapat elismeri ezt a változást, és nem ragaszkodik régi rituálékhoz.
10-100x optionality: ha az AI 10 marketing-üzenet-variánst ad ki, a folyamatot is újra kell tervezni — nem ugyanazt a workflow-t kell gyorsabban futtatni.

Nate kulcs-megfogalmazása: “intelligence operates in the spaces between people”. Új követelmény: az intelligenciának most a “people és AI közötti térben” is működnie kell, kollektíven, megosztott kontextussal. A team-szintű AI-érettség nem tooling-választás, hanem szervezeti tanulási görbe.

SF Compute — a GPU-piac mint pénzügyi termék

A Latent Space április 11-i epizódjában Evan Conrad, az SF Compute alapítója vendég. A beszélgetés időzítése nem véletlen: a CoreWeave IPO után pár nappal jelenik meg, és Conrad rendkívül világosan elemzi, miért nem-cloud a GPU-cloud.

A központi tézis: a hagyományos CPU-cloud-modell nem skálázódik GPU-ra. CPU-cloud: commodity hardware, magas-margós szoftver-réteg fölötte, alacsony-margós hourly-pricing. GPU-cloud: $1 milliárd hardware-budget, ár-érzékeny ügyfél (mert minden incremental GPU bevételt termel inferenciában vagy training-ben), és a szoftver-margó nem skálázódhat a hardware-margóhoz mérten — ha $1 milliárd hardware-en akarsz $1 milliárd szoftver-extra-margót, SAP-méretű szoftver-céget kéne építened ráadásként. “There just aren’t that many pieces of software that you could make that you can realistically sell like a billion dollars of software.”

A CoreWeave-re vonatkozó Conrad-tézis is fontos: CoreWeave nem cloud-cég, hanem real-estate-cég és bank. Hosszú távú szerződéseket köt nagy, hitel-biztos ügyfelekkel (Microsoft, OpenAI — a bevétel 77%-a), és ezt használja arra, hogy alacsony tőkeköltséget kapjon a bankoktól. Ez nem rossz üzlet — csak nem cloud-üzlet a hagyományos értelemben. “If you think CoreWeave’s business is supposed to look like the traditional cloud providers, you’re going to be really upset to learn that GPUs don’t look like that at all.”

Az SF Compute saját pozíciója egy másik trükk: nem birtokolják a hardware-t, hanem piacot építenek köré. Bid-ask, trading-engine, óránkénti ár-felfedezés. A hatás: ha eddig egy enterprise legkevesebb 1 év szerződést tudott kötni egy GPU-cluster-re, az SF Compute-on 1 órás rezerváció is lehetséges, és a long-term contract holderek visszaadhatják a fennmaradó kapacitást. Ez akkurate matching ahhoz a gyakorlathoz, hogy egy startup csak burst-szerűen igényli a GPU-t — research, batch-eval, periodikus retraining.

A cél: futures-piac compute-ra. Spot-piac → index-ár → cash-settled future. Conrad szerint ez a következő logikus lépés, és a CoreWeave-szerű cégek számára is hasznos lenne, mert a hosszú távú szerződéseket kockázat-csökkentett pénzügyi instrumentumokká alakítja át. A SET-szempont: inferencia-batch és training-pipeline tervezésénél a compute-ár volatilitásával számolni kell, és preemptable + idő-zónás (éjszakai) árazás-stratégiákkal mérhető megtakarítás érhető el.

Mellékszál — rovatok

Llama 4 — pillanatkép és a benchmark-vita

Meta április 5-én adja ki a Llama 4 Scout-ot (17B aktív paraméter, 16 expert) és a Maverick-et (17B aktív, 128 expert). Az állítás: a Maverick veri a GPT-4o-t és a Gemini 2.0 Flash-t több standard benchmark-on. A hét végére viszont megjelenik a benchmark-vita: a Meta az LMArena-n egy kísérleti chat-variánst futtatott (1417 ELO), nem a publikus modell-súlyokat. Az LMArena-közösség “major slight”-nak nevezi. A tanulság: leaderboard-mismatch még a frontier-modelleknél is előfordul — saját workload-on tesztelni kötelező.

Claude for Education — Anthropic egyetemi push

Anthropic április 2-án bejelenti a Claude for Education tier-t — Northeastern, London School of Economics, Champlain College a launch-partnerek. Az új Learning mode nem ad kész választ, hanem a diák érvelési folyamatát vezeti. Northeastern minden 13 globális campusán a hallgatók, oktatók, dolgozók ingyen kapják a premium-Claude-ot. Anthropic csatlakozik az Internet2-hez, és Canvas LMS-integrációt épít az Instructure-ral. Stratégiai-szempontból ez disztribúció-építés — a következő 5 év vállalati AI-vásárlóit most szocializálja Claude-ra.

CoreWeave IPO

A háttérben: a CoreWeave közvetlenül a hét előtt IPO-zik az NYSE-en — ez ad keretet az SF Compute beszélgetésnek. A pricing alulmúlta a várakozást, de a stock kiegyenlítődik. A piac most tanulja, hogy a “GPU-cloud” pénzügyi profilja nem cloud-, hanem real-estate-szerű.

Mit viszünk magunkkal

A hét négy konkrét, mérnöki-szervezeti kérdést hagy ott:

Middleware-tervezés mint stratégiai befektetés. A model-makerek nem fognak középső rétegbe fektetni — a stack-tervezésnél ez a saját mérnöki csapat hozzáadott értéke. Konkrétan: vendor-független MCP/A2A-kompatibilis tool-szerződések, eval-keretrendszer, audit-trail, kontextus-katalógus. Ne a modell-választást tedd a stack tetejére, hanem a stabil közbülső réteget — a modell mögötte cserélhető legyen.
Protokoll-réteg-érettség saját stack-en. Az MCP + A2A még éretlen — security, state-management, reasoning-overhead nyitott. De aki most tervez 2025 második felére rendszert, érdemes legalábbis az absztrakciókat átvenni (capability-leírás, agent-card-formátum), még ha pure-A2A-deployment-et nem is futtat. Ez opcionalitást ad, ha a piac konvergál.
Distributed cognition mint csapat-folyamat. Az AI-produktivitás csapat-szinten nem additív. Ha a csapat nem építi a megosztott kontextust (prompt-bible, eval-rituálé, kontextus-katalógus), az egyéni 10x-ek nem összegződnek — sőt, néha negatívak (gyors-de-rossz-output a többiek nyakába). A SET-szempont: a verifier-réteg csapat-szintű artefaktum, nem egyéni mérnöki szokás. Ha az evals-csomag csak egy-egy ember fejében él, az konkrét single-point-of-failure.
Compute-ár-volatilitás mint termék-tervezési input. A SF Compute-féle piac érlelődésével a batch-jellegű AI-feladatokat (offline-eval, retraining, large-context-summarization, dokumentum-pipeline) érdemes idő- és ár-érzékeny módon ütemezni. Ha az inferencia-cost a roadmap egyik tétele, a spot-piaci ár-trendet érdemes saját financial-model-be építeni, nem csak listaárral számolni.

A W16-ban várható: GPT-4.1 családjának belépése a fejlesztői felületekbe, OpenAI o3 / o4-mini várható kiadása, és további reakciók a Llama 4 benchmark-vitára.

Források

Fő forrás — Nate B Jones csatornája:

2025-04-07 · Stocks are Crashing — Here’s How That Changes AI in 2025 — tarifa-shock AI-stratégiai következményei, intelligence-distribution-rés, middleware-tézis.
2025-04-09 · MCP, A2A, and the Beginning of the End of Explicit Programming — capability-description paradigma, agent-agent együttműködés, érettségi gátlók.
2025-04-11 · Why Your Team is Probably Missing the AI Revolution (And NASA Can Explain Why) — distributed cognition, csapat-szintű AI-produktivitás, Space Shuttle-metafora.

Körbejárás / tech-mélység — Latent Space podcast:

2025-04-11 · SF Compute: Commoditizing Compute (Evan Conrad) — GPU-piac strukturája, CoreWeave-elemzés, futures-piac compute-ra.

Primer forrás — Anthropic hivatalos:

2025-04-07 · Introducing Claude for Education — Northeastern, LSE, Champlain partnerség, Learning mode.

Fact-check és hivatkozott eredeti források:

A heti hírlevelet saját gondolatainkból és független keresésekből állítjuk össze. Az eredeti források a fenti listában találhatók.