W05 — Több agent kevesebb output, és az Amazon nem kultúrát vág, hanem GPU-t vesz

Bal oldalt egy görbe — agent-szám felfelé, throughput lefelé, '20 agents = 3 agents output' felirattal. Jobb oldalt egy mérleg: egyik serpenyőben 30 000 corporate badge, másikban GPU-rack.

A hét két olyan iparági igazságot tett láthatóvá, amik egymástól függetlenek, mégis ugyanahhoz a következtetéshez vezetnek. Az egyik oldalon a Google Research, a Google DeepMind és az MIT december 9-i, 180 kontrollált kísérlettel készült tanulmánya ért el a praktikus diskurzusig — és a számai egyszerre nyomasztók és felszabadítók. Ami ezen a héten kirajzolódott belőle: ha egy agent egy adott feladatra már 45% pontosság fölött teljesít, akkor a további agentek hozzáadása nem segít, hanem ront. Tool-heavy környezetben — tíz fölötti eszközszám mellett — a multi-agent rendszer hatékonysága a single-agent referenciához képest kettő-hat-szorosára esik vissza, vagyis húsz agent gyakorlatilag három munkáját végzi el, a többi sorban áll.

A másik oldalon az Amazon-narratíva. Andy Jassy szigorúan kultúra-driven leépítésnek nevezte a 30 000 fős corporate-vágást, az érdekes itt viszont az, hogy a balance sheet egészen más történetet mond. A negyedéves szabad pénzáramlás mínusz 4,8 milliárd dollárra süllyedt, miközben a capex 125 milliárdra ugrott — ennek 75%-a AI-infrastruktúra, GPU, custom Tranium chip, data center, áram. Headcount kerül silicon-ná, és minden hyperscaler ugyanezt a számtant futtatja most. Mellette megjelent az OpenAI Prism — LaTeX-szerkesztő tudósoknak —, az OpenClaw átlépte a 100 ezer GitHub-start, egy Whimo robotaxi iskolai zónában elütött egy gyermeket Santa Monicában, és a Tesla bejelentette, hogy a Model S és X gyártását leállítja, hogy a sort robotgyártásra állítsa át.

A közös szál, ami ebből a hétből kihámozható: a “több = jobb” intuíció — több agent, több ember, több capex — már nem áll meg. Mindegyik dimenzióban előbukkan a bottleneck és a koordinációs overhead.

A Google–MIT-tanulmány és Yegge Gas Town-jának konvergenciája

A Google Research / DeepMind / MIT-tanulmány — Toward a Science of Scaling Agent Systems — 180 kontrollált kísérletet futtatott, és a számok egyszerre dicsérik és temetik a multi-agent gondolatot. Párhuzamosítható feladatokon, tipikusan financial analysis-jellegű munkákon, a multi-agent felállás 81%-os boostot is hozhat. Szekvenciális tervezési feladatokon viszont 70%-os visszaesést mértek. A küszöb, ami ebből kirajzolódik: 45% single-agent accuracy fölött többletet hozzáadni már nem érdemes — és az iparág production agentjeinek többsége pontosan ebben a sávban dolgozik.

Ami ezen a héten többfelől is hallani lehetett: ez a megfigyelés nem új, csak most kapott számot. A complexity creates serial dependencies and serial dependencies block the conversion of compute into capability mondat egy mérnöki keret, amit a Cursor belső kísérletekben (több száz agent egyszerre) és Steve Yegge a publikus Gas Town blogposztban (20-30 agent saját mérnöki munkájához) egymástól függetlenül ugyanígy megfogalmazott. A meglepő pedig az, hogy mindhárom csapat — Google–MIT, Cursor, Yegge — pontosan ugyanarra az architektúrára konvergált.

A konvergens minta öt szabálya:

Két szint, nem csapat. Planner + worker(s) + judge — a workerek nem koordinálnak egymással, nem is tudnak egymásról. A flat “agent-team” minta (közös fájl, lock, status update) a Cursor kísérletében húsz agentből háromnyi kimenetet hozott. Volt mellette egy érdekes viselkedési mellékhatás is: a lock-mentes flat csapatban az agentek risk-averse-é váltak, csak a könnyű taskeket szedték fel, a nehéz feladatok claim nélkül ültek.
Workers stay ignorant. Minimum viable context (a feladat elvégzéséhez szükséges legszűkebb környezet). Ha egy worker tudja a teljes projekt-célt, scope creepet csinál és átértelmezi a saját feladatát. Az information hiding (információ-elrejtés) itt nem stílus, hanem kényszerítő szabály.
No shared state. A koordináció külső, concurrent-access-re tervezett mechanizmusokon — Git-merge, task queue — keresztül történik, nem a workereken keresztül. Yegge Gas Town-jának refinery-rétege pontosan ezért van: a merge-komplexitás dedikált infrastruktúrához tartozik, nem a worker dolga.
Plan for endings. A long-running agent kontaminálódik (context pollution, lost-in-the-middle, vagyis a kontextusablak közepén lévő információ degradálódása), Cursor megfigyelése szerint órákon belül drift jelentkezik, függetlenül a context window méretétől. A megoldás episodic operation: az agent fut, az eredményt kiírja külső állapotba, terminál, frissen indul. A Ralph-loop sikere is innen érthető — a context-wipe maga a feature.
Prompts > infrastructure. A multi-agent failure-ek 79%-a spec- vagy koordinációs-probléma, csak 16%-uk infra-bug. Egy clean role-spec és egy izolált környezet többet ér, mint egy elegáns message queue.

A nagyobb tézis, ami ebből látszik: a komplexitás vagy az agentekben él, vagy az orchestration-rétegben — és a kettőnek nagyon eltérő a skálázási tulajdonsága. Yegge Gas Town-ja paradox módon bonyolult — hét worker-típus, mayor, refinery, polecats —, de a komplexitás egy külön rétegben van, és maguk a workerek dumb-ok. SET-fordításban: a verifier-réteg, a merge-pipeline, a smoke-test, az audit-log mind orchestration-réteg. Ha ezek ott élnek, akkor az agentek lehetnek egyszerűek és cserélhetők. Ha az agentekben élnek, akkor többletséma nélkül skálázhatatlanok.

A Gartner-előrejelzést — 40%-os agentic AI projekt-cancellation 2027-ig — érdemes ennek a fényében olvasni. A magyarázat is itt van: a csapatok azt építik, amit a frameworkök és a LinkedIn-posztok mondanak, nem azt, ami productionban skálázódik.

A kontextus-vesztés mint szoftverarchitektúra-tézis

Két nappal később, január 28-án, egy provokatív tézis került elő: az AI architekturálisan jobb lehet a szoftverépítészetben, mint a humán mérnök. Nem azért, mert okosabb — hanem mert a humán mérnök strukturálisan képtelen arra a léptéktartó figyelemre, amit egy modern, nagyméretű kódbázis igényel.

Az érvelés Ding (ex-Vercel performance-engineer, mintegy 400 PR) megfigyelésére épül: a performance-bug-ok nem technikai hibák, hanem entrópia-problémák. You cannot hold the design of the cathedral in your head while laying a single brick. A példák, mind production-realitás:

Pop-up-hook globális listenerrel — minden hook-instance hozzáad egy global click-listenert; száz popup százszor reagál minden klikkre. Lokálisan tiszta, globálisan elviselhetetlen.
Cache-elés új object-paraméterrel — minden hívás új object-referenciát készít, így a cache csendben sose hit-el. Type-check passzol, lint passzol, csak a cache halott.
Coupon-check egy 1000 soros checkout-funkcióban — szekvenciális await ott, ahol párhuzamosítható lett volna; a fejlesztő nem látta a teljes async-flow-t, mert az több ezer soron, több korábbi kolléga kódjában van szétszórva.
Memoization olcsó property-accessen — a memo-overhead drágább, mint az eredeti olvasás. Best practice-t alkalmaz, de soha nem mérte, kell-e.

Mindegyik lokálisan védhető döntés, ami globálisan kárt okoz, és a humán munkamemória négy-hét chunk-os korlátja strukturálisan blokkolja, hogy bárki egyszerre lássa a részletet és az egészet. A code review szükségszerűen vagy a részletre, vagy az egészre fókuszál — bug-ot fog, architekturális regressziót nem.

Az AI itt strukturális előnnyel rendelkezik: 200 ezertől 1 millió tokenig terjedő context, fáradhatatlan figyelem, konzisztens szabály-érvényesítés a teljes repón. A Vercel konkrét lépést tett ennek a monetizálására: körülbelül tíz év React- és Next.js-tudást desztilláltak 40+ szabályba, nyolc kategóriában, AI-agent által queryable repóként. Az agent egy PR-on át tudja futtatni a teljes szabályrendszert, kontextusban, magyarázattal — olyan minőségben, amire egy fáradt senior a 47. PR-ja után már nem képes.

A keret nem AI versus human. Ahol az AI strukturálisan jobb (pattern-detection at scale, konzisztencia-érvényesítés, globális és lokális egyszerre), oda az AI kerüljön; ahol a humán strukturálisan jobb (üzleti trade-off, novel architecture, “miért volt ez régen így döntve”-archeológia), ott maradjon humán. A jó architektúra ezt a kompozíciót megtervezi, nem keveri.

A SET-tézis szempontjából ez a megfigyelés direkt megerősítés: az /opsx:verify, /opsx:apply, az .claude/rules/set-*.md rendszer, a cross-cutting checklist és a project-knowledge.yaml mind pontosan egy “AI-által queryable, konzisztensen érvényesíthető szabályrendszer” — és 2026-ban ez nem nice-to-have, hanem moat. A model-intelligence commoditizálódik, a context-engineering a differenciátor.

Az Amazon-narratíva mögött: 30 000 ember = 6 milliárd USD/év = fél data-center-campus

Andy Jassy január 29-i vasárnapi memóban és az earnings callon kategorikusan kimondta: a 30 000 fős corporate-leépítés nem AI-driven, nem financial-driven, hanem culture-driven. Túl sok layer, túl sok bürokrácia, vissza a startup-mentalitáshoz. Az érdekes itt az, hogy a január 30-i matematikai szétszedés nyomán a balance sheet egészen más történetet mond:

Amazon Q3 2025 negyedéves szabad pénzáramlás: −4,8 milliárd dollár.
Trailing 12-hónapos FCF: −61% év per év.
Capex 2025-re: 125 milliárd dollár (a 2024-es 83 milliárd után, +50%).
A capex 75%-a AI-infrastruktúra (GPU, custom Tranium chip, data center, power).
12 milliárd dolláros bond-kibocsátás kifejezetten infra-finanszírozásra — és ez nem zero-rate környezet.
A Bank of America szerint a Big Five (Amazon, Microsoft, Google, Meta, Oracle) aggregált capex-e most az operating cash flow 94%-át emészti fel, osztalék és buyback után. Ez közel a maximum, debt nélkül.

A számtan egyszerű: 30 000 ember × ~200 000 USD median total comp = nagyjából 6 milliárd USD/év megtakarítás. A 125 milliárdos capex-hez képest ez rounding error. A −4,8 milliárdos negatív FCF-hez képest viszont ez pontosan a különbség az “új debt-kibocsátás” és a “belső finanszírozás” között. Konkrétabban: a 6 milliárd nagyjából megegyezik a Project Rainier (500 000 Tranium 2 chip) éves költségével, vagy egy éves data-center-campus-budget felével.

A három-auditóriumú narratíva, amit Jassy egyszerre szolgál ki, szépen elválasztható. Az alkalmazottak felé az üzenet az, hogy “a munkád nem volt rossz, csak túl sok layer volt” — ez kevésbé brutális, mint “GPU-t veszünk a fizetésedből”. Az investorok felé a “proaktív optimalizálás” a sztori, mert a cash-constraint admittálása büntetné a stockot — pontosan ezért kapott Microsoft is 11%-os esést a héten. A regulator és a közvélemény felé pedig a “nem AI-replacement” üzenet csökkenti a kongresszusi figyelmet.

A tell, ami ezt a hármat együtt elárulja, Jassy 2025 júniusi memójában van: ott még tisztán lehetett olvasni, hogy AI miatt fewer people doing some of the jobs that are being done today. Hét hónappal később, a 16 000 fős hullám earnings-callján, már not AI-driven, not right now at least a frázis. A “not right now at least” hedge mindent elárul.

A makró-jelentés: minden hyperscaler ugyanezt a számtant futtatja. Microsoft 15 000 fő, Meta “year of efficiency” folytatódik, Intel 24 000. A Challenger-jelentés szerint 2025-ben 1,1 millió tech job-cut volt — a legmagasabb a pandémia óta. A kulcsmondat: You’re not being replaced by an AI. You’re being replaced by the need to buy GPUs.

ITLine-szempontból ez egy lassan formálódó makró, amit érdemes követni. A nagy ügyfelek nem AI-headcountot vágnak — jellemzően nincs is —, hanem az infra-budget-jük strukturálisan újraallokálódik AI-felé. A tradicionális IT-konszolidáció (kevesebb licensz, kevesebb on-prem) szinkronban menetelhet egy új infra-fronttal, ahol mi nem hyperscaler-rel versenyzünk, hanem az integrációs résben — verifier-réteg, audit-log, agent-orchestration egyedi domainen — ülünk.

OpenAI Prism — a “Cursor for scientists” lépés

A Latent Space január 27-i podcastja Kevin Weil-lel (OpenAI for Science VP) és Victor Powell-lel (product lead) élőben demózta a Prism-et — egy ingyenes, AI-native LaTeX-szerkesztőt, GPT-5.2-vel a háttérben, január 27-én launch-olva. A háttér: az OpenAI felvásárolta a Cricket (Crixet) nevű cloud LaTeX-startupot (Powell vezette), és integrálta a GPT-5.2 codex-harness-rendszert (a Codex CLI körüli, feladatra szabott eszközréteg).

A demóból három mozzanat érdemli a figyelmet a SET- és orchestration-nézőpontból. Először a whiteboard-fotó → LaTeX-diagram demó: Powell felrajzolt egy commutative-diagramot egy whiteboardra, lefotózta, feltöltötte, és Prism TikZ-kódra konvertálta a tudományos paper megfelelő szekciójába. Egy korábban órákban mért feladat, ami most körülbelül tíz másodperc. Másodszor egy symmetry-verification background-jobként: második chat-szálon Weil megkérte a rendszert, hogy verify that the H+ operator in the new symmetries section is indeed a symmetry of the stationary axissymmetric equation, prove it here, don’t edit the paper — egy párhuzamos reasoning-szál, ami nem blokkolja a fő editet. Harmadszor: egy 30 perces lecture-notes generálás a Riemann-curvature témakörre — hat oldal LaTeX, példákkal, levezetésekkel, while I was waiting.

A nagyobb tézis, ami Weil-től elhangzott, közvetlenül a SET-pozíció előfutára: every million copy-paste done in ChatGPT, there’s probably some product to be built. A model-acceleráció maximális hozama nem a chat-felületen, hanem a workflowba ágyazott AI-ban van. Software engineeringben ez 2025-ben történt meg (Cursor, Codex, Claude Code); a 2026 a tudomány-AI inflection-éve lesz. Ami 2025 elején early-adopter volt mérnökségben, az 2026 elején még early-adopter tudományban, 2026 végére mindenhol default.

Az architektúra-megjegyzés Powell-től: a LaTeX-compile-t eredetileg full-WASM-renderingre tervezték (frontend in-browser), és ez egy darabig segített is a design-iterációban — nincs backend cost. Aztán egy ponton beleütközött a falba a usage, és átálltak backend PDF-rendelésre. Klasszikus MVP-tradeoff vs. scale-tradeoff, ismerős minta a saját stack-tervezésben is.

Plusz egy meta-pont: a Codex-harness be fog épülni a Prism-be is, vagyis az OpenAI úgy építi a rendszert, hogy a “codex-harness” mint közös agent-runtime több termékben is megjelenjen. Ez stratégiailag a platform-konszolidáció lépése: a Codex-skill-ek és tool-szerződések cserélhetőek a tudomány-domain és a kód-domain között.

OpenClaw — Peter Steinberger lobsztere, ami már 145 ezer starnál tart

Peter Yang két epizódot is hozott — egy tutorialt január 28-án és egy interjút magával Peter Steinbergerrel február 1-én — az OpenClaw-ról (eredetileg Clawdbot, majd Moltbot, Anthropic-trademark-kifogás után végül OpenClaw). A projekt egy egyórás weekend-hack-ből indult, mostanra 300 000 LoC TypeScript, 100 000 → 145 000 GitHub-star pár hét alatt, és minden major messaging-platformot támogat — WhatsApp, Telegram, Discord, iMessage, Slack.

A koncepció: Claude Code (vagy bármely más agentic CLI) wrappere, amit egy chat-üzenettel triggerelsz a telefonodról, és full system-access-szel fut a saját számítógépeden. Steinberger Marokkóban, vakáción veszi észre, hogy ő a saját rendszerének a használója — bug-fix WhatsApp-üzenetből (screenshot → repo-clone → fix → commit → reply Twitteren), check-in egy British Airways járatra (Dropbox-ban talált útlevél, browser-control, antibot-defeat: it doesn’t feel different from a human).

A január 31-i hetes-összefoglaló konkrét nevet ad ennek: lethal trifecta of private data access, exposure to untrusted content, and the ability to take action. Ez Simon Willison óta ismert frame a security-szakirodalomban: pontosan az a három attribútum, amit egy prompt-injection-támadás kihasznál. Az OpenClaw mindhármat egyszerre tartalmazza — emiatt lett egyszerre a hét egyik legviralisabb projektje és a hét egyik legaggályosabb security-implementációja.

A nyilatkozat, ami a SET-tézist a leginkább érinti, Steinbergertől származik az interjúban (anti-Gas Town, anti-Ralph framing). Sok Claude Code-managert, Codex-orchestrátort és hasonló kis dolgot lát, ami azt az illúziót kelti, hogy produktívabb leszel tőle, valójában nem. A Ralph-loopra a saját kifejezése: the ultimate token-burn machine — what those agents don’t really do yet is have taste. És talán a legpontosabb mondat: if you try to put everything into a spec up front, you miss this kind of human-machine loop, and I don’t know how something good can come out without having feelings in the loop almost — like taste.

Ez érdekes ellenpont a Google–MIT / Yegge / Cursor “scale via simplicity”-konvergenciának. Steinberger nem azt mondja, hogy a multi-agent-orchestration nem skálázódik — ez tényadat —, hanem azt, hogy egy épülő terméken a humán-in-the-loop, taste-driven iterációval gyorsabban születik valami érdekes, mint száz dumb-agenttel egy szétpiltetlen specre.

A két nézet nem ütközik, ha jól szétválasztjuk. Steinberger a product-discovery, taste, vision rezsimről beszél — ott a humán-in-the-loop a binding constraint. Yegge és Cursor a kódbázis-volumen, refactor, sustained development rezsimről — ott a parallel-orchestration a binding constraint. Mindkét rezsim valós, csak különböző problémákat oldanak meg. A SET-tézis szempontjából a verifier-réteg és a tool-szerződések mindkét rezsimben kellenek, csak más szerepben.

Mellékszál — rovatok

Whimo, gyermekbaleset, accountability-deficit

Január 23-án Santa Monicában egy Whimo-robotaxi iskolai zónában elütött egy gyermeket délutáni iskolai kicsöngetésnél. NHTSA preliminary evaluation indult. Nem ez az egyetlen federális vizsgálat a héten: az NTSB Austinban külön vizsgálatot indított, mert a Whimo-járművek legalább 19-szer hajtottak el iskolabuszok mellett a kihelyezett STOP-jelzéssel ebben az iskolaévben. A Whimo defenzív válasza — peer-reviewed model says a human driver would have hit harder — tonedeaf annyiban, hogy az autonomous vehicle nem a medián humán sofőrrel verseng a publikus narratívában, hanem azzal, hogy van-e accountability és társadalmi elfogadás. Ha ez a tone marad, az AV-deployment-szabályozás 2026 végéig keményen szűkül.

Meta +10%, Microsoft −11% — ugyanazon AI-spend mellett

Earnings-szezon: Meta jelentett 8,88 USD EPS-t (várt: 8,16), 59,9 milliárdos revenue-val, és a capex-guidance-t 115-135 milliárd dollárra emelte (2025-ben 72 milliárd volt). Stock +10%. Microsoft jelentett: Azure +39% (vs. +40% az előző negyedévben — egyetlen pp), és kiderült, hogy a 625 milliárd dolláros commercial backlog 45%-a OpenAI-commitmenthez kötött. Stock −11%. A piaci üzenet: AI-spend OK, OpenAI-spend (ahol nem te kontrollálod az asset-et) más sztori. Apple kontextusba: az Anthropic-deal el-elesett a Siri-powering-ről árazás miatt, és a Google Gemini-vel köt megállapodást — a Wall Street az Apple-Google kombót már nem fogja büntetni úgy, mert a Google maga is hyperscaler, ahol AI is an affordable bet.

Tesla: a Model S és X meghal, Optimus felé fordít a Fremont

Tesla earnings: a Model S és X gyártása megszűnik, a Fremont-line átalakul Optimus-robotgyártásra, célszám 1 millió robot/év, kezdés 2026 vége. Plusz 2 milliárd USD befektetés az xAI-ba, Grok-deployment minden Tesla-flottába, FSD-előfizetők 1 millió fölött, robotaxi hét új metro-területen az első félévben (Dallas, Houston, Phoenix, Miami, Orlando, Tampa, Las Vegas). A signal: a Tesla úgy döntött, hogy inkább robotgyár akar lenni, mint autógyár. Anthropic-fundraise közben 350 milliárd dolláros valuation (a szeptemberi 180-ról közel duplázás), GIC és Koju vezetésével.

Amazon-AWS Reneer és az Anthropic 38 milliárdos infra-deal

Egy adat, ami megerősíti az Amazon-tézist: 2026 januárjában bejelentett 38 milliárd dolláros AWS–Anthropic infra-deal — ez nem partnerségi nyilatkozat, hanem multi-year compute-commitment, ami a Project Rainier-budgetet indokolja (500 000 Tranium 2 chip, fele a teljes AWS Anthropic-dedicated kapacitásnak). Ez direkt finanszírozási oka annak, hogy az Amazon-felé a 30 000 fős leépítés most kellett — nem két éve.

Anthropic: interactive tools in Claude

Az Anthropic 54 másodperces hivatalos videója január 26-án jelent meg, lényegében sub-feature-launch: a tool-use UI most már interaktív Claude.ai-ban. A részletek a videóban szinte nincsenek (zene + “Ooh”), de a hivatalos blog januárban dokumentálta: a fejlesztők egyetlen tool-call-ban most már több tool-választást, formot, gomb-eseményt is ki tudnak rakni a felhasználónak, és az LLM ezekre reagál. SET-szempontból ez a tool-szerződés UX-rétege — pontosan az, ami a W07-ben említett “be empathetic to the model” másik oldala: most a felhasználónak is empathetic.

Mit viszünk magunkkal (SET / ITLine)

A hét három mérnöki és IT-vezetői kérdést hagy a prep-listán.

Először a multi-agent ROI-újraszámolás. Aki most futtat multi-agent rendszert (vagy tervez), érdemes feltennie a Google–MIT 45%-os küszöbkérdést: a single agent a feladatra mennyit teljesít? Ha 45% fölött, akkor a parallel-fork általában rontja az eredményt — kivéve ha a feladat strikt módon párhuzamosítható (financial-modeling-style, független subtaskok). A Gas Town-architektúra (két szint, ignorant workers, no shared state, plan for endings) érvényes default — és lényegében megegyezik a SET-féle “verifier-orchestration-réteg + cserélhető workers” sémával. Ha eddig “smart agent + smart agent collab”-ot terveztünk, érdemes két szintre lebontani.

Másodszor a context-engineering mint új fő-kompetencia. A Vercel példája — tíz év React-tudás → 40+ szabály → AI-agent által queryable repó — prototípusa annak, amit minden komoly stack 2026 végéig csinálni fog. A SET-tézis szempontjából ez direkt validáció: az .claude/rules/, a set/knowledge/project-knowledge.yaml, az openspec/specs/ mind ennek a context-engineering-rétegnek a komponense. Modell-fogyasztói oldalon ez azt jelenti, hogy ne a modellt válaszd, hanem azt, hogy hogyan szolgáltatod neki a kontextust — egy okosabb modell aztán automatikusan jobban fog fellépni az ugyanazon rule-set ellenében. Ez közvetlen 2026-os fordítása az Erik / Anthropic-féle if the models get smarter, your moat disappears, you’re building the wrong thing tézisnek.

Harmadszor a hyperscaler-capex-arbitrázs. Az Amazon-narratíva azt jelzi, hogy a 2026-os infra-stack többe kerül enterprise oldalon, de a value-capture lehetősége az integrációs rétegben nyílik. Ami nem fog változni: a hyperscaler-rel közvetlenül versenyezni öngyilkosság. Ami nyitva van: azok az ügyfél-feladatok, ahol a generic AI-capacity nem tud lefordulni cégspecifikus értékre context nélkül. A 4,5 trillió dolláros Cognizant-becslés (a bottleneck-videó kulcsadat) pont erre mutat: value is conditional on implementation. Ahol a saját business-knowledge, codebase-context, üzleti folyamat rejtetten él — ott a verifier-réteg, az audit-log és az agent-orchestration egyedi infrastruktúrája az, amit az ITLine 2026-ban értékesítési alaptételként vihet.

A W06-ban Apple-Google Gemini-Siri részletek várhatóak, GPT-5.3 rumor, és a Whimo-NHTSA-vizsgálat első iránya.

Források

Fő forrás — Nate B Jones csatornája:

2026-01-26 · Google Just Proved More Agents Can Make Things WORSE — Google-MIT-tanulmány, Cursor + Yegge konvergencia, scale-via-simplicity öt szabály.
2026-01-28 · The Ticking Time Bomb in Every Codebase Over 18 Months Old — entropy-thesis, Vercel rule-repo, AI strukturális architektúra-előny.
2026-01-30 · The $125 Billion Secret: Amazon Told Wall Street One Thing and Employees Another — capex-vs-FCF math, headcount-to-silicon konverzió.
2026-01-31 · Meta Up 10%, Microsoft Down 10%, Tesla Killing Cars — earnings-divergencia, Whimo-baleset, OpenClaw 100k star.

Primer forrás — OpenAI / Latent Space:

2026-01-27 · Prism: OpenAI’s LaTeX Cursor for Scientists — Kevin Weil & Victor Powell — Prism élő demó, Codex-harness konszolidáció, AI-for-science 2026-tézis.
2026-01-26 · Your tools are now interactive in Claude — Anthropic tool-UX feature-launch.

Tutorial / interjú — Peter Yang:

2026-01-28 · Full Tutorial: Set Up Your 24/7 AI Employee (OpenClaw) — gyakorlati setup, prompt-injection-figyelmeztetés.
2026-02-01 · How OpenClaw’s Creator Uses AI to Run His Life — Steinberger interjú, anti-Gas Town/anti-Ralph keret, taste-driven flow.

Fact-check és hivatkozott eredeti források:

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