A közelmúltban két jelentős esemény is felhívta a figyelmet az AI-szuverenitás problémájára: 2026. június 3-án az Európai Bizottság bemutatta Technológiai Szuverenitási Csomagját, amellyel a félvezetők, a felhő, a mesterséges intelligencia és a nyílt forráskód terén kívánja csökkenteni az EU függőségét az unión kívüli szereplőktől. Kilenc nappal később pedig az Anthropic tette minden felhasználójának elérhetetlenné a Fable–5 és a Mythos–5 modelljeit, miután az amerikai exportkorlátozás megtiltotta a külföldi állampolgárok hozzáférését, és a cég nem tudta valós időben megállapítani, ki tartozik ebbe a körbe. A Fable tilalmát június 30-án feloldották, a Mythos–5 azonban máig csak jóváhagyott amerikai szervezetek szűk köre számára érhető el. Jól látható, hogy az EU és az USA egyaránt szuverenitási és stratégiai kérdésként kezeli az AI-t – érdemes tehát tisztázni, mi is az az AI-szuverenitás, és pontosan felvetni a mögötte álló problémát.

Miért fontos az AI-szuverenitásról beszélni?

A mesterséges intelligencia olyan terület, ahol a szuverenitás kérdése egyaránt érint állami és nem állami szereplőket is. A szélesebb közvélemény előtt azonban gyakran egyszerűen rejtve marad, milyen függőségi viszonyokat eredményez az AI-rendszerek különböző szintű használata. Az AI-ra sem szabad csak mint technológiára tekinteni, hiszen egyfelől létezése szorosan összekapcsolódik a társadalom kulturális, politikai és gazdasági dimenzióival, másfelől pedig ugyanezen dimenziók működésének egyre meghatározóbb közegévé is válik.

Az AI-rendszerek nem semleges módon üzemelnek; aszerint működnek, ahogyan betanítják őket, a betanítás során pedig az explicit és implicit fejlesztői – és finanszírozói – értékrendek, érdekek beépülnek a rendszerekbe. Ebből egy nehezen tudatosítható tény következik: egy AI-rendszert használni annyit jelent, mint valaki más döntéseinek eredményével dolgozni, valaki más világképe és filozófiája szerint operálni.

Az AI-szuverenitás kérdése túlmutat a technológia, valamint a technológia implementálásának technikai kérdésein. Középpontjában nem a teljes függetlenség áll, hanem az, hogy egy szereplő a függőségei ellenére mennyiben képes megőrizni döntési képességét. A szuverenitás mértékét ezért ezen a területen sem a függőségek hiánya jellemzi, hanem az mutatja meg, hogy e függőségek ellenére mennyiben képes saját maga meghatározni a cselekvés feltételeit, különös tekintettel a rendkívüli helyzetekre.

Ez az államokat, vállalatokat, intézményeket és szervezeteket – bizonyos értelemben akár az egyéneket is – érintő strukturális probléma. Amikor tehát szereplőkről beszélünk, akkor az összetettség, a koordinációs szükséglet különböző szintjeiről beszélhetünk; alapvetően más természetű működés jellemez egy nemzetközi szervezetet vagy egy nagyvállalatot, de – nézetem szerint – a megválaszolandó alapkérdések ugyanazok.

A problémát egy négy stratégiai rétegből álló, alapvetően analitikai modellben próbálom megragadhatóvá tenni.

• Az infrastrukturális réteg a fizikai fundamentumot,
• a technológiai réteg a modelleket és fejlesztési kapacitásokat,
• a governance-réteg a szabályozás különböző szintjeit és kategóriáit,
• az integrációs réteg pedig a szervezeti beágyazódás kérdéseit igyekszik bemutatni.

Ezek az analitikai rétegek a valóságban szervesen összefonódva rajzolják ki egy-egy szereplő mozgásterét, hogy mennyire képes szuverén cselekvőként fellépni.

Infrastrukturális réteg

Az AI nem a virtuális térben anyagtalanul lebegő valami – kőkemény, materiális alapokon áll. Valóságos, anyagi dolgok fizikai úton egybekapcsolt rendszere: ingatlanok (földterületek, épületek), az ezeket ellátó közművek és infrastruktúrák (energia, távközlés stb.), az adatközpontok hardverei és szoftverei, kiterjedt ellátási láncok, valamint az egészet felépítő és működtető emberi munkaerő.

Bár az infrastrukturális szükségletek szinte felfoghatatlan méreteket öltenek, korántsem pusztán elméleti jellegűek: az OpenAI GPT–4 modelljének betanítása becslések szerint nagyjából 50 GWh elektromos energiát emésztett fel, ami kb. 4600 amerikai háztartás éves fogyasztása. Ez az energiaéhség nem következmények nélküli: Maine állam törvényhozása 2026 áprilisában megszavazta az ország első, egész államra kiterjedő adatközpont-moratóriumát, amely ideiglenesen megtiltotta volna a legalább 20 MW teljesítményigényű adatközpontok építését – részben azzal az indokkal, hogy védje a lakosságot az emelkedő villamosenergia-áraktól. A kormányzó azonban sikerrel vétózta meg a javaslatot, és a vétót a képviselőház nem tudta felülbírálni, így a tilalom végül nem lépett hatályba. Beszédes az is, hogy az USA-ban 2025 és 2026 között a moratóriumot vagy tiltást célzó kezdeményezések száma nyolcról hetvennyolcra emelkedett.

A stratégiai szűk keresztmetszetek azonban mélyebben vannak az adatközpontok szintjénél: a chipgyártásban és a felhő-infrastruktúrában. Ezek néhány globális szereplő kezében összpontosulnak: a GPU-tervezésben az NVIDIA, a gyártásban a TSMC és a Samsung, a felhő-infrastruktúrában az Amazon Web Services (AWS) és a Microsoft Azure (mellettük a Google Cloud) uralják a piacot. A rendkívül magas tőkeigény, a méretgazdaságosság és a beruházások hosszú távú elköteleződése beszűkíti a döntési szabadságot és függőségi viszonyokat eredményez.

Egyes szereplők az infrastrukturális terhek – például a hatalmas energiaigény – elől inkább menekülnének, más szereplők pedig, más szempontok alapján tudatosan magukhoz igyekeznek vonzani az infrastruktúrát, mert aki azt kontrollálja, az mozgásteret szerez. A francia S3NS erre kínál tanulságos példát. A Thales védelmi ipari vállalat és a Google Cloud 2022-ben közös vállalatot alapított: három, Franciaországban működő, kizárólag francia személyzettel üzemeltetett adatközpontban nyújtják a Google Cloud szolgáltatásait – köztük AI- és GPU-kapacitást is. A titkosítási kulcsokat a francia illetékességű Thales kezeli, így az adatokhoz való hozzáférés technikai értelemben gyakorlatilag lehetetlen illetéktelenek számára, beleértve a Google saját személyzetét is. A modell nem üzleti találékonyságból született: elsődleges célja az volt, hogy francia állami szervek és kritikus infrastruktúrák olyan felhőszolgáltatást használhassanak, amely megfelel a francia védelmi és titkosszolgálati adatbiztonsági követelményeknek – és amely immunis az amerikai extraterritoriális jogszabályokra.

Itt tehát a fizikai infrastruktúra feletti operatív kontroll helyi kézbe kerül, ám a technológiai mag nem követi. A szoftverfrissítéseket a Google küldi, amelyeket a Thales egy karanténzónában ellenőriz, mielőtt éles környezetbe kerülnek. A mögöttes kód a Google tulajdona marad. Az S3NS saját megfogalmazásában nem technológiai önállóságot, hanem a francia operatív és jogi szuverenitást hivatott biztosítani. Az infrastrukturális szuverenitás nem terjed túl saját korlátjain: a fizikai helyszín és az üzemeltetés lokalizálása nem szünteti meg az alapvető minőségében különböző technológiai függőséget.

Az AI-szuverenitás infrastrukturális dimenziójának lényege tehát az a kérdés, hogy egy szereplő milyen mértékű ellenőrzést képes gyakorolni az AI-rendszereit kiszolgáló infrastruktúrák felett.

Technológiai réteg

A technológiai réteg által felvetett problémák gyökere abból a viszonylag közismert tényből ered, hogy az AI-rendszerek működését alapvetően az szabja meg, hogy milyen adatokból tanultak, milyen architektúrával épültek, és milyen célok mentén lettek optimalizálva. Az elvont lehetőségek ebben a rétegben lényegülnek át konkrét mechanizmusokká.

Az élvonalbeli AI-rendszerek fejlesztése pedig szintén egy kevésszereplős világ, amelyet a szükséges adatvagyonnal, kutatói tapasztalattal, mérnöki tudásbázissal és számítási kapacitással egyszerre rendelkező szereplők, mint például az OpenAI, a Google DeepMind, az Anthropic vagy a Meta dominálnak. A nyílt vagy részben nyílt modellek (mint a Meta Llama modelljei, vagy a Mistral fejlesztései) csak korlátozott mértékben csökkentik az aszimmetriát: a modellsúlyok ugyan nyilvánosak, de licenckorlátok, kereskedelmi kikötések és infrastrukturális függőségek így is fennmaradnak.

A betanítás nem semleges folyamat: a rendszerbe kerülő adatok, értékítéletek és normák meghatározzák, hogy miként értelmezi a modell a világ dolgait. Ez az úgynevezett algoritmikus torzítás – angolul „bias”. Hogy a kockázat nem elméleti, azt kiválóan illusztrálja az xAI Grok modellje, amelyről független elemzések is kimutatták, hogy politikai torzításai közvetlenül a betanítási döntésekből következnek. De a probléma más nagy nyelvi modellek (LLM) esetében is fennáll: egy 2024-es, a PNAS Nexus folyóiratban megjelent kutatás kimutatta, hogy az öt legelterjedtebb GPT-modell az angolszász és protestáns európai kulturális értékrend felé gravitáló válaszokat ad, és ezt a torzítást még a kulturális promptolás sem szünteti meg teljesen.

Japánt nem a technológiai elzárkózás célja, hanem a modellekbe természetükből fakadóan beleplántált kulturális kódok által jelentett probléma felismerése ösztönözte arra, hogy kormányzati és vállalati szinten egyaránt befektessen saját, a japán kultúrára és nyelvre optimalizált modellek fejlesztésébe. A kulturális lokalizáció nem fordítási, hanem szuverenitáskérdés.

A technológiai értelemben vett AI-szuverenitás középpontjában a transzparencia és a kontroll áll: átlátni, érteni az AI működését, belelátni a „black box”-ba, valamint képesnek lenni meghatározni a cselekvés feltételeit.

Governance-réteg (szabályozás)

A governance-réteg lényegi kérdése, hogy ki képes az AI-rendszerek használatára vonatkozó szabályokat meghatározni, és ki képes e szabályokat érvényre juttatni. A „szabály” nem korlátozódik a jogszabályi kategóriákra: magában foglalja az állami jellegű szabályozások mellett a szerződéseket és a platformok, szolgáltatók által meghatározott felhasználási feltételeket, a belső szabályzatokat, az etikai és megfelelési (compliance) keretrendszereket, illetve alapvetően minden egyéb olyan informális vagy formális protokollt, amely meghatározza, hogy mi a mesterséges intelligencia használatának „megfelelő és legitim” módja.

Az SAP 2026 áprilisában módosított API-szabályzatának példája bemutatja, hogy egy vállalat hogyan próbálja visszaszerezni üzleti folyamatai feletti szuverenitását. A szabályozás lényege, hogy kifejezetten megtiltja, hogy harmadik fél AI-rendszerei önállóan kezdeményezzenek adatlekéréseket a vállalat rendszereiben – ehelyett minden AI-forgalmat a saját Joule AI-platformján keresztül irányít. A vállalat ezzel saját ökoszisztémájának integritását és adatkontrollját próbálja megőrizni: nem szeretne puszta háttéradattárrá („data backend”-dé) válni, miközben a valódi értékteremtés egy külső AI-rétegbe helyeződik át.

A governance-réteg önálló hatalmi dimenzió: a szabályozási és szabályérvényesítési képesség nem áll közvetlen összefüggésben a többi réteg viszonyaival. Aki a használati feltételeket és a szabályérvényesítés mechanizmusait kontrollálja, az képes meghatározni, hogy mi számít normális, elfogadható működésnek, és ki rendelkezik a döntés lehetőségével a határhelyzetekben. Ez a réteg képes felülírni más rétegekben kialakult függőségi és kontrollviszonyokat.

A szabályozási felügyelet kérdését szervezeti szinten is lehet vizsgálni: képes-e egy szereplő belsőleg szabályozni az AI-rendszerek használatát? Ha egy szervezet nem tudja koordinálni és kontrollálni az AI-rendszerek használatát, rejtett működési minták alakulhatnak ki. Ezt nevezzük „árnyék-AI” jelenségnek. A munkavállalók titokban és/vagy szabálytalanul használják ezeket a rendszereket, így a szervezet nem látja, hogy milyen AI-megoldásokat, milyen módon és feltételekkel, milyen helyzetekben, milyen feladatok elvégzésére használnak. Tehát a szereplő az AI-használatból adódó függőségeit és kitettségeit sem képes kezelni.

Az AI-szuverenitás governance-dimenziója lényegében arról szól, hogy egy szereplő milyen mértékben válik más szereplők szabályozásának tárgyává, mennyire kitett azok szabályozási és szabályérvényesítési képességeinek.

Integrációs réteg

Az előző rétegek elsősorban lehetőségeket, kapacitásokat és keretfeltételeket határoznak meg. Az AI-rendszerek önmagukban még nem jelentenek valódi képességeket. A döntő tényező az, hogy egy szereplő mennyire képes azokat ténylegesen saját működésének részévé tenni.

Az integráció két szinten zajlik. Szervezeti szinten azt jelenti, hogy az AI organikus módon épül be a munkafolyamatokba, és túllép az ad hoc, pontszerű használaton. Egyéni szinten, az internalizáció szintjén pedig azt, hogy a felhasználó fokozatosan az eszköz logikájában kezd gondolkodni: a megközelítési mód, a munkavégzés folyamata igazodik az AI által kínált keretekhez. A kettő összefügg: a szervezeti integráció egyéni internalizáció nélkül felszínes marad, az egyéni internalizáció szervezeti keretek nélkül pedig esetleges és koordinálatlan. AI-értelemben szuverén cselekvő csak akkor lehet egy szereplő, ha mindkét szinten megtörténik ez a folyamat.

Ez sok szervezetnek óriási, teljesíthetetlen kihívást jelent, aminek nem képesek megfelelni. Az OECD 2025-ös adatai szerint a tagállamok vállalatainak 20 százaléka használ már AI-t – ez az arány két év alatt több mint duplájára nőtt. Ez önmagában azonban nem jelent sikeres integrációt.

Egy 65 tapasztalt adattudós és mérnök strukturált interjúin alapuló, a RAND Corporation által végzett 2024-es kutatás rámutat, hogy a kudarcok leggyakoribb okai nem technológiai jellegűek. A projektek jellemzően ott buknak el, ahol a technológia elválik a szervezeti kontextustól – ahol a modell nem illeszkedik a munkafolyamatokba, a vezetők és a technikai csapat nem kommunikál egymással, vagy az infrastruktúra nincs felkészítve a valódi integrációra. Az S&P Global Market Intelligence 2025-ös, több mint ezer észak-amerikai és európai szakembert megkérdező felmérése szerint a szervezetek 42 százaléka leállította AI-kezdeményezéseinek többségét – ez az arány 2024-ben még csak 17 százalék volt. A Gartner 2026. januári elemzése szerint 2025 végére a generatív AI-projektek legalább felét leállították a proof-of-concept fázis után. A valódi integráció nem egyszerűen technológiai bevezetést jelent; legalább annyira fontos a szervezet azon képessége, hogy össze tudja hangolni a felülről kialakított kereteket az alulról érkező használati gyakorlatokkal és kezdeményezésekkel.

Az AI-szuverenitás integrációs dimenziójának lényege tehát az, hogy egy szereplő milyen mértékben tudja az AI-rendszereket valódi, szervezeti és egyéni szinten egyaránt működő képességgé „lefordítani”.

Mi következik ebből?

Mivel a valóságban a négy réteg nem létezik különálló entitásként, nem lehet rétegenként kezelni az AI-szuverenitás problémáját, valamint egyetlen réteg teljes uralása sem elegendő hozzá: az egyik dimenzióban megszerzett kontroll nem helyettesíti a többit; értékét az határozza meg, milyen függőségek maradnak fenn a többiben.

A rétegek szoros kölcsönhatásban állnak egymással: az egyikben bekövetkező változás – például egy új szabályozás, egy technológiai áttörés, egy infrastrukturális döntés – azonnal átírja a többi réteg egyensúlyát is. Az AI-szuverenitás nem egy megszerezhető és rögzíthető állapot, hanem folyamatosan fejlődő kihívás és kezelendő problémarendszer. Az AI-ökoszisztéma változási sebessége ezt a feladatot különösen nehézzé teszi: a függőségi tájkép gyorsabban változik, mint ahogyan egy szereplő képes alkalmazkodni.

A teljes szuverenitás nem elérhető cél – elsősorban nem azért, mert aránytalanul drága, hanem mert globálisan összekapcsolt rendszerekben strukturálisan lehetetlen. A reális cél ezért annak folyamatos mérlegelése, hogy mely függőségek elfogadhatók, és melyek korlátozzák aránytalanul a cselekvési szabadságot.

Ez a mérlegelés azonban a rendkívüli pillanatban válik próbává: akkor derül ki, megőrződött-e a döntési képesség, amikor egy nem választott függőség hirtelen köt. Ehhez látni kell a tétet, hogy kinek a döntései és világképe szerint működnek a rendszereink, ami korántsem magától értetődő: a függőségek nem szűnnek meg attól, hogy nem beszélünk róluk, csak rejtve maradnak, és kezelhetetlenné válnak. A szuverén cselekvés első feltétele így nem valamelyik réteg uralása, hanem az, hogy a kérdést egyáltalán feltegyük.

A szerző politológus végzettségű, és egy multinacionális IT-vállalatnál szerzett tapasztalatot arról, hogyan épül be a mesterséges intelligencia a vállalati gyakorlatba.