Advanced modul
Connectorok
Amikor az AI kilép az elszigetelt chatablakból, és kapcsolódik a valódi munkakörnyezetedhez.
A connector nem technikai trükk, hanem gyakorlati kapcsolat az AI és a tényleges munkaforrásaid között. Ettől lesz a workflow kevésbé kézi, kevésbé töredezett, és sokkal közelebb ahhoz, ahogyan a valós munkád ténylegesen zajlik.
Kevesebb kézi átemelés
Nem kell mindent újra bemásolni minden beszélgetésbe.
Valós munkakörnyezet
Az AI ugyanazokat a dokumentumokat és forrásokat látja, amelyekből te dolgozol.
A következő lépcső
A workflow után ez az első valódi kapcsolat a rendszereiddel.
Rövid átvezetés az előző modulokból
A workflow modulban azt láttad, hogy a feladatokat lépésekre kell bontani. A multimodális modulban azt, hogy az inputok sokszor nem szöveg: PDF, scan, screenshot, chart. A következő kérdés természetes: miből dolgozzon az AI ezekben a lépésekben?
Kulcspontok
Workflow kézzel
Ha nincs kapcsolat a forrásokkal, minden lépés között neked kell pakolni az adatot.
Workflow forrásokkal
Ha az AI hozzáfér a releváns anyagokhoz, a munka kevésbé szakad szét.
Ezért jön most
A workflow gondolkodás után most a forráskapcsolatok logikája következik.
Mit csinál valójában egy connector?
A connector önmagában nem teszi okosabbá a modellt. Nem új gondolkodási képességet ad, hanem hozzáférést.
Ez a gyakorlatban azt jelenti, hogy a modell nem csak abból dolgozik, amit bemásolsz a chatbe, hanem el tud érni bizonyos külső forrásokat is.
A connector tehát nem a gondolkodást változtatja meg, hanem az input forrását. A jobb válasz nem attól jön, hogy van connector, hanem attól, hogy a modell relevánsabb, frissebb, célhoz kötött forrásból tud dolgozni.
Kulcspontok
Dokumentumtár
Drive, SharePoint, Notion vagy más tudásbázis — a modell nem csak amit bemásolsz, hanem a releváns dokumentumokból is tud dolgozni.
Email és chat
Gmail, Outlook, Slack — a kommunikációs kontextus kézi másolás nélkül is elérhető lesz.
Repository és kódkörnyezet
GitHub vagy más kódtár — a fejlesztői kontextus közelebb kerül az AI-hoz.
Más munkafelületek
Naptár, projektkezelő, CRM — bármilyen rendszer, amelyből rendszeresen kell kontextust húzni.
Mi az a connector?
Egyszerűen fogalmazva: egy connector lehetővé teszi, hogy az AI hozzáférjen egy külső adatforráshoz vagy rendszerhez anélkül, hogy mindent manuálisan be kellene másolnod a chatbe.
Kulcspontok
Külső forrás
Lehet dokumentumtár, inbox, chat, kódtár vagy más munkafelület.
Kevesebb súrlódás
Nem kell minden kérdés előtt nulláról összerakni a kontextust.
Relevánsabb működés
Az AI nem csak általános tudásból próbál válaszolni, hanem a te anyagaidból is.
Példák és működő minták
Egyszerű kép
A connector nem egy új chatbot, hanem híd az AI és a munkádhoz szükséges anyagok között.
Miben más ez, mint a sima feltöltés vagy copy-paste?
Első ránézésre úgy tűnhet, hogy a connector csak kényelmi funkció: nem neked kell bemásolni a szöveget. Ennél többről van szó. A kulcsszó nem az, hogy automatikus, hanem az, hogy közelebb van a valós munkafolyamathoz.
Kulcspontok
Copy-paste esetén
Te választod ki kézzel a forrást, te másolod át, te döntöd el, mi marad ki és mi kerül be. Egyszeri, kézi, statikus.
Fájlfeltöltés esetén
Egy konkrét dokumentumot adsz át. A kontextus egyszeri és viszonylag statikus — minden alkalommal újra fel kell tölteni.
Connector esetén
A modell közvetlenebbül tud kapcsolódni egy élőbb munkakörnyezethez. Kevesebb kézi előkészítés kell, és könnyebben tudsz ismétlődő munkát ugyanazon forráslogikára építeni.
Példák és működő minták
Mikor érzed a különbséget igazán?
Amikor ugyanazokból a dokumentumokból dolgozol hetente többször is. Az első alkalommal a feltöltés egyszerű. A tizedik alkalommal a connector már valódi időt spórol.
Miért számítanak a connectorok?
A connectorok ott adnak értéket, ahol eddig kézi törés volt a folyamatban: másolás, keresés, átadás, újrakontextualizálás.
Kulcspontok
Kevesebb copy-paste
Az AI közvetlenebbül tud dolgozni a releváns anyagokkal.
Több releváns kontextus
A válasz közelebb kerül ahhoz, amiből ténylegesen dolgozol.
Skálázhatóbb workflow
A több lépésből álló feladat nem szakad szét annyira emberi kézi munkára.
Valósabb munkakörnyezet
Az AI ugyanabba a dokumentum- és üzenetvilágba kapcsolódik, ahol te is dolgozol.
Példák és működő minták
Tanulási tipp
Ha nem vagy biztos benne, melyik connector segítene a saját munkádban, kérd meg az AI-t, hogy térképezze fel a napi feladataid és a használt rendszereid alapján.
Mire nem elég önmagában egy connector?
A connector hasznos, de könnyű túlértékelni. Attól, hogy a modell hozzáfér valamilyen rendszerhez, még nem lesz automatikusan jobb a teljes munkafolyamat.
A fő szabály: a connector nem helyettesíti a forráshigiéniát. A connector csak hozzáférést ad ahhoz, amit egyébként is jól kellene szervezned.
Kulcspontok
Nem oldja meg a rossz workflow-t
Ha a lépések nem tiszták és az emberi ellenőrzési pontok hiányoznak, a connector csak gyorsítja a hibát.
Nem oldja meg a gyenge promptot
A rosszul megírt kérés rossz outputot ad — akkor is, ha jó forrásból dolgozik.
Nem oldja meg a zajos forrásanyagot
Ha például egy vegyes, rendezetlen Drive-mappát érsz el connectoron keresztül, abból nem feltétlenül lesz jobb eredmény, mint egy gondosan előkészített dokumentumból.
Nem oldja meg a hiányzó döntési logikát
A connector inputot hoz. A döntési logikát — mit tegyen a modell ezzel az inputtal — neked kell megadnod.
Példák és működő minták
A tévhit
Sokan azt gondolják: rakjunk mindent connectorra, és az AI mindent megold. A valóság: a rossz forráslogika connectorral gyorsabban tud rossz outputot termelni, mint manuálisan.
Miért ez jön a workflow után?
A workflow megmutatja, hogyan bonts fel egy feladatot. A connector megmutatja, hogyan adsz az egyes lépésekhez valódi, élő forrást.
Kulcspontok
Első lépés
Megtanulod a munkát logikus lépésekre bontani.
Második lépés
Megengeded, hogy az AI a valódi forrásokkal dolgozzon ezekben a lépésekben.
Mi változik ettől?
A workflow kevésbé marad kézi, és közelebb kerül a valódi napi működéshez.
Példák és működő minták
Fontos különbség
Workflow nélkül a connector csak hozzáférés. Workflow-val együtt viszont használható munkalogikává válik.
ChatGPT nézőpont
2025 decemberében az OpenAI átnevezte a connectorokat Apps-ra, és a felhasználói élményt egységesítette. 2026 márciusában a ChatGPT Apps már Slack, Google Drive, SharePoint, GitHub, Asana, HubSpot és több tucat további rendszert támogat — sőt, Uber Eats, Wix és más consumer appokkal is bővült. A lényeg felhasználói szemszögből változatlan: a modell közelebb kerül azokhoz az eszközökhöz, amelyeket amúgy is használsz.
Kulcspontok
Drive / SharePoint
A ChatGPT dokumentumokat tud összefoglalni, összehasonlítani vagy közös mintákat keresni bennük.
Slack / Gmail
Könnyebben tud kontextust húzni kommunikációból, témákból vagy nyitott ügyekből.
GitHub
Segíteni tud úgy, hogy nem csak a kérdésedet látja, hanem a kapcsolódó repository-kontextust is.
Példák és működő minták
Mit jelent ez neked?
Nem azt, hogy a ChatGPT 'mindent tud', hanem azt, hogy kevesebb kézi előkészítés kell a releváns munkához.
Claude nézőpont
2026 márciusában a Claude Connectors Directory 50+ natív integrációt tartalmaz, amelyek mind az MCP szabványra épülnek. A Gmail, Google Drive, Google Calendar, Slack, Notion, Asana, Figma, Canva és sok más eszköz egy kattintással beköthetők — és a 2026 januári frissítés óta interaktív appokként is megjelennek a Claude felületén belül.
Kulcspontok
Dokumentum- és tudásmunka
Claude erős akkor, amikor sok anyagból kell összerakni tiszta gondolatmenetet. A Google Drive és Notion connector ebben különösen hasznos.
Kommunikációs kontextus
A Slack connector (2026 jan.) kétirányú: Claude-ból kereshetsz a Slack-ben, és a Slackből is elérheted Claude-ot DM-en vagy @mention-nal.
MCP-alapú szabvány
Claude világában minden connector az MCP szabványra épül. Ez azt jelenti, hogy nem egyedi, törékenyes integrációk, hanem egy közös kapcsolódási logika mentén működnek.
Példák és működő minták
Mit jelent ez egyszerűen?
Claude nem csak azt látja, amit bemásolsz, hanem a munkaeszközeidet is el tudja érni — és a 2026-os interaktív appok révén a connector outputja nem csak szöveg, hanem vizuális felület is lehet a chatten belül.
Tanulási tipp
Ha szeretnél saját munkakörnyezetedre példát, kérdezd meg az AI-t: „Milyen Claude connector-logika segítene a dokumentum-, meeting- vagy kutatási munkámban?"
Connectorok platformonként: nem ugyanaz a hangsúly
A különböző platformok connector-logikája nem teljesen ugyanaz. A fő különbség nem csak az, hogy mihez tud kapcsolódni, hanem az is, hogy milyen munkamódot támogat.
Ezért connector választásnál nem csak azt kérdezd: mivel kompatibilis? Hanem azt is: milyen típusú munkát akarok ebből építeni?
Kulcspontok
Dokumentum- és tudásmunka
Erős ott, ahol sok írásos anyagból kell összerakni tiszta gondolatmenetet. Claude és Google Workspace környezetekben különösen jól használható ez a minta.
Gyors kutatás és kommunikációs kontextus
Email, chat, keresési előzmények feldolgozása. ChatGPT app-kapcsolatok és Microsoft 365 integráció erős ebben.
Fejlesztői környezetek
GitHub, kódtárak, terminál. Fejlesztői AI-asszisztensek (Claude Code, Cursor, Codex) itt adnak kapcsolódást.
Ezzel jól kipróbálható
A connector-logikát akkor fogod jól érezni, ha olyan környezetet nézel, ahol az AI valóban ugyanazokhoz a munkaforrásokhoz fér hozzá, mint te. A lényeg nem a terméklista, hanem a kapcsolódási minta.
Kulcspontok
ChatGPT
A user-facing connector vagy app logika akkor látványos, amikor Drive-, SharePoint-, Slack-, Gmail- vagy GitHub-közeli munkát akarsz kevesebb kézi előkészítéssel végezni.
Claude
Claude-nál a dokumentum- és tudásmunka mellé különösen jól illik a strukturált integrációs szemlélet, főleg amikor kutatás, jegyzet és belső anyag találkozik.
Workspace környezetek
Google- és Microsoft-közeli ökoszisztémák jó példák arra, hogy a connector nem extra dísz, hanem a napi munkatér kiterjesztése.
Példák és működő minták
Működő minta
Dokumentumok → AI-összehasonlítás → rövid döntési jegyzet. Ugyanez connector nélkül több manuális másolással és kontextusvesztéssel jár.
Kérdezd meg az AI-t
„A napi munkám alapján melyik 2–3 rendszerhez lenne a leghasznosabb connector, és miért?"
MCP mint következő fogalmi réteg
Itt csak a helyére tesszük a fogalmat. Az MCP nem 'még egy connector', hanem egy szabványosabb kapcsolódási logika az AI, a toolok és a kontextus között.
Kulcspontok
Connector
A gyakorlati kapcsolat a munkád és az AI között.
MCP
A strukturált, szabványos kapcsolódási réteg, amely ezt a kapcsolatot rendezettebbé teszi.
Miért nem most mélyedünk el benne?
Mert itt még azt kell megérteni, miért fontos egyáltalán, hogy az AI hozzáférjen a valós forrásaidhoz.
Példák és működő minták
Röviden
Connector = felhasználói kapcsolat. MCP = mögöttes, általánosabb kapcsolódási logika. A részletek a következő modulban jönnek.
Gyakori félreértések
A connector fogalmát könnyű összekeverni más rétegekkel. Érdemes ezeket szétválasztani.
Kulcspontok
Connector ≠ automatizáció
A connector kapcsolatot ad. Az automatizáció már folyamatokat futtat vagy indít.
Connector ≠ MCP
Az MCP inkább szabvány vagy protokollréteg, nem ugyanaz, mint egy konkrét kapcsolat.
Connector ≠ agent
Az agent végrehajtási logikát és autonómiát is hoz. A connector önmagában még nem agent.
Nem a feature-lista a lényeg
A kérdés nem az, hogy 'még mit tud', hanem hogy mennyivel kevesebb súrlódással jut el a munkádhoz.
Mikor érdemes connectorhoz nyúlni?
Connector akkor ad valódi értéket, ha ugyanazokból a forrásokból dolgozol újra és újra, és a kézi előkészítés már jobban lassít, mint maga az elemzés.
Kulcspontok
Érdemes connectorhoz nyúlni, ha:
rendszeresen ugyanabból a dokumentumtárból dolgozol, sok emailből, chatből vagy jegyzetből kell kontextust húzni, ugyanaz a munkafolyamat ismétlődik, fontos, hogy ne minden alkalommal nulláról építsd fel a kontextust.
Nem feltétlenül ez az első lépés, ha:
a feladat egyszeri, a forrásanyag kicsi és jól előkészített, érzékeny a hozzáférés, vagy a munkád még nincs workflow-szinten sem letisztítva.
A megtérülési pont
A connector nem kezdő lépés mindenre. Akkor térül meg igazán, amikor már tudod, milyen munkát akarsz rendszeresen elvégezni. Ha a workflow még kísérleti, a connector korai.
Gyakorlati óvatosság
A több hozzáférés több felelősséget is jelent. Ezt nem kell túldramatizálni, de nem is érdemes félvállról venni.
Kulcspontok
Mit lát az AI, mit nem
A connector jóváhagyásakor általában nem teljes hozzáférést adsz, hanem konkrét OAuth scope-okat. A read-only a gyakorlatban azt jelenti, hogy az AI olvashat és összefoglalhat, de nem küld, nem töröl és nem módosít helyetted.
Visszavonás bármikor
A legtöbb connector ugyanott vagy a kapcsolt szolgáltatás fiókbeállításaiban bármikor visszavonható. Ezt azért fontos tudni, mert ha már nincs rá szükség, vagy kényelmetlen a hozzáférés, azonnal le tudod zárni.
Vállalati adatok és személyes adatok elválasztása
Nem érdemes ugyanazzal az AI-hozzáféréssel keverni a privát és a céges adatvilágot. Így tisztábban tartható, mi személyes kényelmi használat, és mi tartozik vállalati kontroll és felelősség alá.
Kire vonatkozik ez igazán
Egyéni felhasználónak azért fontos, hogy értse, mihez adott engedélyt és mit tud visszavonni. Cégvezetőnek vagy csapatvezetőnek pedig azért, mert több ember, több connector és több érzékeny adat mozoghat egyszerre ugyanabban a rendszerben.
Példák és működő minták
Mi történik, ha egy connector rossz kezekbe kerül?
Ha valaki hozzáfér egy olyan AI-fiókhoz, amely mögött munkahelyi email- vagy dokumentumolvasási jogosultság van, gyorsan áttekinthet olyan információkat is, amelyeket nem kellene látnia. Nem pánikolni kell tőle, hanem úgy kezelni, mint bármely más fontos accountot: szűk jogosultság, átlátható engedély és visszavonhatóság.
Hogyan aktiválsz egy connectort — lépésről lépésre
Claude-ban egy connector aktiválása 2026-ban már nem technikai projekt, hanem néhány kattintás. A Connectors Directory-ban (claude.com/connectors) több mint 50 integráció közül választhatsz. Gmail példán nézve a logika egyszerű: megnyitod a megfelelő menüt, jóváhagyod az OAuth-hozzáférést, majd egy rövid prompttal azonnal ellenőrzöd, hogy tényleg működik-e.
Kulcspontok
1. Nyisd meg a beállításokat
Először keresd meg Claude-ban a beállítások vagy integrációk részt, ahol a külső szolgáltatások kezelhetők. Itt fogod látni, hogy elérhető-e a Gmail connector a jelenlegi környezetedben.
2. Keresd meg a Connectors részt
Válaszd ki a Gmailt vagy a kívánt szolgáltatást a connectorlistából. Ekkor Claude általában röviden megmutatja, milyen hozzáférést kér és mire fogja használni.
3. Hagyd jóvá az OAuth-hozzáférést
A Google-fiókban kiválasztod a megfelelő accountot, majd jóváhagyod a kért scope-okat. Itt érdemes figyelni arra, hogy csak annyi hozzáférést adj, amennyi a kipróbáláshoz valóban szükséges.
4. Teszteld egy egyszerű prompttal
Aktiválás után rögtön próbáld ki egy könnyen ellenőrizhető kérdéssel. Ha a válasz jó irányba indul, akkor a connector él és a rendszer a megfelelő adatréteget látja.
Példák és működő minták
Minta-prompt az első teszthez
„Foglald össze a tegnapi emailjeimet 5 pontban.” Ez jó első teszt, mert gyorsan megmutatja, hogy a Gmail-connector valóban olvassa-e a megfelelő inboxot.
Mi következik ebből később?
A connector önmagában még nem agent, és nem automatizáció. De nélküle sok későbbi rendszer csak félkarú megoldás maradna.
A connector tehát nem végpont, hanem infrastruktúra-réteg.
Kulcspontok
Agenteknél
A végrehajtónak valamilyen forráshoz kell férnie. Az agent csak annyira jó, amennyire az inputjai megbízhatóak.
Automatizációnál
Az ismétlődő folyamatnak stabil inputforrás kell. Connector nélkül az automatizáció kézzel tölti be az adatot.
Governance-nél
Tudnod kell, mihez fér hozzá a modell. A connector-logika meghatározza a hatókört és a felelősséget.
Példák és működő minták
A teljes ív
Ha a workflow megmondja, hogyan bontod fel a munkát, akkor a connector megmondja, miből dolgozik a rendszer. Ez a két réteg együtt adja az alapot az agentek és az automatizáció felé.
Konkrét connector stackek a napi munkához
A connectorokról akkor lesz használható képed, ha néhány tipikus stackben látod őket. Nem minden szervezet ugyanazzal indul: van, ahol a Google és a Slack a természetes közeg, máshol a Notion, a HubSpot vagy a no-code automatizációs réteg a központi belépési pont.
Kulcspontok
Google Workspace + AI
Gmail, Drive, Docs és Sheets bekötése akkor jó első lépés, ha a tudásmunka már most is ebben a környezetben zajlik. Ilyenkor a connector nem új rendszert hoz, hanem a meglévő munkafelületet teszi kereshetőbbé és használhatóbbá az AI számára.
Slack / Teams + meeting utómunka
Ha a csapat kommunikációja chaten és meetingeken pörög, a connector értéke a kontextus-összefűzésben jön ki. A modell látja az előzményt, és ebből gyorsabban készít összefoglalót, döntési pontot vagy következő lépéseket.
Notion / tudásbázis + kutatás
Sok csapatnál a valós kérdés nem az, hogy tud-e a modell írni, hanem az, hogy megtalálja-e a saját jegyzeteket, policy-ket és belső dokumentumokat. Itt a connector a tudásbázist teszi munkaképes inputtá.
Make / Zapier / n8n mint köztes réteg
Mindhárom platform 2026-ban már natívan támogatja az MCP-t. Az n8n 70+ AI-specifikus node-dal rendelkezik, a Zapier saját Copilotot és AI Agenst épített be, a Make pedig AI Agent funkcióval és MCP szerver opcióval bővült. Ezzel nem kell első nap egyedi integrációt fejleszteni, mégis össze lehet kötni több SaaS rendszert egy AI-központú workflow körül.
Példák és működő minták
Mivel érdemes kezdeni?
Először azt a rendszert kösd be, ahol a legtöbb napi kontextus keletkezik. A legtöbb csapatnál ez email, dokumentumtár, chat vagy projektjegyzet — nem az összes rendszer egyszerre.
Review és hozzáférési kontroll
A connectoros világ egyik legfontosabb leckéje, hogy az AI értéke és kockázata ugyanott keletkezik: a hozzáférésnél. Ezért a gyakorlati bevezetés nem csak bekapcsolásból áll, hanem abból is, hogy világos legyen, ki mit láthat, mikor kell review, és mikor maradjon egy folyamat inkább kézi.
Kulcspontok
Első körben szűk scope
Kis, jól ellenőrizhető adatforrással indulj. Egy inbox, egy mappa vagy egy workspace jobb első pilot, mint a teljes céges tudásréteg.
Ellenőrizhető tesztfeladat
Az első prompt legyen könnyen visszanézhető. Olyan kérdést adj, ahol gyorsan látod, valóban a jó adatforrásból dolgozik-e a rendszer.
Human review a magasabb tétű outputoknál
Összefoglaló, draft, priorizálás mehet AI-first logikával. Külső kommunikáció, vezetői döntés, jogi vagy pénzügyi anyag már review-pontot igényel.
Példák és működő minták
Mi a rossz bevezetési minta?
Az, amikor először mindent rákötsz a modellre, és csak utána derül ki, hogy az outputokat nem lehet auditálni, vagy a hozzáférési kör túl széles lett.
Következő lépés
Most már látszik, hogy a connectorokkal az AI nem elszigetelt chat marad, hanem belép a munkakörnyezetedbe. A következő modul azt mutatja meg, mi történik akkor, amikor ez a kapcsolódás végrehajtási logikával és nagyobb önállósággal találkozik.