FKI evaluation – Spain, 2026 preliminary
Full transparency: here you can see how many points each expert model gave each sub-indicator, with what own estimate range, and what the final value is. The calculation follows version 5.2 of the measurement rules.
The other countries’ evaluations are made with the same procedure as the Hungarian one, but the experts also estimate the machine-calculated terms (E1, E1a, T1, T2). The values are preliminary.
Other countriesThe reasons, the footnote and FD Finder Expert’s written assessment are in Hungarian.
Result
With good practice, the FKI would be about 0 points lower.
The experts
Three expert models, from three different developers, do the scoring independently of each other, working from the verified evidence list and FD Finder’s professional knowledge base. Each gives an exact value and its own estimate range. The scores count with equal weight.
| Model | Version | Note |
|---|---|---|
| Anthropic Claude | Opus 5.5 | |
| Google Gemini | Gemini 4 Argon | |
| OpenAI ChatGPT | GPT-6 Astra, ChatGPT Work |
Every score in one table
The experts’ scores, with their own estimate range in brackets. The final value is the central value of the scores (the average of the median and the mean); only a reasoned decision can depart from it, between the lowest and the highest score.
| Sub-indicator | Anthropic Claude | Google Gemini | OpenAI ChatGPT | Final |
|---|---|---|---|---|
| Spread | ||||
| E1 Extent of infection | 1(0–2) | 1(0–3) | 1(0.3–3) | 1 |
| E1a Confirmed exposure | 1(0–1) | 0(0–2) | 0(0–1.2) | 0.2 |
| I Infection density | 7.5(0–25) | 17.5(0–34.9) | 15.1(0–36.9) | 14.2 |
| T9 Introduction pressure | 68(55–80) | 64(54–74) | 73(61–84) | 68.2 |
| T1 Leafhopper distribution | 4(3–10) | 8(4–12) | 5(3–10) | 5.3 |
| T2 Leafhopper density | 35(15–60) | 30(15–50) | 35(15–64) | 34.2 |
| T3 Lack of control in commercial vineyards | 42(28–58) | 48(35–62) | 50(43–59) | 47.3 |
| T5a Lack of control in abandoned refuges | 55(40–72) | 54(40–68) | 54(34–75) | 54.2 |
| T5b Lack of control in home-garden vines | 62(45–78) | 56(42–70) | 57(36–78) | 57.7 |
| T4 Shortfall in control quality | 20(12–32) | 20(12–30) | 30(19–44) | 21.7 |
| T7 Lack of awareness about control | 52(38–65) | 42(30–55) | 49(30–69) | 48.3 |
| T10 Lack of source removal | 22(8–45) | 25(12–42) | 15(3–37) | 21.3 |
| T11 Lack of economic capacity for control | 60(48–72) | 58(46–70) | 60(42–77) | 59.7 |
| T6 Propagating-material pathway | 36(26–50) | 30(20–45) | 33(19–51) | 33 |
| T8 Weather | – | – | – | 50 |
| Unknown foci | ||||
| G1 Unsurveyed share, commercial | 97(90–99) | 85(72–94) | 92(76–99) | 91.7 |
| G5a Unsurveyed share, home gardens | 96(88–99) | 85(70–95) | 83(61–96) | 86.5 |
| G5b Unsurveyed share, abandoned vineyards | 92(78–98) | 75(60–88) | 72(47–91) | 77.3 |
| G2 Survey unreliability | 35(22–52) | 24(15–35) | 35(19–55) | 33.2 |
| G4 Weakness of automated pre-screening | 96(90–99) | 98(92–100) | 96(80–100) | 96.3 |
| G3 Lack of lab confirmation | 30(12–60) | 25(12–42) | 31(11–58) | 29.3 |
| G6 Difficulty of notification | 48(38–60) | 48(38–58) | 49(35–61) | 48.2 |
| G8 Disincentives to notify | 38(28–52) | 36(25–48) | 35(20–60) | 36.2 |
| G11 Lack of economic interest in detection | 52(38–66) | 56(45–68) | 52(33–72) | 52.7 |
| Vine loss | ||||
| V1 Lack of a cure | 80(72–92) | 98(92–100) | 75(75–95) | 82.2 |
| V2 Lack of resistant varieties | 99(97–100) | 100(99–100) | 100 | 99.8 |
| V3 Lack of recovery | – | – | – | 100 |
| V4 General plant-health condition | – | – | – | 50 |
| V5 Lack of resources for community treatment and research | 62(50–75) | 55(42–68) | 63(42–82) | 61 |
| V6 Lack of a market for development | 62(50–72) | 62(50–72) | 63(45–79) | 62.2 |
| Epidemic burden | ||||
| J Epidemic burden | 0 | 0 | 0 | 0 |
FD Finder Expert’s summary
Spanyolország 20%-os értéke (sáv: 20–27) előzetes, és a gépi tagokat (E1, E1a, T1, T2) itt szakértők becsülték: Claude, Gemini és ChatGPT. A 20% az igazolt FD-vel rendelkező országokra érvényes alsó határból jön: a számított érték 11,7% lenne (T 2,9, G 5,5, J nulla pont), tehát az értéket itt a szabály adja, nem a számítás. Az E1 1,0, az E1a 0,2, a T1 5,3 pont, mert az ismert érintettség kicsi területre korlátozódik: Galíciában 34 község érintett, 24 Ourense, 10 Pontevedra tartományban (ES-009), 2026 júniusában újabb 26 plébániát vontak be 8 ourense-i községből (ES-008), a katalóniai Sant Martí Vell felderítésében pedig 2024 volt az első pozitív eset nélküli év (ES-006). Az országra jellemző tagok közül a felhagyott szőlők átvizsgálásánál (G5b) volt a legnagyobb az eltérés: Claude 92, Gemini 75, ChatGPT 72 pontot adott, mert Claude a vizsgált arány hiányát nézte, a másik kettő a zónákban folyó felkutatást is beszámította. A legnagyobb bizonytalanság, hogy a tőszám és az átvizsgált hektár nem nyilvános (G1 91,7), ezért a kis E1 mellett a keresés mértéke sem ismert. A pontosabb értékhez galíciai és gironai szemlehektár, kivágott tőszám és friss kabócatérkép kellene.
By sub-indicator
E1 — Extent of infection
MethodologyFinal value: 1 · central value: 1 (median: 1 · mean: 1) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 1 | (0–2) | A | A 346 fertőzött parcella 16 községe becsülten ~4 000 ha (0,45 %) a 903 170 ha-ból; a 34 község a pufferrel együtt tág; kerekítve 1.Knowledge base: orszagcsomagok-2026-10.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| Google Gemini | 1 | (0–3) | A | Az FD csak Galíciában (34 község, 346 fertőzött parcella 16 községben) és Katalóniában (Girona, ~47 ha zóna) van jelen; a két régió teljes szőlőterülete is csak 9,9%, az érintett községeké <1% a 903 170 ha-ból.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 1 | (0.3–3) | C · data gap | A galíciai és gironai gócok települési szőlőterülete országosan kicsi, de a pontos 1 km-es települési metszet hiányzik.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
E1a — Confirmed exposure
MethodologyFinal value: 0.2 · central value: 0.2 (median: 0 · mean: 0.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 1 | (0–1) | C · data gap | Csoportos parcellák 1 km-es köre becsülten 1 500–3 000 ha (~0,3 %); kerekítve 1.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 0 | (0–2) | A | A 346 galíciai fertőzött parcella és a gironai góc 1 km-es környezete az országos 903 170 ha-os szőlőterületnek <0,2%-át érinti (kerekítve 0 pont).Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 0 | (0–1.2) | C · data gap | A becsült 0,3%-os, mintegy 2710 hektáros 1 km-es kitettség egész pontra kerekítve nulla, nem FD-mentesség.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
I — Infection density
MethodologyFinal value: 14.2 · central value: 14.2 (median: 15.1 · mean: 13.4) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 7.50.02% | (0–25) | C · data gap | Tőszám nem nyilvános; ~1 000–2 000 tő / kitett ~2 000 ha × ~3 500 tő/ha; átvizsgált terület nem ismert.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 17.50.05% | (0–34.9) | C | Katalóniában (Sant Martí Vell) 2024-ben 0 pozitív esetet találtak, Galíciában viszont 346 fertőzött parcella van nyilvántartva pontos tőkeszám közlése nélkül.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 15.10.04% | (0–36.9) | C · data gap | Becsült 3251 kijelölt tő jut 8,129 millió kitett tőre, azonos időablakú reprezentatív szemlehektár nélkül.Knowledge base: C_magyar_helyzet_adatok(6).md |
T9 — Introduction pressure
MethodologyFinal value: 68.2 · central value: 68.2 (median: 68 · mean: 68.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 68 | (55–80) | A | Észak-Portugália bővülő fertőzése Galícia határán és a francia gócok Katalónia közelében; a többi határ távol van.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 64 | (54–74) | A | Galícia közvetlenül az észak-portugáliai visszaszorítási zónával határos (2,5 km-es határpuffersávval), Katalónia pedig a súlyosan fertőzött francia Occitanie-val.Knowledge base: 32_nemzetkozi_helyzet_orszagkartyak.md |
| OpenAI ChatGPT | 73 | (61–84) | C · data gap | Portugália felől közvetlen határmenti terjedés, Franciaország felől tartós közeli fertőzési nyomás áll fenn.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
T1 — Leafhopper distribution
MethodologyFinal value: 5.3 · central value: 5.3 (median: 5 · mean: 5.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 4 | (3–10) | C | Tartományi szinten Pontevedra, Ourense, Girona ~3–4 %, autonóm közösségi felső korlát 9,9 %; friss vektortérkép nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 8 | (4–12) | A | A Scaphoideus titanus hivatalosan csak Katalónia és Galícia egyes részein van jelen, amelyek teljes szőlőterülete együtt is csak a spanyol terület 9,9%-a.Knowledge base: 32_nemzetkozi_helyzet_orszagkartyak.md |
| OpenAI ChatGPT | 5 | (3–10) | C · data gap | A galíciai és katalóniai pozitív provinciák szőlőarányát becsültem, nem a teljes autonóm közösségek vagy a kezelt hektárok arányát.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
T2 — Leafhopper density
MethodologyFinal value: 34.2 · central value: 34.2 (median: 35 · mean: 33.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 35 | (15–60) | C · data gap | Csak kezelés utáni minőségi közlés van, kezelés előtti lárva- és kezeletlen helyi fogás nincs, ezért adathiányos.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 30 | (15–50) | C · data gap | Csak minőségi közlések vannak (Gironában kontroll alatt, Pontevedrában kezelt csapdákban 0, a Xunta-csapdákban néhány imágó); kezeletlen kvantitatív sűrűségadat hiányzik.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 35 | (15–64) | C · data gap | Kezelés előtti lárvaadat és számszerű kezeletlen fogás nincs; a kezelt hálózat alacsony fogását nem használtam sűrűségként.Knowledge base: E_vedekezes_labor(6).md, J_termeloi_hang_kommunikacio_orszagok(6).md |
T3 — Lack of control in commercial vineyards
MethodologyFinal value: 47.3 · central value: 47.3 (median: 48 · mean: 46.7) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 42 | (28–58) | A | A vektoros zónákban kötelező, napló és helyettesítő végrehajtás; a terület zöme vektor hiányában kívül esik; a végrehajtás mértéke nem ismert.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 48 | (35–62) | A | A körülhatárolt zónákban (Galíciában és 32 katalán községben 3, Empordà többi részén 1 kezelés) kötelező a védekezés, azon kívül ajánlott; a végrehajtási arányról nincs adat.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 50 | (43–59) | A · data gap | A kötelező kezelések zónákhoz és meghatározott katalán településekhez kötődnek, országos teljesítési arány nélkül.Knowledge base: 10_vedekezes.md |
T5a — Lack of control in abandoned refuges
MethodologyFinal value: 54.2 · central value: 54.2 (median: 54 · mean: 54.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 55 | (40–72) | A | Kötelező kivágás és hatósági végrehajtás jogilag megvan, de Ourense-ben tömeges az elhagyás (Cortegada 80 %), végrehajtási szám nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 54 | (40–68) | A | Katalóniában és Galíciában is kötelező az elhagyott, kockázatos ültetvények kivágása (Galíciában Tragsa-szerződéssel és helyettesítő végrehajtással), de Ourensében magas a parlagszőlők aránya.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 54 | (34–75) | C · data gap | A zónákban előírt elhagyottsági felszámolás végrehajtott hektárja és országos nevezője nem ismert.Knowledge base: E_vedekezes_labor(6).md |
T5b — Lack of control in home-garden vines
MethodologyFinal value: 57.7 · central value: 57.7 (median: 57 · mean: 58.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (45–78) | C · data gap | Galíciában 219 ezer termelő, sok saját fogyasztásra; a zónában minden parcella kötelezett, ellenőrzési adat nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 56 | (42–70) | C · data gap | Galíciában a zónaszabály minden parcellára kiterjed, ám a 219 ezer kisbirtokos (75%-uk DO-n kívüli, önellátó) tényleges kezelési fegyelméről nincs felmérés.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 57 | (36–78) | C · data gap | A zónás kötelezettség és lakossági közlés mellett a szétszórt kis szőlőtartók kezelési részvétele nem ismert.Knowledge base: E_vedekezes_labor(6).md |
T4 — Shortfall in control quality
MethodologyFinal value: 21.7 · central value: 21.7 (median: 20 · mean: 23.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 20 | (12–32) | A | Hatósági naptár lárvakövetéssel, több hatásmód és ökológiai szerek; a térségi összehangolás részleges.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 20 | (12–30) | A | Időzített hatósági felhívások (Xunta, Areeiro, DACC) és széles hagyományos és ökológiai szerválaszték (flupiradifuron, acetamiprid, piretroidok, piretrin, kaolin, narancsolaj) áll rendelkezésre.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 30 | (19–44) | A · data gap | Regionális időzített kezelési rend működik, de az országos összehangolás és az ökológiai hatásmódválaszték teljes körűen nem dokumentált.Knowledge base: 10_vedekezes.md |
T7 — Lack of awareness about control
MethodologyFinal value: 48.3 · central value: 48.3 (median: 49 · mean: 47.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 52 | (38–65) | B | Nyilvános felhívás és községi közzététel; egyéni értesítés Galíciában nem látható, a minifundiumot nehéz elérni.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 42 | (30–55) | A | Katalónia (RuralCat, ADV-k) és Galícia (Xunta, Areeiro) rendszeres fitoszanitáris felhívásokat ad ki, de a nagyszámú galíciai hobbitermelő egyéni elérése korlátozott.Knowledge base: 35_termeloi_szervezetek_es_kollektiv_vedekezes.md |
| OpenAI ChatGPT | 49 | (30–69) | C · data gap | A helyi figyelmeztető rendszer működik, de a házikertesekkel együtt számított országos célzott elérés nincs mérve.Knowledge base: E_vedekezes_labor(6).md |
T10 — Lack of source removal
MethodologyFinal value: 21.3 · central value: 21.3 (median: 22 · mean: 20.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 22 | (8–45) | C · data gap | 20 munkanapos határidő és hatósági végrehajtás van, teljesítési arány nem nyilvános.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 25 | (12–42) | A · data gap | Kötelező az azonnali kivágás (Galíciában 20 munkanap, Tragsa-kerettel és helyettesítő végrehajtással), a határidőn túli mulasztások pontos aránya azonban nem nyilvános.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 15 | (3–37) | C · data gap | Határidős eltávolítás és helyettesítő végrehajtás előírt, de a lejárt határozatok teljesítési aránya nem ismert.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
T11 — Lack of economic capacity for control
MethodologyFinal value: 59.7 · central value: 59.7 (median: 60 · mean: 59.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 60 | (48–72) | B | A bor- és mustkészlet +21,9 %, a termést is meghaladja; az országos szőlőár alacsony, a ribeirói üzem veszteséges, az albariño jövedelmező.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 58 | (46–70) | B | A spanyol borkészlet 21,9%-kal (40,1 millió hl-re) ugrott és meghaladja a várható termést, miközben a ribeirói kisüzemek veszteségesek.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
| OpenAI ChatGPT | 60 | (42–77) | C · data gap | A készletnyomás és termelési bizonytalanság szűkíti a védekezési keretet, de országos költségfedezeti és fejlesztői adatok nincsenek.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
T6 — Propagating-material pathway
MethodologyFinal value: 33 · central value: 33 (median: 33 · mean: 33) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 36 | (26–50) | A · data gap | Növényútlevél és faiskolai kezelés kötelező, a fő termelőhely vektormentes; a galiciai házi szaporításról nincs adat.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 30 | (20–45) | A · data gap | Kötelező az EK-növényútlevél, a hivatalos regisztráció és a faiskolai 3 kezelés (a szaporítóanyag 65%-a a vektormentes Valenciából jön), de a galíciai házi szaporításról nincs adat.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 33 | (19–51) | C · data gap | Növényútlevél és nyomon követhető pótlóanyag szükséges, de a hőkezelés és informális szaporítóanyag-forgalom országos aránya ismeretlen.Knowledge base: 10_vedekezes.md |
T8 — Weather
MethodologyFinal value: 50 · Evidence: class A
Value calculated from official data with a fixed script.
Rule applied: gépi számítás (0. lépés)
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | – | not given | A | A prompt szerint ősszel 50.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | – | not given | B | Őszi futás lezárt szezonban, ezért a T8 pontszáma 50.Knowledge base: 45_kabocaterjedes_es_vedekezes_helyzetkep.md |
| OpenAI ChatGPT | – | not given | C | A feladat őszre rögzített semleges értéke. |
G1 — Unsurveyed share, commercial
MethodologyFinal value: 91.7 · central value: 91.7 (median: 92 · mean: 91.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 97 | (90–99) | C · data gap | Galícia és Girona szemléje (aug.–okt.) van, hektárszám ismeretlen; forrásonként nem bontható; legfeljebb néhány ezer ha a 903 ezerből.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 85 | (72–94) | C · data gap | Galíciában és Katalóniában augusztus–október között rendszeres hatósági felderítés zajlik a zónákban, de átvizsgált hektárszámot nem közölnek, az ország 90%-a pedig zónán kívüli.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 92 | (76–99) | C · data gap | A felderítés regionális és kockázatalapú, a 2026-os július 20.–szeptember 30. közötti országos egyedi szemlehektár nincs közölve.Knowledge base: 12_felderites_monitoring_mi.md |
G5a — Unsurveyed share, home gardens
MethodologyFinal value: 86.5 · central value: 86.5 (median: 85 · mean: 88) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 96 | (88–99) | C · data gap | Kiskerti szemleszám nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 85 | (70–95) | C · data gap | Galíciában a hatósági szemle parcellaszintű, de a kiskertek átvizsgálási arányáról nincs nyilvános adat.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 83 | (61–96) | C · data gap | Lakossági bejelentés lehetséges, de a kis házikerti állomány és annak átvizsgáltsága nem számszerűsített.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
G5b — Unsurveyed share, abandoned vineyards
MethodologyFinal value: 77.3 · central value: 77.3 (median: 75 · mean: 79.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 92 | (78–98) | C · data gap | A szabály ismert, a vizsgált arány nem.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 75 | (60–88) | B · data gap | A demarkált zónákban vizsgálják és felszámolják az elhagyott parcellákat, de a teljes elhagyott terület átvizsgált hányada nem ismert.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 72 | (47–91) | C · data gap | A zónák elhagyott szőlőinek felkutatása előírt, de a teljes menedékállományhoz viszonyított szemlearány ismeretlen.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
G2 — Survey unreliability
MethodologyFinal value: 33.2 · central value: 33.2 (median: 35 · mean: 31.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 35 | (22–52) | B | Girona tapasztalt, módszeres szemle; Galíciában hatósági és Tragsatec-szemle, képzési dokumentum nem nyilvános.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 24 | (15–35) | B | Katalóniában (SSV, 1996 óta egységes protokoll) és Galíciában (Xunta/TRAGSATEC) képzett hatósági szemlézők dolgoznak az augusztus–októberi tünetablakban.Knowledge base: 46_felderites_bejelentes_kartalanitas_helyzetkep.md |
| OpenAI ChatGPT | 35 | (19–55) | C · data gap | Szakmai felderítő szervezetek működnek, de az önellenőrzők képzettsége és a teljes országos szezonális protokollkövetés ismeretlen.Knowledge base: 03_tunettan_reszletes.md, 12_felderites_monitoring_mi.md |
G4 — Weakness of automated pre-screening
MethodologyFinal value: 96.3 · central value: 96.3 (median: 96 · mean: 96.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 96 | (90–99) | C | FD-re gépi előszűrés nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 98 | (92–100) | C | Spanyolországban nincs hatósági gépi előszűrés az FD-re.Knowledge base: 24_taverzekeles_kepfelismeres_mi.md |
| OpenAI ChatGPT | 96 | (80–100) | C · data gap | Jelentős, validált üzemi FD-előszűrés nincs dokumentálva, kisebb kísérleti használat azonban nem zárható ki.Knowledge base: F_felderites_mi_gepi_eloszures(6).md |
G3 — Lack of lab confirmation
MethodologyFinal value: 29.3 · central value: 29.3 (median: 30 · mean: 28.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 30 | (12–60) | C · data gap | Kis esetszám, labor alapú rendszer, de minta- és átfutási adat nincs; a tünetes tő Galíciában is kivágandó.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 25 | (12–42) | C · data gap | A regionális laborok PCR-rel igazolják a gócokat, de a mintaszámokról és a 30 napon belüli átfutásról nincs nyilvános adat.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 31 | (11–58) | C · data gap | Működő megerősítő diagnosztika mellett a mintázatlan gyanús tőkék és a 30 napot meghaladó eredmények országos aránya hiányzik.Knowledge base: 11_labordiagnosztika.md |
G6 — Difficulty of notification
MethodologyFinal value: 48.2 · central value: 48.2 (median: 48 · mean: 48.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 48 | (38–60) | A | Kötelező bejelentés telefonon vagy e-mailben; online fotós felület nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 48 | (38–58) | A | A gyanút telefonon (pl. 972 45 43 10) vagy e-mailben kell bejelenteni a területi növényegészségügyi szolgálatnak; dedikált fotós bejelentő alkalmazás nincs.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 49 | (35–61) | B · data gap | Telefonos és e-mailes bejelentés igazolt, egységes ügykövetés és garantált gyors visszajelzés nélkül.Knowledge base: 09_bejelentes_es_teendok.md |
G8 — Disincentives to notify
MethodologyFinal value: 36.2 · central value: 36.2 (median: 36 · mean: 36.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 38 | (28–52) | B | Egyes tőre is van (10 EUR, min. 3 tő), >10 %-nál 7 500 EUR/ha, de a keret csak 40 000 EUR, plafon 10 000 EUR, a kifizetés lassú lehet.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 36 | (25–48) | B | Galícia 2026-ban (MR465A) 10 EUR/tőke (≤10%, min. 3 tő) és 7500 EUR/ha (>10% vagy teljes parcella, max. 10 000 EUR/fő) kártalanítást fizet, de az éves keret csak 40 000 EUR; Katalóniában is él tőke- és hektáralapú térítés.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 35 | (20–60) | C · data gap | Galíciában egyedi tőkére is jár térítés, de a kis összkeret, jogosultsági korlát és ismeretlen kifizetési idő miatt teljes értékfedezet nem igazolt.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
G11 — Lack of economic interest in detection
MethodologyFinal value: 52.7 · central value: 52.7 (median: 52 · mean: 53.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 52 | (38–66) | B | Rías Baixas érdekelt, Ribeiro és Ourense gyenge jövedelmű, elhagyó gazdaságok; országosan készlet- és árnyomás.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 56 | (45–68) | B | A 21,9%-kal megnövekedett borkészlet és az ourense-i kisparcellák veszteségessége gyengíti a termelői felderítési motivációt, bár a Rías Baixas-i albariño-termelők érdekeltek.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
| OpenAI ChatGPT | 52 | (33–72) | C · data gap | Az ágazati nyomás mérsékelheti a saját keresést, de tömeges küszöbvárás vagy bejelentés-eltitkolás nincs igazolva.Knowledge base: 20_termeloi_tapasztalatok_es_velemenyek.md |
V1 — Lack of a cure
MethodologyFinal value: 82.2 · central value: 82.2 (median: 80 · mean: 84.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 80 | (72–92) | C | Nemzetközi állapot; spanyol saját eredmény nincs.Knowledge base: orszagcsomagok-2026-10.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| Google Gemini | 98 | (92–100) | C | Nincs engedélyezett vagy szabadföldön igazolt gyógymód az FD-re.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 75 | (75–95) | C | Nemzetközi laboratóriumi jelöltek vannak, de engedélyezett vagy igazolt szabadföldi FD-gyógymód nincs.Knowledge base: I_nemzetkozi_tortenet_gazdasag(6).md |
V2 — Lack of resistant varieties
MethodologyFinal value: 99.8 · central value: 99.8 (median: 100 · mean: 99.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 99 | (97–100) | C | Ellenálló fajta nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 100 | (99–100) | C | Nincs igazoltan ellenálló szőlőfajta köztermesztésben.Knowledge base: 02_korokozo_biologia_genotipusok.md |
| OpenAI ChatGPT | 100 | not given | C | Igazolt FD-rezisztens fajtával telepített terület nincs.Knowledge base: I_nemzetkozi_tortenet_gazdasag(6).md |
V3 — Lack of recovery
MethodologyFinal value: 100
It has no effect in the formula under mandatory grubbing up, so it is not scored.
Rule applied: kötelező kivágás alatt nem pontozandó (5.2): a legutóbbi érték marad
V4 — General plant-health condition
MethodologyFinal value: 50
It has no effect in the formula under mandatory grubbing up, so it is not scored.
Rule applied: kötelező kivágás alatt nem pontozandó (5.2): a legutóbbi érték marad
V5 — Lack of resources for community treatment and research
MethodologyFinal value: 61 · central value: 61 (median: 62 · mean: 60) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (50–75) | B | Egy-egy projekt (CSIC, Pontevedra) és kis kártalanítási keret; többéves FD-keret nincs, közösségi program nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 55 | (42–68) | B | Egyedi kutatási projektek (CSIC-MNCN, Pontevedra) és kisebb regionális keretek (Tragsa-felszámolás, 40 ezer EUR kártalanítás) léteznek, de nagy nemzeti FD-program nincs.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 63 | (42–82) | C · data gap | FD-kutatási aktivitás kimutatható, de elkülönített többéves gyógymód- és fajtakutatási, valamint közösségi újratelepítési keret nem igazolt.Knowledge base: I_nemzetkozi_tortenet_gazdasag(6).md |
V6 — Lack of a market for development
MethodologyFinal value: 62.2 · central value: 62.2 (median: 62 · mean: 62.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (50–72) | B | 14 kampánya csökkenő potenciál, nagy készlet és kivágási prémium; nagy terület és erős minőségi szegmens, nemzetközi megoldáspiac.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 62 | (50–72) | B | A spanyol szőlőterület 14 éve zsugorodik, a készlet (40,1 millió hl) meghaladja a 2026-ra várt 34 millió hl-es termést, így a belföldi fejlesztési kereslet visszafogott.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 63 | (45–79) | C · data gap | A készletnyomás és gyenge jövedelmezőségi kilátás szűkíti a fejlesztési keresletet, de a nagy nemzetközi piac nem omlott össze.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
J — Epidemic burden
MethodologyFinal value: 0 · central value: 0 (median: 0 · mean: 0) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 00% | not given | C · data gap | ~1 000–2 000 tő a 12 hónapban (becslés) / ~2,7 milliárd tő (903 170 ha × ~3 000).Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 00.001% | not given | C | Katalóniában 0, Galíciában néhány száz–ezer fertőzött tőke lehet a 346 parcellán, ami a ~2,5–3 milliárdos spanyol tőkeállomány ~0,001%-a.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 00% | not given | C · data gap | A 12 havi kijelölt számláló becsült 3251 tő, a nevező 903 170 ha × feltételezett 3000 tő/ha, azaz 2 709 510 000 tő.Knowledge base: C_magyar_helyzet_adatok(6).md |
Expert estimate, not official data.