FKI evaluation – France, 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
- Spread
- 21%
- Unknown foci
- 73%
- Vine loss
- 99%
- Epidemic burden
- 0 points
- Without epidemic burden: 57%
With good practice, the FKI would be about 5.8 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 | 68(55–80) | 68(55–78) | 65(48–79) | 67.5 |
| E1a Confirmed exposure | 35(20–55) | 24(15–38) | 30(15–50) | 29.8 |
| I Infection density | 7.5(0–19.5) | 22.6(11.9–34.9) | 15.1(0–29.4) | 15.1 |
| T9 Introduction pressure | 60(45–72) | 65(55–75) | 74(61–84) | 65.7 |
| T1 Leafhopper distribution | 96(90–99) | 98(95–99) | 98(93–100) | 97.7 |
| T2 Leafhopper density | 42(20–65) | 42(25–60) | 49(27–74) | 43.2 |
| T3 Lack of control in commercial vineyards | 42(30–58) | 38(28–50) | 50(43–60) | 42.7 |
| T5a Lack of control in abandoned refuges | 48(35–62) | 58(45–70) | 57(39–76) | 55.7 |
| T5b Lack of control in home-garden vines | 58(42–75) | 55(40–75) | 52(33–73) | 55 |
| T4 Shortfall in control quality | 28(20–38) | 30(22–40) | 24(16–36) | 27.7 |
| T7 Lack of awareness about control | 40(28–55) | 24(15–35) | 35(20–56) | 34 |
| T10 Lack of source removal | 16(9–30) | 18(10–28) | 11(4–25) | 15.5 |
| T11 Lack of economic capacity for control | 60(48–72) | 66(55–76) | 68(52–82) | 65.3 |
| T6 Propagating-material pathway | 33(24–48) | 28(18–42) | 29(17–46) | 29.5 |
| T8 Weather | – | – | – | 50 |
| Unknown foci | ||||
| G1 Unsurveyed share, commercial | 84(76–90) | 80(70–86) | 80(61–92) | 80.7 |
| G5a Unsurveyed share, home gardens | 93(85–98) | 92(82–98) | 76(55–92) | 89.5 |
| G5b Unsurveyed share, abandoned vineyards | 70(55–85) | 76(62–88) | 67(43–86) | 70.5 |
| G2 Survey unreliability | 40(30–55) | 28(20–38) | 28(17–44) | 30 |
| G4 Weakness of automated pre-screening | 88(78–96) | 95(88–100) | 84(75–96) | 88.5 |
| G3 Lack of lab confirmation | 72(45–88) | 22(12–35) | 72(49–90) | 63.7 |
| G6 Difficulty of notification | 42(30–52) | 25(15–35) | 30(18–47) | 31.2 |
| G8 Disincentives to notify | 65(55–75) | 55(45–65) | 78(63–91) | 65.5 |
| G11 Lack of economic interest in detection | 58(45–70) | 68(55–78) | 61(43–78) | 61.7 |
| 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 | 28(18–40) | 28(20–38) | 35(20–56) | 29.2 |
| V6 Lack of a market for development | 62(50–72) | 68(58–78) | 67(52–80) | 66.3 |
| Epidemic burden | ||||
| J Epidemic burden | 0 | 0(0–15.7) | 0 | 0 |
FD Finder Expert’s summary
Franciaország 57%-os értéke (sáv: 51–64) előzetes, és a gépi tagokat (E1, E1a, T1, T2) itt szakértők becsülték: Claude, Gemini és ChatGPT. Az értéket a G (73,1) viszi, a T 21,3, a J nulla pont, mert a kijelölt tőkék országos arányát 0,006–0,03%-ra tették, ezért J nélkül is 57% lenne; az E1 67,5, a T1 97,7 pont. Occitanie-ban a körülhatárolt zóna a 246 881,85 ha szőlőből 244 634,11 ha, és 29 670,6 ha átvizsgált területen 60 500 sárgaságos tőt jeleztek, ez azonban FD és bois noir együtt, labor nélkül (FR-016), Auvergne-Rhône-Alpes 2026-os őszi szemléjén több mint 21 500 ha-on közel 40 000 tőt azonosítottak (FR-015), Maine-et-Loire-ban pedig a 12 zónából kilenc új (FR-006). A laborigazolás hiányánál (G3) Gemini 22, Claude és ChatGPT 72 pontot adott, mert mindhárman látták, hogy a korábban pozitív parcellákon az új tünetes tő minta nélkül számít FD-nek (FR-047), de Gemini az előírt 15–30 napos laborhatáridőt erősebben vette figyelembe. A legnagyobb bizonytalanság a kijelölt tőkék országos száma, mert összesítés nincs: Claude mintegy 200 ezer, Gemini 130–180 ezer, ChatGPT 448 793 tővel számolt. A pontosabb értékhez régiónkénti kijelölt tőszám FD és bois noir szerinti bontásban, valamint a tünetszezonban országosan átvizsgált hektár kellene.
By sub-indicator
E1 — Extent of infection
MethodologyFinal value: 67.5 · central value: 67.5 (median: 68 · mean: 67) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 68 | (55–80) | B | Országos szám 2019 óta nincs (fertőzött település 65 %, zóna 78 %, 2025-ben „75 %”); Occitanie szinte teljes, új zónák a Loire-völgyben és Champagne-ban.Knowledge base: orszagcsomagok-2026-10.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| Google Gemini | 68 | (55–78) | A | A kötelező védekezési és körülhatárolt körzetek az ország szőlőterületének kb. 65–75%-át fedik le (Occitanie 99%, PACA >50%).Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 32_nemzetkozi_helyzet_orszagkartyak.md |
| OpenAI ChatGPT | 65 | (48–79) | C · data gap | A régi, kiterjedt déli fertőzöttség és az új települési gócok nagy országos arányt jeleznek, de az 1 km-es települési metszet hiányzik.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
E1a — Confirmed exposure
MethodologyFinal value: 29.8 · central value: 29.8 (median: 30 · mean: 29.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 35 | (20–55) | C · data gap | Az 1 km-es körök átfedése nem közölt; a pozitív parcellák sűrűségéből (Bordeaux 802, AURA 2 822, PACA 231–337) becsült arány.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 24 | (15–38) | B | Az aktív pozitív parcellák 1 km-es környezete a hatalmas déli és délnyugati zónákon belül a teljes szőlőterület becsült negyedét érinti.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 30 | (15–50) | C · data gap | A gócpontok 1 km-es köreinek országos szőlőmetszete nem ismert, ezért a körülhatárolt hektároknál kisebb kitettséget becsültem.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
I — Infection density
MethodologyFinal value: 15.1 · central value: 15.1 (median: 15.1 · mean: 15.1) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 7.50.02% | (0–19.5) | C | Kb. 200 ezer kijelölt tő (AURA ~40 ezer, Occitanie 60 500 FD+BN felső korlát) / kitett ~260 ezer ha × ~4 600 tő/ha; átvizsgált terület ~110–125 ezer ha.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 22.60.08% | (11.9–34.9) | C | AURA-ban 21 500 ha-on ~40 000, Occitanie-ban 29 671 ha-on 60 500 (FD+BN) tőkét találtak, ami hektáronként 4000 tővel számolva ~0,05–0,1% körüli sűrűség.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 15.10.04% | (0–29.4) | C · data gap | Becsült 448 793 kijelölt tő jut 1,122 milliárd kitett tőre; az AURA 21 500 hektáros augusztus–októberi szemléje nem országosan reprezentatív.Knowledge base: C_magyar_helyzet_adatok(6).md |
T9 — Introduction pressure
MethodologyFinal value: 65.7 · central value: 65.7 (median: 65 · mean: 66.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 60 | (45–72) | B | Olasz Alpok és Genf határ menti fertőzése, Katalónia és Baden szórványos gócai; a belső terjedés erősebb, mint a külső nyomás.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 65 | (55–75) | A | Olaszország (Piemonte, VdA), Svájc (Genf) és Spanyolország (Katalónia), valamint Németország (Baden) határ menti sávjában is jelen van az FD.Knowledge base: 32_nemzetkozi_helyzet_orszagkartyak.md |
| OpenAI ChatGPT | 74 | (61–84) | C · data gap | Olasz és svájci határközeli fertőzések mellett több irányú behurcolási nyomás áll fenn, teljes 50 km-es összesítés nélkül.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
T1 — Leafhopper distribution
MethodologyFinal value: 97.7 · central value: 97.7 (median: 98 · mean: 97.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 96 | (90–99) | C | A vektor Elzász nagy részén kívül gyakorlatilag minden szőlőtermő megyében jelen van (a szőlőterület ~97 %-a), országos térkép nélkül.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 98 | (95–99) | B | A Scaphoideus titanus Elzász nagy részét (a szőlőterület ~2%-a) leszámítva minden francia szőlőtermő megyében megtelepedett, Turckheimben már Elzászban is jelen van.Knowledge base: 32_nemzetkozi_helyzet_orszagkartyak.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 98 | (93–100) | C · data gap | A vektor a szőlőtermelő département-ok túlnyomó részében jelen van, de a két utolsó szezon teljes területsúlyozott táblája hiányzik.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
T2 — Leafhopper density
MethodologyFinal value: 43.2 · central value: 43.2 (median: 42 · mean: 44.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 42 | (20–65) | C · data gap | Kezelés előtti lárvaszám és kezeletlen helyi fogás a listában nincs; a drómi 2,2 és 24,8 egyed/csapda kezelési státusza nem igazolt, ezért nem alap; kezelt helyi fogás nem használható.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 42 | (25–60) | C · data gap | Drôme-ban 2,2 és 24,8 egyed/csapda átlagot közöltek kezelési bontás nélkül, Gironde-ban 1,46 az átlag (kezelt területen); tiszta kezeletlen sűrűségadat hiányzik.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 49 | (27–74) | C · data gap | Kezelés előtti lárvaadat és igazolt kezeletlen fogás nincs; a drôme-i fogások kezelési státusza és időegysége tisztázatlan, ezért számszerű alapként kizártam őket.Knowledge base: E_vedekezes_labor(6).md |
T3 — Lack of control in commercial vineyards
MethodologyFinal value: 42.7 · central value: 42.7 (median: 42 · mean: 43.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 42 | (30–58) | A | A zónákban (~75 %) 0–3 kötelező kezelés, a jogszerűen elhagyott kezelés nem hiány; célzott ellenőrzésben 33–41 % nem megfelelő, a zónán kívül csak ajánlás.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 38 | (28–50) | A | A zónákban kockázatalapúan 0–3 kezelés kötelező, de az ellenőrzések Occitanie-ban ~40%-os nem-megfelelést mutattak, PACA-ban pedig 17 300 ha kezelés nélküli.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md, 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 50 | (43–60) | A · data gap | Zónákhoz kötött kötelezettség és változó ellenőrzés működik; a PACA jogszerűen kezelés nélküli felügyeletét nem számítottam mulasztásnak.Knowledge base: 10_vedekezes.md |
T5a — Lack of control in abandoned refuges
MethodologyFinal value: 55.7 · central value: 55.7 (median: 57 · mean: 54.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 48 | (35–62) | B | A zónákban kivágási kötelezettség és szankció, 2025-ös parlagtörvény és gironde-i program (~6 349 ha), de a mért sarjminták 30 %-a FD+ és országos nevező nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 58 | (45–70) | B | Gironde-ban egészségügyi kivágási program és célzott parlag-összeírás zajlik (30% FD+ sarj), Occitanie-ban 452 eljárás fut, de országosan sok a kezeletlen menedék.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 57 | (39–76) | C · data gap | A zónás felszámolási kötelezettség igazolt, de a ténylegesen megszüntetett menedékek országos aránya ismeretlen.Knowledge base: E_vedekezes_labor(6).md |
T5b — Lack of control in home-garden vines
MethodologyFinal value: 55 · central value: 55 (median: 55 · mean: 55) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 58 | (42–75) | B · data gap | A jogi parcellafogalom a magánkertet is fedi, BFC az elszigetelt tőkét is előírja; ellenőrzési és kezelési adat nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 55 | (40–75) | A · data gap | A kötelezettség jogilag az elszigetelt és házikerti tőkékre is kiterjed a zónákban (BFC), de a tényleges házikerti ellenőrzésről és követésről nincs adat.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 52 | (33–73) | C · data gap | Az elszigetelt tőkékre is kiterjedő zónás kötelezettség mellett a házikerti hozzáférés és végrehajtás országos ellenőrzése hiányzik.Knowledge base: E_vedekezes_labor(6).md |
T4 — Shortfall in control quality
MethodologyFinal value: 27.7 · central value: 27.7 (median: 28 · mean: 27.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 28 | (20–38) | A | Településenkénti, lárvastádiumhoz kötött naptár és 25 engedélyezett szer, bio választékkal, de a hatásmód szinte csak piretroid.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 30 | (22–40) | A | Pontos, községszintű hatósági időzítés (BSV és üzenetek) működik, ám a szerválaszték piretroid-túlsúlyú, bioban pedig a piretrin és a paraffinolaj korlátozott hatású.Knowledge base: 29_vedekezes_kiserleti_hatekonysag.md, 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 24 | (16–36) | A | Regionális, fejlődési stádiumhoz igazított kezelési ablakok és bio előírások vannak, de a hatásmódválaszték és az összehangolás nem teljes.Knowledge base: 10_vedekezes.md |
T7 — Lack of awareness about control
MethodologyFinal value: 34 · central value: 34 (median: 35 · mean: 33) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 40 | (28–55) | B | GDON-tagoknak egyéni értesítő és BSV, községi kifüggesztés; a hobbitartók elérése gyenge, lefedettségi szám nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 24 | (15–35) | A | A DRAAF-ok, GDON-ok és BSV-hírlevelek révén a szervezett árutermelők célzott, községszintű riasztást kapnak, csak a hobbitartók elérése esetleges.Knowledge base: 35_termeloi_szervezetek_es_kollektiv_vedekezes.md |
| OpenAI ChatGPT | 35 | (20–56) | C · data gap | A rendszeres helyi értesítések erős szakmai elérést mutatnak, de a házikerteseket is tartalmazó országos elérési arány nincs mérve.Knowledge base: E_vedekezes_labor(6).md |
T10 — Lack of source removal
MethodologyFinal value: 15.5 · central value: 15.5 (median: 16 · mean: 15) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 16 | (9–30) | A | AURA 2026: 3 744 ellenőrzött parcella ~10 %-a nem megfelelő; Drôme 18–32 %, PACA 27 % parcella; felszólítás után a többség teljesít.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 18 | (10–28) | A | AURA-ban 3744 ellenőrzött parcellából ~10%-on maradt kint tőke, Drôme-ban 18–32% volt a mulasztás, PACA-ban a parcellák 27%-án találtak el nem távolított tőkét.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 11 | (4–25) | C · data gap | Az AURA ellenőrzött parcelláin mérhető elmaradás van, de a parcella- és tőkealapú regionális adatokból országos késedelmi arány nem számítható.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
T11 — Lack of economic capacity for control
MethodologyFinal value: 65.3 · central value: 65.3 (median: 66 · mean: 64.7) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 60 | (48–72) | A | 2024 a RICA-sor mélypontja, Aquitaine és Languedoc negatív, Champagne és Burgundia pozitív; 5 923 kivágási kérelem 27 926 ha-ra; szerfenntartás van, új hatóanyag nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 66 | (55–76) | A | Súlyos jövedelmi válság (Aquitaine és Languedoc RICA-eredménye negatív, ~28 000 ha végleges kivágási kérelem 2026-ban), miközben több piretroidot kivontak.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
| OpenAI ChatGPT | 68 | (52–82) | C · data gap | A nagy kivágási igény és a zsugorodó termelés gyenge teherbírást jelez, de országos költségfedezeti és szerfejlesztési adatok hiányoznak.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
T6 — Propagating-material pathway
MethodologyFinal value: 29.5 · central value: 29.5 (median: 29 · mean: 30) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 33 | (24–48) | A · data gap | Tanúsított út: forróvíz korlátozott zónából, faiskolai kezelés és anyatelep-felügyelet; a nem kereskedelmi forgalomról nincs adat.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 28 | (18–42) | B · data gap | A faiskolákra és anyatelepekre szigorú kezelési és forróvizes szabályok vonatkoznak, de anyatelep-fertőzések előfordulnak, a nem kereskedelmi csere pedig adathiányos.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 29 | (17–46) | C · data gap | Tanúsítás, faiskolai védelem és kockázathoz kötött hőkezelés működik, az informális forgalom nagysága azonban nem ismert.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 | A | Őszi futás lezárt szezonban, a szezonra már van sűrűségadat, így a szabály szerint a T8 értéke 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: 80.7 · central value: 80.7 (median: 80 · mean: 81.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 84 | (76–90) | B | Occitanie 29 671 ha (2025), AURA 21 500 ha (2026, aug.–okt., részben ablakon kívül), Bordeaux 5 213 ha, PdL 1 644+~500 ha, Drôme 846 ha; PACA 31 890 ha és Champagne 22 350 ha csak tudásbázisból; ismeretlen BFC, Charentes-átfedés; ~16 % ablakban.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 80 | (70–86) | A | Ismert szemlék: AURA >21 500 ha (2026. aug.–okt.), Occitanie 29 671 ha (2025), Bordeaux 5213 ha (2025), PdL 2144 ha (2025); országosan a ~748 000 ha ~15–20%-át vizsgálják át évente.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 80 | (61–92) | C · data gap | A regionális szemlékből nem állítható össze a 2026. július 20.–szeptember 30. közötti országos, átfedésmentes hektárszám.Knowledge base: 12_felderites_monitoring_mi.md |
G5a — Unsurveyed share, home gardens
MethodologyFinal value: 89.5 · central value: 89.5 (median: 92 · mean: 87) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 93 | (85–98) | C · data gap | Jogilag a felderítés része, kiskerti szemleszám nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 92 | (82–98) | C · data gap | Bár a magánkertek jogilag a felderítés hatálya alá esnek, tényleges házikerti szemleszámokról nincs adat.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 76 | (55–92) | C · data gap | A magánszőlők jogi bevonása ellenére sem a teljes kerti állomány, sem az átvizsgált rész nem ismert.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
G5b — Unsurveyed share, abandoned vineyards
MethodologyFinal value: 70.5 · central value: 70.5 (median: 70 · mean: 71) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 70 | (55–85) | C · data gap | Gironde-ban célzott összeírás (923 elhagyott szőlő, 655 ha) és rutinszemle van, országosan csak bejelentésre és zónabejáráskor.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 76 | (62–88) | C | Gironde-ban légifotós és terepi parlag-összeírás indult (923 elhagyott parcella), máshol azonban csak a zónabejárások szélén érintik a felhagyott területeket.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 67 | (43–86) | C · data gap | Van célzott intézkedés az elhagyott szőlőkre, de az összes menedék és a szemlézett terület országos nyilvántartása hiányzik.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
G2 — Survey unreliability
MethodologyFinal value: 30 · central value: 30 (median: 28 · mean: 32) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 40 | (30–55) | B | Képzett vezetők és protokollok, de idénymunkások és termelők is szemléznek, Champagne-ban a prospektor a beteg tők ~felét ismeri fel.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 28 | (20–38) | B | A FREDON/GDON-szemléket képzett technikusok vezetik egységes protokollal a tünetablakban, ám Vaucluse-ban csökkent a termelői részvétel, a vizuális megtalálási arány pedig ~50%.Knowledge base: 12_felderites_monitoring_mi.md, 35_termeloi_szervezetek_es_kollektiv_vedekezes.md |
| OpenAI ChatGPT | 28 | (17–44) | C · data gap | Szakemberek vezette, szezonális szemlék működnek, de az idénymunkások és önellenőrzők országos képzettségi aránya nem ismert.Knowledge base: 03_tunettan_reszletes.md, 12_felderites_monitoring_mi.md |
G4 — Weakness of automated pre-screening
MethodologyFinal value: 88.5 · central value: 88.5 (median: 88 · mean: 89) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 88 | (78–96) | C | Hatóságilag elfogadott gépi előszűrés nincs, csak kísérlet; az AURA-i hatóság szerint a drónos felismerés nem működik.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 95 | (88–100) | C | Hatóságilag elismert gépi előszűrés nincs, csak kis területű kutatási pilotok zajlanak.Knowledge base: 24_taverzekeles_kepfelismeres_mi.md |
| OpenAI ChatGPT | 84 | (75–96) | C · data gap | Kísérleti kamerás és drónos rendszerek léteznek, de országosan jelentős, függetlenül validált üzemi lefedettség nincs igazolva.Knowledge base: F_felderites_mi_gepi_eloszures(6).md |
G3 — Lack of lab confirmation
MethodologyFinal value: 63.7 · central value: 63.7 (median: 72 · mean: 55.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 72 | (45–88) | B · data gap | Átfutási idő nincs; a tünetes tők zöme mintavétel nélkül marad (parcellánként legfeljebb 5 tő, pozitív parcellán minta nélkül FD), a mintázottak hatósági úton rendben.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 22 | (12–35) | B · data gap | Az utasítás 15–30 napos laboreredményt ír elő, ugyanakkor a korábban pozitív parcellák új tüneteit (pl. Drôme) és az enrayement-zónák egy részét új mintavétel nélkül sorolják be.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 72 | (49–90) | C · data gap | A korábban pozitív parcellák tünetes tőkéinek mintázási elhagyása növeli a hiányt, miközben a 30 napos országos átfutás ismeretlen.Knowledge base: 11_labordiagnosztika.md |
G6 — Difficulty of notification
MethodologyFinal value: 31.2 · central value: 31.2 (median: 30 · mean: 32.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 42 | (30–52) | B | Telefon vagy e-mail a FREDON-nak, a szervezett szemléhez alkalmazás (Vigifl@v); országos lakossági út nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 25 | (15–35) | B | A főbb borvidékeken digitális alkalmazások (Vigifl@v, Vigie Bourgogne, VigiCA) és közvetlen FREDON/GDON-csatornák segítik a bejelentést.Knowledge base: 12_felderites_monitoring_mi.md |
| OpenAI ChatGPT | 30 | (18–47) | C · data gap | Regionális digitális bejelentés rendelkezésre áll, de az országos hozzáférés és a visszajelzés határideje nincs igazolva.Knowledge base: 09_bejelentes_es_teendok.md |
G8 — Disincentives to notify
MethodologyFinal value: 65.5 · central value: 65.5 (median: 65 · mean: 66) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 65 | (55–75) | C | FMSE csak a küszöb feletti, kivágott parcellára, feltételekkel (2025: 39 dosszié ~684 ezer EUR); egyes tőre nincs; a kifizetés két év körüli.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 55 | (45–65) | B | Egyedi tőkére nincs kártalanítás, az FMSE csak a 20%-os küszöb feletti teljes parcellakivágást téríti szigorú feltételekkel, és a kifizetés ütemezése parlamenti kérdés tárgya.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md, 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 78 | (63–91) | C · data gap | Az egyedi tőkéknél fennmaradó veszteség és a küszöbös, késedelmes térítés gyenge ösztönzést ad; teljes értékarányos fedezet nincs igazolva.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
G11 — Lack of economic interest in detection
MethodologyFinal value: 61.7 · central value: 61.7 (median: 61 · mean: 62.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 58 | (45–70) | A | Délnyugaton és Languedocban veszteség és tömeges kilépés (a kérelmek 37 %-a teljes kivágás), Vaucluse-ban csökkenő termelői részvétel; a felső borvidékek érdekeltek.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 68 | (55–78) | A | Közel 6000 termelő kért végleges kivágási támogatást ~28 000 hektárra (37% teljes üzemfelszámolás), és Vaucluse-ban is visszaesett a gazdák felderítési részvétele.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md, 33_termeloi_hangok_orszagonkent.md |
| OpenAI ChatGPT | 61 | (43–78) | C · data gap | A kilépési igény és a csökkenő szemlerészvétel gyengíti a keresési érdeket, de országos tudatos eltitkolás nincs bizonyítva.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 | Engedélyezett gyógymód nincs; a legerősebb FD-eredmény labor/üvegház, a szabadföldi kísérletek negatívak vagy nem meggyőzők.Knowledge base: orszagcsomagok-2026-10.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| Google Gemini | 98 | (92–100) | C | Termő tőkére nincs engedélyezett vagy szabadföldön igazolt gyógymód, a forróvizes kezelés csak szaporítóanyagra alkalmazható.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 75 | (75–95) | C | Laboratóriumi jelöltek vannak, de engedélyezett vagy meggyőzően 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 | Igazoltan FD-ellenálló fajta nincs; a gombarezisztens fajták nem számítanak.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 100 | (99–100) | C | Igazoltan ellenálló szőlőfajta nincs köztermesztésben, a Magdeleine-keresztezések még kísérleti fázisban vannak.Knowledge base: 02_korokozo_biologia_genotipusok.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 100 | not given | C | Igazolt FD-rezisztens, telepített fajta nincs; a kisebb fogékonyság és a PIWI-minősítés nem rezisztencia.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: 29.2 · central value: 29.2 (median: 28 · mean: 30.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 28 | (18–40) | C | PNDV ágazati-állami program, FMSE 65 % állami részvétellel, gironde-i 30 M EUR kivágás, regionális felderítési keretek.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 28 | (20–38) | C | Többéves állami és ágazati keretek (PNDV, PARSADA, FMSE, Gironde-i egészségügyi kivágási alap) működnek, bár a helyi felderítési források szűkösek.Knowledge base: 31_kutatasi_front_konferenciak_projektek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 35 | (20–56) | C · data gap | Többéves állami–ágazati kutatás és közösségi finanszírozás létezik, de a gyógymód- és FD-fajtakutatás elkülönített része nem számszerűsíthető.Knowledge base: I_nemzetkozi_tortenet_gazdasag(6).md |
V6 — Lack of a market for development
MethodologyFinal value: 66.3 · central value: 66.3 (median: 67 · mean: 65.7) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (50–72) | A | Egy év alatt −24 665 ha, kivágási hullám, 2026-os termés −14 % az átlaghoz, de nagy nemzetközi piac és magán-nemesítés (főleg gombarezisztencia).Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 68 | (58–78) | A | A francia szőlőterület zsugorodik (-1,9% egy év alatt, ~28 000 ha kivágási kérelem), a 2026-os termés 14%-kal marad el az ötéves átlagtól, a faiskolák száma 37%-kal csökkent.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 67 | (52–80) | C · data gap | A területcsökkenés és az ágazati válság szűkíti a fizetőképes fejlesztési keresletet, de teljes fejlesztői kivonulás nem igazolt.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 | 00.006% | not given | C | Kb. 200 ezer tő (130–250 ezer) / ~3,4 milliárd tő (747 988 ha × ~4 600); Occitanie számlálója FD+BN, országos összeg nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 00.03% | (0–15.7) | C | A fő régiókban (Occitanie ~60 ezer, AURA ~40 ezer, Gironde ~10-14 ezer, Champagne ~10 ezer tő) évente ~130–180 ezer tőkét jelölnek ki kivágásra a ~3 milliárdos országos tőkeállományból.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 00.012% | not given | C · data gap | A 12 havi kijelölt számláló becsült 448 793 tő, a nevező 747 988 ha × feltételezett 5000 tő/ha, azaz 3 739 940 000 tő.Knowledge base: C_magyar_helyzet_adatok(6).md |
Expert estimate, not official data.