FKI evaluation – Italy, 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
- 11%
- Unknown foci
- 45%
- Vine loss
- 99%
- Epidemic burden
- 35.8 points
- Without epidemic burden: 41%
With good practice, the FKI would be about 3.4 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 | 36(28–48) | 42(34–52) | 40(28–56) | 39.7 |
| E1a Confirmed exposure | 22(12–35) | 18(10–28) | 20(10–35) | 20 |
| I Infection density | 44.5(25–65.1) | 58.8(44.5–75.3) | 47.6(29.4–72.4) | 48.9 |
| T9 Introduction pressure | 72(60–82) | 72(62–82) | 78(65–89) | 73 |
| T1 Leafhopper distribution | 72(62–82) | 70(60–78) | 66(51–80) | 69.7 |
| T2 Leafhopper density | 38(18–60) | 34(22–50) | 54(30–78) | 40 |
| T3 Lack of control in commercial vineyards | 28(18–42) | 24(15–35) | 40(30–53) | 29.3 |
| T5a Lack of control in abandoned refuges | 42(30–58) | 45(35–58) | 55(36–75) | 46.2 |
| T5b Lack of control in home-garden vines | 42(28–58) | 38(25–55) | 48(29–70) | 42.3 |
| T4 Shortfall in control quality | 16(10–28) | 18(10–28) | 25(16–38) | 18.8 |
| T7 Lack of awareness about control | 35(25–50) | 20(12–30) | 37(21–57) | 32.8 |
| T10 Lack of source removal | 25(14–42) | 22(14–32) | 21(9–40) | 22.3 |
| T11 Lack of economic capacity for control | 52(40–65) | 56(45–68) | 53(37–71) | 53.3 |
| T6 Propagating-material pathway | 33(24–48) | 25(15–38) | 31(18–49) | 30.3 |
| T8 Weather | – | – | – | 50 |
| Unknown foci | ||||
| G1 Unsurveyed share, commercial | 95(87–99) | 88(78–94) | 83(61–96) | 88.3 |
| G5a Unsurveyed share, home gardens | 95(87–99) | 90(80–97) | 77(54–93) | 88.7 |
| G5b Unsurveyed share, abandoned vineyards | 75(58–88) | 72(58–85) | 65(41–85) | 71.3 |
| G2 Survey unreliability | 32(22–45) | 24(15–35) | 31(17–49) | 30 |
| G4 Weakness of automated pre-screening | 84(76–93) | 85(75–95) | 82(75–95) | 83.8 |
| G3 Lack of lab confirmation | 72(40–88) | 20(10–35) | 82(64–95) | 65 |
| G6 Difficulty of notification | 38(25–50) | 28(18–40) | 38(23–53) | 36.3 |
| G8 Disincentives to notify | 58(48–70) | 54(44–65) | 64(46–81) | 58.3 |
| G11 Lack of economic interest in detection | 50(38–62) | 52(40–64) | 46(29–66) | 49.7 |
| 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 | 40(28–55) | 30(20–42) | 32(19–49) | 33 |
| V6 Lack of a market for development | 55(42–68) | 55(44–66) | 56(40–73) | 55.2 |
| Epidemic burden | ||||
| J Epidemic burden | 29.2(0–69.4) | 36.7(0–69.4) | 38.8(0–85.6) | 35.8 |
FD Finder Expert’s summary
Olaszország 46%-os értéke (sáv: 42–54) előzetes, és a gépi tagokat (E1, E1a, T1, T2) itt szakértők becsülték: Claude, Gemini és ChatGPT. A G 45,1, a T 10,8, a J 35,8 pont, és J nélkül az érték 41% lenne; az E1 39,7, a T1 69,7 pont. A piemonti projektültetvények FD-aránya 2023 és 2025 között 7,76%-ról 4,87%-ra csökkent, de ez egy 616 pontos megfigyelőhálózat, nem országos minta (IT-007), Venetóban a terjedés általános, a fertőzöttség csökkenő (IT-011), míg Dél-Tirolban (IT-013) és Friuli Venezia Giuliában (IT-014) 2026-ban bővültek a zónák, Toszkánában pedig Massa Carrara és Lucca megye egésze visszaszorítási zóna lett (IT-016). A laborigazolás hiányánál (G3) Gemini 20, Claude 72, ChatGPT 82 pontot adott, mert mindhárman látták, hogy a fertőzött zónában a tünetes tő labor nélkül kerül ki, de Gemini a toszkán 3 972 vizsgálat (IT-039) mellett ezt kisebb hiánynak vette. A legnagyobb bizonytalanság, hogy országos tőszám nincs, ezért a J alapja becslés (0,12–0,16%), és az átvizsgált terület is csak töredékesen ismert (G1 88,3). A pontosabb értékhez országos kijelölt tőszám, régiónkénti átvizsgált hektár és a régiókat átfogó, azonos módszerű minta kellene.
By sub-indicator
E1 — Extent of infection
MethodologyFinal value: 39.7 · central value: 39.7 (median: 40 · mean: 39.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 36 | (28–48) | B | PIE, LOM, VEN, FVG ~29 % biztosan, a többi északi és közép-olasz régió részben; felső határ ~50 %; FVG és Bolzano 2026-ban bővült.Knowledge base: orszagcsomagok-2026-10.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md |
| Google Gemini | 42 | (34–52) | A | Északon (Piemonte 98%, FVG 98%, Veneto és Lombardia ~100%) teljes régiók tartoznak a fertőzött zónába (~200 000 ha), míg Közép-Olaszország részben, Dél-Olaszország és a szigetek túlnyomórészt mentesek a 694 333 ha-ból.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 40 | (28–56) | C · data gap | Az északi góchálózat és az új települési leletek jelentős kiterjedést jeleznek, de a teljes régiós jogi zónák nem azonosak az 1 km-es települési metszettel.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
E1a — Confirmed exposure
MethodologyFinal value: 20 · central value: 20 (median: 20 · mean: 20) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 22 | (12–35) | C · data gap | Az északi ~215 ezer ha nagyobb részét becsülöm átfedőnek; pontlista nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 18 | (10–28) | B | Az északi és toszkánai aktív gócok 1 km-es környezete az országos szőlőterület közel ötödét fedi le.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 20 | (10–35) | C · data gap | A sűrű északi góchálózatra közepes országos kitettséget becsültem, országos pontkoordinátás szőlőmetszet nélkül.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
I — Infection density
MethodologyFinal value: 48.9 · central value: 48.9 (median: 47.6 · mean: 50.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 44.50.6% | (25–65.1) | C | Szemlézett ültetvények incidenciája Piemonte 4,87 %, Veneto ~1,3, Lombardia ~0,5, nem reprezentatív és felfelé torzít; átvizsgált terület néhány ezer ha.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 58.81.5% | (44.5–75.3) | B | A monitoring-hálózatokban az átlagos incidencia Piemontéban 4,87% (616 pont), Venetóban 1,26% (2,7 millió átvizsgált tőke), FVG-ben 0,74%, Lombardiában ~0,55%.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 47.60.8% | (29.4–72.4) | C · data gap | Becsült 4,364 millió kijelölt tő jut 545,474 millió kitett tőre; a piemonti 616 megfigyelőhely nem országos reprezentatív hektárminta.Knowledge base: C_magyar_helyzet_adatok(6).md |
T9 — Introduction pressure
MethodologyFinal value: 73 · central value: 73 (median: 72 · mean: 74) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 72 | (60–82) | B | Ticino, Savoie és Szlovénia határán fertőzés van; Olaszország maga is forrás, így a külső nyomás kevésbé meghatározó.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 72 | (62–82) | A | Minden szárazföldi szomszédban (Franciaország/PACA-Savoie, Svájc/Ticino, Ausztria/Stájerország 51% pozitivitással, Szlovénia/Primorska) kiterjedt, határ menti fertőzés van.Knowledge base: 32_nemzetkozi_helyzet_orszagkartyak.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 78 | (65–89) | C · data gap | Franciaország, Svájc és Szlovénia felől jelentős határközeli nyomás áll fenn; a stájer pozitivitás önmagában nem bizonyít olasz határközelséget.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
T1 — Leafhopper distribution
MethodologyFinal value: 69.7 · central value: 69.7 (median: 70 · mean: 69.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 72 | (62–82) | C | Észak és Közép általános, Dél szórványos, Szicília és Szardínia nélkül; régiós helyettesítő a terület ~70 %-a.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 70 | (60–78) | B | A kabóca Észak- és Közép-Olaszországban általános (Umbriában is 12 községben), délen szórványos, Szicíliában és Szardínián hiányzik.Knowledge base: 32_nemzetkozi_helyzet_orszagkartyak.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 66 | (51–80) | C · data gap | A vektor széles északi és közép-olasz elterjedése alapján becsültem a pozitív provinciák szőlőarányát, teljes 2025–2026-os lista nélkül.Knowledge base: J_termeloi_hang_kommunikacio_orszagok(6).md |
T2 — Leafhopper density
MethodologyFinal value: 40 · central value: 40 (median: 38 · mean: 42) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 38 | (18–60) | C · data gap | Piemonte átlag 2,1/csapda/szezon, zömében kezelt ültetvényből és bontás nélkül, ezért nem alap; kezeletlen Val di Susa 2024: 28,5 csak jelzés.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 34 | (22–50) | C · data gap | Piemontéban 10 496 csapdán 2,1 egyed/csapda az átlag (11,5%-ban >5), de a forrás nem választja szét a kezelés előtti lárvafelmérést, a kezeletlen és a kezelés utáni fogást.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 54 | (30–78) | C · data gap | Kezelés előtti lárvasűrűség és elkülönített kezeletlen fogás nincs; a kezelt vagy tisztázatlan státuszú szezonfogást és a puszta lárvastádiumot kizártam.Knowledge base: E_vedekezes_labor(6).md |
T3 — Lack of control in commercial vineyards
MethodologyFinal value: 29.3 · central value: 29.3 (median: 28 · mean: 30.7) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 28 | (18–42) | A | Az érintett régiókban mindenhol kötelező, napló és bírság 1 000–6 000 EUR, szúrópróbás ellenőrzés (Piemonte 674 helyszíni); arányszám nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 24 | (15–35) | A | Az északi és közép-olasz régiók teljes szőlőterületén 2–3 kezelés kötelező, szigorú bírsággal (1000–6000 EUR), támogatásfelfüggesztéssel és nyilvántartási zárolással ellenőrizve.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 40 | (30–53) | A · data gap | Több északi régióban teljes területű kötelezettség működik, országosan azonban a rendszer nem egységes és a végrehajtási arány ismeretlen.Knowledge base: 10_vedekezes.md |
T5a — Lack of control in abandoned refuges
MethodologyFinal value: 46.2 · central value: 46.2 (median: 45 · mean: 47.3) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 42 | (30–58) | A | Északon rendszeres kényszerintézkedés (Piemonte 227 ha kivágva, 187 felszólítás), országos felhagyott-nevező nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 45 | (35–58) | A | A zónákban kötelező az elhagyott szőlők és vadszőlők felszámolása, Piemontéban 227 ha-t vágtak ki és 222+31+2 kockázati helyzetet jelentettek, Venetóban hatósági kényszerkivágás működik.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 55 | (36–75) | C · data gap | Regionális elhagyottsági bejelentés és kötelező felszámolás létezik, de a megtisztított menedékterület országos aránya hiányzik.Knowledge base: E_vedekezes_labor(6).md |
T5b — Lack of control in home-garden vines
MethodologyFinal value: 42.3 · central value: 42.3 (median: 42 · mean: 42.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 42 | (28–58) | B · data gap | A rendeletek a nem hivatásos szőlőre és izolált tőre is kiterjednek, községi közzététellel; ellenőrzési adat nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 38 | (25–55) | A | Veneto, Lombardia és FVG rendeletei kifejezetten kiterjesztik a kivágási és kezelési kötelezettséget a nem hivatásos, családi és izolált tőkékre is, önkormányzati közléssel.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 48 | (29–70) | C · data gap | Egyes régiók az elszigetelt hobbitőkéket is kötelezik, de országos házikerti ellenőrzési és kezelési arány nincs.Knowledge base: E_vedekezes_labor(6).md |
T4 — Shortfall in control quality
MethodologyFinal value: 18.8 · central value: 18.8 (median: 18 · mean: 19.7) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 16 | (10–28) | A | Heti bulletinek kötelező ablakkal, több hatásmód (neonikotinoid-jellegű, piretroid, piretrin, kálisó), bio-választék; a kaolin csak szükségengedéllyel.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 18 | (10–28) | A | Heti fenológiai bulletinek és több hatásmód áll rendelkezésre hagyományos (acetamiprid, flupiradifuron, piretroidok) és ökológiai (piretrin, kálisó, kaolin szükségengedéllyel) termesztésben.Knowledge base: 29_vedekezes_kiserleti_hatekonysag.md, 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 25 | (16–38) | A | Stádiumalapú regionális időzítés és hagyományos–bio kezelési rend van, az ökológiai hatásmódválaszték szűkebb.Knowledge base: 10_vedekezes.md |
T7 — Lack of awareness about control
MethodologyFinal value: 32.8 · central value: 32.8 (median: 35 · mean: 30.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 35 | (25–50) | B | Heti regionális bulletin és községi tükrözés, a szervezett termelők jól, a kiskerti tartók kevésbé elértek; arány nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 20 | (12–30) | A | A regionális szolgálatok, konzorciumok és önkormányzatok (pl. Cigognola) időben, pontos dátumablakokkal juttatják el a felhívásokat a termelők többségéhez.Knowledge base: 35_termeloi_szervezetek_es_kollektiv_vedekezes.md |
| OpenAI ChatGPT | 37 | (21–57) | C · data gap | Sűrű regionális felhívások támogatják a szervezett termelőket, de a kistermelők és házikertesek időbeni elérése nincs felmérve.Knowledge base: E_vedekezes_labor(6).md |
T10 — Lack of source removal
MethodologyFinal value: 22.3 · central value: 22.3 (median: 22 · mean: 22.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 25 | (14–42) | B | Veneto 2024: határozatok végrehajtása 91 % és 69 % (tudásbázis); a tünetes tők önkéntes kivágását márc. 31-ig kevesen ellenőrzik, országos szám nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 22 | (14–32) | A | Venetóban a részleges kivágási határozatok 91%-át, a teljesek 69%-át hajtották végre, és 2026 szeptemberében is rendszeresek a hatósági kivágási elrendelések.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 21 | (9–40) | C · data gap | A korábbi részleges végrehajtási adatok elmaradást jeleznek, de a 2026-os eltávolítási rendelkezések nem igazolják országosan a határidős teljesítést.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
T11 — Lack of economic capacity for control
MethodologyFinal value: 53.3 · central value: 53.3 (median: 53 · mean: 53.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 52 | (40–65) | B | Borár −7…−9 %, inputindex nő, rekordközeli készlet, szőlőár −16…−23 % egyes DOC-oknál; a többség még fedez; új hatóanyag nincs, a meglévők fennmaradnak.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 56 | (45–68) | B | Rekord borkészlet (42,6–45,6 millió hl), csökkenő bor- és szőlőárak (-7%..-23%) és emelkedő rovarölőszer-költségek szűkítik a gazdák mozgásterét.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
| OpenAI ChatGPT | 53 | (37–71) | C · data gap | A készletnövekedés és az árnyomás szűkíti a védekezési keretet, de nem igazolt a termelők többségének veszteségessége vagy a fejlesztések leállítása.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
T6 — Propagating-material pathway
MethodologyFinal value: 30.3 · central value: 30.3 (median: 31 · mean: 29.7) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 33 | (24–48) | A · data gap | Tanúsítás, RUOP-szemle (2023: 1 446 hely), fertőzött zónából hőkezelés; a házi szaporításról és cseréről nincs adat.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 25 | (15–38) | A · data gap | A faiskolákban 2–4 kötelező kezelés, sűrű csapdázás (3 lap/0,5 ha) és fertőzött zónából kötelező melegvizes kezelés él, de a házi szaporításról nincs adat.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 31 | (18–49) | C · data gap | Tanúsítás, faiskolai monitoring és kockázatos anyagnál hőkezelés működik, az informális forgalom és az országos ellenőrzési lefedettség 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 | A | Őszi futás, a szezonra már van megfigyelési adat, 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: 88.3 · central value: 88.3 (median: 88 · mean: 88.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 95 | (87–99) | B | Veneto ~900 ha, Lombardia 61 ha, Bolzano 426 ha, VdA 20 ha, Piemonte 261 és Trento 994 szőlő (2025, tudásbázis); ismeretlen: termelői és konzorciumi szemle, Toszkána; összesen néhány ezer ha a 694 ezerből.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 88 | (78–94) | A | A dokumentált hatósági és projekt-szemlék (Veneto ~900 ha, Piemonte 616 pont, Bolzano 426 ha, Lombardia 61 ha) a 694 333 ha-os nemzeti terület töredékét fedik le, a termelői önszemle mértéke ismeretlen.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 83 | (61–96) | C · data gap | A megfigyelőhelyek, tesztek és képzett szemlézők adatai nem adják meg a megfelelő időablakban országosan átvizsgált egyedi hektárt.Knowledge base: 12_felderites_monitoring_mi.md, J_termeloi_hang_kommunikacio_orszagok(6).md |
G5a — Unsurveyed share, home gardens
MethodologyFinal value: 88.7 · central value: 88.7 (median: 90 · mean: 87.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 95 | (87–99) | C · data gap | Hatósági kiskert-szemleadat nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 90 | (80–97) | C · data gap | A házikertek hatósági átvizsgálási arányáról nincs országos adat.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 77 | (54–93) | C · data gap | A házikerti kötelezettség ismert, a kerti tőkeállomány és az elvégzett szemlék országos száma nem.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
G5b — Unsurveyed share, abandoned vineyards
MethodologyFinal value: 71.3 · central value: 71.3 (median: 72 · mean: 70.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 75 | (58–88) | C · data gap | Piemonte 456 szőlőt vizsgált, 255 kockázatos helyzetet jelentettek a projektek; máshol bejelentésre, nevező nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 72 | (58–85) | B | Piemontéban és Lombardiában bejelentő rendszer és célzott elhagyottszőlő-ellenőrzés működik, de a teljes felhagyott állomány átvizsgált aránya alacsony.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 65 | (41–85) | C · data gap | Az elhanyagolt ültetvényekre működnek jelzési csatornák, de a bejelentések nem azonosak az összes menedék átvizsgáltságával.Knowledge base: D_jog_bejelentes_kartalanitas(6).md |
G2 — Survey unreliability
MethodologyFinal value: 30 · central value: 30 (median: 31 · mean: 29) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 32 | (22–45) | B | Minősített szakemberek, kódolt tünetlap; a toleráns Glera és Garganega miatt rejtett tartalék marad.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 24 | (15–35) | A | Minősített szakemberek (Piemonte külön kerettel), konzorciumi technikusok és egységes tünetkódolási protokollok biztosítják a szemlék minőségét.Knowledge base: 35_termeloi_szervezetek_es_kollektiv_vedekezes.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 31 | (17–49) | C · data gap | Képzett regionális szemlézők és kialakult protokollok mellett a termelői önellenőrzés országos minősége nem mérhető.Knowledge base: 03_tunettan_reszletes.md, 12_felderites_monitoring_mi.md |
G4 — Weakness of automated pre-screening
MethodologyFinal value: 83.8 · central value: 83.8 (median: 84 · mean: 83.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 84 | (76–93) | C | Prosecco 634 ha drón pontosság nélkül, traktoros MI-kísérlet; a terület 10 %-a alatt, igazolatlan.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 85 | (75–95) | C | Csak kísérleti drónos és légi felmérések (Prosecco, PERBACCO) futnak, üzemi szinten igazolt gépi előszűrés nincs.Knowledge base: 24_taverzekeles_kepfelismeres_mi.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 82 | (75–95) | C · data gap | Több olasz gépi előszűrési kísérlet létezik, de a validált üzemi lefedettség országosan kicsi vagy nem ismert.Knowledge base: F_felderites_mi_gepi_eloszures(6).md |
G3 — Lack of lab confirmation
MethodologyFinal value: 65 · central value: 65 (median: 72 · mean: 58) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 72 | (40–88) | B · data gap | Fertőzött zónában labor nélküli kivágás, ott a gyanú zöme minta nélkül marad; PCR Toszkánában 3 972 vizsgálat; átfutási idő nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 20 | (10–35) | A · data gap | A fertőzött zónákban a tünetes tőkéket labor nélkül kell kivágni, Toszkánában 2899 kérelemre 3972 vizsgálat jutott, pontos 30 napos átfutási arány azonban nem közölt.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 82 | (64–95) | C · data gap | A fertőzött zónákban elrendelt tünetalapú eltávolítás sok tőkénél kizárja a PCR-t, a 30 napos országos teljesülés pedig ismeretlen.Knowledge base: 11_labordiagnosztika.md |
G6 — Difficulty of notification
MethodologyFinal value: 36.3 · central value: 36.3 (median: 38 · mean: 34.7) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 38 | (25–50) | A | Kötelező bejelentés regionális űrlappal (Lombardia online, Toszkána és Piemonte űrlap/e-mail); visszajelzési idő nem ismert.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 28 | (18–40) | A | Toszkána, Lombardia és Piemonte is rendszeresített online vagy papíralapú bejelentő űrlapot használ, visszajelzési határidő nélkül.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 38 | (23–53) | C · data gap | Regionális űrlapos és közvetlen bejelentés működik, de egységes ügykövetés és határidős visszajelzés nem igazolt.Knowledge base: 09_bejelentes_es_teendok.md |
G8 — Disincentives to notify
MethodologyFinal value: 58.3 · central value: 58.3 (median: 58 · mean: 58.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 58 | (48–70) | B | Újratelepítéshez kötött részleges támogatás (Veneto 1,48 M EUR, Toszkána 735 ezer EUR, átalány 65–70 %); egyes tőre általában nincs; kifizetési idő nem ismert.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 54 | (44–65) | B | Részleges, újratelepítéshez kötött támogatás érhető el az országos alapból és regionális keretekből (Veneto 1,48 M EUR, Toszkána 735 ezer EUR), egyedi tőkére általában nem fizetnek.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md, 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md |
| OpenAI ChatGPT | 64 | (46–81) | C · data gap | Regionális kártalanítási és újratelepítési keretek vannak, de a teljes tőkeérték, kieső jövedelem és kifizetési idő országos fedezete hiányos.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
G11 — Lack of economic interest in detection
MethodologyFinal value: 49.7 · central value: 49.7 (median: 50 · mean: 49.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 50 | (38–62) | B | Az árrés szűkül, de a termelés zöme még értékes; kilépési hullám nem igazolt, ágazati kivágási igény van.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 52 | (40–64) | B | A rekordkészletek és csökkenő borárak rontják a jövedelmezőséget, bár a nagy DOC/DOCG-vidékeken az ültetvényérték még fenntartja a felderítési érdeket.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
| OpenAI ChatGPT | 46 | (29–66) | C · data gap | Az árnyomás gyengítheti az önkéntes keresést, de országos kilépési érdek vagy széles körű küszöbvárás nem bizonyított.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 | Gyógymód nincs; a plazmaaktivált víz olasz szabadföldi eredménye nem meggyőző, a BTH terepen negatív.Knowledge base: orszagcsomagok-2026-10.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| Google Gemini | 98 | (92–100) | C | Engedélyezett gyógymód nincs, az elicitorok és endofitonok csak kísérleti szinten szerepelnek.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 75 | (75–95) | C | Laboratóriumi biokomplex-eredmények vannak, de a BTH és PAW terepi eredményei nem igazolnak hozzáférhető FD-gyógymódot.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 | Fajtaérzékenységi különbségek vannak, igazoltan ellenálló fajta nincs.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 100 | (99–100) | C | Valódi ellenálló fajta nincs köztermesztésben (a CREA keresztezései még nemesítési fázisban vannak).Knowledge base: 02_korokozo_biologia_genotipusok.md |
| OpenAI ChatGPT | 100 | not given | C | Igazolt FD-rezisztens telepített fajta nincs; a toleráns helyi és gombarezisztens fajták nem számíthatók ide.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: 33 · central value: 33 (median: 32 · mean: 34) · Evidence: class A
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 40 | (28–55) | A | Kis országos alap (2 M EUR/év) és regionális pályázatok; önálló nemzeti FD-kutatási program nem azonosított.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 30 | (20–42) | A | Éves országos FD-alap (2 M EUR/év) és rendszeres regionális keretek (Veneto kollektív védekezés és egyetemi modell, Piemonte felderítés, Toszkána újratelepítés) állnak rendelkezésre.Knowledge base: 34_nemzetkozi_fd_jog_es_hatosagi_intezkedesek.md, 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 32 | (19–49) | C · data gap | Tartós újratelepítési alap és többéves RESISTO.FD fajtakutatás létezik, de a keretek szűkösek és hozzáférésük regionális.Knowledge base: I_nemzetkozi_tortenet_gazdasag(6).md |
V6 — Lack of a market for development
MethodologyFinal value: 55.2 · central value: 55.2 (median: 55 · mean: 55.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 55 | (42–68) | B | Nagy nemzetközi piac, de 2026-ban először csökkenő terület, eső ár és magas készlet; a fejlesztés főleg közpénzes.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 55 | (44–66) | B | Tíz év növekedés után 2026-ban először csökken a szőlőterület, magasak a készletek és mérséklődik a termés (-7,2%), a kutatást főleg közpénz és konzorciumok viszik.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md |
| OpenAI ChatGPT | 56 | (40–73) | C · data gap | A nagy nemzetközi piac mellett a készletek és árnyomás gyengítik a keresletet, a magánfinanszírozású FD-fejlesztések nagysága ismeretlen.Knowledge base: 25_gazdasag_karok_kartalanitas_biztositas.md |
J — Epidemic burden
MethodologyFinal value: 35.8 · central value: 35.8 (median: 36.7 · mean: 34.9) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 29.20.12% | (0–69.4) | C | Tőszám országosan nincs; az I-ből a kitett ~22 %-kal számolt, ~2,8 milliárd tőre vetített becslés.Knowledge base: orszagcsomagok-2026-10.md |
| Google Gemini | 36.70.15% | (0–69.4) | C | Északon csökkenő tendencia látszik (Veneto ~30 ezer, Bolzano ~20 ezer kivágott tőke, Piemonte 4,87%-os lokális incidencia), ami országos szinten (~2,5 milliárd tőke) ~0,1–0,2%-os éves terhet jelent.Knowledge base: 44_hatosagi_eves_jelentesek_felugyeleti_idosorok.md |
| OpenAI ChatGPT | 38.80.16% | (0–85.6) | C · data gap | A 12 havi kijelölt számláló becsült 4 363 789 tő, a nevező 681 842 ha × feltételezett 4000 tő/ha, azaz 2 727 368 000 tő.Knowledge base: C_magyar_helyzet_adatok(6).md |
Expert estimate, not official data.