FKI evaluation – Serbia, 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
- 49%
- Unknown foci
- 85%
- Vine loss
- 99%
- Epidemic burden
- 60.1 points
- Without epidemic burden: 77%
With good practice, the FKI would be about 8.6 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 | 72(40–95) | 85(70–95) | 76(49–94) | 76.8 |
| E1a Confirmed exposure | 30(10–65) | 65(45–80) | 44(19–73) | 45.2 |
| I Infection density | 0(0–25) | 77.2(50–95.2) | 47.6(22.6–80.1) | 44.6 |
| T9 Introduction pressure | 70(55–82) | 68(55–80) | 73(55–87) | 70.2 |
| T1 Leafhopper distribution | 97(88–100) | 98(92–100) | 94(75–100) | 96.7 |
| T2 Leafhopper density | 62(35–82) | 66(50–80) | 64(34–88) | 64 |
| T3 Lack of control in commercial vineyards | 68(55–80) | 58(45–72) | 68(44–87) | 66.3 |
| T5a Lack of control in abandoned refuges | 85(70–94) | 82(70–92) | 89(65–98) | 85.2 |
| T5b Lack of control in home-garden vines | 80(68–90) | 78(65–88) | 81(56–95) | 79.8 |
| T4 Shortfall in control quality | 38(25–52) | 34(22–48) | 41(25–63) | 37.8 |
| T7 Lack of awareness about control | 60(45–75) | 48(35–62) | 59(33–82) | 57.3 |
| T10 Lack of source removal | 93(80–100) | 72(55–85) | 65(35–88) | 74.3 |
| T11 Lack of economic capacity for control | 62(48–76) | 66(52–78) | 68(43–86) | 65.7 |
| T6 Propagating-material pathway | 60(45–75) | 55(40–70) | 61(36–83) | 59.3 |
| T8 Weather | – | – | – | 50 |
| Unknown foci | ||||
| G1 Unsurveyed share, commercial | 88(75–96) | 88(75–96) | 84(56–97) | 87.3 |
| G5a Unsurveyed share, home gardens | 96(88–99) | 95(85–99) | 94(75–99) | 95 |
| G5b Unsurveyed share, abandoned vineyards | 90(75–98) | 95(85–99) | 95(76–99) | 94.2 |
| G2 Survey unreliability | 50(38–66) | 45(32–60) | 43(24–68) | 45.5 |
| G4 Weakness of automated pre-screening | 94(85–99) | 100(95–100) | 96(81–100) | 96.3 |
| G3 Lack of lab confirmation | 88(70–96) | 65(45–82) | 79(48–96) | 78.2 |
| G6 Difficulty of notification | 58(42–72) | 55(42–68) | 52(35–74) | 55 |
| G8 Disincentives to notify | 65(48–80) | 72(58–85) | 69(39–89) | 68.8 |
| G11 Lack of economic interest in detection | 62(45–78) | 66(52–78) | 64(40–84) | 64 |
| Vine loss | ||||
| V1 Lack of a cure | 78(65–90) | 95(90–100) | 75(70–91) | 80.3 |
| V2 Lack of resistant varieties | 100(99–100) | 100(99–100) | 100(99–100) | 100 |
| V3 Lack of recovery | – | – | – | 100 |
| V4 General plant-health condition | – | – | – | 50 |
| V5 Lack of resources for community treatment and research | 62(48–76) | 58(45–70) | 61(39–82) | 60.7 |
| V6 Lack of a market for development | 62(45–76) | 66(52–78) | 66(44–83) | 65.3 |
| Epidemic burden | ||||
| J Epidemic burden | 0 | 100(59.8–100) | 65.1(0–100) | 60.1 |
FD Finder Expert’s summary
Szerbia 80%-os értéke (sáv: 70–85) előzetes, a gépi tagokat (E1, E1a, T1, T2) itt is szakértők becsülték (Claude, Gemini, ChatGPT), és a hét ország közül ez a legbizonytalanabb. Az értéket a G (85,2) és a T (49,2) viszi, J nélkül is 77% lenne: az EPPO-nál a kórokozó és a vektor is széles körben elterjedt, EU-típusú zónarendszer nincs (RS-005), és 2022-ben minden borvidéken jelen volt (RS-003). A vajdasági kutatói mintákból 59-ből 21 lett pozitív, ami nem sűrűségadat (RS-004), a 2026-os hatósági program pedig június 12-én jelent meg (RS-030), a tudásbázis (49) szerint legfeljebb 450 FD-mintával. A kivágás kötelező voltáról nagy a szórás: Claude szerint nem kötelező, mert az RS-006 és az RS-020 szakmai ajánlás, Gemini és ChatGPT szerint igen, a tudásbázis (49) szerint kötelező kivágás nincs, a 2005-ös előírás mai hatálya nem igazolt, a számítás a többségi igent követi. A legnagyobb bizonytalanság a tőketeher: Claude 0,001%, ChatGPT 0,352%, Gemini 1,2% (0, 65 és 100 pont), mert Claude kijelölés hiányában csak a laborpozitív és eseti tőket számolta, és maga jelzi, hogy ez nem a valós teher, ChatGPT becsült kijelöléssel, Gemini az endémiás állapotból következtetett. A pontosabb értékhez a hatályos jogszöveg, országos tőszám vagy reprezentatív felmérés és az átvizsgált hektár kellene.
By sub-indicator
E1 — Extent of infection
MethodologyFinal value: 76.8 · central value: 76.8 (median: 76 · mean: 77.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 72 | (40–95) | C · data gap | Zóna és településlista nincs, minden borvidéken jelen, a községi lefedés becslés.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 85 | (70–95) | B | EU-s zónarendszer nincs, de az EPPO szerint az FD widespread, minden szerb borvidéken és körzetben jelen van, a Fruška gorán szinte minden ültetvényben. |
| OpenAI ChatGPT | 76 | (49–94) | C · data gap | A minden borvidékre kiterjedő jelenlétből nem következik minden település fertőzöttsége, a területi arány becsült.Knowledge base: I, J |
E1a — Confirmed exposure
MethodologyFinal value: 45.2 · central value: 45.2 (median: 44 · mean: 46.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 30 | (10–65) | C · data gap | Az igazolt pontok nem nyilvánosak, a kör szerinti átfedés csak becsülhető.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 65 | (45–80) | B | A 17,7–18,2 ezer ha szőlőterület jelentős része fertőzési gócok 1 km-es körzetébe esik az endémiás terjedés miatt. |
| OpenAI ChatGPT | 44 | (19–73) | C · data gap | Az endémiás elterjedés mellett a pozitív pontok 1 km-es szőlőmetszeteinek országos térképe hiányzik.Knowledge base: I, J |
I — Infection density
MethodologyFinal value: 44.6 · central value: 44.6 (median: 47.6 · mean: 41.6) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 00.003% | (0–25) | C · data gap | Kivágásra kijelölés nincs, ezért csak a laborpozitív és eseti tő számít; a valós fertőzés ennél sokkal nagyobb.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 77.23.5% | (50–95.2) | C | Endémiás állapot: a Fruška gora északi részén szinte minden ültetvényben vannak tünetes tőkék, Vajdaságban is kiterjedt a tőkepusztulás. |
| OpenAI ChatGPT | 47.60.8% | (22.6–80.1) | C · data gap | Becsült 241937 kijelölt tő/30242080 kitett tő; az átvizsgált hektár ismeretlen, a 21/59 célzott minta nem sűrűség.Knowledge base: I, J |
T9 — Introduction pressure
MethodologyFinal value: 70.2 · central value: 70.2 (median: 70 · mean: 70.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 70 | (55–82) | B | Magyar, horvát és román határ menti fertőzés, Montenegró negatív mintái mellett, a belső nyomás uralkodik.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, orszagok/RS.md |
| Google Gemini | 68 | (55–80) | A | Magyarország, Horvátország, Románia és Bulgária határ menti régióiban jelen van az FD, bár Montenegró 2025-ös 90 mintája negatív lett, és Szerbia maga is fő forrás. |
| OpenAI ChatGPT | 73 | (55–87) | C · data gap | Több szomszéd érintett, de a montenegrói negatív mintasor és a hiányos határtérkép nem indokol mindenirányú maximumot.Knowledge base: C, I, J |
T1 — Leafhopper distribution
MethodologyFinal value: 96.7 · central value: 96.7 (median: 97 · mean: 96.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 97 | (88–100) | B | Minden borvidéken jelen, az EPPO 2020-as „restricted” bejegyzése elavult.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 98 | (92–100) | B | A Scaphoideus titanus 2004 óta jelen van, és minden szerbiai borvidéken (Vajdaságtól Dél-Szerbiáig) elterjedt. |
| OpenAI ChatGPT | 94 | (75–100) | C · data gap | A fő termőtérségekben széles jelenlét valószínű, de nincs friss, megyei szőlőterülettel súlyozott kétszezonos adat.Knowledge base: B, E, J |
T2 — Leafhopper density
MethodologyFinal value: 64 · central value: 64 (median: 64 · mean: 64) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (35–82) | B · data gap | Kezelés előtti lárvaszemle csak minőségi, egyed/csapda érték nincs, kezelt és kezeletlen nincs szétválasztva.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 66 | (50–80) | B | Kezelés előtti lárvafelmérések minden borvidéken igazolták az L1–L3 lárvákat; a felhagyott ültetvényekben és az ártéri területeken magas a sűrűség. |
| OpenAI ChatGPT | 64 | (34–88) | C · data gap | Kezelés előtti lárvastádiumok ismertek, számszerű sűrűség és kezeletlen fogássor nincs; kezelés utáni adatot nem használtam.Knowledge base: B, E |
T3 — Lack of control in commercial vineyards
MethodologyFinal value: 66.3 · central value: 66.3 (median: 68 · mean: 64.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 68 | (55–80) | B | Csak PIS-ajánlás, a szervezett termelők követik, arányszám nincs.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 58 | (45–72) | C | A PIS ad ki kezelési felhívásokat és az árutermő borászok védekeznek (2–3 kezelés), de országosan kikényszerített, ellenőrzött kezelési rendszer nincs. |
| OpenAI ChatGPT | 68 | (44–87) | C · data gap | Helyi kezelések és szakmai programok vannak, országos ellenőrzött teljesítés nem igazolt.Knowledge base: D, E, J |
T5a — Lack of control in abandoned refuges
MethodologyFinal value: 85.2 · central value: 85.2 (median: 85 · mean: 85.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 85 | (70–94) | B | Felszámolási program és kényszer nincs, az ajánlás szól csak erről.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 82 | (70–92) | B | Bár a PIS szerint a felhagyott ültetvényeket nem szabad tolerálni és kötelező lenne megsemmisíteni, országos felszámolási program nincs (csak a 2005-ös lokális rendelet ismert). |
| OpenAI ChatGPT | 89 | (65–98) | C · data gap | Eltávolítási kötelezettséget közölnek, de rendszeres menedékfelszámolási teljesítésről nincs országos adat.Knowledge base: D, E, J |
T5b — Lack of control in home-garden vines
MethodologyFinal value: 79.8 · central value: 79.8 (median: 80 · mean: 79.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 80 | (68–90) | C | Kb. 18 ezer ha összes a 7 800 ha regiszterhez, kötelezés nincs.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 78 | (65–88) | B | Több mint 52–80 ezer szőlős gazdaság van, miközben az árutermő regiszter csak 7800 ha (531 bortermelő); a kis- és házikertekben csak általános ajánlás van. |
| OpenAI ChatGPT | 81 | (56–95) | C · data gap | A kisparcellás és házikerti szegmens kezelési aránya és ellenőrzése nem ismert.Knowledge base: D, J |
T4 — Shortfall in control quality
MethodologyFinal value: 37.8 · central value: 37.8 (median: 38 · mean: 37.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 38 | (25–52) | B | Körzeti stádium-előrejelzés és több hatásmód, az öko-választék ismeretlen, összehangolás nincs.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 34 | (22–48) | B | A PIS/PSSS lárvastádiumhoz kötött regionális előrejelzést ad és van hatásos szerválaszték (Sivanto Prime, piretroidok, buprofezin), de a térségi összehangolás és az öko kínálat hiányos. |
| OpenAI ChatGPT | 41 | (25–63) | B | Stádiumalapú helyi ajánlás és több hatóanyag van, ökológiai választék és térségi összehangolás kevésbé igazolt. |
T7 — Lack of awareness about control
MethodologyFinal value: 57.3 · central value: 57.3 (median: 59 · mean: 55.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 60 | (45–75) | C · data gap | Nyilvános PIS-portál és felhívás, a kiskertek elérése ismeretlen.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 48 | (35–62) | C | A PIS portál, a szaktanácsadói hálózat és az agrármédia (Agro TV, Pannon RTV) nyilvánosan riaszt, de a több tízezer kistermelőhöz ez csak részben jut el. |
| OpenAI ChatGPT | 59 | (33–82) | C · data gap | A PIS és szaktanácsadói csatornák működnek, az időben elért teljes tulajdonosi kör aránya ismeretlen.Knowledge base: G, J |
T10 — Lack of source removal
MethodologyFinal value: 74.3 · central value: 74.3 (median: 72 · mean: 76.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 93 | (80–100) | C | Kötelező kivágási rendszer és határozat nincs, csak önkéntes eltávolítás.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 72 | (55–85) | C | A szaktanácsadás kötelezőként írja le a fertőzött tőkék eltávolítását, de demarkált zónák és nyilvános hatósági kivágási végrehajtás híján sok fertőzött tőke helyben marad. |
| OpenAI ChatGPT | 65 | (35–88) | C · data gap | A közölt kötelezettség mellett nincs országos határidős kijelölési és végrehajtási tőkeszámpár.Knowledge base: D, J |
T11 — Lack of economic capacity for control
MethodologyFinal value: 65.7 · central value: 65.7 (median: 66 · mean: 65.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (48–76) | B | Az 556 cégből 326 veszteséges, a termelők szerint az ár nem fedez, a Rubin felvásárol.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 25_gazdasag_karok_kartalanitas_biztositas.md, orszagok/RS.md |
| Google Gemini | 66 | (52–78) | B | 2025-ben a borászati vállalkozások több mint fele (326/556) veszteséges volt, a felvásárlási ár alacsony (50–90 RSD/kg) és szervezetlen. |
| OpenAI ChatGPT | 68 | (43–86) | C · data gap | Gyenge árak és veszteséges pincészetek szűkítik a mozgásteret, a pincészeti arány nem azonos a szőlőtermelők veszteségarányával.Knowledge base: I, J |
T6 — Propagating-material pathway
MethodologyFinal value: 59.3 · central value: 59.3 (median: 60 · mean: 58.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 60 | (45–75) | C · data gap | Tanúsított út és telepszemle van, a nem kereskedelmi forgalomról nincs adat.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 55 | (40–70) | C | A Program mera előírja a szaporítóanyag-telepek ellenőrzését, de a nem kereskedelmi és házi szaporítás a kistermelői szektorban kiterjedt és ellenőrizetlen. |
| OpenAI ChatGPT | 61 | (36–83) | C · data gap | Formális szaporítóanyag-szabályok mellett a tényleges ellenőrzési lefedettség és informális csereforgalom ismeretlen.Knowledge base: D, J |
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 | Ősszel a skála szerint 50.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 45_kabocaterjedes_es_vedekezes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | – | not given | A | Őszi futásnál a szezonbeli lárva- és csapdaadatok (T2) rendelkezésre állása miatt a szabályzat szerint rögzített 50 pont. |
| OpenAI ChatGPT | – | not given | C | Az őszi futás előírt semleges értéke. |
G1 — Unsurveyed share, commercial
MethodologyFinal value: 87.3 · central value: 87.3 (median: 88 · mean: 86.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 88 | (75–96) | C · data gap | Legfeljebb 450 FD-minta, júniusban megjelent program, drón nincs, hektár nem nyilvános.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 88 | (75–96) | B | A 2026-os Program mera legfeljebb 450 FD-mintát irányoz elő az egész országra (18 200 ha), a ténylegesen átvizsgált hektárszám nem nyilvános, de töredékes. |
| OpenAI ChatGPT | 84 | (56–97) | C · data gap | Július 20.–szeptember 30.: hatósági, csoportos, drónos és egyéb tényleges hektár/dátum ismeretlen; a mintakeret nem végrehajtás.Knowledge base: D, F, J |
G5a — Unsurveyed share, home gardens
MethodologyFinal value: 95 · central value: 95 (median: 95 · mean: 95) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 96 | (88–99) | C · data gap | Házikerti szemle nincs a programban.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 95 | (85–99) | C | A több tízezer kiskerti és nem regisztrált szőlőben nincs rendszerszintű hatósági FD-szemle. |
| OpenAI ChatGPT | 94 | (75–99) | C · data gap | Országos házikerti szemlearány és megfelelő nevező nem áll rendelkezésre.Knowledge base: D, J |
G5b — Unsurveyed share, abandoned vineyards
MethodologyFinal value: 94.2 · central value: 94.2 (median: 95 · mean: 93.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 90 | (75–98) | C · data gap | Csak eseti jelzés elhagyott tőkén.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 95 | (85–99) | C | A felhagyott ültetvények szisztematikus hatósági mintázásáról vagy szemléjéről nincs adat. |
| OpenAI ChatGPT | 95 | (76–99) | C · data gap | A felhagyott ültetvények célzott szemléjének országos területaránya hiányzik.Knowledge base: D, J |
G2 — Survey unreliability
MethodologyFinal value: 45.5 · central value: 45.5 (median: 45 · mean: 46) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 50 | (38–66) | B | Megbízott szaktanácsadók írott protokollal, kis lefedéssel.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 45 | (32–60) | B | A PIS/PSSS regionális szaktanácsadói képzettek és protokoll szerint dolgoznak, de a termelői szemlézés esetleges és képzetlen. |
| OpenAI ChatGPT | 43 | (24–68) | C · data gap | Szakmai szolgálat és terepi protokoll van, a gazdai szemlék képzettsége és időzítése nem mérhető.Knowledge base: A, D, G |
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 | 94 | (85–99) | C | Csak kutatási szint.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 24_taverzekeles_kepfelismeres_mi.md, orszagok/RS.md |
| Google Gemini | 100 | (95–100) | C | Szerbiában nincs gépi vagy drónos FD-előszűrés. |
| OpenAI ChatGPT | 96 | (81–100) | C · data gap | Kutatási kapacitás mellett országos validált FD-gépi előszűrés nem dokumentált.Knowledge base: F, J |
G3 — Lack of lab confirmation
MethodologyFinal value: 78.2 · central value: 78.2 (median: 79 · mean: 77.3) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 88 | (70–96) | C · data gap | Legfeljebb 450 minta a tömeges tünethez, a gyanúk zöme mintázatlan, átfutás nem nyilvános.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 65 | (45–82) | B | A 2026-os országos keret mindössze ≤450 FD-laborminta (korábban 600), így a gyanús tőkék nagy részéből nem készül hatósági PCR-vizsgálat. |
| OpenAI ChatGPT | 79 | (48–96) | C · data gap | Kutatási és felügyeleti PCR van, de a mintázatlan gyanúk és harmincnapos eredmények országos aránya hiányzik.Knowledge base: D, E, J |
G6 — Difficulty of notification
MethodologyFinal value: 55 · central value: 55 (median: 55 · mean: 55) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 58 | (42–72) | C | Felügyelőn keresztül, online űrlap nincs.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 55 | (42–68) | C | A bejelentés a fitoszanitáris felügyelőségnek vagy a PSSS-nek történik hagyományos úton, dedikált online felület és visszajelzési határidő nélkül. |
| OpenAI ChatGPT | 52 | (35–74) | C · data gap | Szaktanácsadói és hatósági kapcsolat ismert, egységes online követés és visszajelzési határidő nem.Knowledge base: D, J |
G8 — Disincentives to notify
MethodologyFinal value: 68.8 · central value: 68.8 (median: 69 · mean: 68.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 65 | (48–80) | C · data gap | Törvényi kártérítési jog, végrehajtás és kifizetés nem ismert.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 46_felderites_bejelentes_kartalanitas_helyzetkep.md, 25_gazdasag_karok_kartalanitas_biztositas.md, orszagok/RS.md |
| Google Gemini | 72 | (58–85) | C | Bár a növényegészségügyi törvény 45. cikke elvi kártérítési lehetőséget említ, működő FD-kártalanítási gyakorlatról vagy kifizetésről nincs adat. |
| OpenAI ChatGPT | 69 | (39–89) | C · data gap | Feltételes törvényi kártérítési jog van, FD-re tényleges értékarány és átlagos kifizetési idő nem ismert.Knowledge base: D, I, J |
G11 — Lack of economic interest in detection
MethodologyFinal value: 64 · central value: 64 (median: 64 · mean: 64) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (45–78) | B | Sok a veszteséges cég, a kistermelőnek nincs szervezett felvásárlása.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 25_gazdasag_karok_kartalanitas_biztositas.md, orszagok/RS.md |
| Google Gemini | 66 | (52–78) | B | A borászatok 59%-a veszteséges és a felvásárlási ár alacsony, ami gyengíti a saját keresési és bejelentési érdekeltséget, bár telepítési és borászati támogatások léteznek. |
| OpenAI ChatGPT | 64 | (40–84) | C · data gap | A gyenge jövedelmezőség rontja a keresési érdeket, általános küszöbkivárás vagy elhallgatás nem igazolt.Knowledge base: I, J |
V1 — Lack of a cure
MethodologyFinal value: 80.3 · central value: 80.3 (median: 78 · mean: 82.7) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 78 | (65–90) | C | Nincs engedélyezett kezelés.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, orszagok/RS.md |
| Google Gemini | 95 | (90–100) | C | Nincs engedélyezett vagy szabadföldön igazolt gyógymód az FD-re. |
| OpenAI ChatGPT | 75 | (70–91) | C | Nemzetközi laborhatás ismert, engedélyezett és meggyőzően igazolt szabadföldi gyógymód nincs.Knowledge base: E, H, I |
V2 — Lack of resistant varieties
MethodologyFinal value: 100 · central value: 100 (median: 100 · mean: 100) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 100 | (99–100) | C | A Prokupac toleráns, nem ellenálló.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, orszagok/RS.md |
| Google Gemini | 100 | (99–100) | C | Igazoltan FD-ellenálló fajtával beültetett terület nincs. |
| OpenAI ChatGPT | 100 | (99–100) | C | A toleráns genotípusok nem igazolnak valóban FD-ellenálló telepítési arányt.Knowledge base: A, H, I |
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
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | – | not given | C | Külföldi Barbera-adat, hazai igazolás nincs.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, 02_korokozo_biologia_genotipusok.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, orszagok/RS.md |
| Google Gemini | – | not given | C | Gyakorlatban alkalmazható, kórokozómentességet biztosító gyógyulás nem igazolt. |
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
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | – | not given | A | Nyár 3. legmelegebb és 10. legszárazabb 1951 óta.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, orszagok/RS.md |
| Google Gemini | – | not given | A | 2026 nyara a 3. legmelegebb és 10. legszárazabb volt 1951 óta (Vajdaságban rekordhőség és aszály), szeptember is meleg és száraz maradt. |
V5 — Lack of resources for community treatment and research
MethodologyFinal value: 60.7 · central value: 60.7 (median: 61 · mean: 60.3) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (48–76) | B | Eseti projekt és telepítési támogatás, FD-közösségi program nincs.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, orszagok/RS.md |
| Google Gemini | 58 | (45–70) | B | Erős hazai kutatói bázis (IZBIS, FDemic projekt) és tartományi telepítési pályázatok vannak, de dedikált állami FD-kezelési alap nincs. |
| OpenAI ChatGPT | 61 | (39–82) | C · data gap | FD-projektkutatás és általános ágazati támogatás van, elkülönített gyógymód- és közösségi kezelési program nem igazolt.Knowledge base: H, I, J |
V6 — Lack of a market for development
MethodologyFinal value: 65.3 · central value: 65.3 (median: 66 · mean: 64.7) · Evidence: class B
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 62 | (45–76) | B | A terület 2007 óta −25 %, import a hazai termeléssel egy szinten, magánfejlesztés nincs.Knowledge base: 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, orszagok/RS.md |
| Google Gemini | 66 | (52–78) | A | Lassan csökkenő termőterület (17 183 ha), alacsony új telepítés (<140 ha/év), jelentős borimport-túlsúly (48 vs. 21 M EUR) és veszteséges pincészetek. |
| OpenAI ChatGPT | 66 | (44–83) | C · data gap | A zsugorodó terület és gyenge fizetőképesség szűkíti a hazai piacot, nemzetközi kereslet továbbra is van.Knowledge base: I, J |
J — Epidemic burden
MethodologyFinal value: 60.1 · central value: 60.1 (median: 65.1 · mean: 55) · Evidence: class C
Scores and reasons by expert
| Expert | Score | Own range | Class | Reason |
|---|---|---|---|---|
| Anthropic Claude | 00.001% | not given | C · data gap | Pár száz laborpozitív és eseti tő / kb. 62 M tő (17,7 ezer ha × 3 500); kijelölés nincs, ezért nem tükrözi a valós terhet.Knowledge base: 49_orszagok_osszehasonlito_helyzetkep_kockazatbecsleshez.md, 47_gyogymod_fajtak_piac_noveny_allapot_kiterjedes_helyzetkep.md, orszagok/RS.md |
| Google Gemini | 1001.2% | (59.8–100) | C | Hatósági kivágási statisztika nincs, de a minden borvidékre kiterjedő endémiás fertőzöttség és a fruškagorai/vajdasági tőkepusztulás alapján jelentős az éves teher. |
| OpenAI ChatGPT | 65.10.352% | (0–100) | C · data gap | Becsült 241937 kijelölt tő/68732000 országos tő; az endémiás jelenlét nem azonos a tizenkét havi kijelölési aránnyal.Knowledge base: I, J |
Expert estimate, not official data.