Ebben az adásban Érczfalvi Andrással, a TrendFM műsorvezetőjével beszélgettünk arról, hogy hogyan lehet sikeres az AI projektünk.  Az adás időpontja 2026.01.06.

Résztvevők

Az MIT kutatása szerint az AI projektek 95%-a nem hoz értékelhető eredményt. Ez nem pesszimista jóslat, hanem tény, amit a Forbes magazin publikált. Húszból tizenkilenc vállalat hiába fekteti be az energiát, időt és pénzt – a várt eredmények elmaradnak. De miért? És ami még fontosabb: hogyan kerülhetjük el, hogy mi is ebbe a 95%-ba tartozzunk?

A nagy ígéret és a kiábrándító valóság

A mesterséges intelligencia körüli hype-ot nehéz elkerülni. A technológiai óriások folyamatosan azt kommunikálják, hogy az AI mindent megold, az embereket kiváltja, a költségeket drasztikusan csökkenti. Sok vezető elhiszi ezeket az ígéreteket, és fejest ugrik a bevezetésbe. Aztán jön a valóság.

A Klarna története tökéletesen illusztrálja ezt a jelenséget. A svéd fintech vállalat 2023-ban deklarálta, hogy "AI First company" lesz. Az OpenAI-jal együttműködve nekiálltak mindent átalakítani. A létszámot 5500 főről durván 3000 főre csökkentették, és büszkén vállalták a kísérleti nyúl szerepet: ők lesznek azok, akik bebizonyítják, hogy az AI képes kiváltani az emberi munkát.

2025-ben aztán fordult a kocka. A Klarna CEO-ja nyilvánosan elismerte, hogy a költségcsökkentés túl domináns szempont volt, és ennek következtében alacsonyabb minőségű szolgáltatást nyújtottak az ügyfeleknek. Visszavettek több száz embert, és az "ember helyett AI" megközelítésről áttértek az "ember és AI együtt" modellre.

Mi ment félre a Klarnánál?

Az ügyfélszolgálat AI-ra bízása látszólag logikus döntés volt. A chatbotok elméletileg képesek kezelni a gyakori kérdéseket, gyorsabban válaszolnak, és nem fáradnak el. A gyakorlatban viszont egészen más történt.

A válaszok gépiesek lettek. Hiába volt gyors a reakció, az ügyfelek érezték, hogy nem egy emberrel kommunikálnak. A mesterséges intelligencia adott válaszokat, de nem mindig értette meg a problémát.

Súlyos kontextus-értelmezési problémák is jelentkeztek. Ha egy ügyfélnek több szerződése volt, az AI gyakran összekeverte őket. Az egyik szerződésre vonatkozó kérdésre egy másik szerződés adataival válaszolt.

Az átkapcsolás élő ügyintézőhöz katasztrofálisan működött. Az ügyfél már többször kérte, hogy emberrel beszélhessen, de a rendszer még mindig próbálkozott. Mire végre átkapcsolta, az ügyfél már dühös volt – nem a problémája miatt, hanem az ügyfélélmény miatt.

A legfájóbb talán mégis az empátiahiány volt. Amikor valaki nehéz élethelyzetben van, a nyers adatokról szóló válaszok nem segítenek. Az AI nem érzékelte, hogy itt most más megközelítésre lenne szükség.

Az igazi tanulság

A Klarna története nem azt bizonyítja, hogy az AI rossz. Azt bizonyítja, hogy rossz módon használták. A mesterséges intelligencia nem emberhelyettesítő eszköz, hanem embertámogató technológia.

Amikor az AI az embereknek segít, akkor mindkét résztvevő erősségeit ki lehet használni. Az AI gyorsan feldolgoz nagy mennyiségű adatot, azonosítja a mintákat, előkészíti a döntéseket. Az ember pedig az adatok és a helyzet alapján meghozza a szükséges döntéseket. A Klarna is ma már hibrid modellben működik.

Miért bukik el a legtöbb AI projekt?

A kudarc elkerüléséhez érdemes megvizsgálni annak főbb okait.

Az első és egyben leggyakoribb probléma az adatok minősége. A nagyvállalatoknál jellemzően az adatok több rendszerben vannak szétszóródva. Van két-három különböző SAP rendszer, eltérő ügyféladatokkal. Ugyanaz az ügyfél háromszor-négyszer szerepel, mert a rögzítéskor egy betűelírás miatt nem ismerte fel a rendszer, hogy már rögzítve van. Ha valaki betelefonál, az ügyintéző gyakran az egyik rendszerben lévő adatot választja ki, és arról beszél – miközben lehet, hogy a másik rendszer tartalmazza a releváns információkat.

Vannak olyan magyar nagyvállalatok, amelyek nyolc-tíz éve dolgoznak azon, hogy rendbe tegyék a törzsadataikat. Hogy a különböző rendszerekben ugyanazok a fogalmak ugyanazt jelentsék. És amíg ez nincs meg, addig hiába adjuk az adatokat az AI-nak – nem fog tudni konzisztens választ adni.

A második probléma a folyamatok széttagoltsága. Volt olyan nagyvállalat, ahol a pénzügyről a jogi osztályra úgy ment át egy dokumentum, hogy a pénzügyön kinyomtatták, a jogon pedig beszkennelték. Mindegyik osztálynak saját rendszere volt, egymástól teljesen függetlenül. Ebből hogyan fog az AI bármit is kihozni? Még csak egyszerű folyamatoptimalizálás sem lehetséges, mert technikailag ezek külön folyamatok, pedig a valóságban egy folyamatról van szó.

A harmadik probléma a túlzott elvárások. Sokan azt gondolják, hogy nincs semmi rendszer, jön az AI, és minden magától működni fog. Ez nem így van. Az AI nem varázspálca. Nem fogja megoldani az évtizedek alatt felhalmozott problémákat. Sajnos, ha rossz adatokkal és kaotikus folyamatokkal hajtjuk meg, akkor a káoszt fogja reprodukálni, csak gyorsabban.

A tokenégetés problémája

Van egy kevésbé ismert, de nagyon is valós költségtényező: a tokenhasználat. Az AI modellek használatalapúak. Minél több adatot töltünk be a kontextusba, annál többet fizetünk. Ha nincs tiszta, strukturált formátumú adatunk, és ezt megpróbáljuk kompenzálni azzal, hogy mindent betöltünk az AI-ba, akkor megugrik a tokenhasználat. A havi számla magas, az eredmény pedig gyenge lesz.

A fejlesztő kollégáim, akik AI-val dolgoznak azt mondják: árgus szemekkel figyelik, mit ír ki az AI. Ha látják, hogy rossz irányba indult el, azonnal megnyomják a stop gombot, mert ha hagyják tovább futni, feleslegesen pörögnek a tokenek, és a végén újra kell kezdeni az egészet.

Mit kell rendbe tenni, mielőtt AI-ra bízzuk a folyamatainkat?

A kérdés jogos: ha a cégem AI-t szeretne bevezetni, hol kezdjem? Mit kell előtte rendbe tenni?

• Legyen egységes folyamatirányító rendszer. Ne legyen az, hogy minden osztálynak saját szigetrendszere van, és a kommunikáció papíron vagy e-mailben történik közöttük. Egy ember egy rendszerben dolgozzon és egy helyen lássa az összes feladatát. Ez az alapfeltétel ahhoz, hogy egyáltalán folyamatról beszélhessünk.
• Legyenek tiszták az adatok. Tudjuk, hogy ez egy nehéz projekt, de legalább kezdjük el. Keressük meg a duplikációkat, tisztítsuk a törzsadatokat, a fogalmak legyenek azonosak a különböző rendszerekben. Az AI csak annyira lesz jó, amennyire jók az adatok, amiket kap.
• Legyenek reálisak az elvárások. Ne gondoljuk azt, hogy az AI mindent megold. Használjuk arra, amire való. Vannak feladatok, amelyekben az AI sokkal jobb, mint az ember, és jelentős munkát tud megspórolni. De vannak olyanok is, ahol az emberi megítélés pótolhatatlan.
• Fókuszáljunk a megfelelő feladatokra. Az apró, rutinszerű munkákat viszonylag jól lehet automatizálni hagyományos eszközökkel is. Az AI igazi ereje a komplex, gondolkodást igénylő feladatok támogatásában van. Ne akarjunk vele mindent megoldani, de amit rábízunk, azt alaposan gondoljuk át.

A kódolás paradoxona

Érdekes jelenség figyelhető meg a fejlesztők körében is. Egy kutatás azt vizsgálta, hogy az AI-val dolgozó programozók hogyan teljesítenek a hagyományos módszerekkel dolgozókhoz képest. Az AI-s csapat tagjai úgy érezték, végtelenül hatékonyan haladnak. A tényadatok viszont azt mutatták, hogy 20%-kal lassabban végezték el ugyanazt a feladatot.

Mi áll a háttérben? Amikor AI-val kódolsz, nem azon gondolkodsz, hogyan kell megoldani a feladatot. Azon gondolkodsz, hogyan kell elmagyarázni az AI-nak, hogy ő oldja meg. Más készség, más megközelítés. Ha az AI rossz irányba indul, le kell állítani, és újra kell fogalmazni az utasítást. Ez is iteratív folyamat, és időbe telik.

Ez nem jelenti azt, hogy az AI haszontalan a fejlesztésben, de azt igen, hogy a bevezetésének van tanulási görbéje, és az eredmények nem azonnal jelentkeznek. Türelem és tudatos alkalmazás kell hozzá.

A magyar valóság

Magyarországon biztos minden másképp van – mondhatnánk ironikusan. A valóság azonban az, hogy a hazai nagyvállalatok ugyanazokkal a kihívásokkal küzdenek, mint a nemzetközi szereplők, sőt, néhány területen még nehezebb is a helyzet.

A gyorsan változó szabályozási környezet extra terhet jelent. Ami tavaly rendben volt, az idén már nem biztos, hogy megfelel az előírásoknak. Az AI-nak folyamatosan friss, naprakész adatokra van szüksége, és a szabályokat is értenie kell. Ha a rendszereink nem tudnak lépést tartani a változásokkal, az AI sem fog.

A munkaerőpiaci helyzet is sajátos. A junior pozíciók leértékelődnek. A senior szakemberek viszont hatékonyabbá tudnak válni az AI segítségével. Az AI nem veszi el a munkájukat – éppen ellenkezőleg, értékesebbé teszi őket.

Hibrid modell – a jó választás

A Klarna tanulsága egyértelmű: az AI nem az ember helyett, hanem az ember mellett a leghatásosabb. Ez a megközelítés hozza a legjobb eredményeket.

A számok is ezt támasztják alá - az AI-t használó cégek bevétele átlagosan két és félszer nagyobb mértékben növekszik, mint az AI-t nem használóké. Ez nem azt jelenti, hogy a cég két és félszer akkorára nő – ha egy szektorban 3% a növekedés, akkor az AI-t használók 7,5%-ot érnek el.

A hatékonyságnövekedés is mérhető. A folyamatok intelligens automatizálásával két-két és félszeres javulás érhető el. Ha az AI-t jól használjuk, az további 20-25%-ot tud hozzátenni ehhez.

Összegzés helyett

A mesterséges intelligencia nem csodafegyver, de nem is ellenség. Egy eszköz, amit jól vagy rosszul lehet használni. A 95%-os bukási arány nem az AI hibája – a rossz megközelítés, az adatminőség és a túlzott elvárások következménye.

A sikeres 5%-ba bekerülni nem lehetetlen. Kell hozzá megfelelő adatminőség, egységes folyamatok, reális elvárások, és annak elfogadása, hogy az AI az emberek munkáját támogatja, nem pedig helyettesíti.

A technológia készen áll. A kérdés az, hogy mi készen állunk-e rá.

A cikk a TrendFM Monitor Délután című műsorában 2026. január 6-án elhangzott beszélgetés alapján készült. A műsorban Érczfalvi András riporter vendége Tresch András, a Quattrosoft Kft. ügyvezetője volt.