Az AI-automatizálás önmagában nem ér semmit

AI-projektben a legfontosabb kérdés az, hogy mely folyamatokat érdemes egyáltalán automatizálni

AI az üzletben

Fekszi Csaba

2026. 09. 17.
5 minutes

A generatív AI-ba beruházó vállalatok 46%-a szerint a befektetés egyetlen vállalati céljukra sem volt érezhetően jó hatással. Az adat az S&P Global Market Intelligence 2025-ös Voice of the Enterprise felméréséből származik, amelyhez 1006 észak-amerikai és európai IT- és üzleti vezetőt kérdeztek meg. Ugyanebből a felmérésből az is kiderül, hogy egy év alatt 17%-ról 42%-ra nőtt azoknak a cégeknek az aránya, amelyek AI-kezdeményezéseik többségét még az éles bevezetés előtt leállítják.

A vállalati AI-projektekben ma már nem a technológia a nehéz, hanem a kiválasztás: el kell dönteni, hogy mely folyamatokat érdemes egyáltalán gépre bízni.

Amikor már minden lehetséges, a választás a nehéz

Három évvel ezelőtt a legtöbb vállalati AI-javaslatra az volt az őszinte válasz, hogy ezt a technológia még nem tudja. Ez a válasz mára nagyrészt elvesztette érvényét. Egy modell ma már elolvassa a szerződést, besorolja az ügyfélszolgálati jegyet, összefoglalja az értékesítési hívást és megírja az azt követő e-mailt is, működő demó pedig bármelyikből összerakható egyetlen délután alatt.

Az olcsó megvalósíthatóságnak megvan a maga csapdája. Ha minden megvalósíthatónak tűnik, észrevétlenül az lesz a kiválasztás szempontja, hogy mit a legkönnyebb bemutatni. Márpedig amit a legkönnyebb bemutatni, az üzletileg általában a legkevésbé fontos. Az S&P-felméréséből látszik, hova vezet ez. Ma már a költség a leggyakrabban emlegetett szempont, amikor eldől, mely AI-projektek mehetnek tovább. A folyamatautomatizálás pedig azok közé a területek közé tartozik, ahol a tényleges haszon elmaradt attól, amire a vállalatok számítottak.

Erre a csapdára van egy egyszerű teszt. Írja le a folyamatot anélkül, hogy megnevezné a technológiát. Ha a mondatban így is marad, egy mérhető üzleti probléma, a projektnek van esélye. Ha a mondatból csak egy eszköz leírása marad, akkor az nem projekt, hanem demó, amire költségvetést írtak.

Mibe kerül, ha nem azt automatizáljuk, amit kellene

A RAND Corporation arra kereste a választ, miért buknak el az AI-projektek, és ehhez 65 olyan adattudóst és mérnököt kérdezett meg, akiknek legalább 5 év gyakorlati tapasztalatuk van. A legtöbbet idézett adat az, hogy az AI-projektek több mint 80%-a elbukik, ami kétszer annyi, mint az AI-nélküli IT-projekteknél; ezt a számot azonban a jelentés maga is csak becslésnek nevezi. A hasznosabb adat viszont a jelentés mélyén bújik meg: a megkérdezettek 84%-a a vezetői döntéseket nevezte meg elsődleges okként, és csak ezután következik az adatminőség, az infrastruktúra és magának a technológiának a korlátai.

A jelentésben leírt egyik tipikus hibaminta pontosan erről szól. A csapatok olyan feladatot kapnak, hogy gépi tanulással oldjanak meg valamit, amit néhány ha-akkor szabály is elintézne. Az ilyen projektek gyakran el is készülnek, a modell működik, az egész mégis kudarc, mert a munkára eleve nem volt szükség. A kutatás másik példája még beszédesebb: a vezetés olyan modellt kér, amely megmondja egy termék helyes árát, holott a cégnek arra az árra lenne szüksége, amelyik a legjobb árrést hozza. A modell pontosan azt csinálja, amit a specifikáció előír, csak a specifikáció nem azt mérte, amit kellett volna. A jelentés egyetlen mondatban foglalja össze a lényeget: „Az AI nem varázspálca, amely bármilyen nehéz problémát eltüntet.”

Egy rossz irányba indított projekt mindig többe kerül, mint amennyi a költségvetésében szerepel. Egy ilyen projekt leköti azt az egyetlen adatmérnököt, aki érti a forrásrendszert, és egy teljes negyedévre leköti a folyamatgazda figyelmét. Ráadásul a hitelességet is felemészti: egy leállított pilot után a következő javaslatot már jóval nagyobb gyanakvással fogadják.

A projekt látható költségvetése csak a teljes költség egy része. A belső időráfordítás, az integráció, a tesztelés és a javítás gyakran a felszín alatt marad. Ezt bontjuk ki részletesebben itt: A rejtett költségek anatómiája egy AI-projektben →

Ma már szinte mindent lehet automatizálni. Melyiket érdemes? Segítünk eldönteni.

Kapcsolatfelvétel

5 kérdés arról, hogy nemcsak lehet-e, hanem érdemes-e is

Mielőtt egy AI-javaslat bekerülne a költségvetésbe, ez az 5 kérdés kiszűri a drága hibák többségét. Mind az 5 üzleti kérdés, egyik sem technológiai.

Mibe kerül ma ez a folyamat munkaórában és hibákban? Ha ezt senki nem mérte meg, akkor az üzleti terv minden ROI-száma csak találgatás, amelyet előrejelzésnek öltöztettek.
Ki felel az eredményért az éles indulás után? Ha a folyamatnak nincs kijelölt gazdája, senki nem veszi észre, amikor a modell teljesítménye romlani kezd, márpedig ez előbb-utóbb biztosan bekövetkezik.
Egy év múlva is fontos lesz még ez a probléma? A RAND azt javasolja, hogy egy csapat legalább egy évig dolgozzon ugyanazon az egy problémán. Ezért ez legyen a mérce: ha a probléma nem ér meg egy évnyi csapatmunkát, ne is kezdjenek bele.
Mibe kerül, ha a modell az esetek 5%-ában téved? Ha a modell csak piszkozatot ír, ez kerekítési hiba. Ha kifizetéseket hagy jóvá vagy hatósági jelentést készít, akkor viszont már incidens lesz belőle, amelynek neve és dátuma van.
Megoldható lenne a feladat egy szabállyal, egy űrlappal, vagy azzal, hogy egy lépést egyszerűen kihagyunk? A legolcsóbb automatizálás sokszor az, ha kihúzunk egy lépést, amely csak azért van még meg, mert valaki egyszer épített rá egy Excel-táblát.

Amelyik folyamat mind az 5 kérdésen átmegy, az megérdemel egy pilotot. Amelyik bármelyiken elakad, arról előbb beszélni kell, és egy egyórás beszélgetés olcsó ár azért, hogy ez időben kiderüljön.

A rövid lista maga az eredmény

Az S&P adataiból az a legtanulságosabb, amit azokról a cégekről mutatnak, amelyek ezt jól csinálják. Azok a szervezetek, ahol a legkevesebb projekt bukik el, abban különböznek a többitől, hogyan rangsorolnak: nemcsak a költséget nézik, hanem a szabályozási megfelelést, a kockázatot és azt is, hogy rendelkezésre állnak-e az adatok, amikor eldöntik, mit építsenek meg. A fegyelmezett kiválasztás hatása jóval előbb látszik a bukási arányon, mint bármilyen ROI-számításon.

A priorizálás nemcsak a költségről és a várható haszonról szól. Az adatkezelés, a jogosultságok és a megfelelési kockázatok már a pilot előtt kizárhatnak egy egyébként ígéretes use case-t. Ezeket a kockázatokat itt vizsgáljuk részletesebben: Az AI adatvédelmi kockázatai →

Az AI-felmérés valódi eredménye egy rövid lista. Ezen két-három olyan folyamat szerepel, amelynek a költségét megmérték, van kijelölt gazdája, tudni lehet róla, mekkora hibát bír el, egyszerű szabállyal nem lehet kiváltani, és egy év múlva is vállalható. Ami nincs rajta a listán, az demó, és egy demó egy délutánt ér.

A következő AI-egyeztetésre tehát egyetlen, egészen kicsi kérdést érdemes magával vinnie: abból, amit a cége idén automatizálhatna, melyik két folyamatot tudná 12 hónap múlva is számokkal megvédeni?

Összegzés

Hol érdemes kezdeni

Ha az AI bevezetése napirenden van a cégénél, de még nem világos, hol érdemes elkezdeni, a strukturált felmérés a kézenfekvő első lépés. Az AI Compass Audit a folyamatok számától függően 4-12 hétig tart. A végére tudni fogja, melyik pilotot érdemes elindítani, milyen sikerkritériumok mentén és milyen kockázatokkal. Ha előbb inkább a kérdéseket tisztázná, kezdje egy díjmentes, 60 perces konzultációval.

Jel a Zajban hírlevél

Ha ez az oldal hasznos volt, a hírlevél is az lesz.

Havonta egy levél a vállalati AI, adat és folyamatok gyakorlatáról, hazavihető tanulsággal. Bármikor leiratkozhat.

Források

RAND Corporation. (2024, augusztus). The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed. Az AI-projektek bukási okainak és a vezetői döntések szerepének forrása. Cikk megnyitása →

S&P Global Market Intelligence. (2025, május 30.). AI Experiences Rapid Adoption but with Mixed Outcomes. Az AI-projektek leállítására, üzleti hatására és priorizálására vonatkozó adatok forrása. Cikk megnyitása →

Fekszi Csaba

Fekszi Csaba informatikai szakértő, több mint két évtizedes tapasztalattal az adatmérnökség, a rendszerarchitektúra és az Mesterséges Intelligencia alapú folyamatoptimalizálás területén. Munkájának középpontjában olyan skálázható megoldások tervezése áll, amelyek mérhető üzleti értéket teremtenek.