A nyílttól a zárt platformokig
Megismétli az AI az internet történetét?
- AI Körkép
Az internet csendes kisajátítása
Harminc évvel ezelőtt a nyílt internet célja az volt, hogy kiegyenlítse az erőviszonyokat. Nyílt protokollok, szabad információáramlás, egyenlő hozzáférés. 2010-re azonban ennek az ígéretnek a nagy része csendben néhány platform kezébe került.
Az átalakulás három lépésben történt:
- A decentralizált protokollokat zárt platformok csomagolták újra.
- A felhasználói választás algoritmikus feedekké szűkült.
- A termék már nem maga az információ lett, hanem a felhasználóról gyűjtött adat.
Az infrastruktúra nem bukott meg. Egyszerűen kisajátították. Azok a vállalatok pedig, amelyek ezt megtették, ma a digitális gazdaság legértékesebb erőforrása fölött rendelkeznek: a viselkedési adatok fölött.
Miért fontos ez az AI-ról szóló beszélgetésben
Az Omnitnál több mint 15 éve dolgozunk közép- és nagyvállalatok adat- és integrációs rétegeiben — jóval azelőtt, hogy az „AI” igazgatósági szintű témává vált volna. Ebből a nézőpontból a 1998 és 2026 közötti párhuzamok kellemetlenül egyértelműek.
A korai jelek ismerősek:
- Nyílt ökoszisztéma alacsony belépési korlátokkal.
- Erős narratíva a technológia demokratizálásáról.
- Gyorsabb adaptáció, mint bármely korábbi infrastruktúraváltás esetében.
A késői szakasz jelei pedig már most láthatók:
- Egy szűk szereplői kör kontrollálja a vezető AI-modelleket.
- A tanítási előny olyan adatvagyonra épül, amelyet szinte senki más nem tud reprodukálni.
- A szabályozás — szokás szerint — egy-két lépéssel a piac mögött jár.
Láttuk már ezt a történetet. És azt is tudjuk, hogyan folytatódik a második felvonás, ha senki nem írja át a forgatókönyvet.
Az a különbség, amelynek nyugtalanítania kellene az európai vezetőket
Van azonban egy pont, ahol a párhuzam megtörik — és nem a mi javunkra.
Az internet azt alakította át, hogyan férünk hozzá az információhoz. Az AI pedig azt alakítja át, hogyan alkotunk ítéletet róla.
Egy keresőmotor tíz linket ad, és a döntést a felhasználóra bízza. Egy nyelvi modell ezzel szemben egyetlen, magabiztos hangvételű választ ad, miközben a források a háttérbe szorulnak. Ha ezt megszorozzuk egy vállalaton belül naponta meghozott több millió döntéssel — árazás, toborzás, kockázatértékelés vagy ügyfélkommunikáció területén —, akkor valami mélyebb dolog változik meg, mint pusztán a produktivitás. Megváltozik az ítéletalkotás helye.
A kontrollálatlan AI-adoptáció vállalatirányítási következményeit részletesebben is körbejártuk a Shadow AI a munkahelyen → cikkünkben
Az európai középvállalatok AI-pilotjai legtöbbször itt akadnak el. Nem magán a modellen. Hanem azon a kérdésen, hogy valójában kié ez az ítélet — és meg tudjuk-e védeni.
Mit látunk, amikor valódi projekteken belülről dolgozunk
Egy visszatérő minta a közelmúltbeli projektjeinkből — anonimizálva, de tipikus példaként: egy körülbelül 400 fős közép-európai pénzügyi szolgáltató vállalat. A heti vezetői riportok elkészítése négy ember két-három munkanapját emésztette fel. A különböző rendszerekből származó számok nem egyeztek, az osztályvezetők pedig egymásnak ellentmondó adatokat próbáltak megvédeni az executive board előtt.
Az első feltételezésük az volt: szükségük van egy AI-rétegre a meglévő rendszerek tetejére.
A vizuális operációs diagnózisunk azonban gyorsan megmutatta, hogy nem az AI-réteg volt a probléma. Három kritikus adatfolyam már az integrációs szinten hibásan működött. A master data négy különböző rendszerben duplikálódott, valódi single source of truth nélkül. Egy nyelvi modell ilyen alapokra építve magabiztos válaszokat adott volna inkonzisztens adatokból — pontosan azt a hibamintát, amely évekre aláássa a vezetői bizalmat az AI-ban.
Először az adat- és integrációs réteget tettük rendbe. A riportkészítési ciklus két napról három órára csökkent. A manuális egyeztetéssel töltött heti munkaidő nagyjából 40 óráról 5 órára esett vissza. Csak ezután vált valóban értelmessé egy AI-támogatott réteg — és ekkor már működött is.
A tanulság általánosítható: a középvállalati esetek háromnegyedében az „AI readiness” problémának nevezett helyzet valójában adat- és integrációs érettségi probléma, csak modernebb nyelvezetbe csomagolva. Ez nem marketingüzenet. Egyszerűen ezt mutatja meg tizenöt évnyi tapasztalat vállalati rendszerek belső működésében.
A vállalati adatalapok és a sikeres AI-adoptáció kapcsolatáról részletesebben is írtunk az AI Kereső a szervezeti tudás eléréséhez →cikkünkben
A kockázatok, nevükön nevezve
Ha lehántjuk a buzzwordöket, a kontrollálatlan AI-bevezetés körüli aggodalmak valójában nagyon egyszerűek:
- Koncentráció. Néhány labor dönti el, mi számít „elfogadható” válasznak.
- Átláthatatlanság. Még maguk a fejlesztők sem tudják teljesen megmagyarázni egy adott válasz működését.
- Torzítás nagy léptékben. A tanítóadatok torzulásai milliónyi döntésben jelennek meg újra.
- Az önállóság eróziója. Amikor az asszisztens gyorsabban reagál, mint ahogy mi végiggondolnánk a helyzetet, a saját ítéletalkotásunk fokozatosan háttérbe szorul.
Egyéni felhasználóként ezek kellemetlenségek. Egy szabályozott középvállalat számára azonban már governance-, audit- és felelősségi kockázatokról beszélünk — nagyon is kézzelfogható üzleti következményekkel.
Három tanulság az előző ciklusból
Ha hajlandók vagyunk tanulni abból, hogyan sajátították ki a nyílt webet, akkor a tananyag valójában rövid:
- A technológia önmagában nem teremt szabadságot. A nyílt protokollokból zárt platformok lettek. Ugyanez megtörténhet a nyílt modellekkel is.
- A szabályozási vákuum nem marad semleges. Mindig az tölti ki, aki a leggyorsabban mozog — jellemzően a legnagyobb szereplő.
- Az alapító szándékok nem élik túl a gazdasági nyomást, hacsak nem épülnek be magába az architektúrába. A küldetésnyilatkozatok önmagukban nem tartanak meg semmit. A governance és az adatok feletti kontroll igen.
Mindez nem elméleti forgatókönyv. Az internet volt a főpróba. Az AI pedig már az élő előadás — egy sokkal nagyobb színpadon, ahol a közönség is bent ül a teremben.
Mit tegyen egy európai középvállalat
Az igazán fontos kérdés nem az, hogy használjunk-e AI-t. Hanem az, hogyan őrizzük meg az adataink, az ítéletalkotásunk és a működési logikánk feletti kontrollt miközben használjuk.
A gyakorlatban ez három dolgot jelent — ebben a sorrendben:
- Először az adat- és integrációs réteget kell rendbe tenni. A sikertelen AI-pilotok többsége nem a modellen bukik el, hanem itt.
- Az AI-eszközökről ugyanúgy kell dönteni, mint bármely más stratégiai beszállítói függőségről. Nemcsak onboarding tervvel, hanem kilépési lehetőségekkel is számolva.
- Ott kell megtartani az emberi döntéshozatalt, ahol annak jogi vagy reputációs következménye van. Különösen szabályozott iparágakban.
Az AI ma nagyjából ott tart, ahol a web tartott 1998 körül: már túl van a „játékszer” fázison, de még a lock-in korszak előtt jár. Az a technológiai architektúra, amelyet most választanak ki a kutatólaborokban, a szabályozói tárgyalótermekben és azokban a beszerzési döntésekben, amelyeket a legtöbb felhasználó soha nem lát, a következő évtizedben meghatározza majd, hogyan alakul a hatalom, a munka és az ítéletalkotás szerepe.
Két út áll előttünk. Az egyiken gyorsabban és nagyobb léptékben ismételjük meg a web hibáit. A másikon levonjuk az előző ciklus tanulságait, megfizetjük ennek az árát, és eleve kevésbé kisajátítható rendszereket építünk.
A döntés nem öt év múlva születik meg. Hanem azokban a szerződésekben, alapértelmezett beállításokban és szabványokban, amelyeket ebben a negyedévben írnak meg — többek között a saját vállalatán belül is.
Ha ez rezonál azzal, ahol most a vállalata tart
Ha azt próbálják megérteni, hogy az AI valóban értelmes következő lépés-e a szervezetük számára — vagy hogy a valódi szűk keresztmetszet valójában mélyebben, az adatokban, folyamatokban vagy rendszerekben található —, akkor általában érdemesebb strukturált felméréssel kezdeni, mint elszigetelt pilotprojektekkel.
Néhány tipikus kiindulópont, amellyel közép- és nagyvállalati ügyfeleinknél dolgozunk:
- AI Compass Audit — feltérképezi a vállalat AI-potenciálját, működési folyamatait és rendszerkörnyezetét, hogy azonosíthatóvá váljon, hol teremthet valódi üzleti értéket az AI, és mik lehetnek a következő reális lépések.
- AI Factory kezdeményezések — támogatják a vállalati AI-adoptációt felmérésekkel, governance keretrendszerekkel, intelligens automatizációval, AI agentekkel, dokumentumfeldolgozással és teljes AI implementációs projektekkel.
- Data Solutions szolgáltatások — adat-előkészítésre, integrációra, governance-re, riportolásra, migrációra és skálázható vállalati adatalapok kialakítására fókuszálnak.
A cél nem egy újabb elméleti stratégiai prezentáció, hanem egy olyan gyakorlati döntési keretrendszer kialakítása, amelyet üzleti, technológiai és compliance vezetők valóban használni tudnak.
Nem biztos benne, merre érdemes elindulni? Egy rövid bevezető beszélgetés gyakran már önmagában segít tisztázni a megfelelő következő lépést.
Források
Fehér Lajos
Fehér Lajos informatikai szakértő, közel 30 év tapasztalattal az adatbázis-fejlesztés, különösen az Oracle-alapú rendszerek, valamint az adatmigrációs projektek és a magas rendelkezésre állást, illetve skálázhatóságot igénylő rendszerek tervezése területén. Az elmúlt években munkája mesterséges intelligenciára épülő megoldásokkal is kiegészült, az üzleti szempontból mérhető értéket teremtő rendszerek kialakítására fókuszálva.
Kapcsolódó cikkek
Megalapozott döntések a kritikus pillanatokban
Hogyan használják az alkalmazottaid a ChatGPT-t anélkül, hogy tudnál róla — és miért vezető szintű kockázat ez
Amit a vállalati döntéshozóknak érteniük kell a skálázás előtt
Biztos benne, hogy az AI a megfelelő következő lépés?
Segítünk feltárni a valódi lehetőségeket, korlátokat és a reális következő lépéseket.