AI megoldásból, módszerből már annyi van, hogy már az is gondot okoz, akkor mibe vágj bele. N8N node-okat halmozzunk, MCP-ket építsünk, Claude-ba építsünk különböző skillel rendelkező AI agent-öket? És akkor még a vibe code-olásról nem is beszéltünk. Olyan cikket álmodtunk meg a Minnernél, ami segít képbe hozni, és elkerülni azokat a hibákat, ami sok bosszúságot és erőforrás pazarlást hozna a cégedbe. 

A cikk szakmai támogatását az AI Boost csapata adta, akik több KKV AI bevezetését koordinálták, rengeteg felhasználási területtel (use case) találkoztak. 

1. hiba: Nem adsz elég kontextust az AI-nak 

Most kap minden cégvezető a fejéhez, hogy az elmúlt években sulykolt: legyenek leírások a céged folyamatairól dolog az AI korszakban még inkább versenyelőnyt jelent. A kontextus adja az intelligenciát. Nem az nyer, aki a legjobb promptot írja, hanem az, aki a legtöbb releváns üzleti kontextust tudja átadni az AI-nak.

Ne legyünk naivak, az AI hibázik, ad vagy rossz válaszokat, vagy nem azt a minőséget adja kimenetként, ami a cégünkre a legjobb lenne. Ebben nem az AI a hibás, hanem 2 oldalnyi kontextust adtunk csak neki a vállalatunkról, folyamatunkról, az adott folyamat céljáról. 

A kontextus adja az intelligenciát. 

Nem az nyer, aki a legjobb promptot írja, hanem az, aki a legtöbb releváns üzleti kontextust tudja átadni az AI-nak.

A csapatomnak a napokban vetettem fel azt a témát, hogy szerintem nemsokára napi feladatunk lesz legalább 1 órát írni (vagy beszélni) az AI-nak. És ezt nem csak én gondolom így. Az Andreessen Horowitz befektetőcég (a16z) is írt erről a trendről „Everything is Recorded Now” címmel, ahol azt állítják, hogy a jövőben a cégek minden meetinget rögzíteni fognak, és az AI ebből épít tudásrendszert. A Wall Street Journal egyik friss cikke is azzal foglalkozik, hogy egyes startupoknál gyakorlatilag minden meetinget és sok informális irodai beszélgetést is rögzítenek AI-val, hogy kereshető vállalati tudásbázist építsenek.

2. hiba: Szervezetfejlesztés gátolja az AI-osítást

Balogh Bálint az AI Boost szakmai vezetője rávilágít egy gyakori hibára, hogy a cégek meglátnak egy „menő” AI-eszközt, és utólag próbálják meg valahogy beilleszteni a működésükbe. Ehelyett először magát az üzleti problémát kell meghatározni, majd megvizsgálni, hogyan lehet azt AI-jal gyorsítani vagy automatizálni.

Gyakorlati tanácsként azt javasolja a szervezeteknek, hogy készítsenek egy listát a jelenlegi 15-20 legfontosabb munkafolyamatukról, írjuk össze a fontosabb lépéseket, írjuk le a folyamatot. Ez a fajta szervezeti szintű átvilágítás gyakran arra is rávilágít, hogy egy adott folyamatot nem feltétlenül AI-jal kell megoldani, hanem magát a folyamatot kellene az alapoktól másképp csinálni. Emellett a pontos szervezeti tervezés ahhoz is hozzájárul, hogy a feladatok éles fókuszával a cégek optimalizálni tudják a költségeiket (például kisebb, olcsóbb modellek használatával, felesleges tokenhasználat nélkül)

Ezt erősíti meg egy friss kutatás is, amiben 4000 embert kérdezett meg a McKinsey tanácsadócég. A technológia megvásárlása önmagában nem hoz eredményt, a tanulmány alapján a McKinsey egyik legfontosabb ökölszabálya azt mutatja: minden 1 dollárnyi AI-fejlesztés mellé nagyjából 3 dollárt kell költeni változásmenedzsmentre, képzésre és az új munkamódok kialakítására. 

3. hiba: A folyamat nagy részére rá akarják erőltetni az AI-t

A sikeres AI szintugrást elérő cégek szakmai vezetői rendre azt emlegetik, hogy az AI az egész folyamatban mindössze 1-5%, a 95-99%-a a feladatoknak: automatizáció, folyamatleírások, folyamat fejlesztés, adatok kezelése, módosítása. 

Ne lepődj meg azon, hogyha kiderül egy folyamatnál, hogy valójában egy egyszerű logikai művelettel megoldható és nem kell hozzá AI. 

Balogh Bálint, az AI Boost szakmai vezetője is megerősíti ezt a tapasztalatot. Gyakori tévhit, hogy a mesterséges intelligencia majd egyetlen varázsütésre megold egy teljes munkafolyamatot az elejétől a végéig. A valóságban – például egy n8n-ben felépített automatizációs rendszerben – a lépéseknek maximum 5-10%-a az, ahol ténylegesen az AI dolgozik. Egy 20 lépéses folyamatban ez csupán 2-3 AI-hívást jelent. A maradék 90-95% hagyományos rendszerépítés: az adatok továbbítása, szűrése, átalakítása, és egyéb informatikai logikák.

A PwC szerint egy másik nagy csapda, ha egy cég egyetlen nagy, mindentudó AI-terméket akar házon belül, nulláról lefejleszteni, amely lefedi a teljes működést. A nyerő stratégia ehelyett a „legózás”: az alapfunkciókra (keresés, jogosultságkezelés, csatlakozók) érdemes piacon lévő, dobozos megoldásokat bevonni, és az AI-ra csupán egy-egy jól körülhatárolt építőkockaként, feladat-specifikus „agentként” tekinteni, ami beépül a rendszerbe.

A folyamatra ráerőltetett AI másik rákfenéje, amikor a cégek 100%-os ember nélküli automatizálásra vágynak. 

A sikeres fejlesztések célja nem a teljes automatizálás, hanem az, hogy az AI asszisztensként előkészítse a munkát. A PwC egyik könyvvizsgálati projektjében például egy 4 órás repetitív feladatot 30 percre csökkentettek. Az AI kinyeri az adatokat, értelmezi a szöveget és javaslatot tesz, de a végső, szakmai felelősséggel járó jóváhagyást minden esetben a hús-vér szakértő hozza meg. Az ember a folyamatban marad.

+kardinális hiba: Az AI-nak adja át a felelősséget a vállalkozás, holott sok esetben még mindig az embernél kell lennie a gyeplőnek.  

4. hiba: Mérhetőség hiánya

Tudod miért veszi el a cég, csapat kedvét, motivációját az AI bevezetés? Mert nincs mérhető eredménye az AI-osításnak, és ennek következménye, hogy újabb fejlesztésekre nehezebben fordul rá a csapat. 

Az AI Boost, a PwC és a McKinsey is azt javasolja, hogy: A legjobb stratégia, ha kiválasztunk egyetlen, jól körülhatárolt folyamatot, ahol a legtöbb pénz folyik el, és azt az elejétől a végéig átépítjük. Ha feleslegesen halmozzuk az AI-előfizetéseket anélkül, hogy a mögöttes folyamatokat megváltoztatnánk, azzal csak a komplexitást növeljük, valódi megtérülés nélkül.

Forbes által idézett MIT kutatás rámutat egy kritikus hibára: a cégek többsége a belépések számát (adopciót) méri ahelyett, hogy a ténylegesen átalakított munkafolyamatokat és azok eredményét (abszorpciót) számolná. Ha az a siker fokmérője a cégnél, hogy a csapat hányszor nyitotta meg a ChatGPT-t vagy a Claude-ot, abból sosem lesz valódi megtérülés (ROI). Ezt láthattuk az Uber esetében is, akik félév alatt kimaxolták az éves tokenmennyiséget, de üzleti eredménye nem lett. 

Hogyan csináld jól? Balogh Bálint (AI Boost) gyakorlati tanácsa, hogy mielőtt bármit fejleszteni kezdenétek, írjátok össze a 15-20 legfontosabb munkafolyamatot, és kíméletlenül „forintosítsátok” azokat. Vizsgáljátok meg, mennyi időt spórolna egy-egy lépés automatizálása, és az a felszabadult idő pontosan mekkora hozzáadott értéket és extra bevételt jelentene a vállalatnak.

5. hiba: Pilot-paralízis – amikor a kísérletezésnél ragadsz

Sok cégvezetőnél a „kísérletezés” egyfajta kényelmi zónává válik: „játszunk” az AI-val, kipróbálunk menő eszközöket, mutatunk pár látványos demót a csapatnak, aztán… ennyi. A projekt sosem lép ki a pilot fázisból, az AI nem válik a napi munka szerves részévé, csak egy „érdekesség” marad, amivel jó elbüszkélkedni.

Az MIT CISR kutatása szerint a generatív AI üzleti integrációjának 95%-a éppen ezért fullad kudarcba: a kísérletezés csupán az integráció első fázisa, nem maga a megoldás. Hatalmas szakadék van aközött, hogy van egy működő pilotod, és aközött, hogy ténylegesen kialakítottál egy „AI-os munkamódszert”, ami termel és értéket teremt.

Ne hagyd, hogy a tesztelés végcél legyen! Mielőtt elindítasz egy AI-kísérletet, tedd fel a kérdést: „Ha ez a pilot sikeres, pontosan hogyan fogjuk ezt élesben, minden nap, automatikusan használni?” Ha nincs válasz a „Hogyan skálázzuk?” kérdésre, akkor még ne vágj bele. A kísérletet már azzal a céllal kezdd el, hogy annak a kimenete egy éles, stabil folyamat legyen, ne csak egy újabb pipával ellátott „kipróbáltuk” lista.

Valódi AI bevezetést szeretnél végrehajtani?

Vedd fel a kapcsolatot a szakmai partnerünkkel, az AI Boosttal. Ahogy a bevezetőben is említettem, már több olyan felhasználási területet építettek cégeknek, amely a te cégedben is felmerülhet.

Dolgoztak már együtt néhány fős KKV-val és nagyvállalattal is, és a fenti öt hiba elkerülésében jellemzően három ponton tudnak beszállni:

Céges AI oktatás. Ha a csapatod még ott tart, hogy megnyitja a Claude-ot és ír bele két mondatot, akkor a kontextus kérdését (1. hiba) nem eszközvásárlással fogod megoldani. Az oktatásaik arról szólnak, hogy a kollégáid magas szinten használják az eszközöket, a saját napi folyamataitokon gyakorolva, nem elméletben.

AI stratégiai tervezés: Egy intenzív nap alatt átvilágítják a cég működését, és elkészítik a teljes AI stratégiai tervet. Pontosan az a munka ez, amiről a 2. és a 4. hibánál szó volt: összeírni a legfontosabb munkafolyamatokat, forintosítani őket, és eldönteni, hol van valódi megtérülés, illetve hol nem is kell AI a megoldáshoz.

AI folyamatautomatizálás. Egy konkrét részfolyamatra építenek AI asszisztenst, ami szinte teljes egészében átveszi az adott feladatot. Nem egy mindentudó rendszer, hanem egy jól körülhatárolt darab, ami holnaptól élesben megy, és nem ragad benne a pilot fázisban.

Ha bármelyik pont ismerős a saját céged esetében, akkor kattints ide! 

Forrás:
https://a16z.com/everything-is-recorded-now/
https://www.wsj.com/lifestyle/workplace/ai-recording-apps-wearables-granola-39727559
https://www.forbes.com/sites/jasonsnyder/2025/08/26/mit-finds-95-of-genai-pilots-fail-because-companies-avoid-friction/