A cikket Maafi Dávid, a PwC GenAI Lab vezető fejlesztője készítette. A tartalomban saját szakmai és fejlesztői tapasztalatait osztja meg, bemutatva, hogyan hasznosíthatók ezek kis- és nagyvállalati környezetben, valamint milyen üzleti értéket teremthet a GenAI a gyakorlatban. Ezúton is köszönjük neki a közreműködést!

A generatív mesterséges intelligencia nem öncél, hanem eszköz a hatékonyság növelésére. A PwC-nél generatív AI-megoldásokat tervezünk és valósítunk meg hazai és régiós ügyfeleknek. Nem a hype-ot hajszoljuk, hanem működő, üzletileg is értelmes rendszereket szállítunk. Az adat-, AI-, jogi és tanácsadói tudásunk is házon belül van, ezért a technológiát a valós működésbe illesztve gondoljuk újra. Ennek motorja az ún. GenAI Lab – kompetenciánkat itthon, a régióban és az Egyesült Államokban is használják.

Konkrét projekteken keresztül most bemutatjuk, hogyan érdemes gondolkodni az AI-alapú rendszerek bevezetéséről, mikor válasszunk dobozos megoldást, és mikor indokolt egyedi fejlesztés. Döntési pontok, tipikus buktatók és mérhető eredmények, melyeket mérlegelni kell.

Amikor mi is felültünk a hype-ra – és gyorsan kijózanodtunk

A Lab indulásakor a legnagyobb falatot az jelentette, hogy mindent kipróbáljunk és mindenben saját, kézzel fogható tapasztalatot szerezzünk. Ezért kezdetben szinte mindent a PwC-n belül akartunk fejleszteni: saját chatfelületet, saját RAG (Retrieval Augmented Generation) komponenseket,  saját értékelő- és monitorozórendszert. Egyszerre akartunk tanulni, kontrollt tartani és gyorsan megoldást szállítani – legalábbis ez volt a terv.

A valóság viszont gyorsan kijózanított bennünket. Ahogy haladtak a projektek, láttuk, hogy:

• egy PoC-ot könnyen és gyorsan össze lehet rakni, de megbízhatóan, élesben üzemeltetni már jóval bonyolultabb,
• a modellek, technológiák, frameworkök folyamatosan változnak, fejlődnek – az „egyszer megépítjük” hozzáállás tehát nem fenntartható,
• a biztonság, megfelelés, minőségbiztosítás és monitoring aspektusai olyan rejtett költségeket hoznak, melyek egyedi fejlesztésnél minket terhelnek,
• közben megjelent egy sor dobozos megoldás, ezeket napok-hetek alatt lehet integrálni, és lefedi a „kötelező köröket”.

Az AI-tól várt azonnali előnyök és a valóság közti rés ott van, hogymíg egy demo működik 10 dokumentummal, valós környezetben már milliós dokumentumszámról beszélünk, ahol szigorú jogosultságok, változó adatminőség és napi szintű frissítések mellett kell stabilan teljesíteni.

Miért nem működött minden elsőre?

• Fenntarthatóság: az egyedi fejlesztések üzemeltetése, frissítése és auditálása folyamatos erőforrást igényel.
• Minőség: a „működik” nem elég; a pontosságot mérni kell.
• Biztonság és megfelelés: RBAC, security trimming, audit trail, PII-kezelés, tartalomszűrés

– mind „non-negotiable”.

• Felhasználói élmény: ha a megoldás lassú, pontatlan vagy nincs beágyazva a napi munkafolyamatokba, azt senki nem fogja adaptálni.

Milyen dobozos megoldásokon érdemes elgondolkodni – döntési szempontok?

Nem mindenre érdemes egyedi fejlesztést építeni. Sok alapfunkcióra már léteznek kipróbált, jól integrálható eszközök, amelyek napok alatt üzembe helyezhetők. Ilyenek például:

• n8n – Nyílt forráskódú workflow automation platform, amellyel különböző alkalmazásokat és szolgáltatásokat lehet összekapcsolni, automatizálni és adatfolyamokat kezelni kódolás nélkül.
• Copilot Studio – A Microsoft 365-be integrált vállalati chatbot- és tudásasszisztens-megoldása, amely SSO-val (egyszeri bejelentkezéssel) és biztonsági korlátokkal (guardrails) működik, támogatva a szervezeten belüli tudásmegosztást és feladatautomatizálást.
• Notion AI – A Notion beépített mesterséges intelligenciája, amely segít szövegírásban, összefoglalásban, ötletelésben és tudásrendezésben közvetlenül a Notion munkaterületen belül.
• Vectara – Retrieval-augmented generation (RAG) alapú tudásplatform, amely dokumentumokból biztonságosan és pontosan generál válaszokat, vállalati kereséshez és tudásmenedzsmenthez optimalizálva.
• Harvey – AI-alapú jogi asszisztens, amely segíti az ügyvédeket és jogi csapatokat kutatásban, szerződések előkészítésében, jogi érvelésben és forráshivatkozások kezelésében.
• ElevenLabs – Fejlett mesterséges intelligencia alapú hanggeneráló platform, amely valósághű, természetes beszédhangokat képes előállítani több nyelven narrációhoz, szinkronhoz vagy virtuális asszisztensekhez.
• Cursor – AI-támogatott fejlesztői környezet (IDE), amely a kódírást, hibakeresést és dokumentációt segíti valós idejű AI-javaslatokkal és kontextusérzékeny kódgenerálással.

Mikor kell egyedi fejlesztés? Buy vs. Build

• Ha a folyamat és a domain nagyon egyedi, és ez adja a versenyelőnyt (pl. speciális jogi/államigazgatási/pénzügyi workflow).
• Ha a minőség- és megfelelési elvárások miatt testre szabott guardrail, értékelés vagy human‑in‑the‑loop szükséges.
• Ha nincs megfelelő csatlakozó vagy integráció legacy rendszerekhez, vagy on-prem/adat korlátok vannak.
• Ha tudásgráf, speciális entitás- és relációkezelés, vagy komplex multi-step/agent folyamat indokolt.

Olvasnál még a témában?

• Mennyire probléma, ha az AI cégek nem profitábilis módon működnek? Lufinál több vagy kevesebb?
• Az Amazon AI chatbotja 10 milliárd plusz bevételt generál éves szinten! Hogyan?
• PwC: „juniorból menedzser” 3 éven belül! Az entry-level poziknak vége?
• AI-SaaS vagy tanácsadó? A legtöbb mesterséges intelligenciás startup nem az, aminek látszik
• AI útmutató cégvezetőknek: fogalomtár, esettanulmányok, oktatás

Forrás:
PwC, Maafi Dávid

Fotó:
Google Gemini