Mesterséges intelligencia Magyarországon: ez hiányzik az igazi szintugráshoz

Hol tartanak most a nagyvállalati AI implementációk, kiderült-e már, hogy az első GenAI projektek hova futottak ki?

A nagyvállalatok megtanulták, hogy IT-oldalon indulnak a változások, ezért az AI-t is IT-projektként kezelik, mintha csak egy új technológiát kellene megtanulni. Az IT a szokásos módszertanával választja ki a megfelelő megoldást, és várja, hogy lecsengjen a hype, AI-csapatot alapít, és elemzi a versenytársakat. Ezt a házi feladatot a cégek is jól elvégezték Ám nagy különbség a korábbi technológiákhoz képest, hogy az AI a teljes értékláncot és folyamatokat érinti. Nem csupán technológiai fejlesztésről van szó, hanem erős nyomás érkezik üzleti- és HR oldalról is, ezért nem elég kizárólag IT-projektként kezelni. 

Kállai Gábor

Shiwaforce, CTO

Gábor minden technológiai kérdés és megoldás tudója a Shiwaforce-nál, legyen szó az ügyfelek vagy a saját magunk részére fejlesztett alkalmazásokról. Akkor boldog, ha találkozik egy üzleti problémával

Tovább

Gábor minden technológiai kérdés és megoldás tudója a Shiwaforce-nál, legyen szó az ügyfelek vagy a saját magunk részére fejlesztett alkalmazásokról. Akkor boldog, ha találkozik egy üzleti problémával… Tovább

Az egyszeri felhasználó úgy érzékelheti, hogy a GenAI modellek bő két év alatt annyit fejlődtek, mint az internet vagy a mobilok 20 év alatt. Már nem (annyira) hallucinálnak, jobb a szórend a válaszokban, egyre kevesebb a bullshit és a modorosság. Hol lesz ennek haszna vállalati környezetben?

Hatalmas minőségbeli ugrás történt a modellekben: a hallucinációk csökkentek,  pontosabbak lettek a válaszok és az adatbázisok is frissebbek.  Ezen kívül a modellek egyre jobban optimalizálódnak, már nem kell hozzájuk szuperszámítógép, lokális eszközökön is elfutnak, ez utóbbi kritikusan fontos, amikor érzékeny üzleti adatokkal szeretnénk táplálni a GenAI-t. A Shiwaforce-ban mi is használunk szabályozott módon felhő alapú  GenAI szolgáltatásokat irodai és IT feladatokra is, de a kollégák a saját szerveren futtatott GPT-4 modellt is bevethetnek. Nehéz megjósolni, meddig juthat el ez a fejlődés. Egy viszont nagyon fontos, hogy ne követő üzemmódban legyenek a cégek. Nem oda érdemes célozni egy többéves transzformációval, ahová más versenytársak már odaértek.

Több nemzetközi kutatást is arra jutott, hogy az AI projektek 80-90%-a üzletileg nem térült meg. Mit takar ez pontosan, és szerinted is így van-e ez?

Az MIT kutatása szerint globálisan 30-40 milliárd dollárt fektettek be a nagyvállalatok GenAI projektekbe, de ezek 95 százaléka soha nem mutatott ki pénzügyi hasznot. A Gartner kutatása ezt azzal egészíti ki, hogy az AI projektek 85 százaléka azért bukik el, mert rossz minőségű, kevés vagy irreleváns adatokon tanítják az algoritmust. A McKinsey pedig szintén az adatminőséget és a meglévő rendszerekkel való rossz integrációt okolja a projektek 70 százalékának kudarcáért.

Az, hogy működik az AI-megoldás, önmagában még csak IT-siker, ami ma már többnyire adott. Az igazi kérdés az, hogy üzletileg mit változtat meg. Az AI tekintetében az elvárások azonban nem a szokásos megtérülésről szólnak, hanem arról, hogy drasztikusan folyamatában és volumenében változzon meg az üzlet. A legtöbb esetben nem feltétlenül a bevétel oldali növekedés a cél, hanem inkább kiadások csökkentése vagy a szűk kapacitások tehermentesítése. Ezek a leginkább  elvárt előnyök az üzleti stakeholderektől. Konkrétan az a vágy, hogy a munkatársaknak sokkal több ideje legyen figyelmet igénylő, értékteremtő feladatokra, és át lehessen szervezni a működésüket. 

Egy számlavezető rendszer cserénél lehet TCO-t (Total Cost of Ownership - egy termék vagy szolgáltatás teljes élettartama során felmerülő összes költség - a szerk.) számolni 5 évre, és ha most befektetünk 1 milliárdot, megbecsülhetjük, hogy ez vissza fog-e jönni. Egy internetbank fejlesztésnél el lehet azt mondani, hogy több lesz az ügyfelünk, javul a konverzió, és ez a befektetés 3 éven belül megtérül. Azonban azt nehezebb felmérni, hogy ténylegesen transzformatívan hatott-e az üzletmenetünkre egy AI gerinc kiépítése, különösen agentic AI megoldásokkal.  Átformálta-e a belső gondolkodásmódunkat a saját üzletvitelünkről? Az egy sokkal nehezebb kérdés. Itt azt kell mondanom, hogy az ilyen sikertörténetek száma ma még valóban elenyésző.

Mi az oka ennek?

Ez sokrétű kérdés, először is legtöbb cég óvatosan kezelik ezeket a projekteket, és nem  akarják rögtön szétrombolni a szervezetet, és a  meglévő folyamatokat. Három tipikus mondat lehet ismerős a kickoff meetingekről:

“Nehogy elrontsunk valami fontosat”, “Nehogy veszélybe kerüljön valami értékes” és “Tegyünk rá sok erőforrást, hogy biztosan sikerüljön”.

A három egyébként jó szándékú motiváció végeredménye gyakran egy drága, nem skálázható, nehezen implementálható, haszontalan eszköz, ami a végén irreleváns lesz, és ezért elbukik.

Generáció- és működési mód váltásra van szükség ahhoz, hogy a megrögzött szokásokat el tudjuk hagyni. A kis lépés az, amikor a kollégák kezébe adunk egy AI-eszközt, mint egy kalapácsot: vegye fel és üssön be vele egy szeget. Ettől az adott kollégának ekkor felszabadul valamennyi ideje, ki tud szolgálni másokat is, tehát van látható eredmény és valamennyi hatékonyságnövelést is el lehet ezzel érni. Ám ez semmiképpen nem hatott az egész szervezetre úgy, hogy ettől alapjaiban megváltozott volna. Itt az AI-t tisztán eszközként használjuk, mint egy gyakornokot, aki repetitív, szűken definiált feladatokat lát el limitált képességekkel, anélkül, hogy kontextusban kezelné azokat. Ez is egy nagyon fontos fejlődés lehet, de el kellene engedni végre azt a korlátot fejben, hogy az AI a hatékonyság növeléséről szól. (Lásd Henry Ford esete a vevői igényekkel, amik mindig csak gyorsabb lovakról szóltak.)

És hogyan lehet ennél nagyobbat lépni előre?

A kulcsszavak talán a workflow és a célok kijelölése. Ahogy egy emberi szervezetben is akkor tudnak igazán skálázódni a dolgok, amikor a vezetőnek már nem kell mindent mikromenedzselnie, hanem egy adott folyamatra megbízhatja az “ügynököt”, aki definiált szabályrendszer szerint, de már önállóan cselekszik.

Ha az AI-megoldásokat elkezdenénk agent-módon használni, létrehozhatnánk olyan munkakörnyezeteket, ahol nem csak humánokat segít az AI, hanem menedzselt módon, önállóan is ellátnak funkciókat.

Az ilyen megoldásoknak visszajelzést, tisztított információt, illetve adatot kell adni arról, hogy mik a vállalati értékek és a célok, hogyan építjük az üzletet és milyen a szervezeti kultúránk. Ez emberek esetén ez természetes, de gépekkel kapcsolatban  most újra kell ezt tanulnunk.

Tudnál példákat is említeni ilyenre?

Most az ügyfélszolgálat gépesítése mellett a másik gyakori és látványos use case, amikor komplett média vagy marketing kampányokat igyekeznek multi-agent modellekre rábízni. Ez úgy néz ki, hogy az AI megkapja az elmúlt 20 éves tudást-tapasztalatot, ami a marketingben, mint általános tudományban létezik. Beletöltjük az AI-ba, hogy a cégben eddig mit csináltunk, hogyan beszélünk, illetve adunk neki információt arról, hogy mire, és milyen módon reagál a mi vevőkörünk és mik az elképzeléseink. Ezután lehet megpróbálni az AI-ra bízni egy folyamatot, hogy kiválaszthassa a repertoárból mikor milyen eszközhöz nyúl. Ezzel lehet elérni, hogy valódi változások történjenek.

Nem azért, mert öntudatra ébred, hanem mert sokkal nagyobb mintavétel alapján tud generálni megoldásokat.  Olyasmit is kipróbál, ami egy-egy kolléga fejében talán valaha már megfordult, de akkor költségesnek, túlzónak, bonyolultnak tűnt, nehéz lett volna visszamérni, vagy éppen csak az adott vezető nem hitt benne.

Amikor a gátakat sikerül a működésből kiszedni, és akár döntést is rábízzuk a jól megépített architektúrára, akkor megdöbbentő eredmények születhetnek.

Milyen hasonló, nagyobb léptékű use-case-ekre lehet még jó a mesterséges intelligencia? 

Nagy változást hozhat az AI a logisztika területén is.  A gyárak, raktárak, kereskedők közötti áruterítés egy jól lemodellezhető folyamat. Már a gyárban előre jelezhetjük, hogy miből mennyi fog fogyni, megkapjuk a rendelést, és végül kiszállítjuk. Csakhogy ebben a folyamatban rengeteg a hibalehetőség: a határon elakad a kamion, lebetegedik a kamionsofőr, és emberi hibák történnek. Mindez rendkívül gyorsan zajlik, néhány kulcsmunkatársnak folyamatosan be kell avatkoznia, és újraterveznie kell az útvonalakat. Erre a feladatra kiválóan alkalmas egy multi-agent, AI-vezérelt megoldás. 

Az említett kulcsemberek nagyon nehezen pótolhatók, és az onboardingjuk akár egy vagy több évig is eltart. Az AI esetében ez a betanítás ugyanolyan hosszú lehet, de utána nagyon stabilan tudja elvégezni az újratervezéseket, beavatkozásokat. A példa ugyan a logisztikáról szól, de ugyan ez igaz a szolgáltató szektorban mindenhol, ahol soklépcsős és sok elágazást tartalmazó folyamatokkal lehet számolni.

Kiemelném azt, hogy amíg egy üzleti folyamat bármely pontján szükség van emberi minőségellenőrzésre, beavatkozásra vagy jóváhagyásra, addig abban a folyamatban lesz szűk keresztmetszet. Hiába gyorsítja fel az AI a munkát, a végén az emberi lépés visszalassítja. Ráadásul, rosszabb esetben az AI által gyorsan és nagy mennyiségben feldolgozott adatok elönthetik az emberi munkatársakat, akik végül a generált tartalmak vagy feldolgozott adatok többségét (a McKinsey szerint már most 73 százalékát) ellenőrzés nélkül engedik át magukon.

Hol tart ma a hazai vállalati szektor az AI alkalmazásában?

Vállalati AI implementációban mi 4 korszakot különböztetünk meg: AI Washing, AI Islands, AI Backbone, AI Black Mirror -  ezeket a Shiwaforce Enterprise AI Evolution Guide-ban be is mutatjuk részletesen. Az első fázison szerencsére többnyire túl vagyunk, ez az AI-washing, amikor a cégek az ügyfeleik és a versenytársak felé inkább még csak kommunikálják, hogy AI-képességgel rendelkeznek. 

Az első valódi alkalmazási területek jellemzően az AI-chatbotok, illetve a tudást közvetítő belső „robot munkatársak”. Ezekben az esetekben még az AI-t egy eszközként adjuk oda az alkalmazottaknak: eddig kézzel csavaroztál, most adtam valamit, amivel hatékonyabban tudod elvégezni a feladatot. Szuper! Ez nagyon kell, de ez még csak a horizontális terjedés, ezek az úgynevezett AI-szigetek. Azonban senki ne felejtse el, hogy itt nem szabad megállni, és most már itt tart mindenki. Gőzerővel dolgozni kell azon, hogy szintet lehessen lépni.

A szintlépés pedig egy vállalati szintű AI backbone kiépítésével jön el, amikor az értékteremtésre képes AI-megoldások rendszerben működnek. Itt az az üzleti igények standardizált formában jelennek meg az IT oldal felé, lehetővé téve a profitot termelő folyamatok méretgazdaságos és biztonságos újrahuzalozását. A történet végén pedig meg lehet majd fordítani a kérdést, és nem úgy ránézni, hogy mire lehet használni az AI-t, hanem azt kérdezni, mihez kell valóban ember?

Ehhez a vállalatok AI-készségeit, szervezetét milyen irányban érdemes fejleszteni?

A gyors változás miatt a vállalati struktúrák le vannak maradva, és az alkalmazottak akár autodidakta módon is próbálják elsajátítani az AI-készségeket, de gyakran csak a napi feladataik kicsiszolására koncentrálnak. Erős vezetőkre van szükség, akik stratégiai szinten látják az irányokat, és nem csak Excel-táblázatokban gondolkodnak.

Az AI nem csupán IT-probléma, hanem szervezeti transzformációs és HR kihívás, ahol a HR-ben a H betű megkérdőjeleződhet. Tudatos üzleti döntéshozókra van szükség, akik értik az AI-t, és nem félelemből vagy kényszerből cselekednek.

A változásmenedzsment kulcsfontosságú ebben a folyamatban. A helyes megközelítés, ha hosszútávú változásmenedzsment programként tekintünk erre a korszakra, és a technológiai kísérletezéssel párhuzamosan egyszerre hatunk a munkatársak tudására, képességeire és attitűdjére is.

Portfolio Banking Technology 2025

A generatív AI technológia banki hasznosításáról, az eredményekről, tapasztalatokról és use case-ekről szó lesz november 4-ei Banking Technology rendezvényünkön is, regisztráció és részletek itt!

Információ és jelentkezés

A cikk megjelenését a ShiwaForce támogatta.

Címlapkép: Kállai Gábor Fotó: Hajdú D. András/Portfolio

A cikk elkészítésében a magyar nyelvre optimalizált Alrite online diktáló és videó feliratozó alkalmazás támogatta a munkánkat.