A Portfolio AI in Energy 2026 konferenciájának panelbeszélgetésén a résztvevők egybehangzóan állították: a mesterséges intelligencia (AI) az energetikában nem csupán jövőbeli lehetőség, hanem a projektfejlesztéstől az üzemeltetésig több területen aktívan alkalmazott technológia. Ugyanakkor hangsúlyozták, hogy a tényleges üzembiztonság és haszon csak megfelelő mérési háttér, adathasznosítás, auditálhatóság és kiberbiztonsági keretek mellett valósulhat meg.
Főbb felhasználási területek és példák
- Csonth Dániel, a Veridue AI alapító-vezérigazgatója szerint az AI különösen értékes a projektfejlesztés és a tranzakciók előkészítése során: a szerződésekből és egyéb strukturálatlan dokumentumokból korábban nem elérhető információk most feldolgozhatóvá válnak, így a due diligence folyamata órákra vagy napokra rövidíthető.
- A Schneider Electric képviseletében Hajós Balázs elmondta, hogy a vállalatnál az AI egyrészt a termékek és szolgáltatások része, másrészt belső működésátalakítást segít. Emellett ipari „copilot” funkciókat is alkalmaznak, amelyek természetes nyelvű kommunikációval tehermentesítik az operátorokat; ilyen megoldásokkal az operátorok napi hatékonysága akár 90–95 százalékkal is növekedhet egyes feladatoknál.
- A távhőrendszerek esetében például egy AI-rendszer a kimenő vízhőmérséklet optimalizálásával és a hőigény előrejelzésével energiahatékonysági tartalékokat tárhat fel, feltéve hogy az IT- és OT-rendszerek szigorúan el vannak választva, és emberi kontroll biztosított.
Auditálhatóság és megbízhatóság: miért akadnak el projektek?
Farkas Péter, az ArchonLayer alapítója rámutatott, hogy sok ipari AI-projekt nem jut el éles üzemig, mert hiányzik a rendszerek auditálhatósága és a kontrollált hibázás lehetősége. A vállalatoknak bizonyítaniuk kell, hogy egy AI-vezérelt folyamat hibája nem okoz anyagi kárt, fizikai kockázatot vagy működési zavarokat; az ArchonLayer olyan megoldásokat fejleszt, amelyek naplózzák, felügyelik és riportokkal teszik értelmezhetővé az AI-döntéseket.
Modellfinomhangolás és ipari követelmények
Jánki Zoltán, a Szegedi Tudományegyetem Szoftverfejlesztési Tanszékének adjunktusa szerint a nyílt forrású vagy általános modellek sokszor 70–80 százalékos teljesítményt adnak gyorsan, de ipari környezetben gyakran 95 százalék feletti pontosság, stabilitás és megbízhatóság szükséges. Ezért a modelleket finomhangolni, adaptálni és az adott feladathoz igazítani kell.
Mikor belső fejlesztés és mikor külső szoftver?
Csonth Dániel szerint a belső fejlesztés érdemes lehet, ha horizontális, vállalaton belüli folyamatokról vagy saját rendszerek összekötéséről van szó. Ugyanakkor mély iparági szakértelmet, folyamatos modellfrissítést vagy több szereplő adatából tanuló benchmarkokat igénylő megoldásoknál gyakran racionálisabb külső szoftvert használni.
Az adatigény és a mérés hiánya Magyarországon
Hajós Balázs kiemelte: az AI-kompatibilitás alapja a mérés. Magyarországon azonban kevés ipari adatot gyűjtenek, és a mért adatok hasznosítása is elmarad. Például az átviteli rendszerirányítók által gyűjtött, de érdemben nem hasznosított adatok aránya magas lehet; ezek elemzése és kontrollált közzététele startupok és kisebb technológiai cégek számára új lehetőségeket teremthet.
Szabályozás és kockázatkezelés
Jánki Zoltán az Európai Unió AI Actjéről elmondta, hogy az nem tiltó logikájú, hanem a tudatos, kockázatalapú AI-használatot ösztönzi. A vállalatoknak fel kell mérniük, milyen AI-alkalmazások jelennek meg náluk, mely kockázati kategóriába tartoznak, és milyen dokumentációs, átláthatósági vagy kontrollkötelezettségek vonatkoznak rájuk. Különösen a magas kockázatú rendszereknél fontos a döntések naplózása és a működés igazolhatósága.
Kiberbiztonsági aggályok az AI-agentekkel kapcsolatban
Farkas Péter felhívta a figyelmet, hogy az AI-agentek már nem csak javaslatokat adnak, hanem bizonyos körülmények között cselekvésre is képesek, ami új támadási felületet jelent. Naplózni kell a rendszerek döntéseit és a kontextust, valamint fel kell mérni, hozzáférnek-e olyan erőforrásokhoz, amelyekhez nem kellene. A „prompt injection” típusú támadások kockázata a modellek működéséből fakadóan nem zárható ki teljesen, ezért a kommunikáció monitorozása és a gyanús eltérésekre adott reagálás szükséges.
Jövőbeli kihívások és lehetőségek
A panel résztvevői szerint két egymásba játszó trend alakítja a következő éveket:
- Az adatközpontok növekvő energiaigénye: Hajós Balázs emlékeztetett, hogy jelenleg a nagy adatközpontok a globális energiafogyasztás körülbelül 1 százalékát teszik ki, és ez 2030-ra akár 3 százalékra nőhet. Ennek kezelése kulcskérdés, és lehetőség abban is rejlik, hogy az AI maga is optimalizálja saját energiahasználatát.
- Önszilárduló kör: Csonth Dániel szerint az lehet izgalmas fejlemény, ha több megújulóenergia-projekt gyors piacra vitele több AI-infrastruktúrát tesz lehetővé, ami tovább gyorsítja az AI-alkalmazások fejlődését.
Egyéb felvetett kockázatok között Farkas Péter a kriptográfiai módszerek sérülékenységét említette, Jánki Zoltán pedig az AI-agentek hierarchikus, több szintű szakértői és végrehajtó rendszerekben rejlő potenciálját.
Összegzés
A konferencia-panel egyértelművé tette, hogy az AI értékteremtő alkalmazása az energetikában megkezdődött, de a gyakorlati haszon érvényesüléséhez elengedhetetlen a megfelelő mérési alap, az adatok hatékony hasznosítása, a rendszerek auditálhatósága és a kiberbiztonsági intézkedések. Magyarországon különösen az adatgyűjtés és -kihasználás hiánya jelent korlátot, miközben az EU-szabályozás és az új technológiai kockázatok alakítják a bevezetés feltételeit.
