A Deloitte és az ABSL kerekasztalán a Global Business Services (GBS) szektor automatizációs szakértői arról számoltak be, hogy a legtöbb vállalat továbbra sem rendelkezik egyértelmű mesterséges intelligencia (MI) stratégiával. A tanácskozás gyakorlati tapasztalatokra és stratégiai kérdésekre fókuszált: hogyan lehet az AI-t üzleti környezetben használható, megbízható megoldássá tenni, és melyek a leggyakoribb csapdák.
Főbb problémák: stratégia- és governance-hiány
A résztvevők tapasztalatai szerint gyakori hiba, hogy a szervezetek érdeklődése az AI iránt nem párosul világos célokkal. Sok helyen feszül az igény az általános (pl. nagy nyelvi) modellek széleskörű alkalmazása, illetve az egyedi üzleti problémákra szabott megoldások szükségessége között. Ennek következménye a széttagolt kezdeményezések sora és a kiaknázatlan potenciál, ami megakadályozza, hogy az érdeklődés valódi üzleti értékké váljon.
A kerekasztal résztvevői kiemelték a governance — azaz az irányítási keretrendszer — fontosságát. Sokan számoltak be dedikált AI testületek létrehozásáról, amelyekben jellemzően IT-, compliance- és automatizációs szakértők vesznek részt, és az egységes stratégiai alapok, valamint a felelős AI-használat biztosítása a feladatuk. Ezek a grémiumok kezelik az olyan komplex kérdéseket is, mint az adattulajdonlás vagy az etikus alkalmazás.
„Visszatekintve jól látszik, hogy sok szervezet nem határozott meg világos AI stratégiát: vagy cél nélkül törekedett a tömeges használatra, vagy egyetlen eszközzel próbált minden problémát megoldani. Az alapvető kérdés, hogy milyen célokat szeretnénk elérni az MI vel, gyakran elsikkadt.” – mondta Lukács Eszter, a Deloitte Magyarország GBS Advisory és Finance Transformation igazgatója.
Megvalósítási megközelítések és konkrét eredmények
A gyakorlatban többféle megközelítést említettek: a „top down”, felsővezetői kezdeményezésektől az organikus, munkavállalókat bevonó „bottom up” programokig. Utóbbiak közé tartoznak belső AI gyorsítók, hackathonok és kísérleti projektek, amelyek egyszerre támogatják a kísérletezést és csökkentik a felhasználói félelmeket.
Bemutatott sikeres alkalmazások közé tartoztak:
- árazási és promóciós stratégiák optimalizálása,
- rendszerek a visszaélésszerű termékvisszaküldések azonosítására,
- beérkező e-mailek és dokumentumok automatikus feldolgozása,
- AI alapú szimulációk folyamatoptimalizáláshoz,
- intelligens készletgazdálkodási megoldások.
Ezek a példák azt mutatják, hogy az AI növelheti az operatív hatékonyságot és javíthatja az ügyfélélményt; a kiemelt beruházások megtérülése tipikusan 18–24 hónap alatt várható.
Kockázatok: nem minden feladatra alkalmas az LLM
A szakértők hangsúlyozták, hogy az AI-t nem szabad kizárólag költségcsökkentési eszközként kezelni, mert így könnyen elvész a fókusz a bevételnövelésről, a képességfejlesztésről vagy a működési hiányosságok kezeléséről. Különbséget tettek a nagy nyelvi modellek (LLM-ek), a specializált kisebb nyelvi modellek (SLM-ek) és a hagyományos gépi tanulási megoldások között: míg az LLM-ek erősek a nyelvi tartalmak feldolgozásában, pontatlan vagy nem valós információkat is generálhatnak, ezért magas pontosságot igénylő feladatoknál — például pénzügyi előrejelzés vagy szerződéselemzés — gyakran célzottabb megoldások szükségesek.
„Az AI rendkívüli lehetőségeket kínál, ugyanakkor tisztában kell lennünk az emberi szakértelem fontos szerepével az ellenőrzésben és tartalomvalidációban. A nem megfelelő elvárások és a felhasználói ismeretek hiánya komoly kockázatokat hordoz, ami egyértelműen rávilágít a tapasztalt szakértők szerepének fontosságára.” – tette hozzá Páll Zoltán, a Deloitte Magyarország Technology & Transformation szakterületének AI Managere.
Tehetségfejlesztés, állami ösztönzők és emberi tényező
A tehetségfejlesztés és az át- illetve továbbképzés állandó kihívás maradt: Magyarországon erős alapok vannak az analitikai, adattudományi és mérnöki kompetenciákban, de az MI gyors fejlődése gyakran megelőzi a formális képzési programokat. Ennek hatására a vállalatok belső képzésekbe invesztálnak, amelyek technikai készségek mellett soft skilleket — például rezilienciát, problémamegoldást és proaktivitást — is fejlesztenek.
Kiemelték továbbá a K+F ösztönzők és egyéb állami támogatások szerepét: Magyarországon az AI fejlesztések — különösen a kísérleti vagy technológiák új kombinációját tartalmazó projektek — gyakran jogosultak K+F adókedvezményekre és vissza nem térítendő támogatásokra. Az elszámolható költségek akár 10–65%-a is visszanyerhető, ami javítja a megtérülést és megvalósíthatóbbá teszi a kísérleti projekteket.
Az emberi tényező kapcsán a résztvevők hangsúlyozták az inkluzív megközelítést: sem a túlzott bizalom, sem a teljes elutasítás nem segít. A gyakorlati tapasztalat szerint az AI elsősorban az emberi képességek kiegészítésére szolgál, ezért a szakterületi szakértők bevonása és a folyamatos validálás alapfeltétel.
Adatstratégia és összehangolás
Az erős adatstratégiát és adatirányítást az AI sikerének egyik alapvető pillérének nevezték. Bár az LLM-ek képesek strukturálatlan adatok feldolgozására, a szabványosított, jó minőségű adatok növelik a pontosságot és a megbízhatóságot. Az AI stratégia és az adatkezelési keretrendszerek összehangolása továbbra is kihívás, és intenzív együttműködést igényel a különböző funkcionális területek között.
Előretekintés: folyamatos tanulás és alkalmazkodás
A GBS vezetők konszenzusa szerint az AI integrációja folyamatos tanulást és rugalmas alkalmazkodást követel. Azok a szervezetek lesznek versenyelőnyben, amelyek stratégiai növekedési hajtóerőként kezelik az AI-t, nem csupán költségcsökkentésre használják, és amelyek agilis megvalósítással, emberközpontú fejlesztéssel és erős irányítással dolgoznak. Ezek az elemek együtt határozzák meg a sikert az AI gyorsan változó környezetében.
