A hazai vállalati színtéren jelentős különbségek alakultak ki az AI-alkalmazások terén: míg a legnagyobb bankok és távközlési cégek előre törtek, addig sok biztosító és közepes méretű pénzügyi szereplő jelentősen lemaradt. Ezt a megállapítást Csorba Gyula, a Clarity Consulting ügyvezető igazgatója és Kormos Benjámin, a Clarity Consulting BI & Data Solutions vezetője ismertette a Financial IT-nek adott beszélgetésükben.
A távközlési vállalatoknál a beruházások jellege – több zöldmezős projekt és microservice-alapú fejlesztés – lehetővé teszi, hogy nem monolit rendszerekben, hanem agentekben gondolkodjanak. Ezzel szemben sok pénzügyi szervezetnél a legacy rendszerek, illetve eltérő szabályozási környezet jelenti a legnagyobb akadályt az AI-architektúrák bevezetésében.
Mire képesek már a használható use case-ek?
A gyakorlatban megjelentek olyan AI-use case-ek, amelyek konkrét erőforrás-megtakarítást hoznak: kódolásban és egyszerűbb munkafolyamatok automatizálásában már látható érték teremtődik. Kormos Benjámin egy élő példát említ: olyan szervezetnél dolgoznak, ahol a fejlesztői csapatnál a tokenkeret elfogyása is megtörtént, és a fejlesztők azt jelezték, hogy AI nélkül nem érdemes dolgozni — egy feladat, ami nekik négy órát venne igénybe, AI-jal tíz perc alatt megírható, majd szintén AI-jal harminc perc alatt ellenőrizhető.
Az igazi fordulat azonban akkor következik be, amikor nem csupán az emberi munka lemásolására vagy helyettesítésére törekszünk, hanem új folyamatokat, feladatokat és szoftverfejlesztéseket úgy tervezünk, hogy azok agentic AI-val másként és jobban működjenek: precíz döntési logikával, megfelelő tudáskontextussal és beépített kontrollpontokkal.
Szervezeti akadályok és belső egyenlőtlenségek
A Clarity Consulting szakértői szerint a technológia önmagában ritkán a legfőbb akadály; fontosabb tényezők a menedzsment döntése az AI-stratégia elfogadásáról, a gyorsan mérhető eredmények elvárása, és a vállalati adaptációs képesség fejlesztése egy gyorsan változó technológiai ökoszisztémában. Kiemelt kockázati tényező a munkavállalók nem megfelelő bevonása: a cégek többségénél van egy AI-evangelizáló kiscsoport, de sok helyen a dolgozók 90 százalékát nem vonják be megfelelően a változásba, ami belső szakadékokat eredményez.
A változások során a HR-oldal és a vállalati kultúra szerepe meghatározóvá válik: az AI-adaptációt egyre inkább nem IT-projektként, hanem kultúraváltó HR-projektként értékelik.
Hatékonyságnövekedés és a munkaerő sorsa
Az AI által hozott hatékonyságnövekedés felveti a kérdést, mi történik azokkal a munkakörökkel, amelyek korábban nagy részben adminisztratív vagy mechanikus feladatokat láttak el. Csorba Gyula tapasztalata szerint nem tömeges leépítések várhatók; inkább a munkakörök átalakulása és az adminisztrációs feladatok visszaszorulása jellemző. A felszabaduló kapacitásokat a vállalatok általában a backlog gyorsabb ledolgozására és az értékteremtés fokozására fordítják.
Adat- és kiberbiztonsági szempontok, szabályozás
A magyar és európai pénzintézeteket szigorú szabályozások érintik: GDPR, NIS2, DORA, AI Act és más irányelvek. Ennek következtében kiemelten fontos, hogy milyen vállalati adatokhoz fér hozzá egy AI-rendszer. Kormos Benjámin két fő kihívást emelt ki:
- rendszerek integrálása adatbiztonsági szempontból, szükség egy Policy Gateway rétegre, amely szabályozza, hogy ki melyik modellt vagy agentet használhat; valamint guardrail funkciókra, amelyek kontrollálják a felhasználó és az AI közti kommunikációt és megakadályozzák az érzékeny adatok kiszivárgását;
- AI-költségek menedzsmentje, ahol a FinOps megközelítés és a licence-gazdálkodás fontos szerephez jut.
Sok vállalat most a nagy szolgáltatók – Microsoft Azure, Amazon AWS – „ígérete” mögé bújik, és a felhőplatformon keresztül használja az AI-t, amennyiben az IT security és a jogi oldal ezt elfogadja. A másik alternatíva a privát felhő és on-premise modellek használata: lokális tárolás, elszeparált tenantok vagy fizikai adatközpont, valamint olyan open-weight modellek alkalmazása, amelyek telepítve maradnak a vállalati infrastruktúrán, így nem tanítják tovább a központi szolgáltatók modelljeit.
Költségek és gazdálkodás
A licencalapú használat drága lehet: a cikk megemlíti, hogy különböző szolgáltatások havi díja több tucat dollár lehet (például háromféle szolgáltatásnál 3×20–25 dollár havonta), ami szervezeti szinten gyorsan költségessé válik. A Clarity javaslata az API-alapú modellelhívás és egy keretrendszer, amely hosszú távon hatékonyabb költséggazdálkodást tesz lehetővé. Az AI-költségek a jövőben a CFO és CIO stratégiai együttműködésének tárgyává válnak.
Platformverseny és új modellek
A platformok és modellek közötti verseny komplex: nemcsak technológiai, hanem politikai és makrogazdasági tényezők is befolyásolják a helyzetet. Az elmúlt hónapokban például az Anthropic és a Claude, valamint a Google termékei kerültek reflektorfénybe; Kormos szerint még nincs egyértelmű győztes, de a Google és a Gemini stratégiai helyzete erős versenyelőnyt adhat nekik. Ugyancsak fontos kérdés, hogy az olyan fejlesztések, mint az Anthropic Mythos, amelyek kiberbiztonsági sebezhetőségeket fedeznek fel, milyen hatással lesznek a bizalomra és a szoftverek biztonságára, ha szélesebb körben elterjednek.
Következtetés és rendezvény
A Clarity Consulting szakértői szerint a magyar piac kettészakadt: akik az elmúlt években tudatosan fektettek digitalizációba és innovációba, azok most előnyben vannak az AI-ban is; a többiek pedig még csak most keresik a belépési pontokat. A téma részletesen szerepel a Portfolio Financial IT konferenciáján, amely május 28-án foglalkozik az AI-boom, fintech innovációk és digitális transzformáció kérdéseivel.
A cikk megjelenését a Clarity Consulting támogatta. A fotókat Mudra László készítette.
