Az Óbudai Egyetem célja, hogy az intézményi AI-stratégia ne maradjon puszta víziónál, hanem kézzelfogható, mérhető programokká bomoljon. Eigner György, az Óbudai Egyetem Neumann János Informatikai Karának dékánja és az Egyetem AI-ért felelős rektori megbízottja szerint minden kezdeményezés mögé konkrét KPI-ket rendeltek: milyen határidővel, milyen pénzügyi kerettel és milyen sikerkritériumokkal dolgoznak. Az első körös mutatók rövidebb ciklusú, akcióorientált célok — például meghatározott létszámú AI-képzés megszervezése, egy belső platform bevezetése, illetve használati visszajelzések gyűjtése és értékelése.
Mit jelent az „AI-nativitás”? Három dimenzió
Az egyetem AI-nativitását három szempont szerint határozzák meg. 1) Az AI ne legyen elszigetelt kísérleti projekt, hanem épüljön be az oktatásba, a kutatásba és az adminisztrációba. 2) Az AI-first gondolkodás arra ösztönzi a munkatársakat, hogy feladatuk megkezdésekor elsőként mérlegeljék: javítja-e a munka hatékonyságát, minőségét vagy tempóját AI vagy automatizálás alkalmazása. 3) Az AI-readiness azt jelenti, hogy az alkalmazottak ismerjék a rendelkezésre álló eszközöket, és használni tudják azokat akkor is, ha nem programozók.
A campuson működik egy „AI nagyköveti” rendszer is: ebben gyűjtik az alkalmazási példákat, beszélgetnek a kollégákkal, és nyomon követik, mi válik be és mi nem. Alkalmazásokat kivezetnek, ha a használat nem éri el a várt szintet, és beemelnek jó gyakorlatokat — például ha egy AI-támogatott karriercentrum-komponens működik, integrálják azt.
Belső GenAI-platform: biztonságos egyetemi használattól a piaci lehetőségig
Az AI Campus egyik gyakorlati fejlesztése egy belső generatív AI-platform, amelyen oktatók, kutatók, hallgatók és munkatársak érhetnek el különféle modelleket egy közös felületen. A rendszer jelenleg béta állapotú és elsősorban belső használatra készült, de piaci megkeresések is érkeztek, és az egyetem már adott ki árajánlatokat. Szerződés még nem született.
A platform hibrid felépítésű: egyes modellek az egyetem saját szerverein futnak — ezeket érzékeny, intézményi adatok feldolgozására tartják fenn, hogy az adat ne hagyja el az egyetemi infrastruktúrát —, míg más, nagy teljesítményű külső modellekhez is kapcsolódni tudnak, ha a feladat megkívánja. A központi hozzáférési és irányítási rétegen keresztül egyetemi azonosítóval lehet belépni, és a háttérben beállítható, hogy ki milyen modellekhez, jogosultságokkal és felhasználási kerettel férhet hozzá.
Potenciális külső ügyfelek lehetnek más egyetemek, kutatóintézetek, állami szervek és olyan vállalatok, amelyek kontrollált GenAI-környezetet szeretnének, de nem akarják vagy nem tudják nulláról felépíteni azt. Eigner hangsúlyozta: nem az a cél, hogy versenyezzenek a globális alapmodell-gyártókkal (OpenAI, Anthropic, AWS, Alibaba), hanem hogy hatékony hozzáférést biztosítsanak lokális és frontier erőforrásokhoz, intézményi és adatbiztonsági kontroll mellett.
AI a kutatásban: amikor az időmegtakarítás kézzelfogható
Eigner szerint az AI különösen ott növeli jelentősen a kutatás hatékonyságát, ahol a kutató már tudja, mit keres: van hipotézise, cikke, adathalmaz vagy matematikai modellje. Ilyen helyzetben az AI gyorsíthatja a szakirodalom-elemzést, módszertani elemek kiemelését, szimulációk futtatását vagy kontrollvizsgálatokat. Az Agentic Discovery Platform néven fejlesztett rendszer — amelyet a HUN-REN AI Szolgáltató Központtal közösen hoznak létre — human-in-the-loop kutatástámogató platform, több AI-ügynök összehangolt munkájával képes eljutni egy kutatói ötlettől egy kipróbálható szoftveres prototípusig.
Ez nem egyszerű chatbot: a rendszer képes egy szakmai szöveg fő állításait és módszertanát kiemelni, egy futtatható demonstrációs programot előállítani, statisztikai elemzést készíteni és adatot keresni a probléma jobb megértéséhez. Eigner példaként említette, hogy egy vércukorháztartást leíró matematikai modell számítógépes változatának felépítése és alapparaméterezése korábban napok–hetek munkát igényelt; a platformmal ez az első ellenőrizhető változat egy-két óra alatt elkészült, és kiegészült egy első tanulmányvázlattal.
Ugyanakkor az AI nem helyettesíti a komplex gondolkodást, a kísérleti munkát, a terepi adatgyűjtést vagy a szakmai döntéshozatalt: azt, hogy mit érdemes kutatni és hogyan kell az eredményeket felelősen értelmezni, továbbra is emberek döntik el.
Munkaidő, munkaritmus és mentális terhelés
Az ügynökalapú rendszerek nemcsak a hatékonyságot növelik, hanem átalakítják a munkaritmust is: egy AI-ügynök éjszaka dolgozhat, reggel pedig új eredmények várnak, amelyeket értékelni kell. Ez növeli a produktivitást, de egyben mentálisan is megterhelő, mert sokkal nehezebb „lekapcsolni” a munkát. Eigner szerint ezért nem csupán technológiai, hanem szervezeti és oktatási alkalmazkodásra is szükség van.
AI-szuverenitás: mit jelent reálisan?
Eigner rávilágított, hogy az AI-szuverenitás gyakran hangzatos, de összetett kérdés: a digitális képességekben Magyarország sem teljesen szuverén. Nem érdemes kizárólag saját nagy nyelvi modell építésében gondolkodni; fontosabb felmérni a technológiai függőségeket, és ahol lehet, kontrollt kialakítani. A régió önmagában nem fog versenyképes lenni az amerikai és kínai óriásokkal számítási kapacitásban, tőkében vagy adatvagyonban, ugyanakkor európai ipari előnyök — például speciális gyártási láncok — adhatnak alapot kontrollált, regionális AI-kapacitások kiépítéséhez.
Hatás a pályakezdőkre és az oktatásra
Az AI sok korábban junior feladattípust automatizál vagy felgyorsít, ezért a pályakezdők szerepe nem megszűnik, hanem átalakul. A piaci elvárás ma sok helyen az, hogy friss diplomás AI-eszközökkel tudjon dolgozni, képes legyen komplex rendszerekben gondolkodni és mérsékelt szinten önálló problémamegoldásra. Az egyetemi képzés azonban hagyományosan hosszabb reakcióidővel működik, ezért az Óbudai Egyetem kezdeményezett egy szakmai bizottság létrehozását: az informatikai képzést folytató intézmények és a kormány közösen vizsgálnák át az ágazat oktatási prioritásait, a képzési kínálatot és az akkreditációs követelményeket.
Az oktatásban két irányt emeltek ki. Egyrészt minden szakon biztosítanak AI-képzést; másrészt azt szeretnék elérni, hogy az AI ne csupán alkalmazási példa legyen, hanem önálló tudásterület is: a hallgatók értsék az AI működését, a korlátait, az etikai és adatvédelmi kockázatokat. Többet kell tanítani a mélyebb technológiai alapokat — hardver, energiahatékonyság, modellek optimalizálása (például kvantálás) —, valamint új szerepek felkészítésére van szükség: AI-rendszerek üzemeltetése, biztonsága, ügynökök viselkedésének megértése.
Eigner szerint az alapok megtartása kulcsfontosságú: minél gyorsabban változnak az eszközök, annál fontosabb, hogy a hallgató megértse, mi történik a technológia mögött. Az egyetemeknek gyorsabban kell reagálniuk a technológiai ciklusokra, és gyakorlatias, speciális tananyagokat kell kidolgozniuk annak érdekében, hogy a friss diplomások rövidebb ipari onboarding után azonnal értékteremtő szerepet tölthessenek be.
Záró megjegyzés
Az Óbudai Egyetem AI-natív programja — az AI Campus keretében fejlesztett belső GenAI-platform, az Agentic Discovery Platform szakmai együttműködése és a tantervi átalakítások — azt a célt szolgálják, hogy az AI ne csupán technológiai újdonság legyen az intézményben, hanem a napi működés, a kutatás és az oktatás hatékonyságát mérhetően növelő eszköz. A cikk megjelenését az Óbudai Egyetem támogatta.
