A VentureBeat Pulse Research júniusi (Q2 2026) kérdőíves felmérése szerint a vállalati AI-portfóliók bővülése gyorsabban zajlik, mint ahogy a szervezetek képesek lennének azokat felügyelni. A válaszadók (n=145, 100+ fős szervezetek) többségénél több platform is azt állítja magáról, hogy ő a „fő” AI-réteg; a termelési környezetben megtörténő modelldegradációt vagy hibát csak kevesen tudnák automatikusan észlelni; és a leggyakoribb akadály a kontroll kialakításában az, hogy nincs egyetlen, felelősséget viselő tulajdonos a teljes AI-stackért.
Módszertan
A felmérés a VentureBeat Pulse Research sorozat része, az instrumentum az „enterprise AI control gap” kérdéskört vizsgálta — kormányzás, észlelhetőség és költségkontroll több AI-platformon át. A mintába olyan szervezetek kerültek, amelyek legalább 100 alkalmazottal rendelkeznek; a most közölt vágatból kizártuk az „Egyéb” funkciót választó válaszadókat, így az azonosítható szerepkörök bázisa n=145. A válaszok egyetlen, 2026 júniusi hullámból származnak. A minta a közép- és nagyvállalati tartományra hajlik, iparágak között a Technology/Software 41%-kal a legnagyobb.
A mintaméret kicsi, az eredmények inkább iránymutatónak tekintendők, nem reprezentatív pontosításnak.
Főbb megállapítások
1) A bővülés megelőzi a kontrollt
A vállalati AI-portfóliók bővülnek: a szervezetek 58%-a nettó növekedést jelez (33% „jelentősen bővül”, 25% „nettó növekedés”). Ugyanakkor 23% tudatosan racionalizál (ami működik, azt skálázza; a többit lefaragja), 12% változatlanul tartja a portfóliót, és csupán 3% állította, hogy előbb a kormányzást alakította ki és csak azután bővít.
Ez a dinamikus bővülés feszíti ki a kontrollrészt: vállalatok gyorsan telepítenek AI-megoldásokat egy olyan környezetbe, amelyet még nem tudnak jól átlátni vagy formálisan birtokolni.
2) Nincs egyetlen „elsődleges” AI-réteg — a felület versengő
A válaszadók 85%-a legalább két olyan platformot futtat, amely maga számára igényli a „fő” AI-réteg státuszt; 36% négy- vagy többoldalú versengésről számolt be. Csak 8% konszolidálódott egyetlen rétegre, 6% pedig nem térképezte fel a kérdést.
Ez a tagolt felület strukturálisan megnehezíti a keresztplatformos kormányzást: nincs egyetértés arról, honnan kellene irányítani az AI-viselkedést.
3) A papíron központi kormányzás gyakorlatban fragmentált
Bár a legtöbb szervezet reméli vagy kijelöli a központi irányt, csak 38% mondja, hogy ténylegesen létezik központi csapat, amely ma kormányozza az AI-t. 21% szerint a felelősség homályos vagy vitatott csapatok között, 20% szerint a platformcsapatok önállóan kormányozzák a saját AI-jukat, és 19% szerint egyáltalán nem foglalkoztak még a kérdéssel.
A hivatalos elszámoltathatóság szerepe is töredezett: CIO/CTO/CISO a legtöbb esetben (27%) szerepel a felelős szerepként, Chief AI Officer vagy ekvivalens 22%-kal, míg 17% szerint nincs hivatalos elszámoltathatóság.
4) A detektálási rés — a bizalom nagy része manuális
A szervezetek 40%-a nagyon magabiztos abban, hogy észlelne egy gyengülő vagy hibásan viselkedő modellt produkcióban, de ez a bizalom elsősorban manuális ellenőrzésre épül: 30% emberi felülvizsgálatra támaszkodik, és csak 10% rendelkezik aktív monitorozással és riasztással.
További 27% reaktív álláspontra esik: 8% szerint nincs rendszerszintű láthatóság, és 19% azt várná, hogy először a végfelhasználóktól értesülnének. A fő üzenet: az automatizált észlelés kivétel, miközben a bevezetés gyors.
5) A hiányzó tulajdonos a legnagyobb akadály
Amikor a válaszadók egyetlen legnagyobb akadályt neveztek meg a többplatformos kormányzásban, a leggyakoribb válasz (32%) az egy felelős tulajdonos hiánya volt. Szorosan mögötte a vendor átláthatatlansága (25%) és a keresztplatformos megfigyelést lehetővé tevő eszközök/infrastruktúra hiánya (16%) áll. A vezetői prioritás hiánya 17%-nál, a tehetséghiány mindössze 5%-nál jelent meg.
Szabad szöveges válaszokban a szereplők gyakran egyetlen felelős és egy kontrollréteg (control plane) kialakítását említették, amely elvonja a költség-, drift- és modellikérdéseket az egyes végfelhasználói csapatoktól.
6) A finomhangolás megtérülésének kiábrándulása
A válaszadók többsége szerint a proprietary alapmodellekre költött finomhangolási projektek ritkán hoztak egyértelmű, mérhető ROI-t: 73% vagy sikertelenül ragadt fejlesztési „sírkertben”, vagy tudatosan elkerülte a finomhangolást, míg 27% számolt be arról, hogy a finomhangolt modellek megbízható előnyt jelentenek.
A legnagyobb rész (45%) „sírkertet” említett — projektek, amelyek túl drágák vagy összetettek a fenntartáshoz és rekednek fejlesztésben. 24% soha nem kezdte el a finomhangolást a fenntartási költségek miatt.
7) Vendor stratégia — alapból hibrid, de növekszik a leépítés hajlandósága
A szervezetek többsége (51%) hibrid megközelítést alkalmaz (zárt és nyílt súlyok keverése), 32% tudatosan marad zárt szállítónál, és 16% fordul radikálisan open-weight, önhosztolt megoldások felé. A szolgáltatók közül Microsoft a leggyakrabban megnevezett cél a közeljövőben leépítendő partnerek között (29%), OpenAI 21%-kal, Anthropic 15%-kal és Google 6%-kal szerepelnek; 27% nem tervez zsugorítást.
8) Az ügynökök költségválsága — a shadow AI vezeti a hibákat
A legsúlyosabb pénzügyi vagy operációs kontrollhiba, amit vállalatok tapasztaltak autonóm ügynökök hosszabb futtatása közben, a shadow AI — jogosulatlan, ügynökös folyamatok, amelyek céges kártyáról futnak, központi felügyelet nélkül —: 49% ezt jelölte meg. 25% szenvedett el „végtelen ciklus” agent-számlát, 6% pedig agent által okozott adatbázis-romlást. Csak 21% mondta, hogy viszonylag stabilnak tartja a rendszereit, mivel token-throttlingot és költségkorlátokat vezettek be az infrastruktúra szintjén.
Összességében a válaszadók 79%-a már tapasztalt valós pénzügyi vagy operációs kontrollhibát autonóm AI miatt.
Következtetés
A felmérés iránya egyértelmű: a vállalati AI-ambíció, kiadások és telepítések gyorsabban nőnek, mint a láthatóság, elszámoltathatóság és költségkontroll. A megoldás nem pusztán több pénz vagy eszköz, hanem szervezeti felelősség és átláthatóság: a kontrollrés elsődleges oka nem a technológia, hanem az, hogy nincs egyértelmű, egy kézben összpontosuló tulajdon és működő megfigyelési-ellenőrzési mechanizmus a teljes AI-stackre.
A válaszadók és döntéshozók számára a legkézzelfoghatóbb teendő a felelős szerepkörök világos kijelölése és a automatizált monitorozás, riasztás kiépítése — különösen, mert a shadow AI és az ügynököktől eredő költség- és adatkárok már ma is jelentkeznek.
