Az elmúlt években a nagy szervezetek jelentős forrásokat fordítottak mesterséges intelligenciára: bevezették a copilotokat, kísérleti projekteket indítottak és fokozatosan skálázzák az AI‑t különböző funkciókban. A McKinsey 2026‑os Global Survey on AI válaszadóinak 80 százaléka számolt be arról, hogy az AI növelte egyéni termelékenységüket, ugyanakkor csupán 37 százalék tulajdonít a szervezeti AI‑használatnak bármilyen EBIT‑hatást; mindössze 6 százalék minősül „magas teljesítményűnek”, azaz legalább 5 százaléknyi EBIT‑hozamot tulajdonítanak az AI‑nak és jelentős hatásról számolnak be.
Miért nem jelenik meg a többletprofit? A válasz az, hogy a technológia kifinomultsága kevésbé a probléma magja, sokkal inkább az, hogy hova telepítik azt. A legtöbb szervezet AI‑t arra használ, hogy az egyes munkafolyamat‑lépéseket hatékonyabbá tegye. A nagyobb lehetőség viszont a lépések közötti koordinációban rejlik — azokon a határfelületeken, ahol a munkadarab egyik csapattól, rendszertől vagy funkciótól a másikhoz kerül.
A koordinációs „interface adó” és miért láthatatlan
A szervezeti működésben a koordináció (összehangolás, ellenőrzés, egyeztetés, várakozás és átadás) az összes munkára fordított idő 35–60 százalékát emészti fel — ez a becslés több módszeren és definíción alapuló kutatás konvergens tartománya. A probléma az, hogy a határfelületek legtöbbször senki tulajdonában nincsenek: a kereslet‑tervezés a saját előrejelzését kezeli, a kínálattervezés a saját allokációját, de a kettő közötti rést, ahol a várakozás és az egyeztetés történik, senki sem méri vagy felel érte. Ezt nevezzük a koordinációs interface adónak — a szervezet által az emberi közvetítésű átadásokra kifizetett teljes költségnek.
A koordinációs adó három részben jelenik meg:
- Látható költség: a koordinációra szánt személyzet és struktúrák (tervezőcsapatok, PMO‑k, felügyeleti fórumok, felülvizsgálati ülések). Ipari vállalatoknál ez tipikusan a bevétel 3–5 százaléka körül mozog.
- Rejtett pénzügyi költségek: az interfész‑latencia miatti ciklusidő és forgótőke‑költségek (készletek tovább tartása, későbbi vevőkövetelések, lekötött kapacitás, amely még nem termel bevételt).
- Láthatatlan lehetőségek: a mérlegben meg nem jelenő, elmaradt bevételek, amelyek azért nem realizálódtak, mert a szervezet túl lassú volt (például késve piacra kerülő termékek vagy elveszített piaci részesedés).
A legtöbb költségprogram csak a látható komponenst célozza meg, pedig ez az összes koordinációs adó mindössze körülbelül egyharmadát teszi ki; a fennmaradó kétharmad ciklusidő‑, működőtőke‑ és lehetőségköltség formájában rejtőzik.
Mérések és esettanulmány: így fest egy valós gyártási folyamat
McKinsey egy Fortune 500‑as ipari gyártó standard kereslet–termelés (demand‑to‑production) munkafolyamatát mérte fel: a folyamat hételemű, közöttük hat koordinációs interfésszel. Az interfész‑latencia meghaladta a tényleges feldolgozási időt 9–36‑szoros mértékben. A teljes folyamat átfutása nagyjából másfél–két és fél hét volt; az egyes lépések belső munkavégzése fél naptól egy napig tartott — a maradék időt a koordináció vitte el.
A felmérés szerint az adott munkafolyamat éves koordinációs adója 140 és 240 millió dollár közé esett, amely magában foglalta a latencia miatti forgótőke‑költséget, alulkihasznált kapacitást és a késleltetés miatt elmaradt bevételt. A látható rész — a koordinációért dedikált emberek száma és költsége — ennél az ügyfélnél kevesebb mint 7 százalékot tett ki; a többi 93 százalék ciklusidőből és lehetőségköltségből állt, amely nem jelent meg a nyereség‑veszteségi kimutatásban.
Mi változik az agentikus AI‑val?
A korábbi automatizációs hullámok — minőségjavítás, lean, BPR, ERP, RPA — mind javították az egyes lépéseket, de nem tudták megbízhatóan automatizálni az interfészeknél szükséges megítélést, egyeztetést és útvonalválasztást. Az agentikus AI viszont képes automatizálni az ellenőrzést, az egyeztetést és a döntés‑irányítást a lépések közötti átadásoknál: kiválasztja, mely eseteket kell továbbítani embernek, és melyeket tudja gépileg eldönteni, sokkal gyorsabban és olcsóbban, mint a korábbi emberi koordinátorok.
Mechanizmusok, amelyek miatt ez hatásos:
- Az interfészeket korábban emberi koordinátorok naptára, rendelkezésre állása és kognitív kapacitása korlátozta; gépi koordinátorral a késleltetés napokról órákra vagy percekre csökken.
- Az AI képes kiválogatni a rutin‑verifikációkat és automatikusan végrehajtani azokat, úgy hogy a valós kivételek emberi felügyeletet kapnak előkészített kontextussal.
- Minden átadás adatot termel, amely javítja a következő átadást — a rendszer tanul és gyorsul.
Gyakorlati példa: a gyártó kereslet‑tervezője a hétfő reggeli helyett már egy módosított, rekonsziliált tervet talál: az AI befogadta az új keresleti jeleket, összeegyeztette azokat a kapacitással és készletekkel, három kivételt jelölt a több száz terméktételből, és a maradék 94 százalékra automatikusan előkészített egy ütemezést. A tervező így nem nézi át négy órán át a rutin‑összeegyeztetéseket, hanem a valódi anomáliákkal foglalkozik.
Eredmények és szervezeti hatások
A gyártónál a folyamatredizájn és az agentikus AI bevezetése után:
- A tervezési ciklusidő tízszeres javulást ért el: 30 napról 3 napra csökkent.
- Az automatizált („touchless”) tervezés aránya 80 százalékra nőtt.
- A több mint 50, korábban szigetben dolgozó tervezőből nagyjából 10 end‑to‑end tervező lett, akik az AI által kezelt rutin döntéseket felügyelik, míg több mint 150 kollégát átképztek termékmenedzsment, adattudomány és AI‑mérnöki szerepkörökbe.
- Több mint 75 táblázatból és örökölt eszközből egyetlen platform jött létre; a korábbi kézi, késő esti igazítások helyett egy ötperces optimalizáló futás dolgozott.
- A pénzügyi funkció által validált szerkezeti profit‑hatás milliárdos nagyságrendű volt az első két évben (a teljes vállalati tervátalakítás és platformkonszolidáció eredményeként).
Fontos megjegyezni: ez a javulás nem feltétlenül jelent tömeges elbocsátást. Több vállalati példa — köztük Freeport‑McMoRan és Toyota jelentései — azt mutatják, hogy az üzemkapacitás vagy teljesítmény növelhető meglévő erőforrásokkal, míg a munkakörök átalakulnak: kevesebb koordinációt végző és több döntéshozó szerepkör lesz.
Hogyan kezdjenek hozzá a vezetők?
A siker kulcsa nem pusztán technológiai telepítés: az interfészek áttervezése átfogó, keresztfunkcionális csapatot igényel, amelyet a COO támogat és amely minden érintett funkció képviselőjéből áll. A folyamat lépései:
- Feltérképezni a munkát az interfészeknél: milyen feladat történik ott, és mennyi az aránya rutin vs. kivétel.
- Kiválasztani, mi automatizálható és milyen határfeltételek mellett; definiálni a bizalomküszöböket.
- Újratervezni a folyamatot az AI‑autonómia határain belül, mielőtt technológiát választanának.
- Bevezetni a rendszert, mérni ciklusidőt, forgótőkét és elmaradt bevételek javulását.
A tipikus interfész‑redesign 6–12 hónapig tart; a beruházás közel 70 százaléka emberi és szervezeti átállásra, 20 százaléka integrációra és 10 százaléka AI‑modellfejlesztésre megy el. Ahol a koordinációs adó jelentős, a megtérülés mérhető egy‑két éven belül.
Következtetés
Minden nagy technológiai hullám csökkentette valaminek az árát: a gőz a teljesítmény, az áram a fény és mozgás, az internet az információ költségét. Az AI ma a koordináció költségét csökkenti. Azok a szervezetek, amelyek újraalkotják munkafolyamataikat a lépések közötti interfészek redukciójára összpontosítva, fenntartható költségelőnyre tehetnek szert: nemcsak alacsonyabb SG&A‑arányt, hanem gyorsuló, tanuló rendszereket, amelyek minden tranzakcióval javulnak.
Ali Sankur (McKinsey Chicago), Bernhard Mühlreiter (McKinsey Vienna) és Steffen Fuchs (McKinsey Dallas) írása; a cikk szerkesztője Larry Kanter (McKinsey New York).
