A VB Transform 2026 rendezvényen NTT DATA AIVista vezérigazgatója, Bratin Saha Matt Marshall, a VentureBeat vezérigazgatója és főszerkesztője társaságában beszélt arról, hogy a frontier (élvonalbeli) nyelvi modellek üzemeltetésének „utolsó mérföldje” miért döntő a szabályozott termelési környezetekben. A beszélgetés középpontjában az állt, hogyan lehet a vállalatok AI‑ra fordított költéseit valódi, kézzelfogható értékké alakítani.
Saha fókuszában az volt, hogy a probléma nem pusztán egy modell bevezetése: „nem csak egy modellt építesz, egy rendszert építesz a modell köré” — mondta. Az utolsó mérföld azt jelenti, hogy a vállalat saját adataival, folyamataival és működési korlátjaival kell körülvenni a frontier modellt, hogy az megbízhatóan teljesítsen szabályozott környezetben.
Miért akadnak el a frontier modellek vállalati munkafolyamatokban?
Saha rámutatott, hogy a legtöbb enterprise AI‑projekt a megvalósításnál bukik el, nem technológiai okokból, hanem rossz integráció, szakmai specializáció hiánya, hiányos kormányzás és tisztázatlan felelősségek miatt. Konkrétan a frontier modellek — például Fable 5, Opus 4.8 és GPT‑5.5 — „out of the box” nem érik el a termelési szintű pontosságot sok valós biztosítási munkafolyamatban, amelyek összetettek: sok űrlappal, kézírással, jelölőnégyzetekkel és kivételekkel dolgoznak.
Saha szerint a legnagyobb javulás nem magának a foundation modellnek a továbbhangolásából (fine‑tuning) származik, hanem abból, hogy a teljes AI‑rendszert specializálják a vállalati környezetre. Ez a specializáció a vállalat adataival, folyamataival és gyakran azzal a „tribal knowledge”-szal (szervezeti tudással) történik, amely soha nem került működési eljárásként dokumentálásra.
Az utolsó mérföld három alkotóeleme
Saha három fő munkaterületet emelt ki, amelyekre a megoldás épül:
- a vállalati kontextus rögzítése és olyan formába hozatala, hogy az AI fogyaszthassa;
- modellek ensemble‑ként való futtatása úgy, hogy a költségek ne szökjenek az egekbe;
- specializált védőkorlátok (guardrails) beépítése, amelyek ellenőrzik a modell eredményét és hibák esetén újrafuttatásra kényszerítik a rendszert.
Fontos, hogy a vállalati felmérések szerint a fine‑tuning alacsony prioritású a modellek kiválasztásánál; az utolsó mérföld tehát inkább a domain‑ismeretből és a nem nyilvános munkafolyamatok bevonásából tevődik össze.
Mit igényel valójában az ügynökalapú AI
Az utolsó mérföld lényege Saha szerint az, hogy a vállalatra jellemző, kizárólagos adatokat felhasználva olyan rendszert építsenek a modell köré, amely a megfelelő módon tudja irányítani a modellt és alkalmazni a szükséges védőkorlátokat. Vállalati AI‑ban a cél nem technológia telepítése, hanem egy létező munkafolyamat A pontból B pontba való mozgatása — és az értéket az a munkafolyamatteremtés hozza, nem maga a modell.
NTT DATA előnye a cég szerint abban rejlik, hogy AI‑szakértőket társítanak tárgyterületi szakértőkhöz: a csapat valódi munkavállalókkal beszél, feltérképezve, hogyan végzik a munkát, majd ezt a tudást ügynökké kódolják.
Hol skálázható és hol marad egyedi a megoldás?
Saha szerint az intelligencia nagy részét a környező rendszerben kell tartani ahelyett, hogy kizárólag a modellen támaszkodnának: ez megőrzi a modellek cserélhetőségét és lehetővé teszi az open‑weight és open‑source modellek későbbi alkalmazását. NTT DATA AIVista ensemblét futtat, amely frontier és open‑source modelleket vegyít; ahol a tévedés költsége alacsony, ott várhatóan egyre inkább az open weights felé fordul majd az iparág, míg a magas kockázatú, szabályozott esetekben a frontier modellek maradnak.
A platform esetében a védőkorlátok és a neuroszimbolikus modellek skálázhatók az ügyfelek között, de minden szervezet „tribal knowledge”-ának megszerzése egyedi marad. Saha felhívta a figyelmet arra, hogy NTT DATA mint az egyik legnagyobb globális biztosítási third‑party administrator pozíciója előnyt jelent az ilyen szakértelem megszerzésében: a 20 év alatt felépített tudás és bizalom nehezen utánozható.
Záró gondolatok: hol áll a megtérülés
Saha végkövetkeztetése az volt, hogy a nagyvállalati AI‑befektetések megtérülése nem magából a modellből, hanem a modell köré épített munkából és változáskezelésből ered. A technológia általában nem a szűk keresztmetszet — a valódi értéket a domain‑szakértelem, a változáskezelés és a technológia együttes alkalmazása teremti meg. Ennek megfelelően a költéseket is ezen területek összehangolására kell fókuszálni, különben a modellbe fektetett pénz nagy részén nem lehet megtérülést realizálni.
(Szponzorált tartalomként a cikket az NTT DATA AIVista támogatta.)
