Röviden: az AI nem jó arra, amit egy egyértelmű szabály pontosan leír, mert azt kóddal olcsóbban és megbízhatóbban meg lehet oldani. Nem jó ott, ahol egyetlen rossz válasz többe kerül, mint amennyit a jó válaszok hoznak. És nem jó ott, ahol senki nem tudja megítélni, hogy amit kiadott, az helyes-e. A legtöbb elbukott AI-projekt nem attól bukik el, hogy a technológia gyenge, hanem attól, hogy rossz feladatra tették rá.
Az AI-ról szóló magyar tartalmak túlnyomó része arról szól, mire jó. Ez a cikk a másik oldalról szól, mert a gyakorlatban ez a hasznosabb lista. Ha tudod, hova ne tedd, sokkal gyorsabban megtalálod, hova érdemes.
Az AI nem tudja, mi történik a cégedben
Ezzel kell kezdeni, mert a legtöbb félreértés innen ered. Egy nyelvi modell nem lát bele a rendszereidbe. Nem tudja, hány rendelés jött tegnap, melyik ügyfél nem fizetett, mennyi van raktáron. Csak azt tudja, amit odaadsz neki, vagy amihez hozzáférést építettek számára.
Ebből két dolog következik. Az egyik, hogy ha valamit sehol nem rögzítetek, arról az AI sem tud mit mondani. Ha a szerelők fejben tartják, melyik géphez mikor kellett alkatrész, akkor abból nem lesz karbantartási előrejelzés, akármilyen modellt teszel rá. A másik, hogy az „AI-bevezetés” nagyobb részben adathozzáférésről és folyamatokról szól, mint magáról a modellről. A modell a legkisebb és általában a legolcsóbb része a projektnek.
Amit egy szabály pontosan leír, arra ne használj AI-t
Ez a leggyakoribb és legdrágább hiba, amit látunk.
Ha a szabály az, hogy 50 000 Ft feletti rendelésnél ingyenes a szállítás, azt egy elágazás megoldja néhány sorban. Lefut ezredmásodperc alatt, nem kerül semmibe, és tíz év múlva is ugyanazt fogja csinálni. Ha ugyanezt nyelvi modellel oldod meg, fizetsz érte hívásonként, lassabb lesz, és marad egy nem nulla esély rá, hogy egyszer másképp dönt.
Ugyanez igaz az ÁFA kiszámítására, a kedvezmények érvényesítésére, a készletlevonásra, az ütemezésre, a határidők számolására. Ezek determinisztikus feladatok: egy bemenethez pontosan egy helyes kimenet tartozik. A nyelvi modell viszont valószínűségek alapján dolgozik. Nem azért, mert rosszul csinálják, hanem mert így épül fel.
A jó felosztás általában az, hogy a szabályokat kód végzi, az AI pedig azt kapja, ami tényleg bizonytalan: szöveg értelmezése, kategorizálás, összefoglalás, rendezetlen adat strukturálása. Egy PDF-számláról kiolvasni a tételeket jó AI-feladat. Kiszámolni az összeget belőlük már nem.
Egyértelmű szabály
Ha egy bemenethez pontosan egy helyes kimenet tartozik, a feladatot hagyományos kód végezze.
Bizonytalan bemenet
Szövegértéshez, kategorizáláshoz, összefoglaláshoz és rendezetlen adatok strukturálásához lehet jó választás az AI.
Ahol egyetlen rossz válasz is drága
A nyelvi modell nem tud nem válaszolni. Nincs beépítve olyan alapállapot, hogy „ezt nem tudom”, hacsak külön fel nem készítik rá. Ha nincs biztos információja, akkor is összerak egy magabiztos, jól hangzó választ. Ezt nevezik hallucinációnak, és nem hiba, hanem a működés természetes velejárója. Csökkenteni lehet, kiirtani nem.
Emiatt vannak területek, ahol a 95 százalékos pontosság semmit nem ér. Adótanácsadás, jogi minősítés, szerződéses feltételek értelmezése, gyógyszerezés, biztonságkritikus műszaki döntés. Itt az az öt százalék, ami félremegy, többe kerül, mint amennyit a maradék kilencvenöt megspórolt.
Ezekre a területekre nem az a válasz, hogy tilos az AI, hanem az, hogy nem hozhat döntést. Előkészíthet, kereshet, összefoglalhat, kiemelheti, mire figyelj. A minősítést viszont ember végzi.
Ahol senki nem tudja ellenőrizni
Ez talán a legalattomosabb eset, mert elsőre pont hogy sikernek tűnik.
Tegyük fel, hogy lefordíttatsz egy német nyelvű szerződést, és a cégben senki nem tud németül. Kapsz egy szöveget, ami folyékony és meggyőző. Fogalmad sincs, hogy jó-e. Nem időt spóroltál, hanem vettél egy kockázatot, csak ez a kockázat majd hónapok múlva jelentkezik.
Ugyanez történik, ha egy szakterületről kérsz elemzést, amihez a cégben nincs kompetencia. Az AI kimenete pont ott lesz a legmeggyőzőbb, ahol a legkevésbé tudod ellenőrizni. Ökölszabályként: ha nincs a cégben olyan ember, aki két perc alatt meg tudja mondani, hogy a válasz értelmes-e, akkor arra a feladatra még nem érett meg az AI nálatok.
Ha nincs olyan ember, aki meg tudja ítélni a kimenet helyességét, az AI nem időt takarít meg, hanem egy nehezen látható kockázatot hoz létre.
A rossz folyamatot nem javítja meg, csak felgyorsítja
Ha egy folyamatban most is háromszor kerül be ugyanaz az adat, két ember csinálja ugyanazt kétféleképpen, és a végén valaki Excelben rakja össze a riportot, akkor az AI ezen nem segít. Legfeljebb gyorsabban fogja termelni ugyanazt a káoszt.
Ez ugyanaz a helyzet, mint az integrációknál: rendetlen adatból rendetlen kimenet lesz, csak automatikusan. Előbb a folyamatot kell rendbe tenni, aztán jöhet az automatizálás. Ez unalmasabb munka, mint AI-t bevezetni, de nélküle a többi nem működik.
Amit nem lehet az AI-ra bízni: a felelősséget
Van egy csomó feladat, ahol technikailag működne, üzletileg viszont nem szabad.
Egy elutasított árajánlat, egy elbocsátási döntés, egy reklamáció lezárása, egy fizetési felszólítás hangneme. Ezek mögött mindig ott kell álljon egy ember, aki vállalja. Nem azért, mert az AI rosszabb szöveget írna, hanem mert ha félremegy, az ügyfél nem a modellel fog beszélni.
A dühös ügyfélnél ez különösen látszik. Aki már ideges, az a második gépi válasz után nem lesz nyugodtabb. Ilyenkor az AI legfeljebb a háttérben segít: összeszedi az előzményeket, mielőtt a kolléga felveszi a telefont.
Akkor mire jó?
Nagyjából arra, ami bizonytalan, sok van belőle, és van, aki ellenőrizze. Bejövő e-mailek kategorizálása és a lényeg kiemelése. Szabad szöveges adatok strukturálása. Dokumentumokból adatok kinyerése. Első változat írása valamiből, amit utána ember szerkeszt. Nagy mennyiségű szöveg átnézése, hogy megtaláld benne a fontosat.
A közös pont, hogy ezeknél a feladatoknál a hiba olcsó és gyorsan látszik. Ha egy e-mail rossz kategóriába kerül, azt fél másodperc alatt észreveszi és javítja, aki nézi. Ha egy szerződés rosszul lett minősítve, azt fél év múlva veszed észre.
És egy dolog, amit érdemes kimondani: az AI-t nem azért kell bevezetni, hogy legyen AI. A modernizálás önmagában nem üzleti cél. Ha egy folyamatnál nem tudod megmondani, mennyi időt vagy mennyi hibát szüntet meg, akkor még nem találtad meg a jó feladatot hozzá.
Amit egy AI-bevezetés előtt érdemes tisztázni
Miért hallucinál az AI, és ki lehet ezt küszöbölni?
Azért, mert a nyelvi modell a legvalószínűbb folytatást állítja elő, nem az igazságot keresi. Jelentősen csökkenthető azzal, ha a modell a saját dokumentumaitokból dolgozik, ha megköveteled tőle a forrásmegjelölést, és ha van visszaellenőrzés a folyamatban. Teljesen megszüntetni nem lehet, ezért olyan feladatra kell tenni, ahol egy hiba nem katasztrófa.
Kiváltja az AI a munkatársakat?
A gyakorlatban ritkán. Sokkal gyakoribb, hogy a részfeladatokat veszi át, és ugyanaz a kolléga többet tud vinni. A megtérülés ilyenkor nem bérmegtakarítás, hanem felszabaduló kapacitás. Ezt előre érdemes eldönteni, mert a kettő nem ugyanaz a számítás.
Elég egy ChatGPT-előfizetés, vagy fejlesztés kell hozzá?
Ha egyéni munkát gyorsítasz, sokszor elég az előfizetés. Ha viszont egy folyamatnak automatikusan, emberi beavatkozás nélkül kell lefutnia, ahhoz hozzáférés kell a rendszereitekhez, és ez már fejlesztés.
Honnan tudom, hogy egy feladatra jó-e az AI?
Három kérdés általában eldönti. Le lehet írni a feladatot egyértelmű szabályokkal? Ha igen, akkor kódot kell írni, nem AI-t hívni. Van a cégben valaki, aki meg tudja ítélni a kimenet helyességét? Ha nincs, várj vele. És mi történik, ha egyszer téved? Ha a válasz az, hogy semmi különös, akkor jó helyen jársz.
