Az AI valódi értéke nem a technológián, hanem a stratégián múlik

A Deloitte és ABSL szakértők tapasztalatai szerint gyakori buktató a világos AI stratégia hiánya. Bár az AI iránti érdeklődés széles körben elterjedt, számos szervezet továbbra sem rendelkezik egyértelmű elképzeléssel arról, hogyan és mire kívánja alkalmazni azt. Gyakran feszül ellentét az általános modellek széles körű használata iránti igény és az egyedi, konkrét üzleti problémákra szabott megoldások szükségessége között. A stratégia hiánya sok esetben széttagolt kezdeményezésekhez és kiaknázatlan potenciálhoz vezet, megakadályozva, hogy az érdeklődés valódi üzleti értékké formálódjon.

Az egyértelmű irányítás (governance) kialakítása kiemelt prioritás kell, hogy legyen. A résztvevők hangsúlyozták, hogy az AI megoldások technológiai bevezetését meg kell előznie a felelősségek, irányelvek és a működési modell meghatározásának. Többen beszámoltak dedikált AI testületek – jellemzően IT, compliance és automatizációs szakértőkből álló grémiumok – létrehozásáról, amelyek feladata az egységes stratégiai alapok és a felelős AI használat biztosítása. Ezek a testületek kulcsszerepet játszanak olyan komplex kérdések kezelésében, mint az adat¬tulajdonlás vagy az etikus AI alkalmazás.

„Visszatekintve jól látszik, hogy sok szervezet nem határozott meg világos AI stratégiát: vagy cél nélkül törekedett a tömeges használatra, vagy egyetlen eszközzel próbált minden problémát megoldani. Az alapvető kérdés, hogy milyen célokat szeretnénk elérni az MI vel, gyakran elsikkadt.” – mondta Lukács Eszter, a Deloitte Magyarország GBS Advisory és Finance Transformation igazgatója.

Megvalósítás a gyakorlatban: megközelítések és kézzelfogható eredmények

A párbeszéd során különböző megvalósítási megközelítések kerültek terítékre, a felsővezetői indíttatású, „top down” iránytól egészen az organikusabb, „bottom up” kezdeményezésekig, amelyek a munkavállalók bevonására és felhatalmazására fókuszálnak. Egyes vállalatok az AI segítségével alakítják újra belső működésüket, míg mások belső „AI gyorsító programokat” és hackathonokat indítanak az adaptáció ösztönzése, valamint az alulról jövő innovatív ötletek felszínre hozása érdekében. Ezek a kezdeményezések hozzájárulnak az AI vel kapcsolatos félelmek oldásához, valamint a kísérletezést támogató szervezeti kultúra kialakításához.

A bemutatott sikertörténetek között szerepelt az árazási és promóciós stratégiák optimalizálása, valamint egy olyan rendszer is, amely a visszaélésszerű termékvisszaküldéseket képes azonosítani. További példának említették a szakértők a beérkező e-mailek és dokumentumok automatikus feldolgozását, AI alapú szimulációkat a folyamatoptimalizálás érdekében, illetve intelligens készletgazdálkodási megoldásokat. Ezek az esetek jól szemléltetik az AI operatív hatékonyságot növelő és ügyfélélményt javító potenciálját. A kiemelt AI beruházások jellemzően 18–24 hónapon belül megtérülnek.

Ugyanakkor a résztvevők a buktatókat sem hallgatták el. Fontos tanulság, hogy az AI-t kizárólag költségcsökkentési eszközként kezelni komoly kockázatokat rejt, könnyen elvonhatja a figyelmet a bevételnövelésről, a képességfejlesztésről vagy fennálló működési hiányosságok kezeléséről. A vezetők kiemelték a nagy nyelvi modellek (LLM ek) és a pontosabb feladatokra alkalmas, specializált kisebb nyelvi modellek (SLM ek), illetve a hagyományos gépi tanulási megoldások közötti különbséget. Míg az LLM-ek hatékonyak a nyelvi tartalmak értelmezésében és feldolgozásában, pontatlan vagy nem valós információkat is generálhatnak, ezért a magas pontosságot igénylő feladatoknál – például pénzügyi előrejelzés vagy szerződéselemzés esetén – gyakran célzottabb, specializált megoldásokra van szükség. Különösen olyan területeken kritikus a magas pontosság, mint a pénzügyi előrejelzés vagy a szerződéselemzés.

„Az AI rendkívüli lehetőségeket kínál, ugyanakkor tisztában kell lennünk az emberi szakértelem fontos szerepével az ellenőrzésben és tartalomvalidációban. A nem megfelelő elvárások és a felhasználói ismeretek hiánya komoly kockázatokat hordoz, ami egyértelműen rávilágít a tapasztalt szakértők szerepének fontosságára.” – tette hozzá Páll Zoltán, a Deloitte Magyarország Technology & Transformation szakterültének AI Managere.

Tehetségfejlesztés és AI érett ökoszisztéma kialakítása

Visszatérő témaként jelent meg a tehetségfejlesztés és a munkaerő-átképzés sürgető szükségessége. Bár Magyarország erős alapokkal rendelkezik az analitikus, adattudományi és mérnöki kompetenciák terén, az MI gyors fejlődése gyakran megelőzi a formális oktatási és belső képzési programokat. Ennek hatására a szervezetek egyre inkább belső képzésekbe fektetnek, amelyek nemcsak technikai készségekre – például Python programozásra –, hanem kulcsfontosságú soft skillekre, így a rezilienciára, problémamegoldásra és proaktivitásra is fókuszálnak.

Kevésbé kihasznált, ugyanakkor jelentős potenciállal bíró támogató tényezőként merült fel az K+F ösztönzők és egyéb állami támogatások szerepe is. Magyarországon az AI hoz kapcsolódó fejlesztések – különösen a kísérletezést, bizonytalanságot vagy meglévő technológiák újszerű kombinációját tartalmazó projektek – gyakran jogosultak K+F adókedvezményekre és vissza nem térítendő támogatásokra. Ezek révén az elszámolható költségek akár 10–65%-a is visszanyerhető, ami jelentősen javíthatja az üzleti megtérülést és megvalósíthatóvá tehet olyan projekteket is, amelyek egyébként nehezen kapnának belső jóváhagyást.

Külön hangsúlyt kapott az emberi tényező, beleértve az esetleges ellenállást és az „inkluzív AI” jelentőségét. A túlzott bizalom az AI iránt, illetve annak teljes elutasítása egyaránt veszélyeztetheti a jól megtervezett projekteket. A tapasztalatok azt mutatják, hogy az AI elsődlegesen az emberi képességek kiegészítésére szolgál, nem pedig azok teljes kiváltására. A hangsúly az „AI elveszi a munkát” narratíváról a „kollégák AI segítségével még sikeresebbek lehetnek” szemléletre kell, hogy helyeződjön, amely elengedhetetlenné teszi a szakterületi szakértők aktív bevonását az eredmények validálásába és a rendszerek folyamatos finomhangolásába.

Mindezek mellett az erős adatstratégiát és adatirányítást alapvető pillérként azonosították. Bár a modern AI megoldások, különösen az LLM ek, képesek strukturálatlan adatok feldolgozására is, a standardizált, magas minőségű adatok jelentősen növelik a pontosságot és megbízhatóságot. Az AI stratégia és a jellemzően külön vezetés alatt álló adatkezelési keretrendszerek összehangolása továbbra is kihívást jelent, és fokozott együttműködést igényel a funkcionális területek között annak érdekében, hogy az adatok ne csak AI kompatibilisek, hanem valóban üzleti célra alkalmasak legyenek.

Előretekintés: alkalmazkodóképesség és folyamatos tanulás

A GBS vezetők konszenzusa szerint az AI optimális integrációjához vezető út folyamatos tanulást és rugalmas alkalmazkodóképességet igényel. Az AI fejlődésének üteme olyan infrastruktúrát követel meg, amely képes együtt fejlődni a technológiával, és nem csupán a jelenlegi igényeket szolgálja ki. Azok a szervezetek lesznek versenyelőnyben, amelyek nem pusztán költségcsökkentési eszközként tekintenek az AI-ra, hanem stratégiai növekedési hajtóerőként alkalmazzák azt. A stratégiai jövőkép, az agilis megvalósítás és az emberközpontú fejlesztés összekapcsolása határozza meg a sikert az AI folyamatosan formálódó környezetében.