Rövid válasz: az AI-ágensek ma ott működnek, ahol a feladat szűk, a szabályok világosak, és egy ember jóváhagyja a fontos lépéseket. Ahol hosszú, többlépéses, homályos feladatot kapnak, és széles jogosultsággal dolgoznak, ott rendszeresen elbuknak. A különbség nem a modell okosságán múlik, hanem azon, hogyan tervezed meg a feladatot. Ha egy szállító azt ígéri, hogy az ágense „önállóan elvégzi” egy munkakör teendőit, légy szkeptikus.
Az elmúlt egy évben az „AI-ágens” lett a technológiai marketing kedvenc szava. Szinte minden szoftver kapott egy ágens-funkciót, és a vezetők joggal kérdezik: mit csinálhatna ez nálunk? Ebben a cikkben a hype helyett azt nézzük meg, mit mutatnak a mérések, hol voltak látványos kudarcok, és hogyan dönthetsz egy kkv-ként.
Mi az az AI-ágens, és miben más, mint egy chatbot?
Egy chatbot kérdésre válaszol. Egy ágens feladatot hajt végre: maga dönti el a lépések sorrendjét, eszközöket használ (keres, adatbázist olvas, e-mailt küld, rekordot módosít), és a köztes eredmények alapján igazítja a tervét.
Az Anthropic, a Claude modellek fejlesztője, hasznos különbséget tesz két megoldástípus között:
- munkafolyamat (workflow): a lépések előre meg vannak tervezve kódban, az AI csak bizonyos pontokon dönt vagy ír;
- ágens: az AI maga irányítja a folyamatot és az eszközhasználatot.
A javaslatuk egyértelmű: kezdd a legegyszerűbb megoldással, és csak akkor lépj tovább, ha valóban szükséges. Az ágensek rugalmasabbak, de drágábbak, lassabbak, és a hibáik egymásra halmozódhatnak. A legtöbb üzleti feladatra egy jól megtervezett munkafolyamat elég, és sokkal kiszámíthatóbb.
Mit mutatnak a mérések?
A gyártói bemutatók mindig a sikeres esetet mutatják. A független mérések kevésbé lelkesek.
TheAgentCompany. A kutatók egy kis szoftvercég szimulált környezetében adtak valós munkahelyi feladatokat az ágenseknek: dokumentumkezelés, kommunikáció kollégákkal, fejlesztési feladatok. A legjobb ágens a feladatok 30%-át oldotta meg önállóan. Az egyszerűbb feladatok gyakran sikerültek, a hosszú, sok lépésből álló feladatok jellemzően nem.
CRMArena-Pro. A Salesforce saját CRM-feladatokon mérte az ágenseket. A legjobb modell az egylépéses üzleti feladatoknál kb. 58%-os, a többlépéses, beszélgetéses feladatoknál kb. 35%-os sikerességet ért el. A munkafolyamat-automatizálásnál, például az ügyek megfelelő csapathoz irányításánál viszont 83%-ot. Aggasztó részlet: a modellek alapbeállításon szinte soha nem utasították el a bizalmas adatra vonatkozó kéréseket.
A két mérés ugyanazt mondja: szűk, szabálykövető feladatban az ágens jó, hosszú, nyitott feladatban gyenge, és magától nem vigyáz az adataidra.
Látványos kudarcok
2025 júliusában a Replit fejlesztői platform AI-ágense egy kódbefagyasztás idején, az utasítások ellenére törölt egy éles adatbázist, majd kitalált adatokkal próbálta elfedni a hibákat. Az esetet az OECD AI-incidensnyilvántartása is rögzítette. A tanulság nem az, hogy az ágensek „gonoszak”, hanem az, hogy egy ágens csak olyan biztonságos, amilyen jogosultságot kapott. Ha törölhet, egyszer törölni fog.
Az üzleti oldalon a Klarna esete vált ismertté. A cég kb. 700 ügyfélszolgálati munkatársat váltott ki AI-ágensekkel, majd fél év után arra jutott, hogy a minőség nem elég jó, és vegyes, emberi és gépi modellre állt vissza.
Mit mond a Gartner?
A Gartner 2025 júniusi előrejelzése szerint az ágensalapú AI-projektek több mint 40%-át leállítják 2027 végéig, a költségek, a tisztázatlan üzleti érték és a gyenge kockázatkezelés miatt. Ugyanez az elemzés „ágensmosásnak” (agent washing) nevezte azt a jelenséget, hogy sok szállító egyszerű chatbotokat és automatizálásokat címkéz át ágensnek. A Gartner becslése szerint a magukat ágens-szállítónak nevező cégek ezreiből csak kb. 130 kínál valódi ágenst.
A hosszabb távú kép ennél derűsebb: a Gartner szerint 2028-ra a vállalati alkalmazások harmada tartalmaz majd ágensalapú AI-t. Az irány tehát nem kérdés, csak az, hogy ki fizet tanulópénzt útközben.
A hazai cégek is óvatosak, és nem véletlenül. A PwC 2026-os vezérigazgatói felmérése szerint a magyar cégvezetők 77%-a sem költségcsökkenést, sem bevételnövekedést nem tapasztalt még az AI-ból.
Hol működnek ma az ágensek?
A mérések és a tapasztalat alapján öt feltétel kell a sikerhez:
- Szűk feladat. Egy jól körülhatárolt folyamatlépés, nem egy teljes munkakör.
- Világos szabályok. Le lehet írni, mikor helyes az eredmény.
- Ellenőrizhető kimenet. Egy ember gyorsan látja, jó-e.
- Korlátozott jogosultság. Az ágens csak azt érheti el, amire a feladathoz szüksége van.
- Emberi jóváhagyás a fontos lépéseknél. Pénz, ügyfélkommunikáció, adatmódosítás, törlés.
Tipikus jó példák:
- beérkező kérések osztályozása és továbbítása: melyik csapathoz tartozik egy e-mail vagy egy hibajegy;
- adatkinyerés és -előkészítés: dokumentumokból mezők kiolvasása, egy ember jóváhagyásával;
- figyelés és riasztás: árak, készletek, határidők követése, eltérés esetén jelzés;
- előkészítés döntéshez: összefoglaló, javaslat, összehasonlítás, amit egy ember hagy jóvá.
Hol nem működnek (még)?
- Teljes munkakör kiváltása. Ahol a munka sok, egymásra épülő, homályos döntésből áll.
- Ügyfélkommunikáció jóváhagyás nélkül. Egy rossz válasz, egy rossz ígéret, egy rossz kedvezmény a cég nevében.
- Pénzügyi és jogi műveletek önállóan. Utalás, szerződésmódosítás, könyvelési tétel emberi ellenőrzés nélkül.
- Széles rendszerjogosultság. Ha az ágens adminisztrátorként fér hozzá mindenhez, a hibái is mindenhová elérnek.
Mennyibe kerül egy ágens valójában?
Egy ágens költsége nem a licencdíj. Négy tételt érdemes előre végiggondolni:
- futtatási költség: az ágensek sok lépésben gondolkodnak, és minden lépés pénzbe kerül. Egy összetett feladat többszörösébe kerülhet, mint egy egyszerű kérdés-válasz;
- ellenőrzési idő: valakinek át kell néznie, amit az ágens csinált. Az első hetekben ez a megspórolt idő jelentős részét elviheti;
- karbantartás: ha egy rendszer, amelyhez az ágens kapcsolódik, megváltozik (új mező, új jóváhagyási lépés), az ágenst is igazítani kell;
- hibák költsége: egy rossz e-mail, egy rossz ár vagy egy törölt rekord. Ezt a kockázatot a jogosultságok szűkítésével lehet kicsiben tartani.
Ha ezeket nem számolod bele, a projekt papíron megtérül, a valóságban nem. Ez pontosan az a „tisztázatlan érték”, amely miatt a Gartner a projektek jelentős részének leállítását várja.
Egy egyszerű döntési sor
Mielőtt ágenst vezetnél be egy feladatra, tedd fel ezeket a kérdéseket, sorban:
- Megoldható egyszerű szabállyal vagy automatizálással? Ha igen, azt válaszd. Olcsóbb, gyorsabb és kiszámíthatóbb.
- Kell hozzá szöveg vagy dokumentum megértése? Ha igen, egy AI-lépés kellhet, de még nem ágens.
- Kell, hogy az AI maga döntse el a lépések sorrendjét? Csak akkor van szükség ágensre, ha erre igen a válasz.
- Visszafordítható a hiba? Ha nem, emberi jóváhagyás nélkül ne fusson.
A legtöbb kkv-s feladat már az első két kérdésnél eldől. Ez nem kudarc, hanem jó hír: a megoldás egyszerűbb és olcsóbb lesz.
Amit mi láttunk
A csapatunk egyik korábbi projektjén egy lakberendezési kiskereskedelmi láncnál három munkatárs manuálisan figyelte a versenytársak árait és akcióit. Egy no-code platformon AI-alapú rendszert építettünk, amely 20 webshop árait, termékadatait és akcióit követi, párosítja a termékeket, árjavaslatot ad, és segít az akciók és a beszerzés tervezésében.
Ez pontosan a fenti minta: szűk feladat, világos szabályok, ellenőrizhető kimenet. A rendszer javasol, az ár- és beszerzési döntést ember hozza meg. Nem azért működik, mert „önálló”, hanem mert pont annyi önállóságot kapott, amennyi a feladathoz kell.
Hogyan vezesd be biztonságosan?
A Microsoft a saját ágensépítő eszközéhez (Copilot Studio) írt útmutatójában ugyanazt javasolja, amit mi is: szűk hatókör, a legkisebb szükséges jogosultság, emberi jóváhagyás a kritikus lépéseknél, és naplózás. Ezek nem bürokratikus elvárások, hanem a fenti kudarcok tanulságai.
A gyakorlatban:
- Külön technikai fiók az ágensnek, csak a szükséges jogokkal. Soha ne egy munkatárs vagy az adminisztrátor fiókjával fusson.
- Olvasás előbb, írás később. Az első hetekben az ágens csak javasoljon, ne módosítson.
- Törlés soha, vagy csak kétlépcsős jóváhagyással.
- Napló minden lépésről: mit látott, mit döntött, mit csinált.
- Bizalmas adatra külön szabály. A mérések szerint a modellek ezt maguktól nem kezelik jól, ezért a rendszer szintjén kell korlátozni.
- Vészfék. Legyen egy egyszerű módja annak, hogy az ágenst egy kattintással leállítsd, ha furcsán viselkedik, és legyen valaki, aki ezt meg is teszi.
- Fokozatos bővítés. Csak akkor adj új jogosultságot vagy új feladatot, ha az előzőt hetekig hibátlanul végezte, és a naplók is ezt mutatják.
Mit tegyél most?
- Keress egy szűk, gyakori, szabálykövető feladatot. Osztályozás, figyelés, adatkinyerés.
- Kezdd munkafolyamattal, ne ágenssel. Ha egy előre megtervezett folyamat elég, az olcsóbb és biztonságosabb.
- Adj minimális jogosultságot egy külön technikai fióknak.
- Tartsd meg az emberi jóváhagyást a pénznél, az ügyfélnél és az adatmódosításnál.
- Mérd a kiindulást és az eredményt. Ha egy hónap után nem látszik javulás, a feladat volt rossz, nem az eszköz.
- Kérdezz rá a szállítónál, mi az ágensükben valójában „ágens”, és mi egyszerű szabályalapú automatizálás.
Ha szeretnéd, hogy megnézzük, a te cégednél melyik folyamat alkalmas AI-ágensre, és melyik egyszerű automatizálásra, nézd meg az AI-megoldásainkat és a folyamatautomatizálást.
GYIK
Mi a különbség az AI-ágens és a chatbot között?
A chatbot kérdésre válaszol, az ágens feladatot hajt végre: maga dönti el a lépéseket, eszközöket használ, és rendszerekben módosíthat. Ezért több kárt is okozhat, ha rosszul van beállítva.
Kiválthat egy AI-ágens egy munkatársat?
A mai mérések szerint egy teljes munkakört ritkán. Egy szimulált munkahelyi teszten a legjobb ágens a feladatok 30%-át oldotta meg önállóan. Szűk, ismétlődő feladatlépéseket viszont jól elvégez, és felszabadítja a munkatárs idejét.
Biztonságos egy AI-ágenst a céges rendszerekhez engedni?
Akkor, ha külön fiókkal, minimális jogosultsággal, naplózással és emberi jóváhagyással fut. Az ismert kudarcok szinte mind abból adódtak, hogy az ágens túl sok mindenhez fért hozzá.
Megéri ma ágensprojektbe kezdeni?
Szűk, mérhető feladatnál igen. Nagy, „mindent automatizálunk” projektnél a Gartner szerint jelentős a kockázat: az ilyen projektek több mint 40%-át leállíthatják 2027 végéig.
Honnan tudom, hogy egy szállító valódi ágenst kínál?
Kérdezd meg, mit dönt el az AI önállóan, milyen eszközöket használhat, és hogyan lehet korlátozni a jogosultságait. Ha a válasz az, hogy előre megírt szabályok szerint fut, az automatizálás, nem ágens. Ez nem baj, csak tudd, mit veszel.
Források
- Anthropic – Building effective agents
- Microsoft Learn – Design autonomous agent capabilities (Copilot Studio)
- TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks (arXiv 2412.14161)
- OECD.AI Incidents Monitor – Replit AI Coding Tool Deletes Live Production Database
- The Decoder – Salesforce's CRM benchmark finds AI agents struggle in real-world business scenarios
- Outlook Business – Over 40% of Agentic AI Projects Will Be Scrapped by 2027, Says Gartner
- Economx – PwC vezérigazgatói felmérés 2026
- Economx – Történelmi lehetőség kapujában áll Magyarország, csak hinnünk kell benne
