# AI- és automatizálási projekt: hogyan mérd a megtérülést?

URL: https://casterconsulting.hu/ai-automatizalas-megterules-meres/
Published: 2026-10-15
Updated: 2026-10-15
Author: Caster Consulting

> Csak az mérhető, aminek a kiinduló állapotát az élesítés előtt rögzítetted. Mérd meg a mostani időt, költséget és hibaarányt, számold bele a teljes költséget az emberi ellenőrzéssel együtt, és ne várd ugyanazt a megtérülési időt egy automatizálástól és egy generatív AI-projekttől.

**Rövid válasz: csak az mérhető, aminek a kiinduló állapotát az élesítés előtt rögzítetted.** Mérd meg a mostani időt, költséget és hibaarányt, számold bele a teljes költséget, az emberi ellenőrzéssel együtt, és ne várd ugyanazt a megtérülési időt egy szabályalapú automatizálástól és egy generatív AI-projekttől. A legtöbb cég azért nem tudja megmondani, megtérült-e egy projekt, mert az elején senki nem mérte meg, honnan indul.

## A bevallott és a mért eredmény nem ugyanaz

Ha a cégvezetőket megkérdezik, a többség elégedett. A KPMG mintegy 2900 céget érintő, pénzügyi területre fókuszáló globális felmérésében a válaszadók 85%-a mondta, hogy az AI-befektetése megtérült, és 37%-uk szerint a vártnál jobban. Ez önbevallás.

Ahol mérik, ott a kép visszafogottabb:

- **IBM, 2025 (2000 vezérigazgató):** az AI-kezdeményezéseknek csak 25%-a hozta a várt megtérülést, és csak 16%-a skálázódott a teljes vállalatra. A vezetők 64%-a már azelőtt befektet, hogy értené az értékét.
- **BCG, 2024 (1000 vezető):** a cégek 74%-a még nem tudott kézzelfogható értéket felmutatni, és csak 4% teremt következetesen jelentős értéket. A nehézségek 70%-a ember és folyamat, 20%-a technológia és adat, és csak 10%-a az algoritmus.
- **MIT, 2025:** a vizsgált, integrált generatív AI-pilotoknak csak 5%-a hozott milliós értéket, a többinél nem volt mérhető hatás az eredménykimutatásban. Ez szűk és vitatott minta, nem általános kudarcarány.

A pénzügyi elemzők is óvatosak: a Telex G7 által idézett, a Fidelity több mint száz elemzőjét megkérdező felmérés szerint 72%-uk nem várt az adott évben megfigyelhető AI-hatást a vállalati jövedelmezőségen.

A tanulság tehát nem az, hogy az AI nem térül meg. Hanem az, hogy **a megtérülés csak akkor látszik, ha mérik**, és a mérés nehezebb, mint gondolnánk.

## Mennyi idő alatt térül meg?

A Deloitte 2025-ös, 1854 európai és közel-keleti vezetőt vizsgáló felmérése szerint egy tipikus AI-felhasználás 2–4 év alatt hoz kielégítő megtérülést, miközben a technológiai befektetéseknél megszokott a 7–12 hónap. Egy éven belül csak 6%-nál térült meg. Az ágensalapú AI-nál mindössze 10% számolt be jelentős megtérülésről.

A Deloitte szerint ennek egyik oka, hogy az AI hatását nehéz elkülöníteni: egy AI-projekt jellemzően más változásokkal együtt érkezik, és nehéz megmondani, mi minek köszönhető.

A feladat szintjén viszont a hatás jól mérhető. A Stanford AI Index 2026-os jelentése szerint a mért termelékenységi javulás az ügyfélszolgálatban 14–15%, a szoftverfejlesztésben 26%, a marketingtartalom-gyártásban 50% körüli, miközben a teljes gazdaság szintjén a bizonyítékok még „korai és vegyes” képet mutatnak.

Egy kkv-nak ebből az a gyakorlati következmény, hogy **szűk, feladatszintű projektekkel érdemes kezdeni**, ahol a hatás gyorsan és egyértelműen mérhető.

## A mérés négy lépése

### 1. Kiinduló mérés az élesítés előtt

Egy-két hétig mérd a jelenlegi állapotot ugyanazokkal a mutatókkal, amelyeket később is nézni fogsz:

- **mennyiség:** hány eset, dokumentum, ajánlat, kérés;
- **idő:** mennyi munkaidő esetenként, és mennyi az átfutási idő;
- **minőség:** hány hiba, hány visszakérdezés, hány javítás;
- **költség:** munkaidő-költség, külső szolgáltatások.

Ha ez nincs meg, utólag csak becslés marad, és a becslés mindig annak kedvez, aki a projektet javasolta.

### 2. A teljes költség

Az AI-projektek költségét rendszeresen alábecsülik. Számold bele:

- licenc vagy előfizetés;
- használati díj (egyes AI-szolgáltatásoknál a felhasználás arányában);
- bevezetés, beállítás, integráció;
- betanítás;
- **az emberi ellenőrzés ideje,** amely az első hetekben a megtakarítás jelentős részét elviheti;
- karbantartás és továbbfejlesztés.

### 3. Mutatók, nem csak idő

A megtakarított munkaóra a legkézenfekvőbb mutató, de nem az egyetlen. Gyakran fontosabb:

- **gyorsabb átfutás:** egy ajánlat napok helyett órák alatt megy ki;
- **kevesebb hiba:** kevesebb reklamáció, kevesebb javítás;
- **nagyobb kapacitás:** ugyanannyi ember több ügyfelet szolgál ki;
- **jobb döntés:** naprakész adat a heti riportban;
- **kockázatcsökkentés:** kevesebb adatvédelmi és megfelelési kockázat.

### 4. Utómérés és összehasonlítás

Mérj újra egy és három hónap után, ugyanazokkal a mutatókkal. Ha lehet, hasonlítsd össze egy olyan csapattal vagy időszakkal, ahol nem vezették be az eszközt, így kiszűrheted a szezonális vagy egyéb hatásokat.

## Öt gyakori mérési hiba

**Csak a licencdíjat nézik.** A licenc a költség kisebb része. A bevezetés, az integráció, a betanítás és az ellenőrzés ideje gyakran többe kerül.

**Az első hét alapján döntenek.** Az első hetekben a csapat tanul, az ellenőrzés lassú, a hatás kisebb. Egy hónapnál korábban ritkán érdemes ítéletet mondani.

**Becsült időt mérnek.** „Szerintem kb. a felére csökkent” nem mérés. Ha nincs kiinduló adat, legalább egy hétig mérj utólag is, és hasonlítsd össze egy olyan csapattal, amely nem használja az eszközt.

**A megspórolt időt nem követik.** Ha a felszabaduló idő nem kerül értelmes feladatra, a megtakarítás csak papíron létezik. Döntsd el előre, mire fordítja a csapat.

**Mindent egyetlen számba sűrítenek.** Egy projekt hozhat kevesebb időt, de több minőséget, vagy fordítva. Nézz három-négy mutatót együtt, ne csak egyet.

## Ami nem mérhető pénzben, de számít

Nem minden haszon fordítható le forintra, mégis valós. A munkatársak elégedettsége, ha az unalmas, ismétlődő munka eltűnik a napjukból. A kisebb kiszolgáltatottság, ha egy kulcsember tudása egy rendszerbe kerül. A gyorsabb reagálás egy ügyfél kérdésére. Ezeket érdemes legalább minőségileg, rövid kérdőívvel vagy beszélgetéssel rögzíteni, mert egy következő projekt melletti döntésnél ugyanúgy számítanak.

## Ki mérjen, és hogyan dokumentáld?

A mérés gazdája ne az legyen, aki az eszközt bevezette, mert ő elfogult. Egy kkv-nál ez lehet a pénzügyes kolléga vagy az érintett terület vezetője. A dokumentáció legyen egyszerű: egy oldal a kiinduló adatokkal, egy oldal az egy és a három hónap utáni mérésekkel, és néhány mondat arról, mi működött és mi nem. Ez a dokumentum a következő projekt legjobb érve, vagy éppen ellenérve.

## Egy egyszerű számítási minta

A megtérülést egy kkv-nál nem kell bonyolult modellel számolni. Egy egyszerű keret:

- **havi haszon** = megtakarított munkaórák × óradíj + egyéb mérhető haszon (például kevesebb hiba költsége);
- **havi költség** = licenc + használati díj + az ellenőrzés és a karbantartás ideje;
- **egyszeri költség** = bevezetés + integráció + betanítás;
- **megtérülési idő (hónap)** = egyszeri költség ÷ (havi haszon − havi költség).

Ha a havi haszon nem nagyobb a havi költségnél, a projekt sosem térül meg, bármilyen jól hangzik. Ez gyakrabban fordul elő, mint gondolnánk, főleg akkor, ha az ellenőrzés ideje kimarad a számításból.

## Egy egyoldalas mérési sablon

A mérést nem kell túlbonyolítani. Egy egyszerű táblázat elég, amelyet az élesítés előtt kitöltesz, és egy, illetve három hónap után frissítesz:

| Mutató | Kiinduló érték | 1 hónap után | 3 hónap után |
|---|---|---|---|
| Esetek száma hetente | | | |
| Átlagos munkaidő esetenként | | | |
| Átfutási idő (beérkezéstől lezárásig) | | | |
| Hibák vagy javítások száma | | | |
| Emberi ellenőrzésre fordított idő | | | |
| Havi költség (licenc, használat, karbantartás) | | | |

A táblázat ereje nem a pontosságában van, hanem abban, hogy előre rögzíti, mit tekintesz sikernek. Ha a projekt után derül ki, mit mérsz, könnyű olyan számot találni, amely jól mutat.

## Hogyan beszélj róla a vezetéssel?

Egy jó megtérülési beszámoló egy oldal: mi volt a kiinduló állapot, mi változott, mennyibe került, és mi a következő lépés. A vezetést ritkán a pontos szám győzi meg, sokkal inkább az, hogy a mérés becsületes volt, és a nem működő részeket is megmutatja.

## Különböző projektek, különböző horizont

- **Szabályalapú automatizálás** (adatmásolás rendszerek között, értesítések, riportok): jellemzően hónapok alatt megtérül, és jól mérhető.
- **Generatív AI egy szűk feladatban** (levélvázlat, összefoglaló, dokumentumkiolvasás): hónapok, ha a feladat gyakori és mérhető.
- **Szélesebb generatív AI- vagy ágensprojektek:** a Deloitte adatai szerint jellemzően 2–4 év, és nehezebben mérhető.

Ezért érdemes a portfóliót keverni: a gyorsan megtérülő automatizálásokból finanszírozni a hosszabb távú AI-kísérleteket. Így a cég nem egyetlen nagy tétre fogad, és az első, gyorsan megtérülő projektek a csapat bizalmát is megalapozzák a későbbi, bizonytalanabb kísérletekhez.

## Amit mi láttunk

A csapatunk korábbi projektjei közül a legkönnyebben azok mutatták a hatásukat, ahol a kiindulópont egyértelmű volt. Egy lakberendezési láncnál a versenytárs-árfigyelést három munkatárs végezte manuálisan, így pontosan látszott, milyen munkát vált ki az AI-alapú rendszer. Egy elektronikai láncnál egy nagy, összetett SAP Emarsys-rendszert váltott ki egy általunk fejlesztett, automatizált és költséghatékonyabb saját marketingrendszer, ahol a régi rendszer költsége adta a természetes viszonyítási pontot.

Ahol nincs ilyen egyértelmű kiindulópont, ott az első lépés mindig a mérés, nem az eszköz. Egy-két hét mérés ritkán késlelteti érdemben a projektet, viszont a végén megmondja, megérte-e.

## Mit tegyél most?

1. **Válassz egy szűk, gyakori feladatot,** amelynek a hatása mérhető.
2. **Mérd a kiinduló állapotot** egy-két hétig: mennyiség, idő, hiba, költség.
3. **Számold ki a teljes költséget,** az emberi ellenőrzéssel együtt.
4. **Határozd meg előre a sikert:** milyen javulás esetén mondod, hogy megérte.
5. **Mérj újra egy és három hónap után,** ugyanazokkal a mutatókkal.
6. **Írd le az eredményt,** és ennek alapján dönts a következő lépésről: bővítés, finomhangolás vagy leállítás.

Ha szeretnéd, hogy egy automatizálási vagy AI-projektnél a mérést is velünk tervezd meg az elejétől, nézd meg a [folyamatautomatizálási](/folyamatautomatizalas/) és az [IT tanácsadási](/it-tanacsadas/) szolgáltatásunkat.

## GYIK

### Mennyi idő alatt térül meg egy AI-projekt?

A Deloitte 2025-ös felmérése szerint egy tipikus AI-felhasználás 2–4 év alatt hoz kielégítő megtérülést, egy éven belül csak 6%-nál. Egy szűk, gyakori feladatra irányuló automatizálás ennél jóval gyorsabban, akár hónapok alatt megtérülhet.

### Miért nem látszik sok cégnél az AI haszna?

Mert nincs kiinduló mérés, a költségekből kimarad az emberi ellenőrzés, és az AI hatása más változásokkal keveredik. A BCG szerint a nehézségek 70%-a ember és folyamat, nem technológia.

### Milyen mutatókat érdemes mérni?

Mennyiséget, munkaidőt, átfutási időt, hibaarányt és költséget, az élesítés előtt és után. A megtakarított munkaóra mellett a gyorsabb átfutás és a kevesebb hiba gyakran fontosabb.

### Mit számoljunk bele a költségbe?

Licencet, használati díjat, bevezetést, integrációt, betanítást, karbantartást, és az emberi ellenőrzés idejét, amelyet a legtöbben kihagynak.

### Megbízhatók-e a felmérések szerinti magas megtérülési arányok?

Óvatosan kezelendők. Az önbevalláson alapuló felmérések (például 85% szerint megtérült) jóval derűlátóbbak, mint a mért eredmények (például 25% érte el a várt megtérülést). A saját mérésed a megbízható szám.

## Sources

- [Deloitte – AI ROI: The paradox of rising investment and elusive returns](https://www.deloitte.com/global/en/issues/ai/ai-roi-the-paradox-of-rising-investment-and-elusive-returns.html)
- [IBM – CEO Study 2025 (press release)](https://www.aap.com.au/aapreleases/cision20250506ae80120)
- [BCG – AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value](https://bcg.com/ja-jp/press/24october2024-ai-adoption-in-2024-74-of-companies-struggle-to-achieve-and-scale-value)
- [Stanford HAI – AI Index Report 2026: Economy](https://hai.stanford.edu/ai-index/2026-ai-index-report/economy)
- [KPMG Magyarország – Megváltoztatja a játékszabályokat a mesterséges intelligencia a pénzügyekben](https://kpmg.com/hu/hu/home/insights/2025/01/megvaltoztatja-a-jatekszabalyokat-a-mesterseges-intelligencia-a-penzugyekben.html)
- [Virtualization Review – MIT Report Finds Most AI Business Investments Fail, Reveals 'GenAI Divide'](https://virtualizationreview.com/Articles/2025/08/19/MIT-Report-Finds-Most-AI-Business-Investments-Fail-Reveals-GenAI-Divide.aspx)
- [Telex G7 – „Még évekre vagyunk az igazi AI-forradalomtól”](https://telex.hu/g7/penz/2025/02/07/meg-evekre-vagyunk-az-igazi-ai-forradalomtol)