Az UBS már AI-tudást kér a pályakezdőktől: hogyan készítsd fel a csapatodat belső AI-képzéssel?

A svájci UBS bankcsoport a Financial Times értesülése szerint új feltételt vezetett be a pályakezdők és a gyakornokok felvételénél: a 2027-ben kezdő jelöltektől azt is elvárja, hogy az interjún megmutassák, mire és hogyan használják a mesterséges intelligenciát. Ugyanazon a héten az Anthropic közzétette gazdasági forgatókönyveit, amelyek közül a legmerészebb 2030-ra 12% közeli amerikai munkanélküliséggel számol. Ha egy nagybank már a belépő szinten számon kéri az AI-tudást, egy 5 és 50 fő közötti magyar cég vezetője is joggal kérdezheti meg magától, mikor indítson rendszeres AI-képzést a saját csapatának.

A jó hír az, hogy ehhez nem kell bankárnak lenni, egy kis cég ráadásul sokkal fürgébben tud mozdulni, mint egy globális pénzintézet. Az alábbiakban szeptember 22-i állapot szerint sorra vesszük, pontosan mit kér az UBS és miért, mit mondanak az Anthropic számai a következő évek munkaerőpiacáról, mit tanítsatok elsőként egy kis csapatnak, hogyan mérhető a képzés hatása munkaórában, hibaarányban és átfutási időben, végül azt is, mikor nem éri meg az egész.

Röviden

• Az UBS a Financial Times szeptember 7-i értesülése szerint a 2027-ben kezdő pályakezdőktől és gyakornokoktól elvárja, hogy az állásinterjún egy valós feladaton mutassák meg, mit adtak be az AI-nak és mi lett jobb tőle. A bank szerint ez a tudás kiegészíti, de nem helyettesíti a szakmai és a társas készségeket.
• Az Anthropic szeptemberben közzétett legszélsőségesebb forgatókönyve szerint az amerikai GDP 2030-ra 44,4 billió dollár lehet, ami 32%-kal több az AI nélküli pályánál, miközben a munkanélküliség 12% közelébe emelkedik, a munkajövedelmek részaránya pedig nagyjából 60%-ról 45,2%-ra esik.
• Az Eurostat adatai szerint 2025-ben az uniós kisvállalatoknak csak 17%-a használt mesterséges intelligenciát, a nagyvállalatoknak viszont 55%-a, azok a cégek pedig, amelyek fontolgatták, de végül nem vezették be, leggyakrabban a szakértelem hiányára hivatkoztak.
• Egy 5 és 50 fő közötti cégnél az AI-képzést az adatbiztonsággal érdemes kezdeni, utána jöhet a jó feladatkiírás és az eredmény ellenőrzése, a saját munkafolyamatok átalakítása pedig csak ezután következzen.
• Az EU AI Act 4. cikke 2025 februárja óta foglalkozik a munkatársak AI-jártasságával, a Digital Omnibus nyomán a cégeknek ma már „csak” támogatniuk kell a jártasság fejlesztését, a kötelezettség tehát enyhült, de nem szűnt meg.
• Saját becslésünk szerint egy 14 fős cégnél a fejenként 12 órás képzés mintegy 1 millió forintnyi munkaidőt köt le, ami heti fejenként másfél óra megtakarításnál két és fél hónap alatt megtérül, heti fél óránál viszont a licencdíjak mellett alig hoz hasznot.

Mit vár el az UBS a gyakornokoktól és miért?

Az UBS a Financial Times értesülése szerint a 2027-ben kezdő pályakezdőktől és gyakornokoktól elvárja, hogy bizonyítsák: a mesterséges intelligenciával jobban és hatékonyabban dolgoznak. Az interjún egy valós feladatot kell bemutatniuk, elmondva, mit adtak be a modellnek és mi javult a korábbi módszerhez képest. Az ok kézenfekvő: a belépő szintű munka egy részét már gép végzi.

A Financial Times híréről szeptember 7-én a The Decoder és a The Next Web is részletesen beszámolt. A beszámolók szerint a feltétel elsősorban a bank globális banki és piaci üzletágába (Global Banking and Markets) jelentkező friss diplomásokat és gyakornokokat érinti a 2027-es belépő évfolyamtól kezdve. A bank a lapnak adott nyilatkozatában hangsúlyozta, hogy az AI-készségek kiegészítik a tanulmányi és a társas képességeket, de nem váltják ki őket, vagyis a jó jegyek és a kommunikációs készség továbbra is számítanak, csak már nem elegendők.

A The Next Web összefoglalója szerint a jelöltnek egy konkrét, általa elvégzett feladatot kell megneveznie, majd el kell mondania, mit adott át az AI-modellnek és mi lett jobb a korábbi megoldáshoz képest. Ez a hármas szerkezet (feladat, bemenet, javulás) sokkal többet árul el a jelöltről, mint az a kérdés, hogy „használsz-e ChatGPT-t”, amelyre ma szinte bárki rávághatja, hogy igen. A felvett pályakezdők ezután a bank belső AI-jártassági programjába (AI Fluency Pathway) kerülnek, amely a banki felhasználási eseteket és a felelős használat szabályait tanítja.

A „miért” kérdésére a The Decoder elemzése adja a legkézzelfoghatóbb választ. A bankok egyre több rutinszerű, belépő szintű feladatot automatizálnak a pénzügyi elemzéstől a háttérkutatáson át az ügyfélprezentációk előkészítéséig, a lap szerint az UBS elemző-avatárokat is tesztel ügyfélprezentációkhoz. Nincs egyedül ezzel a gondolattal: a spanyol Santander egyes gyakornoki programjaiba kifejezetten haladó AI-felhasználókat keres, a Morgan Stanley elemzői pedig arra számítanak, hogy öt éven belül több mint 200 000 európai banki munkahely szűnhet meg.

A JPMorgan európai vezetője ugyanakkor a The Decoder szerint arra figyelmeztetett, hogy a fiatal munkatársak nem áldozhatják fel az alapvető banki szaktudást az AI kedvéért. Ez a kettősség a cikk vezérfonala is, mert a szakma ismerete nélkül senki nem veszi észre, ha a gép magabiztosan téved.

Miért éppen a pályakezdőknél kezdődik a változás?

A belépő szintű munka jellemzően a legjobban szabványosítható: adatgyűjtés, első vázlat, táblázatok rendbetétele, prezentáció formázása, megbeszélések összefoglalása. Ezek pontosan azok a feladatok, amelyekben a mai nyelvi modellek a legerősebbek, ezért nem meglepő, hogy a munkaadók itt teszik fel először a kérdést, mennyi emberi munka kell még hozzájuk.

A kutatások ráadásul egy érdekes paradoxonra is rávilágítanak. Erik Brynjolfsson, Danielle Li és Lindsey Raymond 2023-ban megjelent, sokat idézett NBER-tanulmánya (Generative AI at Work) egy vállalat ügyfélszolgálati munkatársait vizsgálta, ahol a generatív AI-asszisztens átlagosan 14%-kal növelte az óránként megoldott ügyek számát. A kezdő és kevésbé képzett munkatársaknál a javulás 34% volt, a tapasztalt, magasan képzett kollégáknál viszont alig mérhető. Az AI tehát éppen a kezdőket hozza fel a leggyorsabban, miközben azokat a feladatokat automatizálja, amelyeken keresztül a kezdők korábban kitanulták a szakmát.

Egy magyar kis cég számára ebből két tanulság következik. Az egyik, hogy egy jól képzett junior munkatárs AI-val sokkal hamarabb válhat önálló munkaerővé, mint korábban, a betanulási idő tehát rövidülhet. A másik, hogy a betanítást tudatosan kell megtervezni, különben a kezdő kolléga megtanulja, hogyan kérjen kész választ a géptől, azt viszont nem, hogyan ítélje meg, jó-e a válasz. Az UBS-féle interjúkérdés éppen ezt a kettőt méri egyszerre, a mögötte álló minta (valós feladat, átgondolt bemenet, mérhető javulás, emberi ellenőrzés) pedig egy kecskeméti asztalosüzem árajánlatainál vagy egy budapesti könyvelőiroda ügyféltájékoztatóinál is ugyanúgy működik.

Hol tart az AI-használat a magyar és az európai cégeknél?

Az Eurostat 2025-ös adatai szerint a legalább 10 fős uniós vállalkozások 20%-a használt valamilyen mesterségesintelligencia-technológiát, a kisvállalatoknál azonban csak 17%, a nagyvállalatoknál 55% ez az arány. A K&H innovációs indexe szerint a legalább 300 millió forint árbevételű magyar cégek 58%-a használ már AI-t, a kisebb hazai cégekről azonban ez a felmérés nem ad képet.

Az Eurostat tavaly decemberi közleménye szerint az AI-t használó uniós cégek aránya egy év alatt 13,5%-ról 20,0%-ra nőtt, a cégméret szerinti bontásban pedig a középvállalatok nagyjából 30%-kal a kicsik és a nagyok között helyezkednek el. Aki tehát 5 és 50 fő közötti céget vezet, jó eséllyel még ahhoz a többséghez tartozik, amelyik nem vagy csak alkalmilag nyúl ezekhez az eszközökhöz.

Legalább ilyen tanulságos, hogy mi tartja vissza a cégeket a bevezetéstől. Az Eurostat összesítése szerint azok körében, amelyek fontolgatták az AI használatát, de végül nem léptek, a leggyakoribb ok a megfelelő szakértelem hiánya volt (nagyjából 71%), ezt követte a jogi következmények bizonytalansága (körülbelül 53%) és az adatvédelmi aggály (körülbelül 49%). Csak körülbelül minden ötödik ilyen cég gondolta úgy, hogy az AI egyszerűen nem hasznos számára. A három leggyakoribb ok közül kettő, a szakértelem hiánya és a jogi bizonytalanság, egy jól felépített képzéssel közvetlenül kezelhető, a harmadikra, az adatvédelmi aggályra pedig egy világos belső szabályzat a válasz.

A hazai nagyobb cégeknél gyorsan nő a használat: a K&H innovációs indexének 2026 első félévi felmérésében fél év alatt 48%-ról 58%-ra emelkedett az AI-t használó cégek aránya, 36%-uk pedig már saját AI-fejlesztésbe is belevágott. A leggyakoribb felhasználási terület a szövegfordítás (39%), a szövegfeldolgozás (33%) és a marketingkommunikáció (22%). Lóska Gergely, a K&H informatikai és innovációs vezetője szerint „a mesterséges intelligencia használata látványosan kilépett a kísérleti szakaszból”.

A statisztikákból az nem derül ki, hogy a munkatársak hivatalos céges bevezetés nélkül is használják-e az AI-t. Tapasztalatunk szerint egy kis cégnél szinte mindig akad valaki, aki saját, ingyenes fiókkal fordít, levelet fogalmaz vagy táblázatot elemez, erről pedig a vezető gyakran nem is tud. Ezt a jelenséget nevezi a szakma árnyék-AI-nak (shadow AI). A Mistral például a Vibe nevű szolgáltatásának ingyenes szintjén alapértelmezés szerint a felhasználói promptokkal tanítja a modelljeit (a vállalati és az API-hozzáférés kivétel), ezt külön ki kell kapcsolni. A kérdés tehát ritkán az, hogy használják-e a kollégáid az AI-t, sokkal inkább az, hogy jól, biztonságosan és ellenőrzötten használják-e.

Az Anthropic gazdasági forgatókönyve: 32% GDP-növekedés, 12% munkanélküliség 2030-ra

Az Anthropic szeptember második hetében közzétett tanulmánya három forgatókönyvet vázol fel az amerikai gazdaságra 2030-ig. A legszélsőségesebb változatban a GDP 44,4 billió dollárra nő, ami 32,4%-kal több az AI nélküli pályánál, a munkanélküliség viszont a 12%-ot közelíti, miközben a munkajövedelmek részaránya 45,2%-ra esik. A szerzők hangsúlyozzák, hogy modellről és nem előrejelzésről van szó.

A tanulmány címe Economic Scenarios for Transformative AI, szerzői Anton Korinek és munkatársai. A három forgatókönyv abban különbözik, hogy 2030-ra mekkora részét tudja átvenni az AI a munkafeladatoknak. Az Axios összefoglalója szerint az AI nélküli alappályán 33,56 billió dolláros amerikai GDP-vel számol a modell.

A táblázat adatai az Anthropic tanulmányából és az Axios szeptember 9-i összefoglalójából származnak. A 32% nem éves növekedést jelent, hanem azt, hogy 2030-ban ennyivel lenne nagyobb az amerikai gazdaság, mint abban az esetben, ha az AI nem terjedne el. A szélsőséges esetben a gazdaság mintegy harmadával nagyobb, a munkavállalók az Axios szerint összességében mégis körülbelül annyit keresnek, mint AI nélkül, mert a jövedelmek egyre nagyobb része a tőkéhez vándorol: a tőkejövedelmek részaránya az Anthropic számai szerint 54,8%-ra nő. A tudásmunkások bére ebben a változatban több mint 10%-kal csökken, a szellemi foglalkoztatás az Axios szerint több mint 20%-kal esik vissza.

Az Anthropic maga is leírja, hogy a modell a bonyolult valóság erős leegyszerűsítése, amely kihagyja többek között a kormányzati beavatkozásokat, a konjunktúraciklusokat, a robotokat és a keresleti hatásokat, a tényleges kimenet tehát lényegesen eltérhet. A szerzők szerint a szélsőséges esetben nem a növekedés elérése a fő kihívás, hanem az, hogy a haszon széles körben oszoljon el. Anton Korinek az Axiosnak azt nyilatkozta (saját fordításunkban): „A következő egy-két évben meglátjuk, milyen gyorsan nőnek a képességek és milyen gyorsan terjed el a technológia a gazdaságban.”

Mit kezdjen ezekkel a számokkal egy magyar cégvezető?

Először is ne ijedjen meg tőlük, mert amerikai gazdaságra készült, szándékosan szélsőséges értékeket is felvázoló modellről van szó, nem a magyar munkaerőpiac előrejelzéséről. A forgatókönyvek iránya ugyanakkor mindhárom esetben azonos: a változás a tudásmunkában, vagyis az irodákban, a könyvelésben, a marketingben, az ügyfélszolgálaton és az értékesítési háttérmunkában jelentkezik a leghamarabb. Ezek azok a területek, ahol egy szolgáltató KKV munkatársainak jelentős része dolgozik.

A másik tanulság a középső, „jelentős” forgatókönyvből következik, ahol a tudásmunkások bére az Anthropic szerint már nem nő, a többi munkavállalóé viszont igen. Ha ez így alakul, akkor a munkaerőpiacon az a munkatárs értékelődik fel, aki az AI-t jól használja és közben a szakmáját is érti. Véleményünk szerint ebből két gyakorlati következtetés adódik. Egyrészt a meglévő csapat AI-tudásába ma olcsóbb befektetni, mint később kész tudású embert keresni. Másrészt a jól képzett csapat termelékenységi többlete nem feltétlenül létszámcsökkentést jelent, egy kis cégnél sokkal gyakoribb, hogy ugyanannyi ember több ügyfelet, több projektet vagy gyorsabb kiszolgálást tud vállalni.

Mit jelent az AI-jártasság és milyen szintjei vannak?

Az AI-jártasság (angolul AI literacy) az a gyakorlati tudás, amellyel egy munkatárs biztonságosan és tudatosan használja a mesterségesintelligencia-eszközöket a saját munkájában: tudja, mire jók és hol tévednek, milyen adatot szabad megadni nekik, valamint hogyan ellenőrizze az eredményt. Egy kis cégben három szintet érdemes megkülönböztetni.

• Alapszint, mindenkinek: a munkatárs ismeri a céges AI-szabályzatot, tudja, melyik eszközt használhatja és melyik adatot tilos beírnia, képes egy egyszerű feladatot érthetően megfogalmazni, az eredményt pedig nem veszi át ellenőrzés nélkül.
• Haladó szint, a napi felhasználóknak: a munkatárs a saját ismétlődő feladataira sablonokat épít, több lépésben finomítja a kimenetet, dokumentumokat és táblázatokat is feldolgoztat, továbbá pontosan tudja, melyik feladatnál lassítja inkább az AI, mint gyorsítja.
• Belső AI-gazda, nagyjából 10 és 15 fő között egy ember: ő gondozza a közös sablonkönyvtárat, követi az eszközök változásait, segít a kollégáknak, méri a hatást és ő tartja a kapcsolatot a külső fejlesztőkkel.

A szintek nem rangsort jelentenek, hanem szerepeket. Egy 12 fős cégben például teljesen rendben van, ha kilenc ember alapszinten marad, kettő haladó lesz, egy pedig belső AI-gazda, feltéve, hogy az alapszint tényleg mindenkinél megvan. Gyakori csapda, hogy a lelkes egy-két ember nagyon sokat tud, míg a többiek semmit, így a cég működése egyetlen kollégán múlik.

Mivel egy ügyfélszolgálatos egészen mást profitál az AI-ból, mint egy könyvelő, a képzést érdemes szerepkörökre bontani, ehhez az alábbi táblázat ad kiindulópontot.

Kötelező-e a munkatársak AI-képzése az EU AI Act szerint?

Az Európai Unió mesterségesintelligencia-rendelete (EU AI Act) 2025 februárja óta foglalkozik a munkatársak AI-jártasságával, a 2026-os Digital Omnibus azonban enyhítette az előírást. Ma az AI-t szakmai célra használó cégeknek a jártasság fejlesztését kell támogatniuk, konkrét tudásszintet viszont nem kell garantálniuk, a kötelezettség tehát megmaradt, csak rugalmasabb lett.

A rendelet eredeti, 2025. február 2-től alkalmazandó 4. cikke szerint az AI-rendszerek szolgáltatóinak és alkalmazóinak (angolul deployer, vagyis minden cégnek, amely szakmai tevékenysége során AI-rendszert használ) lehetőségeikhez mérten biztosítaniuk kellett, hogy a munkatársaik megfelelő szintű AI-jártassággal rendelkezzenek. Ez úgynevezett eredménykötelem volt, amelynél ráadásul nehéz megmondani, mit jelent pontosan a „megfelelő szint”.

A Gibson Dunn ügyvédi iroda elemzése szerint a 2026. májusi politikai megállapodás alapján a szolgáltatóknak és az alkalmazóknak ezentúl támogatniuk kell munkatársaik AI-jártasságának fejlesztését ahelyett, hogy egy meghatározott szintet garantálnának. A lawandtechnology.eu július 30-i elemzése szerint az új szöveget tartalmazó 2026/1744-es uniós rendelet július 27-én lépett hatályba. Az új szabályozás kifejezetten kimondja, hogy a cégeknek semmilyen konkrét egyéni tudásszintet nem kell garantálniuk, a kötelezettség így eredménykötelemből úgynevezett gondossági kötelemmé vált, vagyis a cég nem a végeredményért, hanem az erőfeszítésért felel.

Mit jelent ez egy 20 fős cégnek a gyakorlatban? Azt, hogy ha a munkatársaid AI-eszközöket használnak a munkájukhoz, akkor legyen nyoma annak, hogy a céged tett a jártasságuk fejlesztéséért. Erre egy rövid belső szabályzat, néhány dokumentált képzési alkalom és egy elérhető segédanyag általában elegendő. Ugyanez az elemzés gyakorlati kiindulópontként az európai AILit és DigComp 3.0 kompetenciakereteket ajánlja, a cégeket pedig arra biztatja, hogy a képzés tartalmára figyeljenek, ne a papírmunkára.

Gyakorlati tipp: vezess egyszerű képzési nyilvántartást (dátum, résztvevők, témák, a használt anyagok) és tedd mellé az egyoldalas AI-szabályzatot. Ez az AI Act mellett a GDPR szerinti elszámoltathatóságnál is jól jön, ha a NAIH vagy egy ügyfél rákérdez, hogyan kezelitek az adatokat az AI-eszközökben.

A képzésbe az átláthatósági kötelezettséget is érdemes beépíteni, amelyet az AI Act 50. cikke ír elő és augusztus 2. óta él: ha az ügyfeled egy AI-rendszerrel, például egy chatbottal beszélget, ezt jelezni kell neki, ezért az ügyfélszolgálatos kollégáknak is tudniuk kell róla.

Belső AI-képzés 5 és 50 fő közötti cégnél: mit tanítsatok elsőként?

Egy kis cégnél a belső AI-képzés első négy témája sorrendben: az adatbiztonság és a belső szabályok, a jó feladatkiírás, az eredmény ellenőrzése, végül a saját munkafolyamatok átalakítása. Az eszközök menüpontjainak bemutatása és az automatizálás ráér a második körre, mert tapasztalatunk szerint a legtöbb baj nem a technikán, hanem a rossz használaton csúszik el.

Első modul: mit szabad és mit tilos beírni?

A legegyszerűbb, ha háromszínű adatosztályozást vezetsz be, amelyet mindenki fejből tud.

• Zöld adat: nyilvános információ, saját vázlat, általános szakmai kérdés vagy anonimizált minta. Bármely céges jóváhagyású eszközbe beírható.
• Sárga adat: belső, de nem személyes információ, például árkalkuláció, belső folyamatleírás vagy ajánlattervezet. Csak olyan céges fiókba kerülhet, ahol a szolgáltató szerződésben vállalja, hogy nem tanít a beírt adatokkal.
• Piros adat: személyes és egészségügyi adat, bankszámlaszám, jelszó, ügyfélszerződés, bérszámfejtési adat. Csak kifejezetten erre jóváhagyott és szerződéssel lefedett rendszerbe kerülhet, ennek hiányában sehova.

Tegyük fel, hogy egy képzeletbeli szegedi könyvelőirodában egy kolléga szeretné gyorsan összefoglaltatni egy ügyfél bankszámlakivonatát. A háromszínű szabály szerint ez piros adat, vagyis a helyes út az, hogy a kivonatot csak a céges, adatfeldolgozási szerződéssel lefedett rendszerben dolgozza fel, vagy egyszerűen kézzel végzi el a feladatot. Ehhez a modulhoz tartozik az is, hogy a munkatársak tudják, ki az adminisztrátor a céges fiókokban. Az OpenAI például a GPT-6 Astra modellt a vállalati ChatGPT-munkaterületeken alapból kikapcsolva adta ki, így ha valaki nem látja a modellválasztóban, azt az adminisztrátornak kell engedélyeznie, nem neki kell megkerülnie egy privát fiókkal.

Második modul: hogyan adj jó feladatot a gépnek?

A prompt az a szöveges utasítás, amelyet a felhasználó az AI-modellnek ad, a minősége a mindennapi feladatoknál gyakran többet számít, mint az, hogy melyik modellt használod. Egy jó feladatkiírás öt elemből áll: cél (mit akarsz elérni), háttér (kinek, milyen helyzetben), konkrét feladat, elvárt formátum és lehetőleg egy minta.

Vegyünk egy képzeletbeli balatoni panziót, ahol a recepciós így kéri a gépet: „Írj választ a vendégnek.” Az eredmény udvarias, de semmitmondó lesz. Egy jobb változat: „Egy 14 szobás balatoni panzió recepciósa vagy. A vendég azt kérdezi, hozhatja-e a kutyáját október 10-től 12-ig. Nálunk kutya csak két földszinti szobában lehet, éjszakánként 5 000 Ft felárral, ezek közül pedig az egyik szabad erre az időszakra. Írj rövid, barátságos, tegező hangú választ, amely a végén felajánlja a foglalást.” A második változatban minden tény a panzióé, a gép csak megfogalmaz, így a hibalehetőség is jóval kisebb.

Harmadik modul: hogyan ellenőrizd, amit kaptál?

A nyelvi modellek néha magabiztosan állítanak valótlant, ezt a szakma hallucinációnak nevezi. Az ellenőrzés ezért nem udvariassági gesztus, hanem a munka része. Négy dolgot mindig nézzen meg a munkatárs: a számokat és összegeket, a neveket és dátumokat, a jogszabályokra, árakra vagy határidőkre vonatkozó állításokat, végül a hangnemet és az ígéreteket, mert egy túl lelkes válasz könnyen vállal olyat, amit a cég nem tud teljesíteni.

Az üzleti szabályok betartása külön téma. Az Artificial Analysis és a Zapier 2026. július 6-án közzétett AutomationBench-AA tesztjén a legjobb modell is csak a feladatok 48,6%-át oldotta meg szabályosan, ráadásul minden vizsgált modell megsértett üzleti szabályokat, feladatonként átlagosan 0,46 és 1,26 közötti alkalommal. A tanulság egyszerű: a géppel végeztetett munka végén mindig egy olyan ember írjon alá, aki érti a szakmát, ahogy arra a JPMorgan európai vezetője is figyelmeztetett.

Negyedik modul: a saját munkafolyamatok átalakítása

Az utolsó modulban minden csapat kiválaszt egy vagy két gyakori, ismétlődő feladatot, amelyeket aztán közösen alakítanak át. Egy képzeletbeli debreceni webshopban ez lehet a termékleírások első változatának megírása és a vásárlói kérdések kategorizálása, egy kecskeméti asztalosüzemben az árajánlatok szövegezése és a gyártási utasítások egységesítése. A modul kimenete egy közös sablonkönyvtár: bevált feladatkiírások, mintaválaszok és ellenőrzőlisták, amelyeket bárki újra tud használni.

Mi maradjon a második körre?

Az automatizálás, a több lépésben önállóan dolgozó AI-ügynökök és az API-alapú integrációk csak akkor hoznak valódi hasznot, ha a csapat alapszinten már magabiztos. A HubSpot szeptember 19-i közlése szerint a Pro Plus ügyfeleinek 19%-a használt már ügynököt augusztusban, az ügynököt azonban csak az tudja jól felügyelni, aki a feladatot maga is végig tudja vinni, ezért ez a téma a képzés második évadába való.

Hogyan építs fel egy 30 napos AI-képzési programot lépésről lépésre?

Egy 30 napos AI-képzési program heti egy közös alkalomra és egy kis önálló gyakorlásra épül, fejenként összesen körülbelül 12 órával. Az első héten a szabályok és a kiinduló mérés jön, a másodikon a feladatkiírás, a harmadikon az ellenőrzés, a negyediken egy valós folyamat átalakítása, a 30. napon pedig újramérés és döntés a folytatásról.

• Mérd fel a kiinduló állapotot. Egy tízkérdéses névtelen kérdőívvel derítsd ki, ki milyen AI-eszközt használ már, mire és milyen fiókkal, mert az árnyék-AI feltérképezése nélkül nem tudsz jó szabályt írni.
• Jelölj ki egy belső AI-gazdát. Olyan kollégát válassz, aki kíváncsi, türelmes és ismeri a cég folyamatait. A heti két-három órányi plusz feladatát számold bele a munkaidejébe.
• Írj egyoldalas AI-szabályzatot. Rögzítsd a jóváhagyott eszközöket, a háromszínű adatosztályozást, az ellenőrzés kötelezettségét és azt, hogy kihez lehet fordulni kérdéssel.
• Válaszd ki és állítsd be az eszközt. Céges fiókot használjatok, ahol az adminisztrátor kezeli a hozzáféréseket. Ellenőrizd azt is, hogy a beírt adatokkal a szolgáltató nem tanít.
• Jelölj ki három-öt célfeladatot és mérd meg őket. Olyan gyakori feladatokat válassz, amelyeknek ma is mérhető az ideje, a hibaaránya és az átfutási ideje, majd rögzítsd a kiinduló értékeket.
• Tartsd meg a négy közös alkalmat. Minden alkalom kilencven perces, a fele magyarázat, a másik fele gyakorlás a saját, valós feladatokon, nem kitalált példákon.
• Építsetek közös sablonkönyvtárat. A bevált feladatkiírások, mintaválaszok és ellenőrzőlisták egy közös mappába vagy wikibe kerüljenek, szerepkörök szerint rendezve.
• Tarts heti tizenöt perces megosztást. Mindenki elmondja, mi működött és mi nem, a sikertelen kísérletek ugyanis legalább annyit tanítanak, mint a sikeresek.
• Mérj újra a 30. napon. Ugyanazokat a mutatókat ugyanúgy mérd, mint a kezdetekkor, különben az eredmény összehasonlíthatatlan lesz.
• Dönts a folytatásról. A számok alapján döntsd el, hogy bővítitek a programot, módosítotok rajta, vagy bizonyos területeken leállítjátok. Ezzel egy időben tűzd ki a következő negyedéves frissítő alkalom időpontját is.

A belső AI-gazda szerepe a 30 nap után sem szűnik meg. Ha nincs gazdája a sablonkönyvtárnak, fél év múlva elavult utasítások és elfelejtett jó ötletek gyűjteménye lesz belőle.

Mennyibe kerül egy belső AI-képzés és mikor térül meg?

A belső AI-képzés legnagyobb költsége nem a tréner vagy a licenc, hanem a munkaidő. Saját becslésünk szerint egy 14 fős cégnél a fejenként 12 órás képzés 6 000 Ft-os óraköltséggel számolva körülbelül 1 millió forint, ami heti fejenként másfél óra megtakarításnál és a licencdíjak levonása után nagyjából két és fél hónap alatt térül meg.

A számítás feltevései, amelyeket a saját cégedre érdemes átírni: tegyük fel, hogy egy képzeletbeli 14 fős cégnél egy munkaóra teljes költsége (bér és járulékok) 6 000 Ft, a képzés fejenként 12 órát vesz igénybe, egy hónap 4,3 hétből áll, az AI-eszköz licencdíja pedig fejenként havi 10 000 Ft. A külső tréner díját szándékosan nem számoltuk bele, mert az a választott formától függően nagyon eltérő lehet.

A képzés munkaidő-költsége így 14 fő × 12 óra = 168 óra, 168 × 6 000 Ft = 1 008 000 Ft. A licencdíj havonta 14 × 10 000 Ft = 140 000 Ft. A megtérülés attól függ, mennyi időt takarít meg a képzés után egy munkatárs hetente.

A táblázat legfontosabb üzenete az óvatos sor. Ha a képzés után a munkatársak hetente csak fél órát spórolnak, akkor a fejenkénti licencdíj szinte teljesen elviszi a hasznot, a megtérülés pedig két év körül alakul, ami egy kis cégnél ritkán vállalható. Ilyenkor jobb a licencet csak a napi felhasználóknak megvenni, mert az alkalmi felhasználóknak egy ingyenes vagy olcsóbb, de a céges szabályoknak megfelelő megoldás is elég.

A közepes forgatókönyv valószerűségét egy külső adat is alátámasztja, bár óvatosan kell kezelni, mert a tanulmány egyetlen vállalat ügyfélszolgálatán készült. A Brynjolfsson és szerzőtársai által mért 14%-os termelékenységnövekedés egy olyan munkatársnál, aki hetente 20 órát tölt hasonló szöveges feladatokkal, saját számításunk szerint nagyjából 2,5 óra megtakarításnak felel meg (20 óra − 20 / 1,14 ≈ 2,46 óra). A heti másfél óra tehát nem vérmes remény, hanem egy óvatosan kerekített cél.

Egy megszorítás minden forgatókönyvre igaz: a felszabadult munkaóra csak akkor ér pénzt, ha a munkatárs új ügyfélre, gyorsabb kiszolgálásra vagy elmaradt feladatokra fordítja, különben a papíron szép megtakarítás egyszerűen elpárolog.

Hogyan mérd a képzés hatását munkaórában, hibaarányban és átfutási időben?

A képzés hatását ugyanazokon a feladatokon kell mérni a képzés előtt és a 30. napon: a munkaórát egy kéthetes időnaplóval, a hibaarányt a javításra szoruló tételek arányával, az átfutási időt pedig a beérkezés és a lezárás között eltelt idő mediánjával. Így a folytatásról számok alapján dönthetsz, nem benyomások alapján.

A három mutatót párban érdemes nézni, mert külön-külön könnyen félrevezetnek. Ha csak a munkaórát figyeled, a gyorsaság a minőség rovására mehet, ha pedig csak a hibaarányt, a csapat óvatosságból inkább hozzá sem nyúl az AI-hoz. Az alábbi táblázatban szereplő példaértékek képzeletbeliek, a saját kiinduló számaidat mindig magadnak kell felvenned.

Munkaóra: mennyi idő szabadult fel valójában?

A munkaóra mérésére a legegyszerűbb eszköz egy kéthetes időnapló, amelyben a munkatársak csak a kiválasztott három-öt célfeladatot rögzítik: mikor kezdték, mikor fejezték be és használtak-e közben AI-t. Tegyük fel, hogy egy képzeletbeli székesfehérvári gépalkatrész-kereskedőnél egy árajánlat elkészítése a képzés előtt átlagosan 95 percig tartott, utána 40 percig. Havi 60 ajánlatnál ez 55 perc × 60 = 3 300 perc, vagyis 55 munkaóra megtakarítás, amely a korábbi 6 000 Ft-os óraköltséggel számolva havonta 330 000 Ft értéket jelent.

Hibaarány: gyorsabb lett, de jobb is?

A hibaarány a javításra szoruló tételek aránya az összes elkészült tételhez képest. Egy árajánlatnál hiba lehet a rossz ár, a hiányzó tétel vagy a téves szállítási határidő, egy ügyfél-e-mailnél a valótlan információ vagy a nem teljesíthető ígéret. A mérés legolcsóbb módja a heti szúrópróba, amelynek során a belső AI-gazda vagy a csapatvezető 20 véletlenszerűen kiválasztott tételt a négy szem elve alapján átnéz. Előfordulhat, hogy az első két hétben a hibaarány átmenetileg nő, ez azonban nem kudarc, hanem annak a jele, hogy az ellenőrzőlistát élesíteni kell.

Átfutási idő: mennyit vár az ügyfél?

Az átfutási idő az az időtartam, amely egy feladat beérkezésétől a lezárásáig eltelik, például az ajánlatkéréstől az ajánlat kiküldéséig. Ezt a mutatót az ügyfél közvetlenül érzi, ezért egy kis cégnél gyakran ez hozza a legtöbb üzleti hasznot, hiszen aki hamarabb küld ajánlatot, sokszor nagyobb eséllyel nyer. Az adatokat a CRM, a jegykezelő rendszer vagy egyszerűen az e-mailek időbélyegei alapján lehet kigyűjteni. Átlag helyett mediánt használj, mert egyetlen, szabadság miatt három hétig fekvő ügy is teljesen eltorzítja az átlagot.

Hogyan kérdezz rá az AI-tudásra az állásinterjún?

Az UBS-mintát egy kis cég is átveheti: kérd meg a jelöltet, hogy mutasson be egy valós feladatot, amelyet AI-val oldott meg, mondja el, mit adott be a modellnek, mi lett jobb tőle és hogyan ellenőrizte az eredményt. A jó válaszban konkrétumok, számok és önkritika vannak, nem eszköznevek felsorolása.

Néhány kérdés, amely egy 30 perces interjúba is belefér:

• „Mesélj egy konkrét feladatról, amelyet az elmúlt hónapban AI-val oldottál meg. Mi volt a cél?”
• „Pontosan mit adtál be a modellnek és miért éppen azt?”
• „Mi lett jobb a korábbi megoldáshoz képest? Honnan tudod?”
• „Hogyan ellenőrizted az eredményt? Találtál benne hibát?”
• „Milyen feladatra nem használnál AI-t?”
• „Milyen adatot nem írnál be egy ingyenes AI-eszközbe?”

Figyelmeztető jel, ha a jelölt csak eszközneveket sorol, egyetlen ellenőrzési lépést sem tud mondani, vagy büszkén meséli, hogy ügyféladatokat másolt egy ingyenes chatbotba. Ugyanilyen gyanús a túl szép szám: aki azt állítja, hogy az AI-val tízszer gyorsabban dolgozik, de nem tudja megmondani, mihez képest, az inkább lelkes, mint tudatos. A legjobb válaszok gyakran egy kudarcról szólnak, amelyből a jelölt megtanulta, hol kell a gépre jobban figyelni.

Ha gyakorlati feladatot is adsz, legyen rövid, legfeljebb 45 perces, anonimizált adatokkal dolgozzon, fizetős előfizetésre pedig ne kötelezd a jelöltet, mert az a kevésbé tehetős pályakezdőket hozná hátrányba. Ha a jelentkezők előszűrésére is AI-t használnál, gondolj arra, hogy a toborzási AI-rendszerek az AI Act III. melléklete szerint magas kockázatúnak számítanak (a rájuk vonatkozó szigorúbb szabályok a Gibson Dunn összefoglalója szerint 2027. december 2-től alkalmazandók), az önéletrajzok pedig személyes adatok, amelyeket csak megfelelő jogalappal és szerződéssel lefedett eszközben szabad feldolgozni. A kérdéssor a meglévő munkatársak éves értékelésébe is beépíthető, így az AI-jártasság követett fejlődési cél lesz.

Milyen hibákat követnek el a cégek az AI-képzésnél?

Tapasztalatunk szerint a leggyakoribb hiba az egyszeri, általános webinárium, amely után semmi nem változik a napi munkában. Szintén gyakori a szabályzat nélküli bevezetés, a mérés hiánya, valamint az, hogy a képzés egy eszköz menüpontjairól szól, nem pedig a cég saját feladatairól.

• Egyszeri alkalom: egy kétórás előadás után a résztvevők könnyen visszaállnak a régi rutinra, ha nincs gyakorlás, visszakérdezés és közös sablon.
• Eszközközpontúság: a menüpontok fél év alatt megváltoznak, a jó feladatkiírás és az ellenőrzés logikája viszont évekig használható marad.
• Tiltás szabályozás helyett: a teljes tiltás nem szünteti meg a használatot, csak a szemed elől tünteti el, így valójában az árnyék-AI-t erősíti.
• A tapasztalt kollégák kihagyása: a Brynjolfsson-tanulmány szerint ők nyernek a legkevesebbet gyorsaságban, de éppen ők tudják a legjobban megítélni, hibás-e a gép válasza, ezért legyenek ők az ellenőrzőlisták gazdái.
• Hibáztató légkör: aki attól tart, hogy egy AI-val elkövetett hibáért megszégyenítik, inkább titokban használja az eszközt.
• Vak bizalom: a legveszélyesebb helyzet az, amikor a jól hangzó szöveget kiküldés előtt senki nem olvassa el figyelmesen.

Egy jó képzés tehát inkább hasonlít egy edzéstervhez, mint egy előadáshoz: rendszeres, a saját terepen zajlik és mérhető a fejlődés.

Hogyan tartsd frissen a csapat AI-tudását 2027-ig?

Az AI-eszközök néhány havonta érdemben változnak, ezért a képzés nem egyszeri projekt, hanem rutin: negyedévente egy rövid frissítő alkalom, havonta egy belső megosztás, a belső AI-gazdánál pedig egy folyamatosan gondozott sablonkönyvtár. A modellfüggetlen alapok, vagyis a feladatkiírás, az ellenőrzés és az adatbiztonság hosszú távon is megtérülnek.

Hogy mennyire gyors a tempó, azt jól mutatja az elmúlt két hónap. Az Anthropic július 24-én adta ki a Claude Opus 5-öt, az OpenAI szeptember 3-án a GPT-6 Astrát, ugyanazon a napon a Meta a Muse Spark 1.3-at, szeptember 17-én az Anthropic egyetlen ablakba vonta össze a Claude csevegő-, Cowork-, Artifacts- és Design-felületét. Szeptember 29-én jön az OpenAI DevDay fejlesztői konferenciája. Aki a képzést egy konkrét felület gombjaira építette, annak minden ilyen hírnél elölről kell kezdenie, aki viszont a gondolkodásmódot tanította meg, annak elég a sablonkönyvtárat frissítenie.

Egy kis cégnél tapasztalatunk szerint ez a ritmus fenntartható:

• negyedévente egy 60 és 90 perc közötti frissítő alkalom az új funkciókról és a bevált sablonokról;
• havonta egy félórás „mit tanultam” megosztás, ahol mindig más munkatárs mutat be egy saját megoldást;
• félévente újramérés ugyanazokkal a mutatókkal, mint az első 30 napban;
• évente az AI-szabályzat felülvizsgálata az új eszközök és jogszabályok fényében.

Kinek éri meg most elkezdeni? Minden olyan 5 és 50 fő közötti cégnek, ahol legalább öt ember végez rendszeresen irodai, szöveges vagy ügyfélkommunikációs munkát, mert ott a heti másfél órás megtakarítás reális, a megtérülés pedig néhány hónap. Ahol a csapat nagy része fizikai munkát végez, például egy építőipari vagy gyártó cégnél, ott elég az irodai és az adminisztratív kollégákkal kezdeni, a többieknek egy rövid adatbiztonsági alapképzés is megfelel. Várni egyetlen esetben érdemes: ha a cégnek még nincs rendezett céges fiókrendszere és adatkezelése, mert akkor először azt kell rendbe tenni.

Miben segít a Convergo?

A Convergo AI-felmérés, stratégia és oktatás szolgáltatásának keretében először feltérképezzük, ki mit használ ma a csapatodban, majd közösen kiválasztjuk azt a három-öt feladatot, ahol a képzéstől a legnagyobb haszon várható. A képzés és tanácsadás során a munkatársaid a saját, valós feladataikon gyakorolnak, a program végére pedig elkészül az egyoldalas AI-szabályzat, a közös sablonkönyvtár és a kiinduló mérés. Ha kiderül, hogy egy folyamatot automatizálni is érdemes, workflow automatizációval, n8n-alapú megoldással kötjük össze a meglévő rendszereiddel. A 30. napon közösen nézzük át a számokat, amelyek alapján te döntesz a folytatásról. Az első lépés egy ingyenes egyeztetés, ahol átbeszéljük, melyik csapattal induljon a program.